基于数据的流程工业故障诊断方法研究

目 录
第1章 绪论\t1
1．1 概述\t1
1．1．1 流程工业故障诊断研究意义\t1
1．1．2 故障诊断的任务\t2
1．1．3 故障诊断的实现过程\t3
1．1．4 故障诊断方法分类\t4
1．2 基于解析模型的方法\t4
1．3 基于历史数据的方法\t6
1．3．1 基于信号处理的方法\t6
1．3．2 多元统计方法\t7
1．3．3 神经网络和专家系统\t8
1．3．4 基于数据的方法与模式识别方法的关系\t8
1．4 流程工业故障诊断研究进展\t9
1．4．1 多元统计方法\t10
1．4．2 基于神经网络的方法\t11
1．5 本书内容安排\t14
参考文献\t16
第2章 流程工业故障检测与诊断的多元统计方法\t22
2．1 引言\t22
2．2 多元统计方法\t22
2．2．1 主元分析法\t22
2．2．2 Fisher判据分析法\t25
2．2．3 部分最小二乘法\t27
2．2．4 典型相关分析\t29
2．2．5 独立元分析法\t31
2．2．6 几种多元统计方法在瑞利商下的统一\t32
2．3 故障的检测和辨识\t33
2．3．1 基于T2和Q统计量的故障检测\t33
2．3．2 基于I2统计量的故障检测\t35
2．3．3 基于Bayes分类器的故障辨识\t36
2．4 仿真算例\t37
2．4．1 仿真数据介绍\t37
2．4．2 故障检测和诊断步骤\t40
2．5 小结\t41
参考文献\t42
第3章 基于LGSPP的故障检测与辨识\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的故障检测与辨识\t45
3．3．1 T2和SPE统计量构造\t45
3．3．2 基于Bayes分类器的故障检测与辨识\t46
3．4 基于DLGSPP的故障检测\t49
3．4．1 DLGSPP的基本原理\t49
3．4．2 基于DLGSPP的故障检测\t49
3．5 仿真研究\t50
3．5．1 基于LGSPP的故障检测仿真研究\t50
3．5．2 基于DLGSPP的故障检测仿真研究\t54
3．6 小结\t56
参考文献\t56
第4章 基于LNS-LGSPP的多模态过程故障检测\t58
4．1 引言\t58
4．2 局部近邻标准化策略\t58
4．2．1 z-score标准化法\t58
4．2．2 局部近邻标准化处理\t61
4．2．3 局部近邻标准化分析\t62
4．3 基于LNS-LGSPP算法的故障检测\t63
4．4 仿真分析\t64
4．4．1 数值仿真\t65
4．4．2 TE过程\t71
4．5 小结\t74
参考文献\t75
第5章 基于DKPCA及其改进算法的故障检测研究\t76
5．1 引言\t76
5．2 KPCA原理\t76
5．3 基于DKPCA的故障检测\t78
5．3．1 动态数据矩阵\t78
5．3．2 核函数及核参的选取\t78
5．3．3 基于DKPCA的故障检测步骤\t80
5．4 基于EFS-DKPCA的故障检测\t81
5．4．1 正交基的构造\t81
5．4．2 输入空间到特征子空间的映射\t82
5．4．3 基于EFS-DKPCA的故障检测步骤\t83
5．5 仿真研究\t83
5．5．1 基于DKPCA的故障检测仿真分析\t84
5．5．2 基于EFS-DKPCA的故障检测仿真分析\t87
5．6 小结\t90
参考文献\t90
第6章 基于BDKPCA及其改进算法的故障检测研究\t92
6．1 引言\t92
6．2 基于BDKPCA的故障检测\t92
6．2．1 移动时间窗\t92
6．2．2 BDKPCA基本原理\t93
6．2．3 基于BDKPCA的故障检测步骤\t93
6．3 基于小波去噪与EFS-BDKPCA的故障检测\t94
6．3．1 小波去噪简介\t94
6．3．2 基于小波去噪与EFS-BDKPCA的故障检测步骤\t96
6．4 仿真研究\t96
6．4．1 基于BDKPCA的故障检测仿真分析\t97
6．4．2 基于小波与EFS-BDKPCA的故障检测仿真分析\t97
6．5 小结\t102
参考文献\t102
第7章 学习矢量量化神经网络\t103
7．1 引言\t103
7．2 神经网络简介\t103
7．2．1 人工神经元模型\t103
7．2．2 多层前馈神经网络模型\t104
7．3 LVQ神经网络\t105
7．3．1 LVQ神经网络结构\t105
7．3．2 LVQ神经网络实现规则\t106
7．4 PCA-LVQ神经网络\t107
7．4．1 基于PCA-LVQ的故障检测仿真分析\t108
7．4．2 基于PCA-LVQ的故障诊断仿真分析\t111
7．5 小结\t112
参考文献\t112
第8章 基于IIWPSO-PNN的故障诊断\t113
8．1 引言\t113
8．2 PNN简介\t113
8．2．1 模式识别Bayes判决理论\t113
8．2．2 PNN网络结构\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控制参数\t119
8．3．3 IIWPSO算法\t120
8．4 IIWPSO-PNN训练过程\t121
8．5 仿真分析\t123
8．5．1 数值仿真\t123
8．5．2 基于IIWPSO-PNN的故障检测仿真分析\t125
8．5．3 基于IIWPSO-PNN的故障诊断仿真分析\t128
8．6 小结\t129
参考文献\t129
第9章 基于神经网络集成的故障诊断\t131
9．1 引言\t131
9．2 集成神经网络\t131
9．2．1 神经网络集成的机理研究\t131
9．2．2 个体生成方式研究\t133
9．2．3 结论生成方式研究\t134
9．3 IIWPSO-PNN集成算法\t135
9．4 仿真分析\t136
9．4．1 UCI标准机器学习库\t136
9．4．2 基于IIWPSO-PNN集成的故障检测仿真分析\t136
9．4．3 基于IIWPSO-PNN集成的故障诊断仿真分析\t138
9．5 小结\t139
参考文献\t139
第10章 流程工业数据建模方法与大数据建模\t140
10．1 引言\t140
10．2 大数据概述\t140
10．2．1 大数据的定义\t140
10．2．2 我国的大数据发展\t141
10．2．3 大数据的研究意义\t142
10．2．4 大数据发展趋势\t143
10．3 大数据的特点与研究领域\t145
10．3．1 大数据的特点从3V到6V大数据定义演变\t145
10．3．2 大数据的研究领域\t146
10．3．3 流程工业大数据的特点\t147
10．4 数据建模方法\t149
10．4．1 流程工业数据建模方法\t149
10．4．2 互联网公司大数据建模方法\t149
10．4．3 流程工业大数据建模\t150
10．5 流程工业大数据的挑战和机遇\t150
10．5．1 流程工业大数据特点给传统数据建模方法带来的挑战\t150
10．5．2 计算机学科大数据最新进展带来的机遇\t151
10．6 流程工业大数据建模最新进展与研究展望\t151
10．6．1 多层面潜结构建模\t151
10．6．2 多时空时间序列数据建模\t152
10．6．3 含有不真实数据的鲁棒建模\t153
10．6．4 支持实时建模的大容量数据计算架构与方法\t154
10．7 结论\t154
参考文献\t155