基于數據的流程工業(yè)故障診斷方法研究

目 錄
第1章 緒論\t1
1．1 概述\t1
1．1．1 流程工業(yè)故障診斷研究意義\t1
1．1．2 故障診斷的任務\t2
1．1．3 故障診斷的實現過程\t3
1．1．4 故障診斷方法分類\t4
1．2 基于解析模型的方法\t4
1．3 基于歷史數據的方法\t6
1．3．1 基于信號處理的方法\t6
1．3．2 多元統(tǒng)計方法\t7
1．3．3 神經網絡和專家系統(tǒng)\t8
1．3．4 基于數據的方法與模式識別方法的關系\t8
1．4 流程工業(yè)故障診斷研究進展\t9
1．4．1 多元統(tǒng)計方法\t10
1．4．2 基于神經網絡的方法\t11
1．5 本書內容安排\t14
參考文獻\t16
第2章 流程工業(yè)故障檢測與診斷的多元統(tǒng)計方法\t22
2．1 引言\t22
2．2 多元統(tǒng)計方法\t22
2．2．1 主元分析法\t22
2．2．2 Fisher判據分析法\t25
2．2．3 部分最小二乘法\t27
2．2．4 典型相關分析\t29
2．2．5 獨立元分析法\t31
2．2．6 幾種多元統(tǒng)計方法在瑞利商下的統(tǒng)一\t32
2．3 故障的檢測和辨識\t33
2．3．1 基于T2和Q統(tǒng)計量的故障檢測\t33
2．3．2 基于I2統(tǒng)計量的故障檢測\t35
2．3．3 基于Bayes分類器的故障辨識\t36
2．4 仿真算例\t37
2．4．1 仿真數據介紹\t37
2．4．2 故障檢測和診斷步驟\t40
2．5 小結\t41
參考文獻\t42
第3章 基于LGSPP的故障檢測與辨識\t44
3．1 引言\t44
3．2 LGSPP算法\t44
3．2．1 LPP算法描述\t44
3．2．2 LGSPP算法描述\t45
3．3 基于LGSPP的故障檢測與辨識\t45
3．3．1 T2和SPE統(tǒng)計量構造\t45
3．3．2 基于Bayes分類器的故障檢測與辨識\t46
3．4 基于DLGSPP的故障檢測\t49
3．4．1 DLGSPP的基本原理\t49
3．4．2 基于DLGSPP的故障檢測\t49
3．5 仿真研究\t50
3．5．1 基于LGSPP的故障檢測仿真研究\t50
3．5．2 基于DLGSPP的故障檢測仿真研究\t54
3．6 小結\t56
參考文獻\t56
第4章 基于LNS-LGSPP的多模態(tài)過程故障檢測\t58
4．1 引言\t58
4．2 局部近鄰標準化策略\t58
4．2．1 z-score標準化法\t58
4．2．2 局部近鄰標準化處理\t61
4．2．3 局部近鄰標準化分析\t62
4．3 基于LNS-LGSPP算法的故障檢測\t63
4．4 仿真分析\t64
4．4．1 數值仿真\t65
4．4．2 TE過程\t71
4．5 小結\t74
參考文獻\t75
第5章 基于DKPCA及其改進算法的故障檢測研究\t76
5．1 引言\t76
5．2 KPCA原理\t76
5．3 基于DKPCA的故障檢測\t78
5．3．1 動態(tài)數據矩陣\t78
5．3．2 核函數及核參的選取\t78
5．3．3 基于DKPCA的故障檢測步驟\t80
5．4 基于EFS-DKPCA的故障檢測\t81
5．4．1 正交基的構造\t81
5．4．2 輸入空間到特征子空間的映射\t82
5．4．3 基于EFS-DKPCA的故障檢測步驟\t83
5．5 仿真研究\t83
5．5．1 基于DKPCA的故障檢測仿真分析\t84
5．5．2 基于EFS-DKPCA的故障檢測仿真分析\t87
5．6 小結\t90
參考文獻\t90
第6章 基于BDKPCA及其改進算法的故障檢測研究\t92
6．1 引言\t92
6．2 基于BDKPCA的故障檢測\t92
6．2．1 移動時間窗\t92
6．2．2 BDKPCA基本原理\t93
6．2．3 基于BDKPCA的故障檢測步驟\t93
6．3 基于小波去噪與EFS-BDKPCA的故障檢測\t94
6．3．1 小波去噪簡介\t94
6．3．2 基于小波去噪與EFS-BDKPCA的故障檢測步驟\t96
6．4 仿真研究\t96
6．4．1 基于BDKPCA的故障檢測仿真分析\t97
6．4．2 基于小波與EFS-BDKPCA的故障檢測仿真分析\t97
6．5 小結\t102
參考文獻\t102
第7章 學習矢量量化神經網絡\t103
7．1 引言\t103
7．2 神經網絡簡介\t103
7．2．1 人工神經元模型\t103
7．2．2 多層前饋神經網絡模型\t104
7．3 LVQ神經網絡\t105
7．3．1 LVQ神經網絡結構\t105
7．3．2 LVQ神經網絡實現規(guī)則\t106
7．4 PCA-LVQ神經網絡\t107
7．4．1 基于PCA-LVQ的故障檢測仿真分析\t108
7．4．2 基于PCA-LVQ的故障診斷仿真分析\t111
7．5 小結\t112
參考文獻\t112
第8章 基于IIWPSO-PNN的故障診斷\t113
8．1 引言\t113
8．2 PNN簡介\t113
8．2．1 模式識別Bayes判決理論\t113
8．2．2 PNN網絡結構\t114
8．2．3 PNN算法\t115
8．3 IIWPSO算法\t118
8．3．1 PSO的基本形式\t118
8．3．2 PSO控制參數\t119
8．3．3 IIWPSO算法\t120
8．4 IIWPSO-PNN訓練過程\t121
8．5 仿真分析\t123
8．5．1 數值仿真\t123
8．5．2 基于IIWPSO-PNN的故障檢測仿真分析\t125
8．5．3 基于IIWPSO-PNN的故障診斷仿真分析\t128
8．6 小結\t129
參考文獻\t129
第9章 基于神經網絡集成的故障診斷\t131
9．1 引言\t131
9．2 集成神經網絡\t131
9．2．1 神經網絡集成的機理研究\t131
9．2．2 個體生成方式研究\t133
9．2．3 結論生成方式研究\t134
9．3 IIWPSO-PNN集成算法\t135
9．4 仿真分析\t136
9．4．1 UCI標準機器學習庫\t136
9．4．2 基于IIWPSO-PNN集成的故障檢測仿真分析\t136
9．4．3 基于IIWPSO-PNN集成的故障診斷仿真分析\t138
9．5 小結\t139
參考文獻\t139
第10章 流程工業(yè)數據建模方法與大數據建模\t140
10．1 引言\t140
10．2 大數據概述\t140
10．2．1 大數據的定義\t140
10．2．2 我國的大數據發(fā)展\t141
10．2．3 大數據的研究意義\t142
10．2．4 大數據發(fā)展趨勢\t143
10．3 大數據的特點與研究領域\t145
10．3．1 大數據的特點從3V到6V大數據定義演變\t145
10．3．2 大數據的研究領域\t146
10．3．3 流程工業(yè)大數據的特點\t147
10．4 數據建模方法\t149
10．4．1 流程工業(yè)數據建模方法\t149
10．4．2 互聯網公司大數據建模方法\t149
10．4．3 流程工業(yè)大數據建模\t150
10．5 流程工業(yè)大數據的挑戰(zhàn)和機遇\t150
10．5．1 流程工業(yè)大數據特點給傳統(tǒng)數據建模方法帶來的挑戰(zhàn)\t150
10．5．2 計算機學科大數據最新進展帶來的機遇\t151
10．6 流程工業(yè)大數據建模最新進展與研究展望\t151
10．6．1 多層面潛結構建模\t151
10．6．2 多時空時間序列數據建模\t152
10．6．3 含有不真實數據的魯棒建模\t153
10．6．4 支持實時建模的大容量數據計算架構與方法\t154
10．7 結論\t154
參考文獻\t155