| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-13页 |
| 1 绪论 | 第13-29页 |
| ·课题背景和研究意义 | 第13页 |
| ·过程监测的研究内容和研究方法 | 第13-17页 |
| ·过程监测的基本概念和研究内容 | 第14-15页 |
| ·过程监测的研究方法 | 第15-17页 |
| ·统计过程监测的发展现状 | 第17-25页 |
| ·统计过程监测的发展历程 | 第18页 |
| ·存在的主要问题及其研究现状 | 第18-25页 |
| ·应用领域和软件开发 | 第25页 |
| ·本文的研究内容和创新点 | 第25-27页 |
| ·复杂工况的定义和本文的研究内容 | 第25-26页 |
| ·本文的创新点及各个章节介绍 | 第26-27页 |
| ·本章小结 | 第27-29页 |
| 2 基本方法介绍 | 第29-39页 |
| ·引言 | 第29页 |
| ·主元分析(PCA) | 第29-30页 |
| ·因子分析(FA) | 第30-32页 |
| ·独立成分分析(ICA) | 第32-34页 |
| ·核主元分析(KPCA) | 第34-35页 |
| ·支持向量数据描述(SVDD) | 第35-37页 |
| ·最小二乘支持向量回归(LSSVR) | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 3 复杂数据分布过程监测方法研究 | 第39-61页 |
| ·引言 | 第39-40页 |
| ·基于ICA-PCA两步信息提取策略的故障检测方法 | 第40-42页 |
| ·ICA-PCA两步信息提取策略 | 第40-41页 |
| ·故障检测方法 | 第41-42页 |
| ·基于ICA-FA和SVDD的故障检测方法 | 第42-45页 |
| ·ICA-FA两步信息提取策略 | 第42-43页 |
| ·故障检测方法 | 第43-45页 |
| ·故障重构、诊断和识别 | 第45-50页 |
| ·基于SVDD的故障重构和诊断方法 | 第45-48页 |
| ·基于相似因子的故障识别方法 | 第48-50页 |
| ·数值仿真和Benchmark实验研究 | 第50-60页 |
| ·数值仿真 | 第50-55页 |
| ·TE Benchmark实验研究 | 第55-60页 |
| ·本章小结 | 第60-61页 |
| 4 非线性过程监测方法研究 | 第61-85页 |
| ·引言 | 第61-62页 |
| ·基于统计局部技术的非线性过程故障检测 | 第62-70页 |
| ·统计局部技术 | 第62-63页 |
| ·基于统计局部技术的改进KPCA故障检测方法 | 第63-67页 |
| ·仿真研究 | 第67-70页 |
| ·基于线性子空间和Bayesian推理的非线性过程监测 | 第70-83页 |
| ·线性子空间定义和划分 | 第70-72页 |
| ·故障检测方法 | 第72-77页 |
| ·故障诊断方法 | 第77-79页 |
| ·TE Benchmark实验研究 | 第79-83页 |
| ·本章小结 | 第83-85页 |
| 5 时变和多工况过程监测方法研究 | 第85-113页 |
| ·引言 | 第85-86页 |
| ·基于局部模型的时变过程在线故障检测 | 第86-93页 |
| ·全局模型和局部模型 | 第86-87页 |
| ·局部模型构建 | 第87-88页 |
| ·实时性考虑 | 第88-89页 |
| ·故障检测方法实施 | 第89-90页 |
| ·仿真研究 | 第90-93页 |
| ·基于鲁棒非线性外部分析方法的多工况过程在线故障检测 | 第93-101页 |
| ·外部变量和主要变量 | 第94页 |
| ·基于LSSVR的非线性外部分析模型 | 第94-96页 |
| ·鲁棒非线性外部分析故障检测算法 | 第96-98页 |
| ·TE Benchmark实验研究 | 第98-101页 |
| ·基于二维Bayesian推理和集成的多工况过程监测方法 | 第101-111页 |
| ·过程数据划分和线性子空间构建 | 第101-103页 |
| ·基于二维Bayesian推理的故障检测方法 | 第103-105页 |
| ·工况定位和故障识别 | 第105-107页 |
| ·TE Benchmark实验研究 | 第107-111页 |
| ·本章小结 | 第111-113页 |
| 6 动态过程监测方法研究 | 第113-127页 |
| ·引言 | 第113-114页 |
| ·基于子空间辨识和统计局部技术的动态过程监测 | 第114-119页 |
| ·子空间模型辨识(SMI) | 第114-116页 |
| ·统计局部技术(LA) | 第116页 |
| ·基于SMILA的故障检测方法 | 第116-118页 |
| ·故障识别方法 | 第118-119页 |
| ·实验研究 | 第119-124页 |
| ·齿轮传动过程实验研究 | 第119-123页 |
| ·TE Benchmark过程实验研究 | 第123-124页 |
| ·本章小结 | 第124-127页 |
| 7 复杂间歇过程监测方法研究 | 第127-149页 |
| ·引言 | 第127-128页 |
| ·基于Bayesian推理的多工况间歇过程监测方法 | 第128-138页 |
| ·过程数据模式分类 | 第129页 |
| ·基于ICA-PCA和SVDD的信息提取和统计量构建 | 第129-131页 |
| ·基于Bayesian推理的故障检测方法 | 第131-133页 |
| ·工况定位和故障识别 | 第133-134页 |
| ·半导体过程实验研究 | 第134-138页 |
| ·具有多工况特性的多阶段间歇过程监测方法 | 第138-147页 |
| ·基于模式和阶段的过程数据分类 | 第139页 |
| ·故障检测方法 | 第139-142页 |
| ·工况定位和故障识别 | 第142页 |
| ·青霉素Benchmark过程实验研究 | 第142-147页 |
| ·本章小结 | 第147-149页 |
| 8 总结和展望 | 第149-153页 |
| ·研究工作总结 | 第149-150页 |
| ·挑战与展望 | 第150-153页 |
| 参考文献 | 第153-171页 |
| 附录 | 第171-177页 |
| 攻读博士学位期间完成的学术论文 | 第177-179页 |
| 攻读博士学位期间参加的科研项目 | 第179-180页 |
| 个人简历 | 第180页 |
