基于状态空间模型的复杂动态过程监测方法研究
| 致谢 | 第5-7页 |
| 摘要 | 第7-9页 |
| Abstract | 第9-11页 |
| 缩写 | 第15-18页 |
| 1 绪论 | 第18-40页 |
| 1.1 课题背景和研究意义 | 第18-19页 |
| 1.2 过程监测的研究内容和研究现状 | 第19-23页 |
| 1.2.1 过程监测的基本概念 | 第19-21页 |
| 1.2.2 过程监测的主要方法 | 第21-23页 |
| 1.3 统计过程监测的发展和存在问题 | 第23-32页 |
| 1.3.1 统计过程监测的发展 | 第23-24页 |
| 1.3.2 过程数据的特点 | 第24-32页 |
| 1.4 基于状态空间的动态过程监测研究 | 第32-36页 |
| 1.4.1 基于子空间的动态过程监测方法 | 第33-35页 |
| 1.4.2 复杂动态过程监测中需要考虑的问题 | 第35-36页 |
| 1.5 本文的研究内容和创新点 | 第36-39页 |
| 1.5.1 主要研究内容 | 第36-38页 |
| 1.5.2 各章节创新点介绍 | 第38-39页 |
| 1.6 本章小结 | 第39-40页 |
| 2 基于稀疏偏最小二乘的线性动态过程建模和监测 | 第40-56页 |
| 2.1 引言 | 第40-41页 |
| 2.2 稀疏偏最小二乘方法 | 第41-44页 |
| 2.2.1 偏最小二乘 | 第41-42页 |
| 2.2.2 稀疏偏最小二乘 | 第42-44页 |
| 2.3 基于SPLS的动态过程建模与监测 | 第44-46页 |
| 2.4 实例研究 | 第46-54页 |
| 2.4.1 数值仿真 | 第46-50页 |
| 2.4.2 TE平台实验研究 | 第50-54页 |
| 2.5 本章小结 | 第54-56页 |
| 3 基于LGSSM模型的动态过程监测 | 第56-84页 |
| 3.1 引言 | 第56-58页 |
| 3.2 主成分分析及其概率扩展 | 第58-60页 |
| 3.2.1 模型形式 | 第58-59页 |
| 3.2.2 基于重构贡献的故障识别 | 第59-60页 |
| 3.3 线性高斯状态空间模型 | 第60-63页 |
| 3.3.1 模型形式 | 第60-61页 |
| 3.3.2 LGSSM模型参数估计 | 第61-63页 |
| 3.4 基于LGSSM的故障检测方法 | 第63-66页 |
| 3.5 基于LGSSM的故障识别方法 | 第66-69页 |
| 3.6 实例研究 | 第69-82页 |
| 3.6.1 数值例子 | 第69-75页 |
| 3.6.2 TE过程实验研究 | 第75-82页 |
| 3.7 本章小结 | 第82-84页 |
| 4 基于MCVA的多工况动态过程监测 | 第84-104页 |
| 4.1 引言 | 第84-85页 |
| 4.2 预备知识 | 第85-89页 |
| 4.2.1 规范变量分析 | 第85-87页 |
| 4.2.2 高斯混合模型 | 第87-89页 |
| 4.3 混合规范变量分析及其监测方法 | 第89-93页 |
| 4.3.1 混合规范变量分析的推导 | 第89-91页 |
| 4.3.2 基于MCVA的统计量构建 | 第91-93页 |
| 4.4 实例分析 | 第93-102页 |
| 4.4.1 数值例子 | 第94-97页 |
| 4.4.2 TE过程实验研究 | 第97-102页 |
| 4.5 本章小结 | 第102-104页 |
| 5 基于核偏最小二乘的非线性动态过程监测 | 第104-114页 |
| 5.1 引言 | 第104-105页 |
| 5.2 核偏最小二乘算法 | 第105-107页 |
| 5.3 过程监测算法 | 第107-110页 |
| 5.3.1 KPLS建模 | 第107-108页 |
| 5.3.2 KPLS监测统计量 | 第108-110页 |
| 5.4 实例研究 | 第110-113页 |
| 5.4.1 数值仿真 | 第110-111页 |
| 5.4.2 TE过程实验研究 | 第111-113页 |
| 5.6 本章小结 | 第113-114页 |
| 6 总结与展望 | 第114-118页 |
| 6.1 研究工作总结 | 第114-116页 |
| 6.2 研究工作展望 | 第116-118页 |
| 参考文献 | 第118-132页 |
| 攻读博士学位期间完成的学术论文 | 第132-133页 |
| 攻读博士学位期间参加的科研项目 | 第133页 |
