掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
“數字浪潮:工業互聯網先進技術”叢書--數據驅動的工業過程在線監測與故障診斷 版權信息
- ISBN：9787122432155
- 條形碼：9787122432155 ; 978-7-122-43215-5
- 裝幀：平裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
“數字浪潮:工業互聯網先進技術”叢書--數據驅動的工業過程在線監測與故障診斷 本書特色
針對近幾年復雜工業過程在線監測及故障診斷領域的熱點問題，本書在統計學習、機器學習方法的基礎上，為數據驅動的復雜工業過程的在線監測及故障診斷方法提供了較為完整的理論框架支撐及案例應用分析
“數字浪潮:工業互聯網先進技術”叢書--數據驅動的工業過程在線監測與故障診斷 內容簡介
本書為數據驅動的復雜工業過程的在線監測及故障診斷方法提供了較為完整的理論框架及案例應用分析。內容包括：大規模多單元過程的分布式監測、多模態工業過程在線監測、非線性過程在線監測、關鍵性能指標相關過程在線監測、動態時變工業工程在線監測、非穩態間歇過程在線監測、故障溯源診斷。 本書要求讀者具有一定的統計知識基礎和機器學習相關知識，可供自動化相關領域的科研人員及工程技術人員參考，也可作為自動控制或信息科學等相關專業本科生及研究生的參考用書。
“數字浪潮:工業互聯網先進技術”叢書--數據驅動的工業過程在線監測與故障診斷 目錄
第1章 概述 001
1.1 在線監測與故障診斷研究背景與意義 002
1.1.1 研究背景 002
1.1.2 研究意義 004
1.2 在線監測與故障診斷定義 004
1.2.1 什么是故障 004
1.2.2 過程監測定義 005
1.3 在線監測與故障診斷方法 007
1.3.1 基于知識的方法 007
1.3.2 基于解析模型的方法 008
1.3.3 基于數據驅動的方法 009
1.4 數據驅動在線監測與故障診斷發展現狀 012
1.4.1 發展歷史 012
1.4.2 研究現狀及其存在的主要問題 013
參考文獻 015
第2章 大規模多單元過程的分布式監測 021
2.1 大規模多單元過程定義和特性 022
2.2 大規模多單元過程監測研究現狀 022
2.3 基于性能驅動的分塊分布式監測方法 026
2.3.1 故障相關變量優選 026
2.3.2 故障相關變量優選分布式PCA故障檢測 027
2.3.3 故障相關變量優選分布式PCA故障隔離 028
2.3.4 實驗分析與結果討論 030
2.4 基于變量相關關系分塊的分布式監測方法 042
2.4.1 基于互信息與譜聚類分塊的分布式監測方法 042
2.4.2 仿真案例及分析 046
2.5 基于正則化典型相關分析的分布式監測方法 058
2.5.1 相關基礎知識 059
2.5.2 面向分布式故障檢測的GA-正則化CCA 064
2.5.3 數值模擬案例和應用研究 068
參考文獻 077
第3章 多模態工業過程在線監測 081
3.1 多模態過程定義和特性 082
3.2 多模態過程監測研究現狀 082
3.2.1 多模型方法研究現狀 083
3.2.2 單模型方法研究現狀 085
3.3 離線模態劃分與在線結果確定方法 086
3.3.1 增廣矩陣和局部離群因子相結合的模態劃分方法 090
3.3.2 時間窗口與遞歸局部離群因子相結合的模態劃分方法 093
3.3.3 基于兩步貝葉斯融合的模型整合策略 099
3.3.4 基于局部離群因子的模型選擇策略 100
3.3.5 仿真案例及分析 101
3.4 多模態過程監測單模型方法 107
3.4.1 理論基礎 108
3.4.2 時空局部保持協調方法 109
3.4.3 統計量及控制限 115
3.4.4 時空局部保持協調仿真案例及分析 116
參考文獻 121
第4章 非線性過程在線監測 127
4.1 非線性過程定義與特征 128
4.2 基于并行PCA-KPCA的非線性過程監測方法 129
4.2.1 相關基礎知識 129
4.2.2 基于P-PCA-KPCA的非線性過程監測 132
4.2.3 應用實例研究 136
4.3 基于局部加權典型相關分析的非線性過程監測方法 147
4.3.1 CCA故障檢測基礎知識 147
4.3.2 局部加權模型必要性分析 148
4.3.3 JITL-LWCCA過程監測 150
4.3.4 實驗研究 152
4.4 基于獨立-聯合學習神經網絡的非線性過程監測方法 164
4.4.1 SAE基礎知識 165
4.4.2 動機和問題描述 166
4.4.3 基于IJL的監測 166
4.4.4 附注 169
4.4.5 實驗研究與應用 171
參考文獻 179
第5章 關鍵性能指標相關過程在線監測 185
5.1 關鍵性能指標監測意義 186
5.2 關鍵性能指標監測研究現狀 187
5.2.1 關鍵性能指標預測 187
5.2.2 關鍵性能指標相關過程監測 188
5.3 多類型性能指標故障監測方法 191
5.3.1 關鍵性能指標加性故障監測方法 193
5.3.2 關鍵性能指標乘性故障監測方法 196
5.3.3 過程加性/乘性故障并行在線監測 198
5.3.4 關鍵性能指標加性/乘性故障監測仿真案例及分析 199
5.4 全流程過程關鍵性能指標監測方法 211
5.4.1 多子塊獨立元-主元回歸方法 212
5.4.2 多子塊獨立元-主元回歸方法仿真案例及分析 218
5.5 基于前處理的關鍵性能指標監測方法 227
5.5.1 問題描述 227
5.5.2 時序約束NPE方法描述 228
5.5.3 時序信息約束嵌入方法描述 231
5.5.4 指標相關特征提取方法 236
5.5.5 指標監測策略 238
5.5.6 基于前處理的關鍵性能指標監測方法實驗案例分析 239
5.6 基于后處理的關鍵性能指標監測方法 248
5.6.1 問題描述 248
5.6.2 增強典型成分分析 249
5.6.3 算法分析 252
5.6.4 指標監測策略 254
5.6.5 基于后處理的指標相關過程監測方法實驗案例分析 256
參考文獻 269
第6章 動態時變工業工程在線監測 275
6.1 動態時變過程研究背景及現狀 276
6.2 局部離群概率和局部離群因子 278
6.2.1 局部離群概率算法 278
6.2.2 局部離群因子算法 279
6.3 基于MWLOF和MWLoOP的故障檢測算法 280
6.3.1 基于MWLOF的在線模型更新 281
6.3.2 基于MWLoOP的在線模型更新 284
6.4 基于MWLOF和MWLoOP的時變多工況過程故障檢測 285
6.4.1 基于MWLOF算法的故障檢測流程 286
6.4.2 基于MWLoOP算法的故障檢測流程 287
6.5 仿真案例及分析 289
6.5.1 數值仿真應用研究 289
6.5.2 CSTR過程仿真應用研究 297
參考文獻 310
第7章 非穩態間歇過程在線監測 313
7.1 非穩態間歇過程的特點與研究現狀 314
7.2 基于時間片CCA的間歇過程關鍵單元監測方法 316
7.2.1 對于間歇過程基于時間片CCA的故障檢測 316
7.2.2 時間片CCA故障檢測方法的特點 319
7.2.3 應用案例 319
參考文獻 328
第8章 故障溯源診斷 331
8.1 故障溯源診斷研究背景和意義 332
8.2 故障溯源診斷方法研究現狀 333
8.3 基于貢獻圖的故障溯源診斷方法研究 334
8.3.1 基于主成分分析的故障檢測 334
8.3.2 完全分解貢獻圖法 335
8.3.3 部分分解貢獻圖法 336
8.3.4 基于重構的貢獻圖法 337
8.3.5 仿真案例分析 338
8.4 基于傳播演化路徑的故障溯源診斷方法研究 342
8.4.1 貝葉斯網絡 342
8.4.2 格蘭杰因果關系檢驗 346
8.4.3 傳遞熵 349
8.4.4 仿真案例及分析 353
8.5 基于多塊卷積變分信息瓶頸的故障診斷方法研究 364
8.5.1 概述 364
8.5.2 基于過程機理的變量分塊方法 365
8.5.3 并行多塊1-D CNN建模策略 366
8.5.4 變分信息瓶頸模型 367
8.5.5 基于MBCVIB的故障診斷方法 368
8.5.6 仿真實驗與分析 370
8.6 針對大規模工業過程故障診斷的多塊自適應卷積核神經網絡 375
8.6.1 概述 375
8.6.2 過程分解 377
8.6.3 過程預處理 377
8.6.4 特征提取 377
8.6.5 特征加權 378
8.6.6 模型訓練和故障診斷 379
8.6.7 仿真實驗及分析 380
參考文獻 387
1.1 在線監測與故障診斷研究背景與意義 002
1.1.1 研究背景 002
1.1.2 研究意義 004
1.2 在線監測與故障診斷定義 004
1.2.1 什么是故障 004
1.2.2 過程監測定義 005
1.3 在線監測與故障診斷方法 007
1.3.1 基于知識的方法 007
1.3.2 基于解析模型的方法 008
1.3.3 基于數據驅動的方法 009
1.4 數據驅動在線監測與故障診斷發展現狀 012
1.4.1 發展歷史 012
1.4.2 研究現狀及其存在的主要問題 013
參考文獻 015
第2章 大規模多單元過程的分布式監測 021
2.1 大規模多單元過程定義和特性 022
2.2 大規模多單元過程監測研究現狀 022
2.3 基于性能驅動的分塊分布式監測方法 026
2.3.1 故障相關變量優選 026
2.3.2 故障相關變量優選分布式PCA故障檢測 027
2.3.3 故障相關變量優選分布式PCA故障隔離 028
2.3.4 實驗分析與結果討論 030
2.4 基于變量相關關系分塊的分布式監測方法 042
2.4.1 基于互信息與譜聚類分塊的分布式監測方法 042
2.4.2 仿真案例及分析 046
2.5 基于正則化典型相關分析的分布式監測方法 058
2.5.1 相關基礎知識 059
2.5.2 面向分布式故障檢測的GA-正則化CCA 064
2.5.3 數值模擬案例和應用研究 068
參考文獻 077
第3章 多模態工業過程在線監測 081
3.1 多模態過程定義和特性 082
3.2 多模態過程監測研究現狀 082
3.2.1 多模型方法研究現狀 083
3.2.2 單模型方法研究現狀 085
3.3 離線模態劃分與在線結果確定方法 086
3.3.1 增廣矩陣和局部離群因子相結合的模態劃分方法 090
3.3.2 時間窗口與遞歸局部離群因子相結合的模態劃分方法 093
3.3.3 基于兩步貝葉斯融合的模型整合策略 099
3.3.4 基于局部離群因子的模型選擇策略 100
3.3.5 仿真案例及分析 101
3.4 多模態過程監測單模型方法 107
3.4.1 理論基礎 108
3.4.2 時空局部保持協調方法 109
3.4.3 統計量及控制限 115
3.4.4 時空局部保持協調仿真案例及分析 116
參考文獻 121
第4章 非線性過程在線監測 127
4.1 非線性過程定義與特征 128
4.2 基于并行PCA-KPCA的非線性過程監測方法 129
4.2.1 相關基礎知識 129
4.2.2 基于P-PCA-KPCA的非線性過程監測 132
4.2.3 應用實例研究 136
4.3 基于局部加權典型相關分析的非線性過程監測方法 147
4.3.1 CCA故障檢測基礎知識 147
4.3.2 局部加權模型必要性分析 148
4.3.3 JITL-LWCCA過程監測 150
4.3.4 實驗研究 152
4.4 基于獨立-聯合學習神經網絡的非線性過程監測方法 164
4.4.1 SAE基礎知識 165
4.4.2 動機和問題描述 166
4.4.3 基于IJL的監測 166
4.4.4 附注 169
4.4.5 實驗研究與應用 171
參考文獻 179
第5章 關鍵性能指標相關過程在線監測 185
5.1 關鍵性能指標監測意義 186
5.2 關鍵性能指標監測研究現狀 187
5.2.1 關鍵性能指標預測 187
5.2.2 關鍵性能指標相關過程監測 188
5.3 多類型性能指標故障監測方法 191
5.3.1 關鍵性能指標加性故障監測方法 193
5.3.2 關鍵性能指標乘性故障監測方法 196
5.3.3 過程加性/乘性故障并行在線監測 198
5.3.4 關鍵性能指標加性/乘性故障監測仿真案例及分析 199
5.4 全流程過程關鍵性能指標監測方法 211
5.4.1 多子塊獨立元-主元回歸方法 212
5.4.2 多子塊獨立元-主元回歸方法仿真案例及分析 218
5.5 基于前處理的關鍵性能指標監測方法 227
5.5.1 問題描述 227
5.5.2 時序約束NPE方法描述 228
5.5.3 時序信息約束嵌入方法描述 231
5.5.4 指標相關特征提取方法 236
5.5.5 指標監測策略 238
5.5.6 基于前處理的關鍵性能指標監測方法實驗案例分析 239
5.6 基于后處理的關鍵性能指標監測方法 248
5.6.1 問題描述 248
5.6.2 增強典型成分分析 249
5.6.3 算法分析 252
5.6.4 指標監測策略 254
5.6.5 基于后處理的指標相關過程監測方法實驗案例分析 256
參考文獻 269
第6章 動態時變工業工程在線監測 275
6.1 動態時變過程研究背景及現狀 276
6.2 局部離群概率和局部離群因子 278
6.2.1 局部離群概率算法 278
6.2.2 局部離群因子算法 279
6.3 基于MWLOF和MWLoOP的故障檢測算法 280
6.3.1 基于MWLOF的在線模型更新 281
6.3.2 基于MWLoOP的在線模型更新 284
6.4 基于MWLOF和MWLoOP的時變多工況過程故障檢測 285
6.4.1 基于MWLOF算法的故障檢測流程 286
6.4.2 基于MWLoOP算法的故障檢測流程 287
6.5 仿真案例及分析 289
6.5.1 數值仿真應用研究 289
6.5.2 CSTR過程仿真應用研究 297
參考文獻 310
第7章 非穩態間歇過程在線監測 313
7.1 非穩態間歇過程的特點與研究現狀 314
7.2 基于時間片CCA的間歇過程關鍵單元監測方法 316
7.2.1 對于間歇過程基于時間片CCA的故障檢測 316
7.2.2 時間片CCA故障檢測方法的特點 319
7.2.3 應用案例 319
參考文獻 328
第8章 故障溯源診斷 331
8.1 故障溯源診斷研究背景和意義 332
8.2 故障溯源診斷方法研究現狀 333
8.3 基于貢獻圖的故障溯源診斷方法研究 334
8.3.1 基于主成分分析的故障檢測 334
8.3.2 完全分解貢獻圖法 335
8.3.3 部分分解貢獻圖法 336
8.3.4 基于重構的貢獻圖法 337
8.3.5 仿真案例分析 338
8.4 基于傳播演化路徑的故障溯源診斷方法研究 342
8.4.1 貝葉斯網絡 342
8.4.2 格蘭杰因果關系檢驗 346
8.4.3 傳遞熵 349
8.4.4 仿真案例及分析 353
8.5 基于多塊卷積變分信息瓶頸的故障診斷方法研究 364
8.5.1 概述 364
8.5.2 基于過程機理的變量分塊方法 365
8.5.3 并行多塊1-D CNN建模策略 366
8.5.4 變分信息瓶頸模型 367
8.5.5 基于MBCVIB的故障診斷方法 368
8.5.6 仿真實驗與分析 370
8.6 針對大規模工業過程故障診斷的多塊自適應卷積核神經網絡 375
8.6.1 概述 375
8.6.2 過程分解 377
8.6.3 過程預處理 377
8.6.4 特征提取 377
8.6.5 特征加權 378
8.6.6 模型訓練和故障診斷 379
8.6.7 仿真實驗及分析 380
參考文獻 387
展開全部
“數字浪潮:工業互聯網先進技術”叢書--數據驅動的工業過程在線監測與故障診斷 作者簡介
侍洪波，工學博士，二級教授，博士生導師。長期從事工業系統故障檢測及工況診斷監控、流程工業過程模型化與先進控制技術的研究工作，在Auto-matica、IEEE匯刊、化工學報等期刊發表論文200余篇。入選上海市曙光學者，獲得寶鋼優秀教師獎、上海市自然科學二等獎、河北省科技進步二等獎。
書友推薦
- >
羅庸西南聯大授課錄
- >
【精裝繪本】畫給孩子的中國神話
- >
巴金－再思錄
- >
月亮虎
- >
隨園食單
- >
經典常談
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
伯納黛特,你要去哪(2021新版)
本類暢銷
