一、基于故障重构的PCA模型主元数的确定(论文文献综述)
戴絮年[1](2021)在《基于多元统计分析的工业过程故障检测与诊断方法研究》文中研究说明随着信息化和工业化的深度结合,工业系统的自动化、复杂化、智能化水平进一步提高。同时,工业系统故障检测与诊断技术也取得了长足进展。基于多元统计分析的故障检测与诊断方法凭借系统过程数据即可实现过程监控,因此该方法逐渐成为众多学者的研究方向。本文主要探讨研究了具有非线性、多模态、动态性等特征的工业系统的过程监控问题。本文的主要研究内容概括如下:(1)针对化工生产中的多模态故障检测问题,提出了局部预测主元分析(LP-PCA)的故障检测方法。首先,对训练样本进行局部预测并应用PCA将局部预测样本和训练样本映射到预测空间;然后,在预测空间中计算出训练样本与预测样本的差异信息;接下来,在两个预测子空间中建立新的统计量监控样本的状态。最后,对检测出的故障样本进行诊断分析。LP-PCA方法能消除离群值对PCA降维时的影响。差异信息能够将微弱故障放大,同时新的统计量检测效果比传统的统计量更优越。将LP-PCA方法与传统PCA方法在数值例子和化工过程中进行测试,实验结果验证了LP-PCA方法的有效性。(2)针对动态主元分析方法中残差自相关性降低过程故障检测率问题,提出基于动态主元分析残差互异度的故障检测与诊断方法(DPCA-Diss)。首先,应用DPCA计算动态过程数据的残差得分,接下来,应用滑动窗口技术并结合互异度指标来监控过程残差得分状态,最后,利用基于变量贡献图的方法进行过程故障诊断分析。本文方法通过DPCA捕获过程的动态特征,同时互异度指标区别于传统的平方预测误差,可以有效地对具有自相关性的残差得分进行过程状态监控。通过一个数值例子和TE过程的仿真实验并与传统方法对比分析,仿真结果进一步证实了本文方法的有效性。(3)针对非线性过程的故障检测问题,提出一种基于邻域保持嵌入的非线性过程故障检测方法。首先,通过NPE方法计算训练数据集的得分矩阵,称其为样本的本质得分。然后,在训练数据集计算每个样本的K近邻均值,并将其投影到低维空间以获得样本的估计得分。最后,在差分子空间中建立新的统计量对样本进行过程监控。将该方法在数值例子和TE过程中进行测试,并与PCA、KNN和NPE等传统方法进行对比分析,测试结果验证了该方法的有效性。(4)针对多模态间歇过程在线故障检测问题,提出一种基于多向邻域保持嵌入和高斯混合模型的故障检测方法(MNPE-GMM)。首先,采用默认的窗宽获得窗口数据。接下来,应用MNPE计算当前窗口数据的得分。然后,利用GMM确定得分的高斯元。最后,提出了一种新的监控指标来监测过程状态。MNPE-GMM不仅能在特征子空间中保持窗口数据集的大部分局部结构信息,还能降低GMM在故障检测过程中的计算复杂度。MNPE-GMM方法通过引入新的统计量,可以有效地提高多模态间歇过程的故障检测率。通过数值例子和半导体刻蚀过程验证了本文方法的有效性。
胡瑞卿[2](2021)在《无人机飞行姿态的故障检测方法研究》文中提出无人机飞行姿态的稳定影响着无人机的任务可靠性以及工作效率,在执行飞行任务的过程中,当无人机的飞行出现姿态错误时,传感器测量的数据会偏离正常值,因此对传感器信号的故障检测是无人机飞行姿态故障判断的重要指标。本文将无人机飞行姿态作为课题研究对象,采用小波分析、主元分析以及BP神经网络方法实现故障检测,以下几个方面为本文的主要研究内容:(1)针对采集数据受噪声影响较大、误报率较高的不足,本文采用小波分析法对测量信号进行信号处理以及故障检测。通过设置正常、突变和慢变三种状态,使用小波阈值降噪法减小噪声对信号的影响,结合信噪比判断降噪效果,再将去噪后信号的高频分量通过模极大值原理识别异常点,完成对无人机飞行姿态的故障检测。(2)针对用单一变量故障检测可能造成检测误报的问题,提出了一种融合小波去噪与主元分析法的故障检测方法,在减少变量个数的同时留下数据的主要信息。利用小波去噪提高检测精度,采用基于主元分析法的故障检测算法对传感器数据进行实时检测,利用统计量的变化情况来判断是否运行正常、检测出现故障的时刻,并且借助变量对统计量的贡献来识别故障变量。(3)针对传统故障检测方法检测非线性系统的局限性,提出了一种融合小波去噪与BP神经网络的故障检测方法。由于无人机的飞行姿态与无人机飞行时传感器测量数据之间存在复杂的非线性关系,结合小波去噪提高检测精度,以实验数据为样本对3层BP网络进行训练,通过输出值与实际值的对比进行结果分析,根据算法的计算结果实现对无人机飞行姿态的故障检测。(4)由于使用小波去噪与BP神经网络结合的故障检测方法存在耗时较长、易陷于局部最优等不足,提出了基于遗传算法优化BP神经网络的故障检测算法。本文主要优化神经网络的权阈值,并对相同样本进行学习训练,测试结果表明,准确率达到了 95.6%。对比两种故障检测方法可知,训练迭代次数分别在820和473达到收敛标准。故障检测方法经过遗传算法的优化,提高了故障检测准确率,减少耗时。
郑晓芳[3](2021)在《基于数据驱动的工业过程监测策略》文中认为随着工业现代化时代的到来,近年来生产过程的安全性和产品质量的可靠性已经得到人们更多的重视。基于数据驱动的过程监测策略已成为过程工业中提高安全、质量和运行效率的关键技术。因此,依据数据驱动的多元统计分析算法对工业过程进行实时监测成为学术界的关注热点。本文在众多学者的研究基础上,探讨了具有动态性和多模态特征的过程质量监测问题。本文的主要研究内容概括如下:(1)为了解决多变量动态过程的监测问题,提出一种基于独立成分分析-互异度(Independent Component Analysis-Dissimilarity,ICA-Diss)的故障检测方法。首先,通过独立成分分析(Independent Component Analysis,ICA)提取原始高维数据的独立成分。其次,确定两个独立成分数据集,其中一个数据集是由默认窗口构成,另一个数据集是根据该窗口数据的第一近邻构成。然后,提出一个新的统计量来衡量两个数据集的互异度。最后,通过逐步移动默认窗口来更新数据,并计算每个窗口数据的差异程度以便监测动态过程的状态。在ICA-Diss中,利用ICA可以捕捉到观测数据的潜在信息。同时,基于独立成分的统计量既可以减少时间序列对过程监测的影响,又能提高动态过程的故障检测率。将ICA-Diss应用于一个动态数值例子和田纳西-伊士曼(Tennessee Eastman,TE)过程仿真实验,并与主元分析(Principal Component Analysis,PCA)、动态主元分析(Dynamic Principal Component Analysis,DPCA)和ICA方法进行比较,验证了所提方法的有效性。(2)为了监测具有显着自相关水平的多变量系统,提出一种基于独立成分分析-统计特征(Independent Component Analysis-Statistical Characteristics,ICA-SC)的故障诊断策略。首先,通过ICA寻找过程数据的独立成分。然后,利用窗口宽度和滑动步长等默认参数在独立元空间中获得窗口数据集。接下来,计算每个窗口数据集的统计特征,包括监测的独立成分的均值和方差。最后,基于这两个统计特征,提出了一种新的统计量来监测当前过程的运行状态,并利用这些独立成分的贡献图来分析异常变化的原因。数值实例和田纳西-伊士曼基准过程的仿真结果表明,与DPCA和ICA等传统多变量监测方法相比,ICA-SC可以降低计算复杂度,提高具有显着自相关的动态过程的故障检测率。(3)为了解决复杂的变量尺度和离散程度不同的多模态过程故障检测问题,提出局部保持投影-邻域加权马氏距离(Locality Preserving Projections-Neighborhood Weighted Mahalanobis Distance,LPP-NWMD)质量监测方法。首先,利用局部保持投影(Locality Preserving Projections,LPP)将原始高维数据降到低维空间中。然后,在低维空间中确定每个样本第k近邻的前K近邻集并计算样本的权重。最后,将样本的邻域加权马氏距离作为统计量对过程进行质量监测。LPP-NWMD方法在保持原始数据近邻结构的同时降低了计算复杂度,除此之外,加权马氏距离消除了数据的多模态和变量尺度不同的特征,提高了过程故障检测率。通过数值实例和半导体蚀刻工艺仿真实验,对比传统的PCA、k近邻(k-Nearest Neighbor,k NN)等方法,结果验证了LPP-NWMD的有效性。
储汇连[4](2020)在《刮膜式分子蒸馏过程的故障检测及混沌系统控制方法研究》文中指出刮膜式分子蒸馏器作为目前应用最广泛的分子蒸馏蒸发器,由于其复杂的物理、化学反应及物质能量的转换与传递,使得整个生产系统具备非线性、强耦合、大滞后、不确定性等特点,因此无法建立准确的数学模型。目前,大多是由生产人员凭经验操作刮膜蒸发过程中的工艺参数,因此难以保证生产过程的持续平稳运行。当发生故障时会导致工艺参数波动较大,影响产品的纯度和得率,若不及时处理故障甚至会造成重大事故的发生。为了保证生产过程安全运行,必须快速监测出工况异常或者故障,从而提高系统的可靠性和安全性。针对以上问题,本文做出了以下研究:首先,采用主元分析法(Principal Component Analysis,PCA)进行故障检测,通过将过程数据投影到主元和残差两个子空间,建立相应的T2和Q统计量来判断过程的运行状况。针对主元个数作为监测模型的唯一结构参数决定了故障检测的准确性问题,采用故障信噪比(Fault Signal Noise Ratio,Fault SNR)进行最优主元个数的选取,并将其应用到刮膜蒸发过程进行故障检测。通过与传统的累计方差贾献率(Cumulative Percent Variance,CPV)准则进行仿真实验对比,结果显示基于Fault SNR的模型检测结果更明确、灵敏度高,具备更好的监视性能。其次,针对PCA检测结果中T2统计量明显变化而Q统计量无明显变化,无法准确识别工况变化或发生故障的问题,引入与主元相关性较大的过程变量并计算其预测残差构成新的统计量取代传统的Q统计量从而削弱其保守性。通过对刮膜蒸发过程的故障检测进行仿真实验,并与普通PCA进行对比,结果显示改进的PCA不仅能够有效区分工况参数变化和故障的发生,还能够检测出微小故障,有效提升了PCA的故障检测性能。最后,刮膜电机作为影响产品分离效率的重要部分,经研究发现,该类电机在特定参数条件下存在混沌行为,因其非周期和不可预测性,会被认为是错误或故障而误处理,导致电机损毁。为避免混沌的发生,采用基于监督开关(Supervising Switching Controller,SSC)的时延估计(Time-Delay Estimation,TDE)控制器抑制混沌行为,并且设计了自组织自适应模糊神经控制器(Self-organizing Adaptive Fuzzy Neural Control,SAFNC)对系统实现混沌同步控制,并通过仿真实验验证了算法的有效性。
刘雨阳[5](2020)在《基于KPCA-ANN的空气处理单元传感器故障检测研究》文中认为暖通空调(Heating Ventilating and Air Conditioning,HVAC)系统作为改善室内环境质量和人体热舒适的重要设备,已在各领域得到广泛应用。随着科技发展与需求提升,人们对HVAC系统中的控制系统、监测系统和执行系统也提出了更高要求。在如此繁杂的系统中往往会发生各种故障,若未能及时快速地发现并解决系统中存在的故障,就会对整个系统造成难以预估的破坏,对能源也将造成巨大的损失。因此,HVAC系统故障检测与诊断(Fault Detection and Diagnosis,FDD)就显得格外重要。作为整个系统的“眼睛”——传感器在系统运行过程中起到至关重要的作用,本课题将针对HVAC系统中的传感器进行故障诊断研究。主要包括以下研究:首先,分析典型传感器故障并归纳四种典型传感器故障类型及数学模型。在分析变风量空调系统工作原理和空气处理机组运行特性的基础上,针对基于多变量统计的故障检测方法—主元分析法(Principal Component Analysis,PCA)和核主元分析法(Kernel Principal Component Analysis,KPCA)从基本原理、建模过程和故障检测三方面进行全面分析对比,并进行理论可行性分析。其次,应用PCA方法和KPCA方法对传感器不同程度的偏差故障和漂移故障进行故障检测研究,为了进一步提高故障诊断检测率,提出一种基于多目标粒子群(Multi-objective Particle Swarm Optimization,MOPSO)算法优化的混合核函数KPCA方法对传感器故障进行检测。应用MOPSO算法对KPCA中混合核函数参数进行优化及对三种目标函数进行寻优。实验研究表明,经过MOPSO算法优化的KPCA方法针对传感器微小故障不仅要比PCA方法故障检测率提高近20%,且在一定程度上消除误诊断。而且相较于应用单一核函数的KPCA方法,其故障检测率提高近10%。最后,利用贡献图法对上述检测出的不同类型、不同程度的传感器故障进行故障诊断研究。为进一步提高故障识别能力,本课题提出利用优化后的KPCA法和BP神经网络相结合的方法对传感器故障进行诊断,该方法是通过建立神经网络预测器,将实测值与预测值映射于神经网络之中利用预测误差实现故障识别。通过实验验证了该方法的正确性和可靠性且该方法的故障诊断效果要明显优于基于贡献图法的传感器故障诊断。通过对PCA、KPCA、MOPSO算法优化的KPCA以及KPCA与BPNN相结合方法的理论基础和应用于FDD的相关问题进行深入研究,再进一步利用上述方法对不同程度、不同类型的传感器故障进行实验。经过逐级对比,逐层优化的方法一方面验证的所提方法应用于故障诊断的有效性和可靠性,另一方面所提出方法对于传感器微小故障检测能力有一定提高,并在实验过程中得到检验。
王杰[6](2020)在《数据驱动的复杂工业过程监测与故障诊断》文中提出随着国民经济的迅猛发展,现代工业朝着大规模、复杂化和精细化方向发展。复杂工业过程一旦发生事故,便会造成巨大经济损失,甚至带来人员伤亡。因此,工业生产过程的可靠性和安全性迫切需要提高。对工业生产过程的运行状态进行实时监控,及时发现工业生产中可能出现的故障状态和对工业故障发生原因进行诊断是提高系统可靠性和降低事故风险的重要途径。本文针对复杂工业过程的不同数据特性,对非线性特性和时变特性的过程数据进行了建模分析,重点探讨了数据驱动的复杂工业过程在线过程监测和故障诊断方法。主要研究内容总结如下:(1)传统的多元统计过程监测方法因难以适应复杂工业过程的时变特性,容易造成过程监测虚警率高或者未能及时报警等问题。本文提出一种自适应滑窗递归稀疏主成分分析方法,用于时变工业过程的在线过程监测。首先,通过滑窗提取正常过程数据空间的特征信息,并对当前窗口数据块矩阵进行稀疏主成分分析,构建稀疏主成分分析过程监测模型;然后,根据相邻窗口的相似度实时调整遗忘因子以自适应更新滑窗大小,使得所建立的稀疏主成分过程监测模型可以有效追踪复杂的时变过程;最后,通过递归更新滑窗稀疏载荷矩阵来动态更新过程监测模型。数值仿真系统与田纳西-伊斯曼(Tennessee Eastman,TE)过程的过程监测结果表明,所提方法可以有效提高故障检测的准确率,确保了对过程监测的灵敏度和实时性,适应于长流程时变工业过程在线过程监测。(2)针对传统多元统计过程故障诊断方法在复杂工业过程故障诊断中存在故障数据诊断精度低的问题,提出一种基于栈式稀疏降噪自编器和贝叶斯网络相结合的复杂工业过程故障诊断方法。该方法通过堆叠稀疏降噪自编码器,实现复杂工业过程非线性动态过程特征信息的稳健提取,并结合Softmax分类器来实现故障的准确辨识;在实现故障辨识的基础上,使用贡献图法分离出贡献率较高的故障变量作为贝叶斯网络中引发故障的证据节点,通过更新贝叶斯网络寻找发生故障概率变化较大的变量并结合网络结构对引发故障的变量进行溯源。数值仿真系统和TE过程故障诊断实验表明,所提方法能够有效提高非线性过程故障识别准确率,进而有效实现故障分离。(3)最后,从工程实际需求出发,基于所提出的复杂工业过程监测与故障诊断方法和技术,开发了相应的复杂工业过程监测与故障诊断系统。该原型系统在对TE过程监测与故障诊断测试中取得较好的应用效果,为工业过程的智能自动监测和安全生产提供有力的技术支撑。
邹振弘[7](2020)在《基于主元分析法的辊道窑能耗异常诊断》文中研究指明辊道窑是建筑陶瓷生产的核心设备,也是生产过程中主要的耗能设备,其运行状况将直接影响产品质量和能源使用效率。一旦辊道窑在生产过程中出现异常情况且得不到及时处理,就可能直接导致产品出现瑕疵、能源消耗增加,甚至造成严重的安全事故,给企业带来巨大损失。随着物联网和工业信息化的发展,以及智能仪表、工控技术的广泛应用,利用数据驱动的异常诊断方法成为研究热点,然而现阶段陶瓷生产企业还普遍依靠人工巡查和固定阈值报警的异常诊断方式,检测成本高、准确率低、异常发现滞后明显。另一方面,关于辊道窑的能耗异常诊断研究成果较少,国内外关于辊道窑的研究主要集中在智能控制和数值模拟方面。为此,本文提出了基于主元分析法的辊道窑生产过程能耗异常诊断方法。首先,以烧成带为重点,全面分析了辊道窑运行过程的基本原理,总结了能耗异常的常见类型;其次,以辊道窑能耗数据作为样本数据,基于主元分析法及其改进方法,建立了辊道窑能耗异常诊断模型;最后综合所研究内容,实现辊道窑能耗异常诊断模块。本文具体研究内容如下:(1)根据陶瓷砖的生产工艺流程,全面分析了辊道窑的结构和工艺原理,明确了影响能耗和产品质量的关键属性,总结了辊道窑生产过程的常见异常类型及对应原因。在此基础上,应用主元分析法对辊道窑能耗数据进行能耗异常诊断的初步验证,确定算法的适用性。(2)针对辊道窑系统的动态特性,提出一种基于改进动态主元分析的辊道窑能耗异常诊断方法,引入自相关函数,优化动态主元分析中增广矩阵的构造过程,有效减小矩阵规模,节省计算资源,提升了算法性能。通过案例分析,验证了改进动态主元分析算法在辊道窑能耗异常诊断的有效性。(3)针对辊道窑系统的时变特性,提出了一种基于自适应步长移动窗主元分析的辊道窑能耗异常诊断方法,通过判断每个新采集样本对更新到主元模型的必要程度,优化了移动窗递推更新的算法流程,提高了算法的精度和速度。通过案例分析,验证了自适应步长移动窗主元分析算法在辊道窑能耗异常诊断的有效性。综合上述研究内容,并结合了企业的具体需求,采用Python语言开发了能耗异常检测模块,通过服务调用的方式集成到企业现有能源管理系统中,并在企业生产中进行初步的应用。
谢心蕊[8](2020)在《特征降维算法在股价预测中的应用研究》文中认为随着信息时代的到来,数据的获取更加便捷,不论是在维度上或样本数目上都呈现爆炸性的增长。各大行业利用互联网快速便捷的优势不断地吸收、获取、交换着数据信息,这些数据信息能够帮助人们从不同的角度、不同方式详细地描述和理解事物,但同时也出现维度过高、信息冗余、计算困难等问题,这些问题反而容易导致对信息描述的不准确。虽然高维大量的样本数据能带给我们更多更丰富的信息,但是如何把握信息中关键的内容,如何处理和摒弃掉冗余的信息仍然是需要广泛深入研究的问题,现今已有一种处理方式即是对高维数据进行降维处理。无论是线性或是非线性的降维方法都已多种多样,其中运用较为广泛的一种方法是主成分分析(PCA)算法,它的优异之处在于无特定限制的参数以及算法简洁明了,但其本身是一种无监督的特征提取算法,不能充分考虑到标签带来的先验信息。其次是算法提取主元个数的关键步骤缺乏客观性,过多或过少的主元信息都容易使得模型精度降低,且前人对此的研究也较少。针对上述所提到的问题,本文主要研究工作如下:(1)考虑到很多研究在利用PCA算法进行降维之前未考虑特征与标签之间的关联性,即标签的先验信息,本文提出在PCA进行降维前,利用互信息(MI)来度量特征对于标签的重要性的办法,并提出按互信息值将特征重要性划分为弱、中、强三个部分,过滤掉较弱部分的特征,再进行PCA降维处理。(2)针对PCA算法中选取主元个数的累计贡献率方法判断过于主观,本文提出了改进PCA算法(IPCA),即利用平均复相关系数对主元数目递增时与原始数据的相关性进行衡量,从而辅助累计贡献率共同对主元个数的选取进行判断。(3)本文采用较长时间范围的实际个股和指数数据,及较多的共17个影响股价的因素,对上述改进前后的降维方法进行分析,利用神经网络预测器的最终预测结果对比PCA与IPCA判断出的主元个数的均方误差值的大小,从而比较PCA改进前后的差别,以及对比MI-IPCA双重降维与IPCA降维后的预测结果来判断引入互信息判断的有效性。
陈宁[9](2019)在《基于主元分析的自适应故障检测方法研究》文中指出随着工业自动化的发展,化工生产过程对故障检测技术的要求越来越高。面对石油钻井过程这类复杂化工过程,传统的故障检测方法存在检测效率低,实时性能差和对噪声的鲁棒性较弱等问题。因此本文对自适应故障检测方法进行了分析与研究,提出适用于复杂化工过程的自适应故障检测方法,并用复杂化工田纳西伊斯曼(TE)过程数据进行对比实验分析,最后使用石油钻井数据验证算法的有效性。本文主要成果包括:(1)针对主元分析(PCA)方法对噪声比较敏感的缺点,本文详细研究了希尔伯特黄变换(HHT)算法和三种信号分解方法,并结合PCA方法,提出了一种基于HHT-PCA方法的故障监测方法,该方法利用PCA方法能够将高维数据投影到低维空间的优势,结合变分模态分解(VDM)方法与希尔伯特黄变换算法,对低维空间中的主元分量进行去噪,以提高算法的效率和性能,并通过田纳西伊斯曼(TE)过程故障检测实验,验证了提出算法的有效性。(2)针对传统PCA法建立的故障检测模型是静态模型,无法实现对具有时变特性和动态特性的过程数据进行有效监控的问题,本文详细研究了移动窗PCA方法和动态PCA方法。考虑到时变过程数据与模型的相关性会随着时间衰减,结合海明窗对移动窗PCA方法做出了改进,提出一种基于HHT-MWPCA的自适应故障检测方法。(3)考虑到复杂化工过程数据大多具有较强的动态特性,引入动态主元分析(DPCA)方法的增广矩阵,提出一种基于HHT-MWDPCA的自适应故障检测方法。通过TE过程和钻井过程的故障检测实验,证实了改进算法能够自适应监控具有动态特性的时变过程,降低了误报和漏报率,提升了模型的故障检测能力。
汪子扬[10](2019)在《数据驱动的复杂连续过程监测方法》文中认为过程监测模型被视为过程自动化系统的重要组成部分,主要作用是评估过程时的运行状态及产品质量,检测出故障并完成后续识别、诊断、隔离等操作。现代工业发展至今,不论是整体规模还是复杂程度,都不同以往,对过程控制、过程监测环节的要求也稳步提高。大多数实际工业过程都具有非线性、时变性、动态性、不确定性等特点,一些较早提出的数据驱动过程监测方法,如多元统计分析以及机器学习过程监测方法不再广泛适用。本文主要提出四种算法,分别针对如下研究难点:如何对非线性过程和动态性过程建模,如何减少标签量噪声对模型影响等。这四种方法主要是围绕机器学习和深度学习方法展开,并融合了部分改进的多元统计分析算法,具体工作内容包括以下几个部分:(1)为了弥补PPCA模型的线性局限性,本文提出了一种基于即时学习局部模型的概率主元分析算法(JITL-PPCA),用于非线性过程的在线故障监测。该方法采用改进的即时学习算法在线构建局部LSSVR模型,提取样本变量之间的非线性相关关系。剔除非线性信息的样本被输入至PPCA模型进行故障监测。该方法引入的LSSVR模型具备良好非线性信息提取能力的同时,仅通过线性计算即可优化。本文采用一个数字仿真数据集和TE过程标准数据集来测试JITL-PPCA对非线性过程故障的监测效果。实验结果验证了 JITL-PPCA在保证实时性的同时,故障检测效果也优于其他非线性过程监测模型。(2)本文详细对比分析了两种线性降维算法PPCA、PLVR和三种机器学习特征提取GPLVR、GPAM、DAE之间的相互关联和优缺点,发现DAE模型相比其他四种多元统计分析方法最大的优势在于模型参数优化方法更为简便灵活。为了进一步提升DAE对特征噪声的鲁棒性,本章提出了一种收缩降噪自编码器算法(CDAE),并提出了一种基于CDAE模型和SVM分类器的有监督过程监测算法(CDAE-SVC)。本章采用TE过程标准数据集来验证CDAE-SVC和DAE-SVC方法的过程监测性能,实验结果从侧面证明了 CDAE的特征提取能力优于DAE。(3)为了提升深度学习模型对复杂工业过程变量的动态特性建模效果,研究者们主要采用两类方法:一类是在网络结构中引入循环结构,二类是用时序扩展向量替代静态向量作为模型的输入。D-DAE模型,作为一种典型的动态深度学习模型,实质上是采用时序扩展向量作为模型输入的DAE,其主要缺陷在于计算复杂度会随着窗口宽度增加而大幅上升。为了提升D-DAE模型的实用性,本章在其基础上提出了一种改进的动态降噪自编码器故障分类模型(CVA-DAE)。CVA-DAE模型中预置的典型变量分析(CVA)在保留时序扩展矩阵内变量动态信息的同时对其进行线性降维,降低了 DAE模型的输入维度和计算复杂度。除此以外,本章还提出一种判别降噪自编码器(DisDAE),在DAE的基础上引入LDA惩罚项,使DAE提取的表征向量更适合分类。TE过程故障数据集的实验结果显示CVA-DisDAE的分类准确率优于D-DAE和CVA-DAE。(4)在实际工业环境下,标签量噪声对建模过程的负面影响甚至大于特征量噪声。针对该问题,本章提出了一种基于K折交叉验证的标签去噪算法(KCV-LNC),可以识别并修正数据集中的误标签样本。在此基础上,本章进一步提出了一种标签噪声鲁棒的堆叠降噪自编码器故障分类模型(LNC-SDAE)。该模型对标签噪声的鲁棒性来自于两方面,一方面预置的KCV-LNC模型可以稳定地修正大部分误标签样本,大幅降低误标签样本在数据集中的比例,另一方面,SDAE模型本身对数据集中存在的少量标签噪声也存在鲁棒性。在实验验证部分,本章基于TE过程标准数据集构造出带标签噪声的实验数据集。去噪处理后的训练集将分别用于LNC-SDAE模型的训练,待训练完成后,再测试LNC-SDAE对测试数据集的分类准确率。实验结果证实了 LNC-SDAE模型对标签量噪声的鲁棒性。
二、基于故障重构的PCA模型主元数的确定(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于故障重构的PCA模型主元数的确定(论文提纲范文)
(1)基于多元统计分析的工业过程故障检测与诊断方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究的背景和意义 |
1.2 故障检测与诊断方法的研究现状 |
1.2.1 故障检测与诊断方法发展概述 |
1.2.2 基于多元统计分析的故障检测与诊断方法的研究现状 |
1.3 本文的主要研究内容 |
第二章 基于局部预测主元分析的故障检测方法 |
2.1 引言 |
2.2 基于局部预测主元分析的故障检测方法 |
2.2.1 主元分析 |
2.2.2 局部预测主元分析 |
2.2.3 基于局部预测主元分析的故障检测方法 |
2.2.4 统计量分析 |
2.3 仿真实验及结果分析 |
2.3.1 数值仿真实例 |
2.3.2 TE过程 |
2.4 本章小结 |
第三章 基于DPCA残差互异度的故障检测与诊断方法 |
3.1 引言 |
3.2 基于DPCA残差互异度动态过程故障检测与诊断方法 |
3.2.1 动态主元分析 |
3.2.2 互异度指标 |
3.2.3 基于DPCA残差互异度动态过程故障检测与诊断方法 |
3.3 仿真实验及结果分析 |
3.3.1 数值仿真实例 |
3.3.2 TE过程 |
3.4 本章小结 |
第四章 基于邻域保持嵌入的非线性过程故障检测方法 |
4.1 引言 |
4.2 基于邻域保持嵌入的非线性故障检测方法 |
4.2.1 邻域保持嵌入 |
4.2.2 NPE降维算法分析 |
4.2.3 基于邻域保持嵌入的非线性故障检测方法 |
4.3 仿真实验及结果分析 |
4.3.1 非线性数值仿真实例 |
4.3.2 TE过程 |
4.4 本章小结 |
第五章 基于多向邻域保持嵌入和高斯混合模型的故障检测方法 |
5.1 引言 |
5.2 基于多向邻域保持嵌入和高斯混合模型的故障检测方法 |
5.2.1 多向邻域保持嵌入 |
5.2.2 高斯混合模型 |
5.2.3 基于多向邻域保持嵌入和高斯混合模型的故障检测方法 |
5.3 仿真实验及结果分析 |
5.3.1 数值仿真实例 |
5.3.2 半导体蚀刻过程 |
5.4 本章小结 |
第六章 总结和展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读硕士期间发表论文 |
致谢 |
(2)无人机飞行姿态的故障检测方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 故障检测技术的发展现状 |
1.3 国内外研究现状 |
1.4 课题主要研究内容以及章节安排 |
1.4.1 本课题主要研究内容 |
1.4.2 章节安排 |
2 基于小波分析的无人机故障检测算法 |
2.1 小波分析原理 |
2.1.1 连续小波变换 |
2.1.2 离散小波变换 |
2.2 最佳小波基的选择 |
2.3 基于小波多尺度分析的故障特征提取 |
2.4 最佳分解层数的选择 |
2.5 小波阈值降噪 |
2.5.1 阈值降噪原理 |
2.5.2 阈值量化 |
2.6 利用小波分析进行故障检测的方法 |
2.6.1 小波故障检测原理 |
2.6.2 基于小波去噪的特征提取方法 |
2.6.3 基于小波分析的无人机故障检测 |
2.6.4 实验数据分析 |
2.7 本章小结 |
3 融合小波去噪和PCA的无人机故障检测算法 |
3.1 主元分析方法 |
3.1.1 PCA的基本原理 |
3.1.2 主元分析算法 |
3.2 基于主元分析的故障检测方法 |
3.2.1 主元选取方法 |
3.2.2 故障检测统计量 |
3.2.3 各变量贡献的计算 |
3.2.4 综合统计量的故障检测 |
3.3 融合小波去噪与PCA的故障检测方法 |
3.3.1 融合小波去噪与PCA的故障检测步骤 |
3.3.2 实验数据分析 |
3.4 本章小结 |
4 融合小波去噪和BP神经网络的无人机故障检测算法 |
4.1 BP神经网络 |
4.1.1 BP神经网络原理 |
4.1.2 BP神经网络的特点以及局限性 |
4.2 故障检测的BP网络结构确定 |
4.2.1 BP网络层数的确定 |
4.2.2 输入输出层及隐含层节点个数的确定 |
4.2.3 激活函数的确定 |
4.3 无人机故障检测方案设计 |
4.4 融合小波去噪与BP神经网络的无人机故障识别与分析 |
4.4.1 BP神经网络的识别与分析 |
4.4.2 实验数据分析 |
4.5 本章小结 |
5 基于遗传算法优化BP神经网络的无人机故障检测算法 |
5.1 遗传算法的基本思想 |
5.2 遗传算法的基本操作 |
5.2.1 染色体编码 |
5.2.2 群体规模的设定 |
5.2.3 适应度函数值的计算 |
5.2.4 遗传操作的设计 |
5.3 遗传算法优化神经网络 |
5.4 实验数据分析 |
5.5 故障检测方法对比 |
5.6 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读硕士学位期间主要学术成果 |
(3)基于数据驱动的工业过程监测策略(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 故障检测与诊断研究现状 |
1.2.2 基于多元统计分析方法的研究现状 |
1.3 本文研究内容及章节安排 |
第二章 基于独立成分分析-互异度的故障检测策略 |
2.1 引言 |
2.2 基本理论算法 |
2.2.1 主元分析 |
2.2.2 独立成分分析 |
2.3 基于独立成分分析-互异度的故障检测 |
2.3.1 独立成分分析-互异度理论算法 |
2.3.2 ICA-Diss算法故障检测过程 |
2.4 仿真实例及结果分析 |
2.4.1 数值例子 |
2.4.2 田纳西-伊士曼过程仿真实验 |
2.5 本章小结 |
第三章 基于独立成分分析-统计特征的故障诊断策略 |
3.1 引言 |
3.2 基本理论算法 |
3.2.1 动态主元分析 |
3.2.2 独立成分分析 |
3.3 基于独立成分分析-统计特征的故障检测与故障诊断 |
3.3.1 独立成分分析-统计特征理论算法 |
3.3.2 ICA-SC算法故障检测过程 |
3.4 仿真实例及结果分析 |
3.4.1 数值例子 |
3.4.2 田纳西-伊士曼过程仿真实验 |
3.5 本章小结 |
第四章 基于局部保持投影-邻域加权马氏距离的故障检测策略 |
4.1 引言 |
4.2 基本理论算法 |
4.2.1 局部保持投影 |
4.2.2 马氏距离 |
4.3 基于局部保持投影-邻域加权马氏距离的故障检测 |
4.3.1 局部保持投影-邻域加权马氏距离理论算法 |
4.3.2 LPP-NWMD算法故障检测过程 |
4.4 仿真实例及结果分析 |
4.4.1 多模态数值例子 |
4.4.2 半导体蚀刻工艺仿真实验 |
4.5 本章小结 |
第五章 总结和展望 |
5.1 研究工作总结 |
5.2 研究内容展望 |
参考文献 |
攻读硕士期间发表论文 |
致谢 |
(4)刮膜式分子蒸馏过程的故障检测及混沌系统控制方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.1.1 故障诊断的必要性 |
1.1.2 本课题的研究意义 |
1.2 故障诊断方法的国内外研究现状 |
1.2.1 过程监控的内容 |
1.2.2 故障诊断方法的国内外研究现状 |
1.3 无刷直流电机混沌控制技术的国内外研究现状 |
1.4 本文主要内容及章节安排 |
第2章 基于主元分析法的刮膜蒸发过程故障检测 |
2.1 刮膜式分子蒸馏过程简介 |
2.1.1 分子蒸馏技术原理 |
2.1.2 分子蒸馏系统主要组成部分 |
2.1.3 刮膜蒸发过程的工艺参数 |
2.2 主元分析法的基本原理 |
2.2.1 主元分析的基本思想 |
2.2.2 主元分析的监测模型 |
2.2.3 主元分析的故障检测 |
2.3 主元个数的选取方法 |
2.3.1 传统主元个数的选取方法 |
2.3.2 故障信噪比确定模型 |
2.4 基于主元分析的故障检测过程 |
2.5 仿真实验对比分析 |
2.6 本章小结 |
第3章 改进主元分析法的刮膜蒸发过程故障检测 |
3.1 改进主元分析法 |
3.2 故障的可检测性分析 |
3.2.1 可检测性的必要条件 |
3.2.2 可检测性的充分条件 |
3.3 改进主元分析的故障检测过程 |
3.4 仿真实验对比分析 |
3.4.1 工况参数变化的研究 |
3.4.2 微小故障的研究 |
3.5 本章小结 |
第4章 刮膜电机混沌系统的非线性控制方法 |
4.1 无刷直流电机的混沌特性分析 |
4.1.1 无刷直流电机的数学模型 |
4.1.2 混沌的重要特征 |
4.2 基于延时控制器的无刷直流电机混沌控制 |
4.2.2 延时控制器的设计 |
4.2.3 监督开关延时估计控制器的设计 |
4.2.4 仿真实验 |
4.3 基于SFNN的无刷直流电机混沌同步 |
4.3.1 SFNN的基本原理 |
4.3.2 设计SFNN辨识器和鲁棒控制器 |
4.3.3 仿真实验 |
4.4 本章小结 |
第5章 结论 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
作者简介 |
攻读硕士学位期间研究成果 |
(5)基于KPCA-ANN的空气处理单元传感器故障检测研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 课题研究背景及意义 |
1.2 故障诊断方法综述 |
1.2.1 故障诊断流程 |
1.2.2 故障检测与诊断方法 |
1.3 国内外研究现状及发展方向 |
1.3.1 传感器故障诊断研究现状 |
1.3.2 系统故障诊断研究现状 |
1.3.3 存在问题 |
1.4 论文研究内容 |
2 变风量空调系统及其传感器典型故障 |
2.1 引言 |
2.2 变风量空调系统 |
2.2.1 变风量空调系统介绍 |
2.2.2 变风量空调系统原理及特点 |
2.2.3 空气处理机组介绍 |
2.3 传感器典型故障 |
2.3.1 传感器故障类型 |
2.3.2 传感器故障数学模型 |
2.4 实验平台 |
2.4.1 实验平台介绍 |
2.4.2 数据采集 |
2.4.3 数据处理 |
2.5 小结 |
3 基于混合核函数优化的KPCA方法故障检测研究 |
3.1 引言 |
3.1.1 主元分析法(PCA) |
3.1.2 核主元分析法(KPCA) |
3.2 基于多变量统计的故障检测方法研究 |
3.2.1 基于PCA的故障检测 |
3.2.2 基于KPCA的故障检测 |
3.3 检测流程及仿真结果分析 |
3.3.1 PCA故障检测建模过程 |
3.3.2 KPCA故障检测流程 |
3.3.3 主元数目确定 |
3.3.4 仿真结果与分析 |
3.4 核函数的提出 |
3.5 单一核函数参数优化 |
3.5.1 高斯径向基核函数参数优化 |
3.5.2 多项式核函数参数优化 |
3.6 混合核函数参数优化 |
3.6.1 多目标粒子群算法基本原理及算法流程 |
3.6.2 优化模型及求解算法 |
3.6.3 优化结果及分析 |
3.7 小结 |
4 基于KPCA和 BP神经网络的传感器故障诊断研究 |
4.1 引言 |
4.2 基于贡献变量的故障识别 |
4.2.1 贡献图法 |
4.2.2 仿真结果 |
4.3 神经网络与神经网络预测器 |
4.3.1 BP神经网络 |
4.3.2 神经网络预测器 |
4.4 神经网络预测器仿真实验 |
4.5 小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
硕士研究生阶段研究成果 |
附录 |
图表索引 |
致谢 |
(6)数据驱动的复杂工业过程监测与故障诊断(论文提纲范文)
中文摘要 |
英文摘要 |
第1章 绪论 |
1.1 课题概述 |
1.1.1 课题来源 |
1.1.2 课题背景与意义 |
1.2 复杂工业过程监测与故障诊断的研究现状 |
1.2.1 过程监测和故障诊断的基本概念 |
1.2.2 过程监测的研究方法 |
1.2.3 故障诊断的研究方法 |
1.3 本文的研究内容和创新点 |
1.3.1 研究内容 |
1.3.2 创新点 |
1.4 论文结构安排 |
第2章 相关基础理论 |
2.1 引言 |
2.2 数据预处理方法 |
2.3 基于主成分理论的过程监测方法 |
2.3.1 基于主成分分析的过程监测方法 |
2.3.2 基于核主成分分析的过程监测方法 |
2.3.3 基于稀疏主成分分析的过程监测方法 |
2.4 基于贡献图理论的故障诊断 |
2.4.1 基于贡献图的故障诊断 |
2.4.2 基于重构贡献图的故障诊断 |
2.4.3 基于相对贡献图的故障诊断 |
2.5 本章小结 |
第3章 基于自适应滑窗递归稀疏主成分分析的过程监测 |
3.1 引言 |
3.2 自适应滑窗递归稀疏主成分分析 |
3.2.1 滑动窗口模型 |
3.2.2 滑窗大小自适应选择 |
3.2.3 载荷矩阵和特征值矩阵递归更新 |
3.2.4 ASW-RSPCA的收敛性分析和时间复杂度分析 |
3.3 基于自适应滑窗递归稀疏主成分分析的过程监测 |
3.3.1 故障监测统计量的计算 |
3.3.2 工业过程在线监测步骤 |
3.4 仿真实验 |
3.4.1 数值仿真系统 |
3.4.2 TE仿真系统 |
3.5 本章小结 |
第4章 基于改进自编码器与贝叶斯网络的故障诊断 |
4.1 引言 |
4.2 稀疏降噪自编码器和贝叶斯网络 |
4.2.1 稀疏降噪自编码器 |
4.2.2 贝叶斯网络 |
4.3 基于栈式稀疏降噪自编码器和贝叶斯网络的故障诊断 |
4.3.1 基于栈式稀疏降噪自编码器的故障识别 |
4.3.2 基于贝叶斯网络的故障分离 |
4.3.3 工业过程故障诊断步骤 |
4.4 仿真实验 |
4.4.1 数值仿真实验 |
4.4.2 TE仿真实验 |
4.5 本章小结 |
第5章 复杂工业过程在线监测与故障诊断系统 |
5.1 引言 |
5.2 开发技术 |
5.2.1 软件平台的功能模块设计 |
5.2.2 软件平台的体系架构设计 |
5.3 复杂工业过程在线监测与故障诊断系统 |
5.4 本章小结 |
总结与展望 |
1 研究工作总结 |
2 后续工作展望 |
参考文献 |
附录 攻读硕士学位期间主要研究成果 |
致谢 |
(7)基于主元分析法的辊道窑能耗异常诊断(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景、研究目的及意义 |
1.1.1 课题背景 |
1.1.2 课题研究目的及意义 |
1.2 国内外研究现状 |
1.2.1 工业界异常诊断的主要方法 |
1.2.2 辊道窑异常诊断的研究现状 |
1.2.3 基于主元分析法的异常诊断研究现状 |
1.3 本文主要研究思路、内容和框架 |
1.4 本章小结 |
第二章 基于主元分析法的辊道窑能耗异常检测 |
2.1 引言 |
2.2 辊道窑工作原理分析 |
2.2.1 基本结构及工序流程 |
2.2.2 能耗异常情况分析 |
2.3 主元分析法的基本知识 |
2.3.1 基本原理 |
2.3.2 PCA算法 |
2.3.3 PCA异常检测 |
2.3.4 基于贡献图的异常定位 |
2.4 针对辊道窑的异常诊断方法 |
2.4.1 数据采集 |
2.4.2 数据预处理 |
2.4.3 主元模型建模 |
2.4.4 异常检测结果及分析 |
2.5 本章小结 |
第三章 基于动态主元分析的辊道窑能耗异常检测 |
3.1 引言 |
3.2 动态主元分析法 |
3.2.1 动态主元分析的基本原理 |
3.2.2 滞后长度的选取分析 |
3.3 改进动态主元分析 |
3.3.1 部分时滞PCA方法 |
3.3.2 利用自相关函数筛选时滞变量 |
3.4 案例分析 |
3.4.1 数学模型案例 |
3.4.2 辊道窑生产数据案例 |
3.5 本章小结 |
第四章 基于自适应主元分析的辊道窑能耗异常检测 |
4.1 引言 |
4.2 递推主元分析 |
4.3 移动窗主元分析 |
4.3.1 固定窗长的移动窗主元分析法 |
4.3.2 自适应步长移动窗主元分析 |
4.4 案例分析 |
4.4.1 数学模型案例 |
4.4.2 辊道窑生产数据案例 |
4.5 本章小结 |
第五章 辊道窑能耗异常检测模块设计 |
5.1 引言 |
5.2 能耗异常检测模块设计 |
5.2.1 需求分析 |
5.2.2 架构设计 |
5.3 能耗异常检测模块开发及应用 |
5.3.1 开发环境 |
5.3.2 模块应用方案 |
5.4 界面展示 |
5.4.1 能耗异常检测主界面 |
5.4.2 能耗异常检测报警 |
5.5 本章小结 |
总结与展望 |
参考文献 |
攻读硕士学位期间发表的论文及专利 |
致谢 |
(8)特征降维算法在股价预测中的应用研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景和研究意义 |
1.2 国内外研究现状 |
1.2.1 特征选择研究综述 |
1.2.2 股价预测模型综述 |
1.2.3 问题总结 |
1.3 本文研究目标及主要内容 |
1.3.1 研究对象及目标 |
1.3.2 主要内容及创新点 |
1.3.3 本文结构安排 |
第二章 线性与非线性降维技术原理 |
2.1 线性降维算法 |
2.1.1 线性判别分析算法 |
2.1.2 局部保持投影算法 |
2.1.3 主成分分析算法 |
2.2 非线性降维算法 |
2.2.1 核主成分分析算法 |
2.2.2 多维尺度分析算法 |
2.2.3 局部线性嵌入算法 |
2.2.4 随机分布嵌入算法及其改进 |
第三章 特征降维分类框架 |
3.1 特征降维分类概述 |
3.2 特征选择算法 |
3.2.1 过滤式(Filter) |
3.2.2 封装式(Wrapper) |
3.2.3 嵌入式(Embedding) |
3.3 特征提取算法 |
3.3.1 线性特征提取算法 |
3.3.2 非线性特征提取算法 |
第四章 MI-IPCA降维算法 |
4.1 熵和互信息 |
4.1.1 信息熵、联合熵和条件熵 |
4.1.2 互信息 |
4.2 主成分分析具体算法步骤 |
4.3 基于MI-IPCA的双重特征选择算法 |
4.3.1 复相关系数 |
4.3.2 改进的PCA算法 |
4.3.3 互信息和改进的PCA融合的特征选择算法(MI-IPCA) |
第五章 MI-IPCA算法在股价预测中的实证研究 |
5.1 样本数据的选取和预处理 |
5.1.1 样本数据的选取 |
5.1.2 数据预处理 |
5.2 基于互信息的初步特征筛选 |
5.3 基于改进的PCA算法的特征提取结果 |
5.4 基于BP神经网络的实证预测研究 |
5.4.1 BP神经网络概述 |
5.4.2 激活函数及网络参数 |
5.4.3 BP网络算法流程 |
5.4.4 模型评价标准 |
5.4.5 主元数选取模型的预测 |
5.4.6 MI-IPCA与 IPCA降维后预测结果比较 |
总结与展望 |
参考文献 |
攻读硕士学位期间取得的研究成果 |
致谢 |
附件 |
(9)基于主元分析的自适应故障检测方法研究(论文提纲范文)
学位论文数据集 |
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 国内研究现状 |
1.2.2 国外研究现状 |
1.3 课题研究内容 |
1.4 论文组织结构 |
第二章 数据处理方法 |
2.1 引言 |
2.2 标准化变换 |
2.3 傅里叶变换 |
2.4 小波变换 |
2.5 希尔伯特黄变换 |
2.5.1 希尔伯特变换 |
2.5.2 经验模态分解 |
2.5.3 变分模态分解 |
2.5.4 合成信号分解 |
2.6 本章小结 |
第三章 主元分析算法 |
3.1 引言 |
3.2 主元分析算法 |
3.3 动态主元分析算法 |
3.4 移动窗主元分析算法 |
3.5 本章小结 |
第四章 自适应故障检测方法设计 |
4.1 引言 |
4.2 基于HHT-PCA的故障检测方法 |
4.3 基于HHT-MWPCA的自适应故障检测方法 |
4.4 基于HHT-MWDPCA的自适应故障检测方法 |
4.5 本章小结 |
第五章 算法仿真与实验分析 |
5.1 引言 |
5.2 实验数据 |
5.2.1 田纳西伊斯曼过程 |
5.2.2 钻井过程 |
5.3 故障检测算法仿真 |
5.3.1 TE故障5 |
5.3.2 TE故障11 |
5.3.3 TE故障12 |
5.3.4 TE故障13 |
5.3.5 TE故障14 |
5.3.6 钻井卡钻故障 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 本文总结 |
6.2 工作展望 |
参考文献 |
致谢 |
研究成果及发表的学术论文 |
作者和导师简介 |
附件 |
(10)数据驱动的复杂连续过程监测方法(论文提纲范文)
致谢 |
摘要 |
Abstract |
第1章 绪论 |
1.1 课题的研究背景与意义 |
1.2 过程监测 |
1.2.1 过程监测的基本概念与研究内容 |
1.2.2 过程监测的主要研究方法 |
1.2.3 过程监测的研究难点 |
1.3 多元统计分析过程监测方法研究现状 |
1.4 机器学习和深度学习模型过程监测方法研究现状 |
1.4.1 机器学习和深度学习模型的发展历程 |
1.4.2 基于机器学习模型的过程监测方法 |
1.4.3 基于深度学习模型的过程监测方法 |
1.5 本文主要研究内容 |
第2章 基于即时学习模型的概率主元分析过程监测模型 |
2.1 引言 |
2.2 相关算法介绍 |
2.2.1 概率主元分析算法(PPCA) |
2.2.2 即时学习算法(JITL) |
2.2.3 最小二乘支持向量回归算法(LSSVR) |
2.3 JITL-PPCA在线过程监测模型 |
2.3.1 离线模型训练 |
2.3.2 在线过程监测 |
2.4 实验分析 |
2.4.1 数字仿真模型实验 |
2.4.2 田纳西伊斯曼联合过程数据集实验 |
2.5 小结 |
第3章 基于收缩降噪自编码器的非线性过程监测算法 |
3.1 引言 |
3.2 相关算法介绍 |
3.2.1 概率潜变量回归算法(PLVR) |
3.2.2 高斯过程潜变量回归算法(GPLVR) |
3.2.3 高斯过程自编码器算法(GPAM) |
3.2.4 降噪自编码器算法(DAE) |
3.3 本章提出的过程监测模型 |
3.3.1 收缩降噪自编码器算法(CDAE) |
3.3.2 基于统计量的过程监测算法 |
3.3.3 基于分类器的过程监测算法 |
3.4 实验分析 |
3.4.1 TE数据集实验结果分析 |
3.4.2 CSTH数据集实验结果分析 |
3.5 小结 |
第4章 一种改进的动态降噪自编码器故障分类算法 |
4.1 引言 |
4.2 相关算法介绍 |
4.2.1 典型变量分析算法(CVA) |
4.2.2 线性判别算法(LDA) |
4.3 所提方法 |
4.3.1 动态故障分类方法的意义 |
4.3.2 动态DAE模型的缺陷 |
4.3.3 CVA-DAE模型 |
4.3.4 DisDAE模型 |
4.3.5 CVA-DisDAE模型 |
4.4 实验分析 |
4.4.1 实验设置 |
4.4.2 实验结果分析 |
4.5 小结 |
第5章 一种标签噪声鲁棒的堆叠式自编码器故障分类算法 |
5.1 引言 |
5.2 相关算法 |
5.2.1 堆叠式自编码器(SAE)和堆叠式降噪自编码器(SDAE) |
5.2.2 模型训练 |
5.3 本章所提出方法 |
5.3.1 KCV-LNC标签去噪算法 |
5.3.2 LNC-SDAE故障分类模型 |
5.4 实验分析 |
5.5 小结 |
第6章 总结与展望 |
6.1 全文研究内容总结 |
6.2 研究展望 |
参考文献 |
攻读博士学位期间完成的学术论文 |
攻读博士学位期间参与的科研项目 |
作者简历 |
四、基于故障重构的PCA模型主元数的确定(论文参考文献)
- [1]基于多元统计分析的工业过程故障检测与诊断方法研究[D]. 戴絮年. 沈阳化工大学, 2021(02)
- [2]无人机飞行姿态的故障检测方法研究[D]. 胡瑞卿. 西安理工大学, 2021(01)
- [3]基于数据驱动的工业过程监测策略[D]. 郑晓芳. 沈阳化工大学, 2021(02)
- [4]刮膜式分子蒸馏过程的故障检测及混沌系统控制方法研究[D]. 储汇连. 长春工业大学, 2020(01)
- [5]基于KPCA-ANN的空气处理单元传感器故障检测研究[D]. 刘雨阳. 西安建筑科技大学, 2020(07)
- [6]数据驱动的复杂工业过程监测与故障诊断[D]. 王杰. 湖南师范大学, 2020
- [7]基于主元分析法的辊道窑能耗异常诊断[D]. 邹振弘. 广东工业大学, 2020(02)
- [8]特征降维算法在股价预测中的应用研究[D]. 谢心蕊. 华南理工大学, 2020(02)
- [9]基于主元分析的自适应故障检测方法研究[D]. 陈宁. 北京化工大学, 2019(02)
- [10]数据驱动的复杂连续过程监测方法[D]. 汪子扬. 浙江大学, 2019(01)