致谢 | 第5-7页 |
摘要 | 第7-9页 |
Abstract | 第9-11页 |
缩写 | 第16-19页 |
1 绪论 | 第19-43页 |
1.1 课题背景和研究意义 | 第19-20页 |
1.2 过程监测的研究内容和主要方法 | 第20-25页 |
1.2.1 过程监测的基本概念与研究内容 | 第20-22页 |
1.2.2 过程监测的主要方法 | 第22-25页 |
1.3 基于多变量统计分析的过程监测研究 | 第25-35页 |
1.3.1 多变量统计过程监测的研究现状 | 第25-26页 |
1.3.2 工业过程特性分析 | 第26-27页 |
1.3.3 工业数据特性分析 | 第27-35页 |
1.4 基于概率模型的故障检测研究 | 第35-38页 |
1.4.1 概率模型及基于概率PCA的故障检测 | 第35-37页 |
1.4.2 基于概率模型的工业故障检测研究现状 | 第37-38页 |
1.5 本文研究内容与创新点 | 第38-41页 |
1.5.1 本文主要研究内容 | 第38-40页 |
1.5.2 文章创新点介绍 | 第40-41页 |
1.6 本章小结 | 第41-43页 |
2 基于自回归因子分析模型的动态过程故障检测 | 第43-67页 |
2.1 引言 | 第43-44页 |
2.2 预备知识 | 第44-46页 |
2.2.1 因子分析模型(FA) | 第44-45页 |
2.2.2 线性高斯状态空间模型(LGSSM) | 第45-46页 |
2.3 自回归因子分析模型(ARFA) | 第46-52页 |
2.3.1 ARFA模型结构 | 第46页 |
2.3.2 ARFA模型参数估计 | 第46-51页 |
2.3.3 ARFA模型分析 | 第51-52页 |
2.4 基于ARFA的动态过程故障检测 | 第52-54页 |
2.5 实例研究 | 第54-65页 |
2.5.1 数值例子 | 第54-60页 |
2.5.2 TE过程实验研究 | 第60-65页 |
2.6 本章小结 | 第65-67页 |
3 基于概率隐变量回归模型的故障检测 | 第67-87页 |
3.1 引言 | 第67-68页 |
3.2 概率隐变量回归模型(PLVR) | 第68-75页 |
3.2.1 PLVR模型形式 | 第68-70页 |
3.2.2 PLVR模型参数估计:EM算法 | 第70-74页 |
3.2.3 PLVR与PPCA的比较 | 第74-75页 |
3.3 基于PLVR的故障检测 | 第75-78页 |
3.4 实例研究 | 第78-84页 |
3.5 本章小结 | 第84-87页 |
4 基于半监督概率隐变量回归模型的故障检测 | 第87-109页 |
4.1 引言 | 第87-88页 |
4.2 连续过程的SSPLVR模型 | 第88-92页 |
4.2.1 SSPLVR模型形式 | 第89-90页 |
4.2.2 SSPLVR模型参数估计 | 第90-91页 |
4.2.3 基于SSPLVR的连续过程故障检测 | 第91-92页 |
4.3 批次过程的SSPLVR模型 | 第92-99页 |
4.3.1 批次过程数据预处理 | 第93-96页 |
4.3.2 批次过程SSPLVR模型 | 第96-98页 |
4.3.3 基于SSPLVR的批次过程故障检测 | 第98-99页 |
4.4 实例研究 | 第99-108页 |
4.4.1 TE过程实验研究 | 第99-104页 |
4.4.2 青霉素过程实验研究 | 第104-108页 |
4.5 本章小结 | 第108-109页 |
5 基于递归高斯过程的批次过程自适应故障检测 | 第109-123页 |
5.1 引言 | 第109-110页 |
5.2 高斯过程回归(GP)模型 | 第110-112页 |
5.3 基于RGP的批次过程自适应故障检测 | 第112-116页 |
5.3.1 基于有限样本建模建立的GP模型及其故障检测 | 第112-113页 |
5.3.2 模型在线更新测量及基于RGP的故障检测 | 第113-116页 |
5.4 实例研究 | 第116-122页 |
5.5 本章小结 | 第122-123页 |
6 总结与展望 | 第123-127页 |
6.1 研究工作总结 | 第123-124页 |
6.2 研究工作展望 | 第124-127页 |
参考文献 | 第127-141页 |
攻读博士学位期间完成的学术论文 | 第141-143页 |
攻读博士学位期间参加的科研项目 | 第143页 |