基于贝叶斯网络的过程报警事件预测方法
| 学位论文数据集 | 第3-4页 |
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 前言 | 第11-21页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 相关文献综述 | 第12-18页 |
| 1.2.1 故障预测 | 第12-15页 |
| 1.2.2 过程报警系统 | 第15-16页 |
| 1.2.3 贝叶斯网络及其应用 | 第16-18页 |
| 1.3 论文的结构安排 | 第18-21页 |
| 第二章 贝叶斯网络结构与参数混合学习算法 | 第21-37页 |
| 2.1 引言 | 第21页 |
| 2.2 贝叶斯网络 | 第21-27页 |
| 2.2.1 基本概念 | 第21-23页 |
| 2.2.2 构建与推理 | 第23-27页 |
| 2.3 贝叶斯网络学习算法 | 第27-31页 |
| 2.3.1 参数学习算法 | 第28-29页 |
| 2.3.2 结构学习算法 | 第29-31页 |
| 2.4 结构与参数混合学习算法 | 第31-34页 |
| 2.5 实例研究 | 第34-36页 |
| 2.6 本章小结 | 第36-37页 |
| 第三章 过程报警事件预测 | 第37-51页 |
| 3.1 引言 | 第37页 |
| 3.2 单变量报警事件预测 | 第37-39页 |
| 3.3 多变量报警事件预测 | 第39-41页 |
| 3.4 报警事件预测方法 | 第41-42页 |
| 3.5 实例研究 | 第42-50页 |
| 3.5.1 单变量过程 | 第42-47页 |
| 3.5.2 多变量过程 | 第47-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第四章 应用研究 | 第51-67页 |
| 4.1 引言 | 第51页 |
| 4.2 DMF回收工业过程 | 第51-59页 |
| 4.2.1 工艺过程 | 第51-52页 |
| 4.2.2 应用研究 | 第52-59页 |
| 4.3 TE过程 | 第59-66页 |
| 4.3.1 工艺过程 | 第59-61页 |
| 4.3.2 应用研究 | 第61-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第五章 结论与展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 研究成果及发表的学术论文 | 第75-77页 |
| 作者及导师简介 | 第77-78页 |
| 附件 | 第78-79页 |
