致谢 | 第1-6页 |
摘要 | 第6-8页 |
Abstract | 第8-13页 |
插图清单 | 第13-15页 |
表格清单 | 第15-16页 |
1 绪论 | 第16-32页 |
·引言 | 第16-17页 |
·过程监测的基本概念和研究方法 | 第17-20页 |
·过程监测的目的和基本概念 | 第17-18页 |
·过程监测的主要方法 | 第18-20页 |
·多变量统计过程监测的发展和存在的问题 | 第20-28页 |
·统计过程监测的发展 | 第20-21页 |
·研究现状及存在的主要问题 | 第21-28页 |
·本文的创新点及各个章节介绍 | 第28-30页 |
·主要创新点 | 第28-29页 |
·各章节介绍 | 第29-30页 |
·本章小结 | 第30-32页 |
2 基本方法和实验平台介绍 | 第32-44页 |
·引言 | 第32页 |
·流形学习和LPP算法介绍 | 第32-37页 |
·流形学习的发展现状 | 第32-35页 |
·LPP算法介绍 | 第35-37页 |
·集成学习和RSM算法介绍 | 第37-40页 |
·集成学习算法的基本概念 | 第37页 |
·集成学习算法的原理 | 第37-39页 |
·集成学习算法的分类 | 第39页 |
·RSM算法介绍 | 第39-40页 |
·TE Benchmark实验研究平台 | 第40-43页 |
·小结 | 第43-44页 |
3 变量空间局部-全局结构分析框架下的过程监测研究 | 第44-64页 |
·引言 | 第44-45页 |
·变量子空间构造及故障检测 | 第45-52页 |
·独立成分分析(1CA) | 第46-47页 |
·基于IC贡献度的子空间构造 | 第47-50页 |
·故障检测算法及性能分析 | 第50-52页 |
·基于独立元子空间算法的局部-全局结构分析框架 | 第52-57页 |
·基于集成学习的局部-全局结构分析 | 第52页 |
·集成学习新算法:独立元子空间算法 | 第52-54页 |
·ICSM-PCA故障检测算法 | 第54-57页 |
·TE Benchmark实验研究 | 第57-62页 |
·小结 | 第62-64页 |
4 基于DLPP的动态过程故障检测研究 | 第64-72页 |
·引言 | 第64页 |
·特征提取算法性能分析 | 第64-67页 |
·基于DLPP的动态故障检测算法 | 第67-71页 |
·扩展矩阵构造 | 第67-68页 |
·监控统计量构造 | 第68-69页 |
·故障检测算法 | 第69-71页 |
·结论 | 第71-72页 |
5 样本空间局部-全局结构分析框架下的过程监测研究 | 第72-94页 |
·引言 | 第72-74页 |
·样本空间的全局结构和局部结构 | 第74-76页 |
·PCA和LPP算法分析 | 第74-75页 |
·全局结构保持和局部结构保持 | 第75-76页 |
·基于样本空间局部-全局结构分析框架的降维算法 | 第76-80页 |
·LPMVP算法描述 | 第77-78页 |
·GLSA算法描述 | 第78-80页 |
·算法分析 | 第80-82页 |
·GLSA和PCA及LPP之间的关系 | 第81-82页 |
·算法复杂度分析 | 第82页 |
·故障检测方法 | 第82-84页 |
·故障识别方法 | 第84-85页 |
·数值仿真和TE Benchmark实验研究 | 第85-92页 |
·数值仿真 | 第85-88页 |
·Tennessee Eastman过程仿真 | 第88-92页 |
·结论 | 第92-94页 |
6 基于BPCA的概率过程监测及潜隐变量选择 | 第94-108页 |
·引言 | 第94-95页 |
·概率主元分析(PPCA) | 第95-98页 |
·概率主元分析模型 | 第95-97页 |
·概率主元分析的潜隐变量选择 | 第97-98页 |
·基于贝叶斯主元分析(BPCA)的过程监测 | 第98-102页 |
·贝叶斯主元分析模型 | 第98-101页 |
·BPCA和PPCA算法对比 | 第101-102页 |
·故障检测算法 | 第102页 |
·TE Benchmark实验研究 | 第102-105页 |
·结论 | 第105-108页 |
7 总结与展望 | 第108-112页 |
·研究工作总结 | 第108-110页 |
·研究工作展望 | 第110-112页 |
参考文献 | 第112-130页 |
攻读博士学位期间发表和录用的学术论文 | 第130-132页 |
攻读博士学位期间参加的科研项目 | 第132页 |
作者简介 | 第132页 |