| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| List of Abbreviations and Symbols | 第14-15页 |
| Chapter 1 Introduction | 第15-30页 |
| 1.1 Instrument Calibration Monitoring | 第16页 |
| 1.2 Equipment Condition Monitoring | 第16-17页 |
| 1.3 Process Monitoring | 第17页 |
| 1.4 Benefits of On-Line Condition Monitoring | 第17-19页 |
| 1.5 Modeling Frameworks for On-line Condition Monitoring | 第19-23页 |
| 1.5.1 Physical Modeling Technique | 第19-21页 |
| 1.5.2 Emperical Modeling Technique | 第21-23页 |
| 1.6 Motivation | 第23-26页 |
| 1.7 Objectives | 第26-27页 |
| 1.8 Investigated Methods and Model-Architectures | 第27页 |
| 1.9 Contributions | 第27-28页 |
| 1.10 Thesis Structure | 第28-30页 |
| Chapter 2 Literature Review | 第30-42页 |
| 2.1 Online Sensor Monitoring Review | 第30-34页 |
| 2.2 Vibration-based Equipment Condition Monitoring | 第34-39页 |
| 2.2.1 Feature engineering | 第35-36页 |
| 2.2.2 Classifier learning | 第36-38页 |
| 2.2.3 Feature Learning Approach | 第38-39页 |
| 2.3 Deep Vs Shallow Learning Frame work | 第39-42页 |
| Chapter 3 Empirical Sensor Modeling Under Deep-Learning Framework | 第42-82页 |
| 3.1 Executive Summary | 第42-43页 |
| 3.2 Introduction | 第43-45页 |
| 3.3 Performance Review | 第45-46页 |
| 3.4 Learning difficulties in the AANN-based Sensor Model | 第46-47页 |
| 3.5 Deep-learning Framework | 第47页 |
| 3.6 Sensor Modeling using Denoising Auto-Encoder | 第47-50页 |
| 3.7 Tools and Datasets | 第50-52页 |
| 3.7.1 Experimental Setup for Dataset Generation | 第51-52页 |
| 3.8 Performance Metrics | 第52-53页 |
| 3.9 Performance Impact of Denoising-based Regularization Hyper-parameters | 第53-54页 |
| 3.10 Noise Distribution/Type pxx | 第54-68页 |
| 3.10.1 Masking-type Noise | 第57-61页 |
| 3.10.2 Uniform-type noise | 第61-65页 |
| 3.10.3 Caution!:Illusion of Gaussian/Uniform Noise | 第65-66页 |
| 3.10.4 Salt and Pepper-Type Noise | 第66-68页 |
| 3.11 Effect of Noise-Level "v" | 第68-70页 |
| 3.12 Qualitative Analysis | 第70-74页 |
| 3.13 Robustness through Greedy Layer-wise Composition | 第74-76页 |
| 3.14 Layer-wise Invariance and Robustness Test | 第76-79页 |
| 3.15 Performance Comparison | 第79-82页 |
| Chapter 4 Robust Modeling of Nuclear Power Plant Sensors | 第82-110页 |
| 4.1 Executive Summary | 第82-83页 |
| 4.2 Introduction | 第83-87页 |
| 4.3 Problem Formulation | 第87页 |
| 4.4 DAASM Architecture and Regularization | 第87-91页 |
| 4.5 Corruption Process η(.) for Invariance | 第91-93页 |
| 4.6 Data Set Description | 第93-95页 |
| 4.7 Model Training | 第95-96页 |
| 4.8 Invariance Test for Robustness | 第96-99页 |
| 4.9 DAASM Vs K-AANN Performance Analysis | 第99-105页 |
| 4.9.1 Accuracy | 第99-100页 |
| 4.9.2 Robustness | 第100-101页 |
| 4.9.3 Spillover | 第101-104页 |
| 4.9.4 Fault Detectibility | 第104-105页 |
| 4.10 SPRT Based Sensor-Fault Detectibility | 第105-110页 |
| Chapter 5 Feature Learning on Vibration Data Using a Hybrid Deep-Model | 第110-128页 |
| 5.1 Executive Summary | 第110-111页 |
| 5.2 Introduction | 第111-113页 |
| 5.3 Challenges in vibration-based fault diagnostics | 第113-115页 |
| 5.4 Potential deep-learning architectures | 第115-116页 |
| 5.5 Feature learning with convolution networks | 第116-117页 |
| 5.6 Hybrid deep-model architecture | 第117-119页 |
| 5.7 Model Set-up and Training | 第119-123页 |
| 5.8 Model validation | 第123-128页 |
| Chapter 6 Conclusion | 第128-132页 |
| Appendix A | 第132-134页 |
| 参考文献 | 第134-145页 |
| 作者简历及在学研究成果 | 第145-148页 |
| 学位论文数据集 | 第148页 |
