| 致谢 | 第5-7页 |
| 摘要 | 第7-9页 |
| Abstract | 第9-11页 |
| 缩写 | 第19-24页 |
| 1 绪论 | 第24-48页 |
| 1.1 课题背景和研究意义 | 第24-26页 |
| 1.2 数据驱动过程建模的研究内容 | 第26-28页 |
| 1.3 数据驱动过程建模的国内外研究现状 | 第28-36页 |
| 1.3.1 数据特性角度的问题和研究现状 | 第29-32页 |
| 1.3.2 过程特性角度的问题和研究现状 | 第32-36页 |
| 1.4 面向大规模数据的工业过程分布式并行建模方法 | 第36-43页 |
| 1.4.1 分布式并行建模 | 第37-42页 |
| 1.4.2 建模基本流程 | 第42-43页 |
| 1.5 本文研究内容与创新点 | 第43-47页 |
| 1.5.1 本文主要研究内容和体系架构 | 第43-45页 |
| 1.5.2 各章主要创新点介绍 | 第45-47页 |
| 1.6 本章小结 | 第47-48页 |
| 2 基于MapReduce的分布式并行建模框架研究 | 第48-66页 |
| 2.1 引言 | 第48-49页 |
| 2.2 基于MapReduce的分布式并行建模框架 | 第49-51页 |
| 2.3 基于分布式并行建模框架的质量预报 | 第51-59页 |
| 2.3.1 HDFS上的数据分区 | 第52-53页 |
| 2.3.2 分布式并行SSPPCR模型(dp-SSPPCR) | 第53-55页 |
| 2.3.3 dp-SSPPCR建模过程任务分配 | 第55-59页 |
| 2.4 案例研究 | 第59-65页 |
| 2.4.1 数值例子 | 第59-62页 |
| 2.4.2 合成氨过程高低变单元的应用 | 第62-65页 |
| 2.5 本章小结 | 第65-66页 |
| 3 基于分布式并行分层极限学习机的非线性质量预报 | 第66-94页 |
| 3.1 引言 | 第66-68页 |
| 3.2 极限学习机(ELM) | 第68-69页 |
| 3.3 分层极限学习机(HELM) | 第69-71页 |
| 3.4 基于HELM的质量预报方法 | 第71-77页 |
| 3.4.1 基于流形正则化的半监督HELM | 第71-72页 |
| 3.4.2 半监督HELM用于质量预报 | 第72-73页 |
| 3.4.3 案例研究 | 第73-77页 |
| 3.5 分布式并行ELM(dp-ELM)和HELM(dp-HELM) | 第77-80页 |
| 3.5.1 dp-ELM | 第77-79页 |
| 3.5.2 dp-HELM | 第79-80页 |
| 3.6 基于dp-ELM和dp-HELM的多工况过程质量预报 | 第80-86页 |
| 3.6.1 基于dp-K-means算法划分过程模态(Job1) | 第82-83页 |
| 3.6.2 多工况过程的分布式并行建模 | 第83-86页 |
| 3.7 案例研究 | 第86-92页 |
| 3.8 本章小结 | 第92-94页 |
| 4 基于参数服务器的分布式并行概率建模框架研究 | 第94-116页 |
| 4.1 引言 | 第94-95页 |
| 4.2 基于参数服务器的分布式并行概率建模框架 | 第95-99页 |
| 4.2.1 基于随机变分推断的混合概率模型 | 第95-98页 |
| 4.2.2 分布式并行概率建模框架 | 第98-99页 |
| 4.3 基于参数服务器架构的分布式并行高斯混合模型 | 第99-106页 |
| 4.3.1 高斯混合模型(GMM) | 第99-100页 |
| 4.3.2 SVI-GMM算法 | 第100-104页 |
| 4.3.3 分布式并行GMM(dp-GMM) | 第104-106页 |
| 4.4 基于dp-GMM的质量预报模型 | 第106-107页 |
| 4.5 案例研究 | 第107-115页 |
| 4.5.1 数值例子 | 第107-111页 |
| 4.5.2 一段炉过程应用 | 第111-115页 |
| 4.6 本章小结 | 第115-116页 |
| 5 基于分布式并行半监督GMM的多工况质量相关建模 | 第116-144页 |
| 5.1 引言 | 第116-118页 |
| 5.2 变分推断的半监督GMM(VI-S~2GMM) | 第118-121页 |
| 5.2.1 半监督高斯混合模型(S~2GMM) | 第118-119页 |
| 5.2.2 变分推断的S~2GMM | 第119-121页 |
| 5.3 分布式并行的S~2GMM(dp-S~2GMM) | 第121-125页 |
| 5.4 基于dp-S~2GMM的质量预报模型 | 第125-134页 |
| 5.4.1 构建预报模型 | 第125页 |
| 5.4.2 案例研究 | 第125-134页 |
| 5.5 基于dp-S~2GMM的厂级过程分层质量监测模型 | 第134-143页 |
| 5.5.1 分层质量监测方法 | 第134-138页 |
| 5.5.2 案例研究 | 第138-143页 |
| 5.6 本章小结 | 第143-144页 |
| 6 分布式并行概率隐变量建模方法研究 | 第144-176页 |
| 6.1 引言 | 第144-145页 |
| 6.2 基于变分推断的混合概率隐变量模型(VI-MPLVM) | 第145-149页 |
| 6.3 分布式并行MPLVM(dp-MPLVM) | 第149-152页 |
| 6.3.1 基于随机变分推断的混合概率隐变量模型(SVI-MPLVM) | 第149-151页 |
| 6.3.2 分布式并行MPLVM | 第151-152页 |
| 6.4 模型应用 | 第152-159页 |
| 6.4.1 过程监测 | 第152-154页 |
| 6.4.2 质量预报 | 第154-155页 |
| 6.4.3 厂级分层监测 | 第155-159页 |
| 6.5 案例研究 | 第159-175页 |
| 6.5.1 数值例子 | 第159-162页 |
| 6.5.2 TE过程应用 | 第162-165页 |
| 6.5.3 甲烷化炉单元应用 | 第165-170页 |
| 6.5.4 TE过程厂级分层监测应用 | 第170-175页 |
| 6.6 本章小结 | 第175-176页 |
| 7 总结与展望 | 第176-180页 |
| 7.1 研究工作总结 | 第176-178页 |
| 7.2 研究工作展望 | 第178-180页 |
| 参考文献 | 第180-194页 |
| 攻读博士学位期间完成的学术论文 | 第194-197页 |
| 攻读博士学位期间参加的科研项目 | 第197页 |
