| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-26页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 过程故障检测与诊断 | 第13-15页 |
| 1.2.1 基于模型的故障诊断方法 | 第13-14页 |
| 1.2.2 基于知识的故障诊断方法 | 第14页 |
| 1.2.3 基于数据的故障诊断方法 | 第14-15页 |
| 1.3 基于数据的化工过程故障诊断研究进展 | 第15-19页 |
| 1.3.1 非线性方法的改进 | 第15-16页 |
| 1.3.2 针对时变和多模过程的改进 | 第16-17页 |
| 1.3.3 针对间歇过程的改进 | 第17-18页 |
| 1.3.4 神经网络方法的改进 | 第18-19页 |
| 1.4 深度神经网络及其在故障诊断中的应用现状 | 第19-23页 |
| 1.4.1 深度学习 | 第19-20页 |
| 1.4.2 无监督学习 | 第20-21页 |
| 1.4.3 基于深度神经网络的故障诊断 | 第21-23页 |
| 1.5 本文研究工作的引入 | 第23-24页 |
| 1.6 本文结构 | 第24-26页 |
| 第二章 基于稀疏过滤特征学习的化工故障检测方法 | 第26-43页 |
| 2.1 稀疏过滤特征学习 | 第26-28页 |
| 2.2 逻辑回归 | 第28-29页 |
| 2.3 基于稀疏过滤特征学习的故障检测方法 | 第29-31页 |
| 2.4 基于SFLR方法的TE过程故障检测结果与分析 | 第31-42页 |
| 2.4.1 TE过程数据集 | 第32-34页 |
| 2.4.2 故障检测性能分析 | 第34-39页 |
| 2.4.3 在线监控结果与讨论 | 第39-41页 |
| 2.4.4 无监督特征学习结果分析 | 第41-42页 |
| 2.5 本章小结 | 第42-43页 |
| 第三章 基于降噪稀疏编码机的化工故障检测方法 | 第43-71页 |
| 3.1 栈式降噪稀疏自动编码机 | 第43-48页 |
| 3.1.1 降噪稀疏自动编码机(Denoising Sparse Autoencoder,DSA) | 第44-46页 |
| 3.1.2 栈式降噪稀疏自动编码机 | 第46-48页 |
| 3.2 Softmax分类器 | 第48页 |
| 3.3 粒子群优化算法 | 第48-50页 |
| 3.4 基于PSO-SDSA的非线性化工过程故障检测方法 | 第50-54页 |
| 3.4.1 数据预处理 | 第51-52页 |
| 3.4.2 离线训练阶段 | 第52-53页 |
| 3.4.3 在线监控阶段 | 第53-54页 |
| 3.5 基于PSO-SDSA方法的TE过程故障检测结果与分析 | 第54-69页 |
| 3.5.1 深度神经网络结构的讨论 | 第54-60页 |
| 3.5.2 PSO优化过程结果 | 第60-61页 |
| 3.5.3 PSO-SDSA方法性能分析 | 第61-64页 |
| 3.5.4 在线监控结果与讨论 | 第64-68页 |
| 3.5.5 特征学习结果分析 | 第68-69页 |
| 3.6 本章小结 | 第69-71页 |
| 第四章 环己烷无催化氧化制环己酮过程故障检测 | 第71-89页 |
| 4.1 环己烷无催化氧化制环己酮工艺流程 | 第71-74页 |
| 4.2 环己酮生产过程数据集 | 第74-75页 |
| 4.3 基于SFLR方法的环己酮过程故障检测结果 | 第75-78页 |
| 4.4 基于PSO-SDSA方法的环己酮生产过程故障检测结果 | 第78-88页 |
| 4.4.1 深度神经网络结构的确定 | 第78-84页 |
| 4.4.2 过程故障检测结果 | 第84-87页 |
| 4.4.3 特征学习结果分析 | 第87-88页 |
| 4.5 本章小结 | 第88-89页 |
| 结论与展望 | 第89-92页 |
| 参考文献 | 第92-100页 |
| 攻读硕士学位期间取得的研究成果 | 第100-101页 |
| 致谢 | 第101-102页 |
| 附件 | 第102页 |
