| 摘要 | 第5-8页 |
| Abstract | 第8-10页 |
| 1. 绪论 | 第19-43页 |
| 1.1 研究背景和意义 | 第19-20页 |
| 1.2 过程监测的研究内容与主要方法 | 第20-23页 |
| 1.2.1 过程监测的研究内容 | 第20-22页 |
| 1.2.2 过程监测的主要方法 | 第22-23页 |
| 1.3 统计过程监测的发展与研究问题 | 第23-36页 |
| 1.3.1 统计过程监测的发展历程 | 第23-25页 |
| 1.3.2 统计过程监测的研究问题与进展 | 第25-36页 |
| 1.4 基于数据驱动的过程鲁棒监测 | 第36-38页 |
| 1.4.1 关于鲁棒监测的定义 | 第36-37页 |
| 1.4.2 过程鲁棒监测的基本流程 | 第37-38页 |
| 1.5 本文研究内容与创新点 | 第38-42页 |
| 1.5.1 本文主要研究内容及体系架构 | 第38-40页 |
| 1.5.2 各章主要创新点介绍 | 第40-42页 |
| 1.6 本章小结 | 第42-43页 |
| 2. 基于混合鲁棒概率主元回归模型的过程建模与质量预报 | 第43-67页 |
| 2.1 引言 | 第43-45页 |
| 2.1.1 离群点问题 | 第44页 |
| 2.1.2 多采样率问题 | 第44-45页 |
| 2.2 预备知识 | 第45-46页 |
| 2.3 鲁棒PPCR及其混合模型 | 第46-57页 |
| 2.3.1 鲁棒PPCR | 第46-48页 |
| 2.3.2 混合鲁棒PPCR | 第48-51页 |
| 2.3.3 质量预报应用 | 第51页 |
| 2.3.4 案例研究 | 第51-57页 |
| 2.4 半监督混合鲁棒PPCR及其质量预报应用 | 第57-66页 |
| 2.4.1 半监督MRPPCR | 第57-60页 |
| 2.4.2 关于半监督模型鲁棒性的讨论 | 第60页 |
| 2.4.3 案例研究 | 第60-66页 |
| 2.5 本章小结 | 第66-67页 |
| 3. 基于混合鲁棒概率主元分析的过程建模与故障检测 | 第67-83页 |
| 3.1 引言 | 第67-68页 |
| 3.2 鲁棒概率主元分析RPPCA | 第68-69页 |
| 3.3 混合鲁棒概率主元分析MRPPCA | 第69-73页 |
| 3.3.1 完整数据下的参数学习 | 第69-71页 |
| 3.3.2 缺失数据下的参数学习 | 第71-73页 |
| 3.4 基于MRPPCA的故障检测 | 第73-74页 |
| 3.5 案例研究 | 第74-82页 |
| 3.5.1 数值例子 | 第75-76页 |
| 3.5.2 TE过程应用 | 第76-82页 |
| 3.6 本章小结 | 第82-83页 |
| 4. 动态过程的鲁棒建模与过程故障检测 | 第83-109页 |
| 4.1 引言 | 第83-85页 |
| 4.2 基于变分贝叶斯鲁棒LDS的建模与故障检测 | 第85-100页 |
| 4.2.1 鲁棒LDS | 第85-86页 |
| 4.2.2 变分贝叶斯RLDS | 第86-90页 |
| 4.2.3 基于VBRLDS的故障检测 | 第90-92页 |
| 4.2.4 TE过程应用 | 第92-100页 |
| 4.3 基于HMM扩展的MRPPCA建模及故障分类应用 | 第100-108页 |
| 4.3.1 MRPPCA分类器模型 | 第100-101页 |
| 4.3.2 HMM-MRPPCA | 第101-104页 |
| 4.3.3 解码推理 | 第104-105页 |
| 4.3.4 TE过程应用 | 第105-108页 |
| 4.4 本章小结 | 第108-109页 |
| 5. 高斯/非高斯混杂过程鲁棒建模与故障检测 | 第109-127页 |
| 5.1 引言 | 第109-110页 |
| 5.2 预备知识 | 第110-112页 |
| 5.2.1 主元分析PCA | 第110-111页 |
| 5.2.2 概率主元分析PPCA | 第111页 |
| 5.2.3 独立成分分析ICA | 第111-112页 |
| 5.3 概率独立成分分析 | 第112-116页 |
| 5.3.1 PICA的结构 | 第112-113页 |
| 5.3.2 参数学习 | 第113-115页 |
| 5.3.3 模型选择与初始化问题 | 第115-116页 |
| 5.4 基于PICA-PPCA的故障检测 | 第116页 |
| 5.5 仿真案例研究 | 第116-126页 |
| 5.5.1 数值例子 | 第116-119页 |
| 5.5.2 TE过程应用 | 第119-123页 |
| 5.5.3 青霉素发酵过程应用 | 第123-126页 |
| 5.6 本章小结 | 第126-127页 |
| 6. 基于递推混合因子分析的时变多工况过程鲁棒监测 | 第127-147页 |
| 6.1 引言 | 第127-129页 |
| 6.2 混合因子分析模型 | 第129-131页 |
| 6.2.1 MFA建模 | 第129-130页 |
| 6.2.2 基于MFA的故障检测 | 第130-131页 |
| 6.3 递推MFA模型 | 第131-136页 |
| 6.3.1 基于在线EM方法递推形式的构建 | 第131-133页 |
| 6.3.2 混合成分的选取问题 | 第133-134页 |
| 6.3.3 基于递推MFA的鲁棒过程监测与更新 | 第134-136页 |
| 6.4 仿真案例研究 | 第136-145页 |
| 6.4.1 数值例子 | 第136-142页 |
| 6.4.2 CSTH仿真研究 | 第142-145页 |
| 6.5 本章小结 | 第145-147页 |
| 7. 基于鲁棒分布式原理的大规模厂级过程建模与监测 | 第147-187页 |
| 7.1 引言 | 第147-152页 |
| 7.1.1 厂级过程分布式建模与监测的鲁棒性 | 第148-149页 |
| 7.1.2 厂级过程的定性知识分布式建模问题 | 第149-151页 |
| 7.1.3 厂级过程的大数据建模问题 | 第151-152页 |
| 7.2 基于鲁棒分布式贝叶斯网络的厂级过程监测研究 | 第152-173页 |
| 7.2.1 预备知识 | 第152-155页 |
| 7.2.2 分布式贝叶斯网络建模与结构融合 | 第155-158页 |
| 7.2.3 基于分布式贝叶斯网络的多层监测架构 | 第158-163页 |
| 7.2.4 仿真案例研究 | 第163-173页 |
| 7.3 基于鲁棒分布式并行PCA的厂级大数据建模与监测 | 第173-186页 |
| 7.3.1 预备知识 | 第173-174页 |
| 7.3.2 分布式并行PCA建模 | 第174-178页 |
| 7.3.3 基于dpPCA的多层监测架构 | 第178-181页 |
| 7.3.4 仿真案例研究 | 第181-186页 |
| 7.4 本章小结 | 第186-187页 |
| 8. 总结与展望 | 第187-191页 |
| 8.1 研究工作总结 | 第187-189页 |
| 8.2 未来工作展望 | 第189-191页 |
| 参考文献 | 第191-207页 |
| 致谢 | 第207-209页 |
| 附录A | 第209-211页 |
| 附录B | 第211-212页 |
| 攻读博士学位期间完成的学术论文 | 第212-214页 |
| 攻读博士学位期间参加的科研项目 | 第214页 |
