| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 前言 | 第9页 |
| 1.2 过程监测的基本概念和基本方法 | 第9-13页 |
| 1.2.1 过程监测的基本概念 | 第9-10页 |
| 1.2.2 故障检测的相关定义 | 第10页 |
| 1.2.3 过程监测的基本方法 | 第10-13页 |
| 1.3 统计过程监测的发展以及存在的问题 | 第13-15页 |
| 1.3.1 统计过程监测的发展历程 | 第13页 |
| 1.3.2 统计过程监测存在的问题 | 第13-15页 |
| 1.4 全文主要内容和安排 | 第15-17页 |
| 第二章 基本理论算法介绍 | 第17-24页 |
| 2.1 全局结构特征提取降维算法 | 第17-19页 |
| 2.1.1 主成分分析（PCA） | 第17-18页 |
| 2.1.2 独立成分分析（ICA） | 第18-19页 |
| 2.2 局部结构特征提取降维算法 | 第19-21页 |
| 2.2.1 局部线性嵌入（LLE） | 第19-20页 |
| 2.2.2 邻域保持嵌入（NPE） | 第20-21页 |
| 2.3 深度学习 | 第21-24页 |
| 2.3.1 深度学习的基本思想 | 第21-22页 |
| 2.3.2 深度学习的训练过程 | 第22页 |
| 2.3.3 深度学习的常用模型 | 第22-24页 |
| 第三章 基于分布式ICA-PCA的故障检测 | 第24-37页 |
| 3.1 引言 | 第24页 |
| 3.2 基于分布式ICA-PCA的故障检测描述 | 第24-27页 |
| 3.2.1 过程数据的子块划分和模型建立 | 第24-26页 |
| 3.2.2 基于分布式ICA-PCA的在线过程检测 | 第26-27页 |
| 3.2.3 故障诊断 | 第27页 |
| 3.3 基于分布式ICA-PCA的故障诊断算法步骤 | 第27-28页 |
| 3.4 仿真实验 | 第28-36页 |
| 3.4.1 田纳西-伊斯曼（TE）仿真平台 | 第28-30页 |
| 3.4.2 仿真分析 | 第30-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于稀疏保持投影的故障检测 | 第37-44页 |
| 4.1 引言 | 第37页 |
| 4.2 基于稀疏保持投影（SPP）的故障检测描述 | 第37-39页 |
| 4.2.1 稀疏表示 | 第37-38页 |
| 4.2.2 稀疏重构权重 | 第38页 |
| 4.2.3 稀疏保持重构权重 | 第38-39页 |
| 4.3 基于稀疏保持投影的故障检测 | 第39-40页 |
| 4.4 基于稀疏保持投影的故障检测算法步骤 | 第40页 |
| 4.5 仿真实验 | 第40-43页 |
| 4.6 本章小结 | 第43-44页 |
| 第五章 基于局部-全局保持嵌入的故障检测 | 第44-51页 |
| 5.1 引言 | 第44页 |
| 5.2 基于局部-全局保持嵌入（LGPE）的故障检测描述 | 第44-47页 |
| 5.2.1 算法描述 | 第44-46页 |
| 5.2.2 基于LGPE算法的故障检测 | 第46-47页 |
| 5.3 基于局部-全局保持嵌入的故障检测算法步骤 | 第47页 |
| 5.4 仿真实验 | 第47-50页 |
| 5.5 本章小结 | 第50-51页 |
| 第六章 基于降噪自动编码器的故障检测 | 第51-59页 |
| 6.1 引言 | 第51页 |
| 6.2 基于降噪自动编码器（DAE）的故障检测描述 | 第51-55页 |
| 6.2.1 自动编码器 | 第51-52页 |
| 6.2.2 降噪自动编码器 | 第52-54页 |
| 6.2.3 基于DAE的故障检测 | 第54-55页 |
| 6.3 基于降噪自动编码器的故障检测算法步骤 | 第55页 |
| 6.4 仿真实验 | 第55-58页 |
| 6.4.1 数值仿真 | 第55-57页 |
| 6.4.2 TE仿真 | 第57-58页 |
| 6.5 本章小结 | 第58-59页 |
| 第七章 总结与展望 | 第59-61页 |
| 7.1 论文工作总结 | 第59页 |
| 7.2 工作展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 个人简历 在读期间发表的学术论文 | 第66-67页 |
| 致谢 | 第67页 |
