| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 课题背景与意义 | 第13-14页 |
| 1.2 国内外研究进展 | 第14-19页 |
| 1.2.1 故障诊断的研究及现状 | 第14-17页 |
| 1.2.2 BN在故障诊断方向的研究及应用现状 | 第17-18页 |
| 1.2.3 数据驱动方法在化工过程故障诊断方面的应用 | 第18-19页 |
| 1.3 本文内容及组织结构 | 第19-21页 |
| 第二章 贝叶斯网络理论 | 第21-31页 |
| 2.1 概率图模型 | 第21-24页 |
| 2.1.1 BN模型 | 第22-24页 |
| 2.2 BN结构学习 | 第24-26页 |
| 2.2.1 条件约束结构学习 | 第24页 |
| 2.2.2 评分搜索结构学习 | 第24-26页 |
| 2.2.3 混合结构学习 | 第26页 |
| 2.3 BN参数学习 | 第26-28页 |
| 2.3.1 完整数据集下的参数学习 | 第26-27页 |
| 2.3.2 数据缺失下的参数学习 | 第27-28页 |
| 2.4 互信息 | 第28页 |
| 2.5 本章小结 | 第28-31页 |
| 第三章 BN结构学习的研究与验证 | 第31-41页 |
| 3.1 基于AHP的BN结构学习 | 第31-35页 |
| 3.1.1 层次分析法 | 第31-33页 |
| 3.1.2 基于AHP的贝叶斯网络构建 | 第33-35页 |
| 3.2 基于MI-AHP-K2的BN结构学习 | 第35-37页 |
| 3.2.1 互信息与最大生成树 | 第35-36页 |
| 3.2.2 基于MI-AHP-K2的BN网络构建 | 第36-37页 |
| 3.3 BN结构学习在Asia网的验证对比 | 第37-40页 |
| 3.3.1 Asia网的最大生成树 | 第37-38页 |
| 3.3.2 Asia网的BN模型构造 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于BN的故障分析方法 | 第41-59页 |
| 4.1 TE过程 | 第41-45页 |
| 4.2 故障分析指标 | 第45-46页 |
| 4.2.1 聚集系数 | 第45-46页 |
| 4.2.2 平均度 | 第46页 |
| 4.2.3 平均距离 | 第46页 |
| 4.3 实验验证 | 第46-57页 |
| 4.3.1 正常无故障 | 第48-49页 |
| 4.3.2 故障4 | 第49-51页 |
| 4.3.3 故障10 | 第51-53页 |
| 4.3.4 故障11 | 第53-55页 |
| 4.3.5 故障14 | 第55-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59页 |
| 5.2 展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 研究成果及发表的学术论文 | 第67-69页 |
| 作者和导师简介 | 第69-71页 |
| 附件 | 第71-72页 |