首页--工业技术论文--自动化技术、计算机技术论文--自动化技术及设备论文--自动化系统论文--数据处理、数据处理系统论文

基于局部—全局结构分析的统计过程监测方法研究

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

论文共132页,点击 下载论文
上一篇:基于微分—代数混合方程机理模型的非线性预测控制
下一篇:过程控制系统结构优化与设计