第1章 绪论
1.1 研究背景
1.1.1 传感器的重要性
1.1.2 智能传感器技术及发展现状
1.2 传感器性能评估与故障诊断的重要性
1.2.1 故障的定义
1.2.2 故障诊断的任务及其研究的内容
1.2.3 性能评估的含义
1.2.4 传感器故障及性能变化原因
1.2.5 传感器性能评估与故障诊断的意义
1.3 传感器故障诊断的方法及研究现状
1.3.1 基于解析模型的方法
1.3.2 基于信号处理的方法
1.3.3 基于知识的方法
1.3.4 目前主要存在的问题
1.4 本书研究的主要内容
第2章 在线传感器性能评估指标和评估方法的确定
2.1 传感器的性能指标分析
2.1.1 传感器误差分析
2.1.2 传感器静态性能指标的分析
2.1.3 传感器的测量不确定度
2.2 在线传感器性能评估方法
2.2.1 传感器性能评估基本方法的提出
2.2.2 神经网络预测前小波滤波的必要性分析
2.2.3 小波滤波对神经网络预测精度影响的仿真
2.3 本章小结
第3章 传感器输出时间序列的实时小波滤波方法
3.1 小波变换的基本理论
3.1.1 连续小波变换
3.1.2 离散小波变换
3.1.3 正交小波变换的快速算法——Mallat算法
3.1.4 离散时间序列的正交小波变换
3.2 小波变换在信号滤波中的应用研究
3.2.1 小波滤波原理
3.2.2 小波滤波的常见方法
3.2.3 传感器输出时间序列的小波域阈值滤波的基本原理
3.2.4 小波域阈值滤波的实时性方法研究
3.3 实时滤波效果的实验分析
3.3.1 实测信号的实时滤波效果分析
3.3.2 典型信号的实时滤波效果研究
3.3.3 仿真信号的实时滤波效果研究
3.4 本章小结
第4章 基于神经网络的传感器输出时间序列预测方法
4.1 预测的基本理论
4.1.1 预测的特点
4.1.2 预测性能评价指标
4.2 时间序列预测的常用方法
4.2.1 传统的时间序列预测方法
4.2.2 基于神经网络的时间序列预测方法
4.3 自适应线性神经网络在时间序列预测中的应用
4.3.1 自适应线性神经网络简介
4.3.2 自适应线性神经网络用于时间序列预测的步骤
4.3.3 自适应线性神经网络进行时间序列预测的效果
4.4 BP神经网络在时间序列预测中的应用
4.4.1 BP神经网络概述
4.4.2 BP神经网络用于时间序列预测的方法
4.4.3 运用BP神经网络进行时间序列预测的效果
4.5 本章小结
第5章 在线传感器突变信号的检测与识别
5.1 突变信号的产生及特征分析
5.2 基于小波变换及小波包的频带分析
5.2.1 小波变换与小波包的频率分辨力
5.2.2 频带分析方法
5.2.3 小波频带与能量积分
5.2.4 分析步骤
5.3 频带分析中的小波函数选择
5.4 仿真分析
5.5 实验研究
5.6 本章小结
第6章 在线传感器性能评估与故障诊断方法的实验研究
6.1 性能评估与故障诊断方法流程
6.2 原油储罐液位传感器的性能评估与故障诊断
6.2.1 MT2000原油储罐液位测量仪的工作原理简介
6.2.2 MT2000原油储罐液位测量仪的性能评估与故障诊断实验
6.3 原油含水率测量传感器的性能评估与故障诊断
6.3.1 CM-3电容式含水分析仪测量原理简介
6.3.2 cM-3电容式含水分析仪性能评估与故障诊断实验
6.4 原油储罐温度传感器的性能评估与故障诊断
6.5 恒压供水系统的压力与流量传感器评估实验
6.5.1 压力传感器的性能评估实验
6.5.2 流量传感器的性能评估实验
6.6 本章小结
第7章 基于强跟踪滤波的传感器故障诊断方法的改进
7.1 基本卡尔曼滤波算法
7.2 扩展卡尔曼滤波算法
7.3 强跟踪卡尔曼滤波及其在传感器故障诊断中的应用
7.3.1 强跟踪卡尔曼滤波的基本原理
7.3.2 基于强跟踪卡尔曼滤波的传感器故障诊断方法
7.3.3 存在的问题
7.4 强跟踪卡尔曼滤波与小波滤波相结合的改进方法
7.4.1 传感器故障模型的简化
7.4.2 仿真实验
7.5 双强跟踪卡尔曼滤波器的改进方法
7.5.1 基本原理
7.5.2 仿真实验
7.6 本章小结
第8章 结论与展望
参考文献
展开
