《基於數據的流程工業故障診斷方法研究》是2018年5月電子工業出版社出版的圖書，作者是於春梅、吳斌。
基本介紹
- 書名：基於數據的流程工業故障診斷方法研究
- 作者：於春梅、吳斌
- 出版社：電子工業出版社
- 出版時間：2018年5月
- 頁數：168 頁
- 定價：59 元
- 開本：16 開
- ISBN：9787121337819
內容簡介,圖書目錄,
內容簡介
本書採用DPCA方法解決過程動態的影響，採用局部投影方法與PCA方法結合使樣本的內在特徵得以體現，採用核方法處理非線性問題，並針對核方法的計算複雜問題提出了基於特徵子空間投影的改進算法及基於分塊的方法。本書還對神經網路及其套用進行研究，包括學習矢量量化神經網路、機率神經網路、神經網路集成等。最後，針對大數據問題與流程工業的數據建模問題之間的關係進行探討。 本書可作為自動化、控制工程、檢測技術等相關領域研究生課程的參考書，也可以作為從事流程工業故障檢測與診斷的研究人員和工程技術人員的參考書。
圖書目錄
目 錄
第1章 緒論 1
1.1 概述 1
1.1.1 流程工業故障診斷研究意義 1
1.1.2 故障診斷的任務 2
1.1.3 故障診斷的實現過程 3
1.1.4 故障診斷方法分類 4
1.2 基於解析模型的方法 4
1.3 基於歷史數據的方法 6
1.3.1 基於信號處理的方法 6
1.3.2 多元統計方法 7
1.3.3 神經網路和專家系統 8
1.3.4 基於數據的方法與模式識別方法的關係 8
1.4 流程工業故障診斷研究進展 9
1.4.1 多元統計方法 10
1.4.2 基於神經網路的方法 11
1.5 本書內容安排 14
參考文獻 16
第2章 流程工業故障檢測與診斷的多元統計方法 22
2.1 引言 22
2.2 多元統計方法 22
2.2.1 主元分析法 22
2.2.2 Fisher判據分析法 25
2.2.3 部分最小二乘法 27
2.2.4 典型相關分析 29
2.2.5 獨立元分析法 31
2.2.6 幾種多元統計方法在瑞利商下的統一 32
2.3 故障的檢測和辨識 33
2.3.1 基於T2和Q統計量的故障檢測 33
2.3.2 基於I2統計量的故障檢測 35
2.3.3 基於Bayes分類器的故障辨識 36
2.4 仿真算例 37
2.4.1 仿真數據介紹 37
2.4.2 故障檢測和診斷步驟 40
2.5 小結 41
參考文獻 42
第3章 基於LGSPP的故障檢測與辨識 44
3.1 引言 44
3.2 LGSPP算法 44
3.2.1 LPP算法描述 44
3.2.2 LGSPP算法描述 45
3.3 基於LGSPP的故障檢測與辨識 45
3.3.1 T2和SPE統計量構造 45
3.3.2 基於Bayes分類器的故障檢測與辨識 46
3.4 基於DLGSPP的故障檢測 49
3.4.1 DLGSPP的基本原理 49
3.4.2 基於DLGSPP的故障檢測 49
3.5 仿真研究 50
3.5.1 基於LGSPP的故障檢測仿真研究 50
3.5.2 基於DLGSPP的故障檢測仿真研究 54
3.6 小結 56
參考文獻 56
第4章 基於LNS-LGSPP的多模態過程故障檢測 58
4.1 引言 58
4.2 局部近鄰標準化策略 58
4.2.1 z-score標準化法 58
4.2.2 局部近鄰標準化處理 61
4.2.3 局部近鄰標準化分析 62
4.3 基於LNS-LGSPP算法的故障檢測 63
4.4 仿真分析 64
4.4.1 數值仿真 65
4.4.2 TE過程 71
4.5 小結 74
參考文獻 75
第5章 基於DKPCA及其改進算法的故障檢測研究 76
5.1 引言 76
5.2 KPCA原理 76
5.3 基於DKPCA的故障檢測 78
5.3.1 動態數據矩陣 78
5.3.2 核函式及核參的選取 78
5.3.3 基於DKPCA的故障檢測步驟 80
5.4 基於EFS-DKPCA的故障檢測 81
5.4.1 正交基的構造 81
5.4.2 輸入空間到特徵子空間的映射 82
5.4.3 基於EFS-DKPCA的故障檢測步驟 83
5.5 仿真研究 83
5.5.1 基於DKPCA的故障檢測仿真分析 84
5.5.2 基於EFS-DKPCA的故障檢測仿真分析 87
5.6 小結 90
參考文獻 90
第6章 基於BDKPCA及其改進算法的故障檢測研究 92
6.1 引言 92
6.2 基於BDKPCA的故障檢測 92
6.2.1 移動時間窗 92
6.2.2 BDKPCA基本原理 93
6.2.3 基於BDKPCA的故障檢測步驟 93
6.3 基於小波去噪與EFS-BDKPCA的故障檢測 94
6.3.1 小波去噪簡介 94
6.3.2 基於小波去噪與EFS-BDKPCA的故障檢測步驟 96
6.4 仿真研究 96
6.4.1 基於BDKPCA的故障檢測仿真分析 97
6.4.2 基於小波與EFS-BDKPCA的故障檢測仿真分析 97
6.5 小結 102
參考文獻 102
第7章 學習矢量量化神經網路 103
7.1 引言 103
7.2 神經網路簡介 103
7.2.1 人工神經元模型 103
7.2.2 多層前饋神經網路模型 104
7.3 LVQ神經網路 105
7.3.1 LVQ神經網路結構 105
7.3.2 LVQ神經網路實現規則 106
7.4 PCA-LVQ神經網路 107
7.4.1 基於PCA-LVQ的故障檢測仿真分析 108
7.4.2 基於PCA-LVQ的故障診斷仿真分析 111
7.5 小結 112
參考文獻 112
第8章 基於IIWPSO-PNN的故障診斷 113
8.1 引言 113
8.2 PNN簡介 113
8.2.1 模式識別Bayes判決理論 113
8.2.2 PNN網路結構 114
8.2.3 PNN算法 115
8.3 IIWPSO算法 118
8.3.1 PSO的基本形式 118
8.3.2 PSO控制參數 119
8.3.3 IIWPSO算法 120
8.4 IIWPSO-PNN訓練過程 121
8.5 仿真分析 123
8.5.1 數值仿真 123
8.5.2 基於IIWPSO-PNN的故障檢測仿真分析 125
8.5.3 基於IIWPSO-PNN的故障診斷仿真分析 128
8.6 小結 129
參考文獻 129
第9章 基於神經網路集成的故障診斷 131
9.1 引言 131
9.2 集成神經網路 131
9.2.1 神經網路集成的機理研究 131
9.2.2 個體生成方式研究 133
9.2.3 結論生成方式研究 134
9.3 IIWPSO-PNN集成算法 135
9.4 仿真分析 136
9.4.1 UCI標準機器學習庫 136
9.4.2 基於IIWPSO-PNN集成的故障檢測仿真分析 136
9.4.3 基於IIWPSO-PNN集成的故障診斷仿真分析 138
9.5 小結 139
參考文獻 139
第10章 流程工業數據建模方法與大數據建模 140
10.1 引言 140
10.2 大數據概述 140
10.2.1 大數據的定義 140
10.2.2 我國的大數據發展 141
10.2.3 大數據的研究意義 142
10.2.4 大數據發展趨勢 143
10.3 大數據的特點與研究領域 145
10.3.1 大數據的特點從3V到6V大數據定義演變 145
10.3.2 大數據的研究領域 146
10.3.3 流程工業大數據的特點 147
10.4 數據建模方法 149
10.4.1 流程工業數據建模方法 149
10.4.2 網際網路公司大數據建模方法 149
10.4.3 流程工業大數據建模 150
10.5 流程工業大數據的挑戰和機遇 150
10.5.1 流程工業大數據特點給傳統數據建模方法帶來的挑戰 150
10.5.2 計算機學科大數據最新進展帶來的機遇 151
10.6 流程工業大數據建模最新進展與研究展望 151
10.6.1 多層面潛結構建模 151
10.6.2 多時空時間序列數據建模 152
10.6.3 含有不真實數據的魯棒建模 153
10.6.4 支持實時建模的大容量數據計算架構與方法 154
10.7 結論 154
參考文獻 155
