| 致谢 | 第5-7页 |
| 摘要 | 第7-9页 |
| Abstract | 第9-11页 |
| 缩写 | 第17-23页 |
| 1. 绪论 | 第23-45页 |
| 1.1 课题背景与研究意义 | 第23-24页 |
| 1.2 国内外过程监测的研究现状 | 第24-36页 |
| 1.2.1 基本方法概述 | 第25-28页 |
| 1.2.2 从数据/过程/层次三个角度阐述研究动态 | 第28-36页 |
| 1.3 过程监测面临的挑战与趋势 | 第36-39页 |
| 1.3.1 工业大数据应用 | 第36-37页 |
| 1.3.2 监控优一体化设计 | 第37-38页 |
| 1.3.3 故障诊断应用困境 | 第38-39页 |
| 1.4 本文的研究内容与创新点 | 第39-44页 |
| 1.4.1 本文体系架构 | 第39-41页 |
| 1.4.2 各章节创新点介绍 | 第41-44页 |
| 1.5 本章小结 | 第44-45页 |
| 2. 基础知识 | 第45-59页 |
| 2.1 动态主元分析及监测 | 第45-49页 |
| 2.1.1 主元分析 | 第45-47页 |
| 2.1.2 基于主元分析的故障检测 | 第47-48页 |
| 2.1.3 动态主元分析 | 第48-49页 |
| 2.2 子空间辨识及故障检测 | 第49-52页 |
| 2.3 期望最大化算法与随机状态空间模型 | 第52-56页 |
| 2.3.1 EM算法 | 第52-53页 |
| 2.3.2 学习随机状态空间模型 | 第53-56页 |
| 2.4 循环神经网络 | 第56-57页 |
| 2.5 本章小结 | 第57-59页 |
| 3. 多变量动态过程的工况切割及性能评估与诊断 | 第59-95页 |
| 3.1 引言 | 第59-62页 |
| 3.2 多变量动态系统的工况分割 | 第62-75页 |
| 3.2.1 相似度指标 | 第62-64页 |
| 3.2.2 工况切割算法 | 第64-68页 |
| 3.2.3 案例研究 | 第68-75页 |
| 3.3 动态性能指标 | 第75-76页 |
| 3.4 基于变量稀疏贡献的多回路性能诊断 | 第76-94页 |
| 3.4.1 性能相对指标 | 第77-78页 |
| 3.4.2 广义特征分解的稀疏优化求解 | 第78-80页 |
| 3.4.3 优化算法 | 第80-82页 |
| 3.4.4 案例研究 | 第82-94页 |
| 3.5 本章小结 | 第94-95页 |
| 4. 闭环控制系统的传感器故障诊断 | 第95-121页 |
| 4.1 引言 | 第95-97页 |
| 4.2 闭环系统传感器故障诊断问题 | 第97-98页 |
| 4.3 解耦残差设计 | 第98-108页 |
| 4.3.1 残差发生器构造 | 第98-99页 |
| 4.3.2 参数估计 | 第99-108页 |
| 4.4 残差评估策略 | 第108-110页 |
| 4.5 案例研究 | 第110-120页 |
| 4.5.1 数值例子 | 第110-116页 |
| 4.5.2 精馏塔案例 | 第116-120页 |
| 4.6 本章小结 | 第120-121页 |
| 5. 基于输出过采样的闭环系统监测方法 | 第121-157页 |
| 5.1 引言 | 第121-122页 |
| 5.2 基于DPCA的闭环过程监测分析 | 第122-131页 |
| 5.2.1 DPCA与对象方程 | 第122-124页 |
| 5.2.2 控制方程对故障检测的影响 | 第124-129页 |
| 5.2.3 控制方程对故障重构的影响 | 第129-131页 |
| 5.3 基于输出过采样的闭环过程监测 | 第131-140页 |
| 5.4 基于输出移位采样的故障诊断 | 第140-155页 |
| 5.4.1 移位采样系统辨识 | 第141-151页 |
| 5.4.2 基于移位采样的故障诊断及案例研究 | 第151-155页 |
| 5.5 本章小结 | 第155-157页 |
| 6. 基于正交分解的控制回路故障定位 | 第157-179页 |
| 6.1 引言 | 第157-158页 |
| 6.2 过程正交分解与故障检测统计量 | 第158-163页 |
| 6.3 故障定位 | 第163-168页 |
| 6.3.1 可测干扰(MD)的异常扰动 | 第163-164页 |
| 6.3.2 可测干扰的测量误差 | 第164-165页 |
| 6.3.3 执行器及被控变量传感器故障 | 第165-166页 |
| 6.3.4 过程故障 | 第166-168页 |
| 6.4 案例研究 | 第168-178页 |
| 6.4.1 数值例子 | 第168-173页 |
| 6.4.2 串级CSTH过程 | 第173-178页 |
| 6.5 本章小结 | 第178-179页 |
| 7. 基于深度学习的非线性动态过程监测 | 第179-201页 |
| 7.1 引言 | 第179-180页 |
| 7.2 学习非线性状态空间模型 | 第180-189页 |
| 7.2.1 模型描述与优化目标 | 第180-183页 |
| 7.2.2 构建状态后验分布 | 第183-186页 |
| 7.2.3 离线学习 | 第186-189页 |
| 7.3 在线监测 | 第189-192页 |
| 7.3.1 学习滤波分布 | 第189-191页 |
| 7.3.2 故障检测指标设计 | 第191-192页 |
| 7.4 案例研究 | 第192-199页 |
| 7.4.1 数值例子 | 第192-196页 |
| 7.4.2 TE过程 | 第196-199页 |
| 7.5 本章小结 | 第199-201页 |
| 8. 多模态多阶段动态批次过程监测 | 第201-221页 |
| 8.1 引言 | 第201-203页 |
| 8.2 序列阶段分割 | 第203-206页 |
| 8.3 模态聚类与参数重辨识 | 第206-211页 |
| 8.3.1 批次距离与模态聚类 | 第206-208页 |
| 8.3.2 参数重辨识 | 第208-211页 |
| 8.4 在线监测 | 第211页 |
| 8.5 案例研究 | 第211-219页 |
| 8.5.1 过程建模 | 第212-215页 |
| 8.5.2 过程监测 | 第215-219页 |
| 8.6 本章小结 | 第219-221页 |
| 9. 总结与展望 | 第221-225页 |
| 9.1 研究工作总结 | 第221-222页 |
| 9.2 研究工作展望 | 第222-225页 |
| 参考文献 | 第225-233页 |
| 攻读博士学位期间完成的学术论文 | 第233-235页 |
| 攻读博士学位期间参加的科研项目 | 第235页 |