第1章 绪论 1
1.1引言 1
1.2软测量技术的研究现状 3
1.2.1软测量技术简介 3
1.2.2特征提取与特征选择 5
1.2.3选择性集成建模 6
1.2.4在线集成建模 8
1.3旋转机械设备负荷检测方法的研究现状 10
1.3.1研磨机理数值仿真与筒体振动分析 10
1.3.2仪表检测方法 12
1.3.3数据驱动软测量方法 17
1.3.4存在问题 21
第2章 复杂工业过程旋转机械设备负荷特性分析 23
2.1引言 23
2.2复杂工业过程旋转机械设备负荷描述 23
2.2.1工艺过程描述 23
2.2.2负荷与负荷参数 25
2.2.3负荷参数与工业过程生产率 27
2.3旋转机械设备负荷的专家识别过程描述 28
2.4旋转机械设备负荷的特性分析 29
2.4.1工作机理 29
2.4.2筒体振动分析 37
2.4.3振声分析 44
2.4.4电流分析 47
2.4.5软测量模型输入输出关系 48
2.5旋转机械设备负荷软测量模型的难点分析 49
第3章 基于筒体振动频谱的特征选择与特征提取方法及其应用 51
3.1引言 51
3.2随机振动信号处理 52
3.2.1振动信号的时域分析 53
3.2.2振动信号的频域分析 54
3.3维数约简与软测量模型输入特征选择 58
3.3.1基于主元分析（PCA）/核PCA （KPCA）的特征提取方法 59
3.3.2基于互信息（MI）的特征选择方法 62
3.3.3支持向量机（SVM）模型的输入特征选择 63
3.3.4上述特征提取与特征选择方法的局限性 67
3.4旋转机械振动频谱特征提取与特征选择及其应用 68
3.4.1基于组合优化的特征提取与特征选择策略 68
3.4.2基于组合优化的特征提取与特征选择方法 69
3.4.3算法步骤 77
3.4.4实验研究 79
第4章 基于频谱数据驱动的旋转机械设备负荷选择性集成建模及其应用 92
4.1引言 92
4.2选择集成建模与多传感器信息优化融合 94
4.2.1神经网络集成理论框架 95
4.2.2基于遗传算法的神经网络选择性集成（GASEN） 97
4.2.3特征选择与选择性集成建模 98
4.2.4基于自适应加权融合（AWF）算法的多传感器信息融合 99
4.2.5选择性多源信息融合 99
4.3基于偏最小二乘（PLS）/核PLS （KPLS）的集成建模方法及存在的问题 100
4.3.1基于PLS/KPLS的集成建模方法 101
4.3.2 PLS/KPLS集成建模方法存在的问题 104
4.4基于筒体振动频谱的旋转机械设备负荷参数集成建模 105
4.4.1基于筒体振动频谱的集成建模策略 105
4.4.2基于筒体振动频谱的集成建模算法 105
4.4.3实验研究 108
4.5基于选择性集成多传感器频谱特征的旋转机械设备负荷参数软测量 112
4.5.1基于选择性集成多传感器频谱特征的建模策略 112
4.5.2基于选择性集成多传感器频谱特征的建模算法 114
4.5.3建模步骤 118
4.5.4实验研究 119
4.6基于经验模态分解（EMD）和选择性集成学习的旋转机械设备负荷参数软测量 133
4.6.1基于EMD和选择性集成学习的建模策略 133
4.6.2基于EMD和选择性集成学习的建模算法 134
4.6.3实验研究 138
第5章 基于频谱数据驱动的旋转机械设备负荷参数在线集成建模及其应用 162
5.1引言 162
5.2递推更新算法 164
5.2.1递推主元分析（RPCA）算法 164
5.2.2递推偏最小二乘（RPLS）算法 166
5.3更新样本识别算法 167
5.3.1基于PCA模型 167
5.3.2基于近似线性依靠（ALD） 169
5.3.3其它更新样本识别算法及存在问题 173
5.4基于ALD的在线建模算法 174
5.4.1在线PCA-SVM（OLPCA-SVM） 174
5.4.2在线PLS （OLPLS） 176
5.4.3在线KPLS （OLKPLS） 177
5.4.4算法讨论 179
5.4.5实验研究 180
5.5基于在线集成建模的旋转机械设备负荷参数软测量方法 187
5.5.1建模策略 187
5.5.2建模算法 188
5.5.3建模步骤 190
5.5.4实验研究 190
参考文献 195