運行工況監(jiān)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(jiān)測與故障溯源推理研究現(xiàn)狀 004
1.2.1 基礎理論方法 004
1.2.2 運行工況監(jiān)測研究現(xiàn)狀 005
1.2.3 故障溯源推理研究現(xiàn)狀 009
1.3 全書概況 013
參考文獻 016

第2章 運行工況監(jiān)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(jiān)督學習方法 033
2.2.1 協(xié)整分析 033
2.2.2 典型相關分析 035
2.2.3 慢特征分析及其衍生方法 037
2.2.4 高斯混合模型 039
2.2.5 自編碼網(wǎng)絡 041
2.3 監(jiān)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(jīng)網(wǎng)絡 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 基于稀疏協(xié)整分析的變工況分布式建模與過程監(jiān)測 059
3.1 概述 060
3.2 稀疏協(xié)整分析方法回顧 062
3.3 基于稀疏協(xié)整分析的變工況過程分布式監(jiān)測 064
3.3.1 基于協(xié)整關系的模塊分解 064
3.3.2 過程動靜態(tài)信息提取 066
3.3.3 局部監(jiān)測統(tǒng)計量計算 068
3.3.4 全局監(jiān)測統(tǒng)計量計算 068
3.3.5 監(jiān)測算法在線實施 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 條件驅動的大范圍非平穩(wěn)瞬變過程建模與狀態(tài)監(jiān)測 087
4.1 概述 088
4.2 變工況多模式過程監(jiān)測建模方法 091
4.2.1 問題陳述與工作動機 091
4.2.2 條件驅動的數(shù)據(jù)陣列重組 093
4.2.3 自動有序條件模態(tài)劃分 094
4.2.4 精細化分布評估算法 096
4.2.5 算法在線實施方案 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 基于動態(tài)雙層解析的工業(yè)過程動靜協(xié)同精細工況識別 115
5.1 概述 116
5.2 基于CVA 和SFA 的變工況過程動靜協(xié)同監(jiān)測 118
5.2.1 問題闡述與動機分析 118
5.2.2 基于典型變量分析的動態(tài)特征提取 119
5.2.3 基于慢特征分析的動靜協(xié)同狀態(tài)監(jiān)測 120
5.2.4 在線監(jiān)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 實驗設計與建模數(shù)據(jù) 124
5.3.3 算法驗證及討論 125
5.4 本章小結 133
參考文獻 133

第6章 基于遞歸指數(shù)慢特征分析的精細化自適應過程監(jiān)測 139
6.1 概述 140
6.2 問題陳述與動機分析 142
6.3 遞歸指數(shù)慢特征分析 144
6.3.1 指數(shù)慢特征分析 145
6.3.2 遞歸指數(shù)慢特征分析 146
6.3.3 RESFA 中的監(jiān)測統(tǒng)計量 148
6.3.4 基于RESFA 的自適應監(jiān)測策略 149
6.4 方法驗證與結果分析 151
6.4.1 青霉素發(fā)酵過程 151
6.4.2 卷煙生產(chǎn)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 基于降噪自編碼器和彈性網(wǎng)的非線性
魯棒監(jiān)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 算法 172
7.3.2 基于DAE-EN 的過程監(jiān)測 173
7.3.3 基于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(chǎn)過程 178
7.4.2 卷煙生產(chǎn)過程 180
7.5 本章小結 183
參考文獻 183

第8章 多模型指數(shù)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(shù)判別分析 194
8.3.1 多模型指數(shù)判別分析方法 194
8.3.2 概率多模型指數(shù)判別分析方法 198
8.3.3 在線故障診斷 199
8.3.4 MEDA 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 基于動靜協(xié)同解析的增強隨機森林故障診斷 211
9.1 概述 212
9.2 基于CART 樹的隨機森林算法回顧 214
9.3 動靜態(tài)協(xié)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(tài)節(jié)點提取 216
9.3.3 基于特征重要性排序的增強隨機森林算法218
9.3.4 增強隨機森林算法的步驟 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(jīng)網(wǎng)絡及其故障診斷 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(jīng)網(wǎng)絡 242
10.3.1 所提網(wǎng)絡框架 242
10.3.2 對新樣本和新類別的增量學習能力 244
10.3.3 關于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 基于細粒度對抗網(wǎng)絡的域自適應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(jīng)網(wǎng)絡簡介 264
11.2.1 問題描述 264
11.2.2 深層神經(jīng)網(wǎng)絡 264
11.3 基于遷移學習的對抗網(wǎng)絡 266
11.3.1 動機分析 266
11.3.2 細粒度對抗網(wǎng)絡的總體結構 267
11.3.3 細粒度對抗網(wǎng)絡的優(yōu)化目標 268
11.3.4 對抗訓練策略 269
11.3.5 在線診斷步驟 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 基于零樣本學習的數(shù)據(jù)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 基于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