本書闡述數據驅動的工業過程監控與故障診斷的理論與應用方法，主要內容包括：過程監控必要的基礎知識、常見測量方法、檢測指標、控制限設計和仿真平臺；面向間歇過程的故障檢測方法，包括軟過渡PCA監控、基于核費希爾包絡分析的故障識別、基于局部特征相關性的故障診斷；面向質量監控的全局與局部特征融合的故障診斷方法，包括基于全局加局部偏最小二乘模型、局部保持偏最小二乘模型、局部線性嵌入潛結構偏最小二乘的投影模型和魯棒L1偏最小二乘模型的多種質量監控方法；面向故障溯源的數據與機理融合診斷方法，包括基于貝葉斯因果模型的離散系統故障預測與溯源方法、基于連續變量的故障溯源與定位方法。
Jing Wang, Zhenlin Wang, Meng Zhou, Adaptive event-triggered finite-frequency fault detection with zonotopic threshold analysis for LPV systems, IEEE Transactions on Cybernetics, 10.1109/TCYB.2021.3054633 2021, (JCR1區, 11.53)
目錄
“信息科學技術學術著作叢書”序
前言
第1章 背景 1
1.1 引言 1
1.1.1 過程監控方法 1
1.1.2 基于多元統計分析的過程監控 3
1.2 故障檢測指標 5
1.2.1 T2統計 5
1.2.2 平方預測誤差 8
1.2.3 馬哈拉諾比斯距離 9
1.2.4 綜合指標 9
1.2.5 非高斯分布的控制限 11
參考文獻 11
第2章 單觀測空間的多元統計 14
2.1 主成分分析 14
2.1.1 PCA的數學原理 15
2.1.2 主成分提取算法 16
2.1.3 基于PCA的故障檢測 19
2.2 費希爾判別分析 20
2.2.1 FDA的數學原理 20
2.2.2 FDA與PCA的比較 22
參考文獻 25
第3章 雙觀測空間的多元統計分析 27
3.1 典型相關分析 27
3.1.1 CCA的數學原理 27
3.1.2 基于特征值分解的CCA求解 29
3.1.3 基于SVD分解的CCA算法 29
3.1.4 基于CCA的故障檢測 30
3.2 偏最小二乘 31
3.2.1 PLS的數學基礎 32
3.2.2 PLS算法 32
3.2.3交叉驗證 35
參考文獻 37
第4章 故障診斷的仿真平臺 38
4.1 TE過程 38
4.2 青霉素間歇發酵過程 41
4.3 基于PCA、CCA和PLS的故障檢測 43
4.4 基于FDA的故障分類 46
4.5 結論 48
參考文獻 49
第5章 多模態間歇過程的軟過渡PCA監控 50
5.1 間歇過程多模態sub-PCA監控方法 50
5.2 基于SVDD的動態軟過渡sub-PCA監控 52
5.2.1 基于擴展載荷矩陣的模態粗劃分 52
5.2.2 基于SVDD的模態細化分 54
5.2.3 軟過渡多模態的 PCA監控模型 56
5.2.4 軟過渡主成分分析監控程序 57
5.3 案例研究 59
5.3.1 模態識別與建模 59
5.3.2 正常批次的監控 60
5.3.3 故障批次的監控 61
5.4 結論 65
參考文獻 65
第6章 面向原始測量空間的統計分解與檢測 67
6.1 統計量分解 67
6.1.1 T2統計量分解 68
6.1.2 SPE統計量分解 69
6.1.3 面向原始測量空間的故障檢測 70
6.2 基于融合統計量的故障檢測 71
6.2.1 統計量融合設計 72
6.2.2 融合指標的控制限 74
6.3 案例研究 75
6.3.1 基于兩個分解統計量的檢測 75
6.3.2 基于融合指標的監控 80
6.3.3 比較分析 83
6.4 結論 85
參考文獻 86
第7章 基于核費希爾包絡分析的故障識別 87
7.1 基于KFEA的過程監控 87
7.1.1 KFEA 87
7.1.2 檢測指標 89
7.1.3 基于KFEA-PCA的間歇過程綜合診斷 91
7.2 基于KFEA-PCA的仿真實驗 92
7.2.1 對已有故障類型的診斷效果 94
7.2.2 對未知故障類型的診斷效果 98
7.3 結論 101
參考文獻 101
第8章 基于局部特征相關性的故障診斷 103
8.1 基于KEDA的故障識別 104
8.1.1 KEDA 104
8.1.2 仿真實驗 105
8.2 流形學習和判別分析融合的故障識別 110
8.2.1 LLEDA 111
8.2.2 NPEDA 113
8.2.3 基于LLEDA和NPEDA方法的故障診斷 116
8.2.4 基于LLEDA和NPEDA方法的故障診斷仿真研究 118
8.3 基于聚類-LLEDA的混合型故障檢測 121
8.3.1 混合型故障檢測方法 121
8.3.2 仿真研究 123
8.4 結論 129
參考文獻 129
第9章 全局與局部融合的潛結構投影 131
9.1 全局結構與局部結構的融合動因 131
9.2 降維過程的數學描述 133
9.2.1 PLS目標優化 133
9.2.2 LPP與PCA優化目標相似性 134
9.3 GLPLS方法簡介 135
9.4 GPLPLS基本原理 136
9.4.1 GPLPLS模型 136
9.4.2 GPLPLS模型之間的關系 138
9.4.3 GPLPLS模型的主成分 140
9.5 基于GPLPLS的質量監控 141
9.5.1 基于GPLPLS的過程與質量監控 141
9.5.2 后驗監控評估 143
9.6 TE過程仿真分析 144
9.6.1 模型與討論 144
9.6.2 故障診斷分析 145
9.6.3 不同 GPLPLS模型的比較 151
9.7 結論 154
參考文獻 154
第10章 局部保持偏最小二乘回歸 157
10.1 PCA、PLS和LPP的關系 157
10.2 LPPLS模型及基于LPPLS的故障檢測 159
10.2.1 LPPLS模型 159
10.2.2 基于LPPLS的過程及質量監控 162
10.2.3局部保持能力分析 164
10.3案例研究 165
10.3.1 PLS、GLPLS和LPPLS模型 165
10.3.2 質量監控分析 167
10.4 結論 172
參考文獻 173
第11章 局部線性嵌入正交的潛結構投影 174
11.1 GPLPLS、LPPLS和LLEPLS方法的比較 174
11.2 LLE概述 176
11.3 LLEPLS和基于LLEPLS的故障檢測 178
11.3.1 LLEPLS 178
11.3.2 基于 LLEPLS的過程監控 180
11.4 LLEOPLS模型和基于LLEOPLS的故障檢測 181
11.5 案例研究 184
11.5.1 模型和討論 184
11.5.2 故障檢測分析 187
11.6 結論 192
參考文獻 193
第12章 新型魯棒潛結構投影 195
12.1 魯棒PLS的發展 195
12.2 RSPCA介紹 197
12.3 L1 PLS基本原理 198
12.4 基于L1 PLS的監控模型 200
12.5 TE過程仿真分析 203
12.5.1 主成分的魯棒性分析 203
12.5.2 預測和監控性能的魯棒性 206
12.6 結論 218
參考文獻 218
第13章 基于離散變量的貝葉斯因果網絡 220
13.1 貝葉斯因果網絡的構建 220
13.1.1 貝葉斯因果網絡的描述 221
13.1.2 因果結構的構建 221
13.1.3 因果網絡參數學習 224
13.2 基于因果圖模型的推理預測 225
13.3 實驗驗證 227
13.3.1 公開數據集案例 227
13.3.2 TE過程的報警預測 229
13.4 結論 235
參考文獻 235
第14章 基于連續變量的因果圖模型 237
14.1 因果圖模型的構建 237
14.1.1 因果網絡拓撲構建 237
14.1.2 概率密度估計 238
14.1.3 核密度估計質量的評價指標 239
14.2 基于FLSA的動態閾值設定 241
14.3 正向故障診斷和反向推理 243
14.4 實驗驗證：TE過程 245
14.5 結論 248
參考文獻 248
新書資訊