| 致谢 | 第5-7页 |
| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 缩写、符号清单、术语表 | 第15-20页 |
| 第一章 绪论 | 第20-32页 |
| 1.1 课题背景及研究意义 | 第20-21页 |
| 1.2 研究现状及分析 | 第21-29页 |
| 1.2.1 基于多元统计分析的故障诊断方法 | 第22-24页 |
| 1.2.2 基于信号处理的故障诊断方法 | 第24-26页 |
| 1.2.3 基于粗糙集的故障诊断方法 | 第26页 |
| 1.2.4 基于机器学习的故障诊断方法 | 第26-28页 |
| 1.2.5 基于信息融合的故障诊断方法 | 第28页 |
| 1.2.6 数据驱动的故障诊断研究中存在的问题 | 第28-29页 |
| 1.3 论文的研究内容 | 第29-32页 |
| 第二章 基于栈式自编码网络的故障诊断 | 第32-56页 |
| 2.1 引言 | 第32-33页 |
| 2.2 栈式自编码网络 | 第33-40页 |
| 2.2.1 稀疏自编码网络 | 第34-38页 |
| 2.2.2 栈式稀疏自编码网络 | 第38-40页 |
| 2.3 Softmax分类器 | 第40-44页 |
| 2.3.1 Logistic回归分析 | 第40-42页 |
| 2.3.2 Softmax分类器 | 第42-44页 |
| 2.4 基于栈式自编码网络的故障诊断 | 第44-45页 |
| 2.5 Tennessee Eastman过程实验验证 | 第45-55页 |
| 2.5.1 TE过程介绍 | 第46页 |
| 2.5.2 故障检测 | 第46-52页 |
| 2.5.3 故障诊断 | 第52-53页 |
| 2.5.4 时间复杂度分析 | 第53-55页 |
| 2.6 本章小结 | 第55-56页 |
| 第三章 基于加权序列的栈式自编码网络故障诊断 | 第56-76页 |
| 3.1 引言 | 第56-57页 |
| 3.2 时间去噪 | 第57-58页 |
| 3.3 支持向量机分类器 | 第58-63页 |
| 3.4 基于加权序列的栈式自编码网络故障诊断 | 第63-66页 |
| 3.5 Tennessee Eastman过程案例研究 | 第66-73页 |
| 3.5.1 故障检测 | 第66-69页 |
| 3.5.2 微小故障检测 | 第69-71页 |
| 3.5.3 故障分类 | 第71-73页 |
| 3.6 本章小结 | 第73-76页 |
| 第四章 基于动态估计的栈式自编码网络故障诊断 | 第76-96页 |
| 4.1 引言 | 第76-77页 |
| 4.2 多项式泰勒展开阐释自编码网络 | 第77-81页 |
| 4.3 基于动态估计的表示学习 | 第81-85页 |
| 4.4 基于动态估计的栈式自编码网络诊断框架 | 第85-87页 |
| 4.5 实验验证与分析 | 第87-93页 |
| 4.5.1 数值分析 | 第87-88页 |
| 4.5.2 TE过程案例分析 | 第88-93页 |
| 4.6 本章小结 | 第93-96页 |
| 第五章 基于高阶相关性的多级故障诊断 | 第96-116页 |
| 5.1 引言 | 第96-97页 |
| 5.2 基于栈式自编码网络的高阶相关性特征提取 | 第97-100页 |
| 5.3 自编码网络与主元分析的关系 | 第100-101页 |
| 5.4 过程监控的统计量 | 第101-104页 |
| 5.4.1 基于重建误差的监控指标 | 第102页 |
| 5.4.2 基于Mahalanobis距离的监控指标 | 第102-103页 |
| 5.4.3 基于Chebyshev距离的监控指标 | 第103页 |
| 5.4.4 控制限 | 第103-104页 |
| 5.5 基于高阶相关性的多级故障诊断 | 第104-106页 |
| 5.6 实验验证与分析 | 第106-113页 |
| 5.6.1 TE过程上的统计量分析 | 第107-108页 |
| 5.6.2 TE过程与ME过程上的故障检测结果 | 第108-112页 |
| 5.6.3 训练集对算法的影响 | 第112-113页 |
| 5.7 本章小结 | 第113-116页 |
| 第六章 基于栈式自编码网络的阈值自适应过程监控 | 第116-134页 |
| 6.1 引言 | 第116-117页 |
| 6.2 多模态测量的表示学习 | 第117-120页 |
| 6.3 基于栈式自编码网络的阈值自适应过程监控 | 第120-125页 |
| 6.3.1 基于改进的指数加权平均法的自适应阈值更新 | 第120-123页 |
| 6.3.2 基于贡献图的变量隔离 | 第123页 |
| 6.3.3 基于栈式自编码网络的阈值自适应在线监控框架 | 第123-125页 |
| 6.4 Tennessee Eastman过程实验验证 | 第125-132页 |
| 6.4.1 模态辨识 | 第125-126页 |
| 6.4.2 在线监控 | 第126-132页 |
| 6.5 本章小结 | 第132-134页 |
| 第七章 总结与展望 | 第134-138页 |
| 7.1 研究工作总结 | 第134-135页 |
| 7.2 研究展望 | 第135-138页 |
| 参考文献 | 第138-148页 |
| 作者简历 | 第148-150页 |
| 作者在攻读博士学位期间的科研成果 | 第150-151页 |
