本書圍繞工業生產過程智能監控的若干核心問題展開論述。首先介紹工業過程運行監測和故障溯源推理的重要性、工業過程智能監控相關的機器學習理論基礎。在此基礎上，介紹過程生產狀態的感知與異常情況的預警，即過程監測方法，具體包括針對大規模工業過程的分布式監測方法、針對復雜時變過程的條件驅動建模方法、針對過程正常慢變化和工況切換的自適應監測方法等。接下來介紹異常變量的隔離與過程故障的診斷，即故障診斷方法，具體包括針對故障過程時變的多模型判別方法、針對歷史數據稀缺的增量學習方法、遷移學習和零樣本學習方法等。
本書可作為自動控制或信息科學等相關專業研究生的教學參考書，同時對從事自動化過程監控研究、設計、開發和應用的廣大工程技術人員也具有一定的參考價值。
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 自編碼網絡 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 基于稀疏協整分析的變工況分布式建模與過程監測 059
3.1 概述 060
3.2 稀疏協整分析方法回顧 062
3.3 基于稀疏協整分析的變工況過程分布式監測 064
3.3.1 基于協整關系的模塊分解 064
3.3.2 過程動靜態信息提取 066
3.3.3 局部監測統計量計算 068
3.3.4 全局監測統計量計算 068
3.3.5 監測算法在線實施 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 條件驅動的數據陣列重組 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 基于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 基于典型變量分析的動態特征提取 119
5.2.3 基于慢特征分析的動靜協同狀態監測 120
5.2.4 在線監測策略 122
5.3 三相流過程中的應用 124
5.3.1 過程描述 124
5.3.2 實驗設計與建模數據 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 基于遞歸指數慢特征分析的精細化自適應過程監測 139
6.1 概述 140
6.2 問題陳述與動機分析 142
6.3 遞歸指數慢特征分析 144
6.3.1 指數慢特征分析 145
6.3.2 遞歸指數慢特征分析 146
6.3.3 RESFA 中的監測統計量 148
6.3.4 基于RESFA 的自適應監測策略 149
6.4 方法驗證與結果分析 151
6.4.1 青霉素發酵過程 151
6.4.2 卷煙生產過程 156
6.4.3 注塑過程 159
6.5 本章小結 162
參考文獻 162
第7章 基于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 算法 172
7.3.2 基于DAE-EN 的過程監測 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 熱電廠生產過程 178
7.4.2 卷煙生產過程 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 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網絡及其故障診斷 237
10.1 概述 238
10.2 問題陳述與動機分析 240
10.3 寬度卷積神經網絡 242
10.3.1 所提網絡框架 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網絡簡介 264
11.2.1 問題描述 264
11.2.2 深層神經網絡 264
11.3 基于遷移學習的對抗網絡 266
11.3.1 動機分析 266
11.3.2 細粒度對抗網絡的總體結構 267
11.3.3 細粒度對抗網絡的優化目標 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據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
新書資訊