運行工況監測與故障溯源推理：機器學習方法

第1章 緒論 001
1.1 概述 002
1.2 運行工況監測與故障溯源推理研究現狀 004
1.2.1 基礎理論方法 004
1.2.2 運行工況監測研究現狀 005
1.2.3 故障溯源推理研究現狀 009
1.3 全書概況 013
參考文獻 016

第2章 運行工況監測與故障溯源診斷的基礎理論方法 031
2.1 概述 032
2.2 無監督學習方法 033
2.2.1 協整分析 033
2.2.2 典型相關分析 035
2.2.3 慢特徵分析及其衍生方法 037
2.2.4 高斯混合模型 039
2.2.5 自編碼網路 041
2.3 監督學習方法 042
2.3.1 線性判別分析及其衍生方法 042
2.3.2 隨機森林 045
2.3.3 卷積神經網路 047
2.3.4 寬度學習 048
2.3.5 零樣本學習 050
2.4 本章小結 052
參考文獻 052

第3章 基於稀疏協整分析的變工況分散式建模與過程監測 059
3.1 概述 060
3.2 稀疏協整分析方法回顧 062
3.3 基於稀疏協整分析的變工況過程分散式監測 064
3.3.1 基於協整關係的模組分解 064
3.3.2 過程動靜態資訊提取 066
3.3.3 局部監測統計量計算 068
3.3.4 全域監測統計量計算 068
3.3.5 監測演算法線上實施 069
3.3.6 總結與討論 070
3.4 百萬千瓦超超臨界機組的應用研究 072
3.5 本章小結 081
參考文獻 082

第4章 條件驅動的大範圍非平穩瞬變過程建模與狀態監測 087
4.1 概述 088
4.2 變工況多模式過程監測建模方法 091
4.2.1 問題陳述與工作動機 091
4.2.2 條件驅動的資料陣列重組 093
4.2.3 自動有序條件模態劃分 094
4.2.4 精細化分佈評估演算法 096
4.2.5 演算法線上實施方案 099
4.3 百萬千瓦超超臨界機組的應用研究 100
4.3.1 百萬千瓦超超臨界機組 100
4.3.2 建模與實驗分析 101
4.4 本章小結 108
參考文獻 108

第5章 基於動態雙層解析的工業過程動靜協同精細工況識別 115
5.1 概述 116
5.2 基於CVA 和SFA 的變工況過程動靜協同監測 118
5.2.1 問題闡述與動機分析 118
5.2.2 基於典型變數分析的動態特徵提取 119
5.2.3 基於慢特徵分析的動靜協同狀態監測 120
5.2.4 線上監測策略 122
5.3 三相流過程中的應用 124
5.3.1 過程描述 124
5.3.2 實驗設計與建模資料 124
5.3.3 演算法驗證及討論 125
5.4 本章小結 133
參考文獻 133

第6章 基於遞迴指數慢特徵分析的精細化自我調整過程監測 139
6.1 概述 140
6.2 問題陳述與動機分析 142
6.3 遞迴指數慢特徵分析 144
6.3.1 指數慢特徵分析 145
6.3.2 遞迴指數慢特徵分析 146
6.3.3 RESFA 中的監測統計量 148
6.3.4 基於RESFA 的自我調整監測策略 149
6.4 方法驗證與結果分析 151
6.4.1 青黴素發酵過程 151
6.4.2 捲煙生產過程 156
6.4.3 注塑過程 159
6.5 本章小結 162
參考文獻 162

第7章 基於降噪自編碼器和彈性網的非線性
魯棒監測與故障隔離 167
7.1 概述 168
7.2 方法回顧與動機分析 170
7.2.1 降噪自編碼器 170
7.2.2 問題陳述與動機分析 171
7.3 方法介紹 172
7.3.1 DAE-EN 演算法 172
7.3.2 基於DAE-EN 的過程監測 173
7.3.3 基於DAE-EN 的故障隔離 176
7.3.4 方法相關的討論 177
7.4 方法驗證與結果分析 178
7.4.1 熱電廠生產過程 178
7.4.2 捲煙生產過程 180
7.5 本章小結 183
參考文獻 183

第8章 多模型指數判別分析方法及其在故障診斷中的應用 189
8.1 概述 190
8.2 問題陳述與動機分析 192
8.3 多模型指數判別分析 194
8.3.1 多模型指數判別分析方法 194
8.3.2 概率多模型指數判別分析方法 198
8.3.3 線上故障診斷 199
8.3.4 MEDA 演算法的進一步改進 200
8.3.5 討論與分析 201
8.4 方法驗證與結果分析 202
8.5 本章小結 205
參考文獻 205

第9章 基於動靜協同解析的增強隨機森林故障診斷 211
9.1 概述 212
9.2 基於CART 樹的隨機森林演算法回顧 214
9.3 動靜態協同的增強隨機森林 214
9.3.1 問題陳述與動機分析 214
9.3.2 動靜態節點提取 216
9.3.3 基於特徵重要性排序的增強隨機森林演算法218
9.3.4 增強隨機森林演算法的步驟 219
9.4 方法驗證與結果分析 221
9.4.1 田納西-伊斯曼過程 221
9.4.2 三相流過程 225
9.5 本章小結 230
參考文獻 230

第10章 具有增量學習能力的寬度卷積神經網路及其故障診斷 237
10.1 概述 238
10.2 問題陳述與動機分析 240
10.3 寬度卷積神經網路 242
10.3.1 所提網路框架 242
10.3.2 對新樣本和新類別的增量學習能力 244
10.3.3 關於BCNN 的一些討論 246
10.4 方法驗證與結果分析 247
10.4.1 田納西-伊斯曼過程 247
10.4.2 三相流過程 252
10.5 本章小結 254
參考文獻 255

第11章 基於細細微性對抗網路的域自我調整方法及跨域故障診斷 261
11.1 概述 262
11.2 問題描述與深度神經網路簡介 264
11.2.1 問題描述 264
11.2.2 深層神經網路 264
11.3 基於遷移學習的對抗網路 266
11.3.1 動機分析 266
11.3.2 細細微性對抗網路的總體結構 267
11.3.3 細細微性對抗網路的優化目標 268
11.3.4 對抗訓練策略 269
11.3.5 線上診斷步驟 270
11.4 方法驗證與結果分析 271
11.4.1 機械滾動軸承 271
11.4.2 三相流過程 275
11.5 本章小結 278
參考文獻 278

第12章 基於零樣本學習的資料與知識融合方法及故障診斷 285
12.1 概述 286
12.2 問題建模 289
12.2.1 故障描述的向量表示 289
12.2.2 零樣本故障診斷的定義 289
12.3 基於零樣本學習的故障診斷 290
12.3.1 屬性遷移的故障語義描述 290
12.3.2 可行性分析 292
12.4 方法驗證與結果分析 293
12.4.1 田納西-伊斯曼過程 293
12.4.2 百萬千瓦超超臨界機組 300
12.5 本章小結 302
參考文獻 303