基于神经网络PCA模型的间歇过程监测方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 间歇过程概述及数据特征 | 第12-14页 |
| 1.2.1 间歇过程概述 | 第12页 |
| 1.2.2 间歇过程的数据特征 | 第12-14页 |
| 1.3 过程监测的概述及研究现状 | 第14-18页 |
| 1.3.1 过程监测的概述 | 第14-15页 |
| 1.3.2 过程监测方法的分类 | 第15-16页 |
| 1.3.3 统计过程监测的研究现状 | 第16-18页 |
| 1.4 本文的研究内容 | 第18-21页 |
| 第2章 间歇过程监测方法的理论基础 | 第21-31页 |
| 2.1 主成分分析(PCA)理论 | 第21-24页 |
| 2.1.1 主成分分析的基本原理 | 第21-23页 |
| 2.1.2 主成分分析监测的统计量 | 第23-24页 |
| 2.2 核主成分分析(KPCA)理论 | 第24-26页 |
| 2.2.1 核函数的概念及形式 | 第24-25页 |
| 2.2.2 核主成分分析的基本原理 | 第25-26页 |
| 2.3 神经网络算法 | 第26-28页 |
| 2.4 FCM聚类算法 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于神经网络PCA的间歇过程建模 | 第31-51页 |
| 3.1 建模方案与数据预处理 | 第31-33页 |
| 3.1.1 神经网络PCA的建模方案 | 第31-32页 |
| 3.1.2 建模数据预处理 | 第32-33页 |
| 3.2 神经网络建模 | 第33-41页 |
| 3.2.1 神经网络的结构 | 第33-35页 |
| 3.2.2 目标函数的选择 | 第35-38页 |
| 3.2.3 基于遗传算法的神经网络权值优化 | 第38-41页 |
| 3.3 故障监测与故障追溯 | 第41-43页 |
| 3.3.1 故障监测的实现 | 第41页 |
| 3.3.2 故障追溯 | 第41-42页 |
| 3.3.3 离线建模与在线监测 | 第42-43页 |
| 3.4 实验仿真 | 第43-49页 |
| 3.4.1 电渣炉冶金过程的仿真 | 第43-44页 |
| 3.4.2 监测过程的离线建模 | 第44-46页 |
| 3.4.3 在线监测及结果分析 | 第46-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第4章 基于神经网络PCA的多阶段间歇过程建模 | 第51-65页 |
| 4.1 间歇过程的多阶段划分 | 第51-53页 |
| 4.1.1 多阶段划分的意义及算法简介 | 第51-52页 |
| 4.1.2 多阶段划分的方案 | 第52-53页 |
| 4.2 基于加权FCM聚类算法的多阶段建模方法 | 第53-56页 |
| 4.2.1 加权FCM聚类算法 | 第53-54页 |
| 4.2.2 监测模型的选择策略 | 第54-55页 |
| 4.2.3 多阶段间歇过程监测的建模与监测 | 第55-56页 |
| 4.3 实验仿真 | 第56-64页 |
| 4.3.1 青霉素发酵过程仿真数据产生 | 第56-58页 |
| 4.3.2 青霉素发酵过程多阶段的划分 | 第58-60页 |
| 4.3.3 多阶段的离线建模 | 第60-61页 |
| 4.3.4 多阶段的在线监测 | 第61-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 工作总结 | 第65-66页 |
| 5.2 工作展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71页 |
