基于独立分量分析的工业过程异常状态监测与诊断方法
学位论文数据集 | 第4-5页 |
摘要 | 第5-8页 |
ABSTRACT | 第8-11页 |
目录 | 第12-15页 |
Contents | 第15-18页 |
符号说明 | 第18-19页 |
第一章 绪论 | 第19-35页 |
1.1 研究背景与意义 | 第19-20页 |
1.2 相关技术研究现状 | 第20-31页 |
1.2.1 过程监测与故障诊断 | 第21-24页 |
1.2.2 基于ICA的过程监测方法 | 第24-26页 |
1.2.3 多模式或多阶段过程监测 | 第26-28页 |
1.2.4 ICA异常状态诊断 | 第28-29页 |
1.2.5 ICA与其它方法的综合 | 第29-31页 |
1.3 内容及结构安排 | 第31-35页 |
第二章 改进的ICA异常状态监测方法 | 第35-51页 |
2.1 引言 | 第35页 |
2.2 系统偏差与Box-Cox变换 | 第35-37页 |
2.2.1 系统偏差 | 第35-36页 |
2.2.2 Box-Cox变换 | 第36-37页 |
2.3 异常状态监测方法 | 第37-44页 |
2.3.1 数据预处理 | 第38-40页 |
2.3.3 独立分量划分 | 第40-41页 |
2.3.4 统计量控制限确定 | 第41-42页 |
2.3.5 在线监测 | 第42页 |
2.3.6 贡献图定位异常 | 第42-44页 |
2.4 实例研究 | 第44-50页 |
2.4.1 连续过程实例 | 第44-45页 |
2.4.2 间歇过程实例 | 第45-50页 |
2.5 本章小结 | 第50-51页 |
第三章 基于奇异值识别的异常状态监测方法 | 第51-75页 |
3.1 引言 | 第51页 |
3.2 奇异值识别 | 第51-55页 |
3.2.1 奇异值分解 | 第51-52页 |
3.2.2 奇异值识别算法 | 第52-55页 |
3.3 异常状态监测方法 | 第55-61页 |
3.3.1 数据预处理 | 第55-57页 |
3.3.2 子过程监测模型 | 第57-59页 |
3.3.3 在线监测 | 第59页 |
3.3.4 基于奇异值识别的过程监测流程 | 第59-61页 |
3.4 实例研究 | 第61-74页 |
3.4.1 TE过程实例 | 第61-71页 |
3.4.2 青霉素发酵间歇过程实例 | 第71-74页 |
3.5 本章小结 | 第74-75页 |
第四章 基于重构联合指标贡献的异常状态诊断方法 | 第75-87页 |
4.1 引言 | 第75页 |
4.2 重构贡献诊断方法 | 第75-81页 |
4.2.1 联合指标监测 | 第75-77页 |
4.2.2 传统贡献图诊断 | 第77页 |
4.2.3 重构贡献诊断 | 第77-78页 |
4.2.4 异常状态诊断性能 | 第78-80页 |
4.2.5 异常状态诊断流程 | 第80-81页 |
4.3 实例研究 | 第81-86页 |
4.3.1 TE过程实例1 | 第82-84页 |
4.3.2 TE过程实例2 | 第84-86页 |
4.4 本章小结 | 第86-87页 |
第五章 基于ICA-CPPN的异常状态诊断方法 | 第87-103页 |
5.1 引言 | 第87-88页 |
5.2 条件概率Petri网(CPPN) | 第88-90页 |
5.2.1 CPPN结构 | 第88页 |
5.2.2 CPPN使能与激发规则 | 第88-89页 |
5.2.3 CPPN产生式规则表示 | 第89-90页 |
5.3 条件概率Petri网参数优化 | 第90-93页 |
5.3.1 统计指标概率化 | 第90-92页 |
5.3.2 最小二乘拟合优化参数 | 第92-93页 |
5.4 条件概率Petri网诊断推理 | 第93-94页 |
5.5 基于ICA-CPPN的异常状态诊断流程 | 第94-96页 |
5.6 实例研究 | 第96-101页 |
5.6.1 青霉素发酵过程实例 | 第96-99页 |
5.6.2 TE过程实例 | 第99-101页 |
5.7 本章小结 | 第101-103页 |
第六章 结论与展望 | 第103-105页 |
6.1 结论 | 第103-104页 |
6.2 展望 | 第104-105页 |
参考文献 | 第105-111页 |
致谢 | 第111-113页 |
研究成果及发表的学术论文 | 第113-115页 |
作者和导师简介 | 第115-116页 |
附件 | 第116-117页 |