数据驱动的工业过程在线监测与故障诊断

针对近几年复杂工业过程在线监测及故障诊断领域的热点问题，本书在统计学习、机器学习方法的基础上，为数据驱动的复杂工业过程的在线监测及故障诊断方法提供了较为完整的理论框架支撑及案例应用分析

本书为数据驱动的复杂工业过程的在线监测及故障诊断方法提供了较为完整的理论框架及案例应用分析。内容包括：大规模多单元过程的分布式监测、多模态工业过程在线监测、非线性过程在线监测、关键性能指标相关过程在线监测、动态时变工业工程在线监测、非稳态间歇过程在线监测、故障溯源诊断。 本书要求读者具有一定的统计知识基础和机器学习相关知识，可供自动化相关领域的科研人员及工程技术人员参考，也可作为自动控制或信息科学等相关专业本科生及研究生的参考用书。

无

第1章 概述
1.1 在线监测与故障诊断研究背景与意义
1.1.1 研究背景
1.1.2 研究意义
1.2 在线监测与故障诊断定义
1.2.1 什么是故障
1.2.2 过程监测定义
1.3 在线监测与故障诊断方法
1.3.1 基于知识的方法
1.3.2 基于解析模型的方法
1.3.3 基于数据驱动的方法
1.4 数据驱动在线监测与故障诊断发展现状
1.4.1 发展历史
1.4.2 研究现状及其存在的主要问题
参考文献
第2章 大规模多单元过程的分布式监测
2.1 大规模多单元过程定义和特性
2.2 大规模多单元过程监测研究现状
2.3 基于性能驱动的分块分布式监测方法
2.3.1 故障相关变量优选
2.3.2 故障相关变量优选分布式PCA故障检测
2.3.3 故障相关变量优选分布式PCA故障隔离
2.3.4 实验分析与结果讨论
2.4 基于变量相关关系分块的分布式监测方法
2.4.1 基于互信息与谱聚类分块的分布式监测方法
2.4.2 仿真案例及分析
2.5 基于正则化典型相关分析的分布式监测方法
2.5.1 相关基础知识
2.5.2 面向分布式故障检测的GA-正则化CCA
2.5.3 数值模拟案例和应用研究
参考文献
第3章 多模态工业过程在线监测
3.1 多模态过程定义和特性
3.2 多模态过程监测研究现状
3.2.1 多模型方法研究现状
3.2.2 单模型方法研究现状
3.3 离线模态划分与在线结果确定方法
3.3.1 增广矩阵和局部离群因子相结合的模态划分方法
3.3.2 时间窗口与递归局部离群因子相结合的模态划分方法
3.3.3 基于两步贝叶斯融合的模型整合策略
3.3.4 基于局部离群因子的模型选择策略
3.3.5 仿真案例及分析
3.4 多模态过程监测单模型方法
3.4.1 理论基础
3.4.2 时空局部保持协调方法
3.4.3 统计量及控制限
3.4.4 时空局部保持协调仿真案例及分析
参考文献
第4章 非线性过程在线监测
4.1 非线性过程定义与特征
4.2 基于并行PCA-KPCA的非线性过程监测方法
4.2.1 相关基础知识
4.2.2 基于P-PCA-KPCA的非线性过程监测
4.2.3 应用实例研究
4.3 基于局部加权典型相关分析的非线性过程监测方法
4.3.1 CCA故障检测基础知识
4.3.2 局部加权模型必要性分析
4.3.3 JITL-LWCCA过程监测
4.3.4 实验研究
4.4 基于独立-联合学习神经网络的非线性过程监测方法
4.4.1 SAE基础知识
4.4.2 动机和问题描述
4.4.3 基于IJL的监测
4.4.4 附注
……