基于KPLS和鲁棒加权LSSVM的工业过程监控技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-24页 |
| 1.1 引言 | 第10页 |
| 1.2 过程监控技术的研究背景 | 第10-14页 |
| 1.2.1 过程监控在流程工业过程的必要性 | 第10-11页 |
| 1.2.2 过程故障的定义、分类和研究内容及对象 | 第11-12页 |
| 1.2.3 过程监控的研究内容及对象 | 第12-13页 |
| 1.2.4 过程监控的性能评价指标 | 第13-14页 |
| 1.3 过程监控技术的研究方法 | 第14-19页 |
| 1.3.1 基于解析模型的方法 | 第15-16页 |
| 1.3.2 基于知识的方法 | 第16-18页 |
| 1.3.3 基于数据驱动的方法 | 第18-19页 |
| 1.4 国内外过程监控的研究现状 | 第19-22页 |
| 1.4.1 动态过程 | 第19页 |
| 1.4.2 非线性过程 | 第19-21页 |
| 1.4.3 非正态分布过程 | 第21页 |
| 1.4.4 鲁棒性过程 | 第21页 |
| 1.4.5 自适应过程 | 第21-22页 |
| 1.4.6 多模态过程 | 第22页 |
| 1.5 本文主要研究的内容和结构安排 | 第22-24页 |
| 第二章 核方法简介及田纳西-伊斯曼过程 | 第24-34页 |
| 2.1 引言 | 第24页 |
| 2.2 核方法简介 | 第24-28页 |
| 2.2.1 核方法的基本理论 | 第24-26页 |
| 2.2.2 核函数的性质 | 第26页 |
| 2.2.3 核函数的特点 | 第26-27页 |
| 2.2.4 核函数种类及选择依据 | 第27-28页 |
| 2.3 田纳西-伊斯曼过程 | 第28-33页 |
| 2.3.1 过程工艺流程图 | 第28-29页 |
| 2.3.2 过程变量 | 第29-31页 |
| 2.3.3 过程故障 | 第31-32页 |
| 2.3.4 仿真数据 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 基于核方法的偏最小二乘过程监控方法 | 第34-55页 |
| 3.1 引言 | 第34-35页 |
| 3.2 偏最小二乘法的基本思想 | 第35-38页 |
| 3.2.1 PLS的基本原理 | 第35-36页 |
| 3.2.2 NIPALS算法 | 第36-37页 |
| 3.2.3 特征向量个数的选取方式 | 第37-38页 |
| 3.3 PLS模型统计量监测指标 | 第38-40页 |
| 3.3.1 Hotelling T~2统计量 | 第38页 |
| 3.3.2 平方预测误差(SPE)图 | 第38-40页 |
| 3.3.3 几何解释 | 第40页 |
| 3.4 PLS方法的扩展算法 | 第40-41页 |
| 3.5 基于核偏最小二乘法的过程监控 | 第41-44页 |
| 3.5.1 KPLS算法 | 第41-42页 |
| 3.5.2 KPLS过程监控指标 | 第42-43页 |
| 3.5.3 基于KPLS的在线监控 | 第43-44页 |
| 3.6 TE过程仿真 | 第44-53页 |
| 3.7 本章小结 | 第53-55页 |
| 第四章 鲁棒加权支持向量机的故障诊断方法 | 第55-67页 |
| 4.1 引言 | 第55页 |
| 4.2 支持向量机 | 第55-60页 |
| 4.2.1 最优分类面 | 第55-58页 |
| 4.2.2 非线性分类 | 第58-59页 |
| 4.2.3 多分类支持向量机 | 第59-60页 |
| 4.3 鲁棒加权支持向量机 | 第60-65页 |
| 4.3.1 最小二乘支持向量机数学模型 | 第60-61页 |
| 4.3.2 鲁棒加权LS-SVM数学模型 | 第61-62页 |
| 4.3.3 基于混合核函数的SVM | 第62-63页 |
| 4.3.4 支持向量机参数的选择 | 第63-65页 |
| 4.4 SVM在故障诊断的应用和仿真 | 第65-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 本文主要工作总结 | 第67-68页 |
| 5.2 进一步讨论与展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75页 |
