在线传感器性能评估与故障诊断方法研究

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

　　《在线传感器性能评估与故障诊断方法研究》以过程工业传感器为研究对象，系统阐述了在线性能评估的原理、方法与目标，主要内容有：在线传感器性能评估的含义和指标，传感器输出时间序列的实时小波滤波方法，基于神经网络的传感器输出时间序列的实时预测方法，同时对传感器突变信号的识别方法和基于强跟踪滤波的故障诊断方法进行了研究。　　《在线传感器性能评估与故障诊断方法研究》可作为过程装备与控制、自动化、测控技术与仪器等专业研究人员的参考书，也可供生产企业一线从事传感器与检测技术的工程师和技术人员作为参考用书。