運(yùn)行工況監(jiān)測(cè)與故障溯源推理：機(jī)器學(xué)習(xí)方法

第1章 緒論 001
1.1 概述 002
1.2 運(yùn)行工況監(jiān)測(cè)與故障溯源推理研究現(xiàn)狀 004
1.2.1 基礎(chǔ)理論方法 004
1.2.2 運(yùn)行工況監(jiān)測(cè)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(xiàn) 016

第2章 運(yùn)行工況監(jiān)測(cè)與故障溯源診斷的基礎(chǔ)理論方法 031
2.1 概述 032
2.2 無(wú)監(jiān)督學(xué)習(xí)方法 033
2.2.1 協(xié)整分析 033
2.2.2 典型相關(guān)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(luò) 041
2.3 監(jiān)督學(xué)習(xí)方法 042
2.3.1 線性判別分析及其衍生方法 042
2.3.2 隨機(jī)森林 045
2.3.3 卷積神經(jīng)網(wǎng)絡(luò) 047
2.3.4 寬度學(xué)習(xí) 048
2.3.5 零樣本學(xué)習(xí) 050
2.4 本章小結(jié) 052
參考文獻(xiàn) 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(cè) 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(cè) 064
3.3.1 基于協(xié)整關(guān)系的模塊分解 064
3.3.2 過程動(dòng)靜態(tài)信息提取 066
3.3.3 局部監(jiān)測(cè)統(tǒng)計(jì)量計(jì)算 068
3.3.4 全局監(jiān)測(cè)統(tǒng)計(jì)量計(jì)算 068
3.3.5 監(jiān)測(cè)算法在線實(shí)施 069
3.3.6 總結(jié)與討論 070
3.4 百萬(wàn)千瓦超超臨界機(jī)組的應(yīng)用研究 072
3.5 本章小結(jié) 081
參考文獻(xiàn) 082

第4章 條件驅(qū)動(dòng)的大范圍非平穩(wěn)瞬變過程建模與狀態(tài)監(jiān)測(cè) 087
4.1 概述 088
4.2 變工況多模式過程監(jiān)測(cè)建模方法 091
4.2.1 問題陳述與工作動(dòng)機(jī) 091
4.2.2 條件驅(qū)動(dòng)的數(shù)據(jù)陣列重組 093
4.2.3 自動(dòng)有序條件模態(tài)劃分 094
4.2.4 精細(xì)化分布評(píng)估算法 096
4.2.5 算法在線實(shí)施方案 099
4.3 百萬(wàn)千瓦超超臨界機(jī)組的應(yīng)用研究 100
4.3.1 百萬(wàn)千瓦超超臨界機(jī)組 100
4.3.2 建模與實(shí)驗(yàn)分析 101
4.4 本章小結(jié) 108
參考文獻(xiàn) 108

第5章 基于動(dòng)態(tài)雙層解析的工業(yè)過程動(dòng)靜協(xié)同精細(xì)工況識(shí)別 115
5.1 概述 116
5.2 基于CVA 和SFA 的變工況過程動(dòng)靜協(xié)同監(jiān)測(cè) 118
5.2.1 問題闡述與動(dòng)機(jī)分析 118
5.2.2 基于典型變量分析的動(dòng)態(tài)特征提取 119
5.2.3 基于慢特征分析的動(dòng)靜協(xié)同狀態(tài)監(jiān)測(cè) 120
5.2.4 在線監(jiān)測(cè)策略 122
5.3 三相流過程中的應(yīng)用 124
5.3.1 過程描述 124
5.3.2 實(shí)驗(yàn)設(shè)計(jì)與建模數(shù)據(jù) 124
5.3.3 算法驗(yàn)證及討論 125
5.4 本章小結(jié) 133
參考文獻(xiàn) 133

第6章 基于遞歸指數(shù)慢特征分析的精細(xì)化自適應(yīng)過程監(jiān)測(cè) 139
6.1 概述 140
6.2 問題陳述與動(dòng)機(jī)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(cè)統(tǒng)計(jì)量 148
6.3.4 基于RESFA 的自適應(yīng)監(jiān)測(cè)策略 149
6.4 方法驗(yàn)證與結(jié)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(jié) 162
參考文獻(xiàn) 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(cè)與故障隔離 167
7.1 概述 168
7.2 方法回顧與動(dòng)機(jī)分析 170
7.2.1 降噪自編碼器 170
7.2.2 問題陳述與動(dòng)機(jī)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(cè) 173
7.3.3 基于DAE-EN 的故障隔離 176
7.3.4 方法相關(guān)的討論 177
7.4 方法驗(yàn)證與結(jié)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(jié) 183
參考文獻(xiàn) 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(yīng)用 189
8.1 概述 190
8.2 問題陳述與動(dòng)機(jī)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(jìn)一步改進(jìn) 200
8.3.5 討論與分析 201
8.4 方法驗(yàn)證與結(jié)果分析 202
8.5 本章小結(jié) 205
參考文獻(xiàn) 205

第9章 基于動(dòng)靜協(xié)同解析的增強(qiáng)隨機(jī)森林故障診斷 211
9.1 概述 212
9.2 基于CART 樹的隨機(jī)森林算法回顧 214
9.3 動(dòng)靜態(tài)協(xié)同的增強(qiáng)隨機(jī)森林 214
9.3.1 問題陳述與動(dòng)機(jī)分析 214
9.3.2 動(dòng)靜態(tài)節(jié)點(diǎn)提取 216
9.3.3 基于特征重要性排序的增強(qiáng)隨機(jī)森林算法218
9.3.4 增強(qiáng)隨機(jī)森林算法的步驟 219
9.4 方法驗(yàn)證與結(jié)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(jié) 230
參考文獻(xiàn) 230

第10章 具有增量學(xué)習(xí)能力的寬度卷積神經(jīng)網(wǎng)絡(luò)及其故障診斷 237
10.1 概述 238
10.2 問題陳述與動(dòng)機(jī)分析 240
10.3 寬度卷積神經(jīng)網(wǎng)絡(luò) 242
10.3.1 所提網(wǎng)絡(luò)框架 242
10.3.2 對(duì)新樣本和新類別的增量學(xué)習(xí)能力 244
10.3.3 關(guān)于BCNN 的一些討論 246
10.4 方法驗(yàn)證與結(jié)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(jié) 254
參考文獻(xiàn) 255

第11章 基于細(xì)粒度對(duì)抗網(wǎng)絡(luò)的域自適應(yīng)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(luò)簡(jiǎn)介 264
11.2.1 問題描述 264
11.2.2 深層神經(jīng)網(wǎng)絡(luò) 264
11.3 基于遷移學(xué)習(xí)的對(duì)抗網(wǎng)絡(luò) 266
11.3.1 動(dòng)機(jī)分析 266
11.3.2 細(xì)粒度對(duì)抗網(wǎng)絡(luò)的總體結(jié)構(gòu) 267
11.3.3 細(xì)粒度對(duì)抗網(wǎng)絡(luò)的優(yōu)化目標(biāo) 268
11.3.4 對(duì)抗訓(xùn)練策略 269
11.3.5 在線診斷步驟 270
11.4 方法驗(yàn)證與結(jié)果分析 271
11.4.1 機(jī)械滾動(dòng)軸承 271
11.4.2 三相流過程 275
11.5 本章小結(jié) 278
參考文獻(xiàn) 278

第12章 基于零樣本學(xué)習(xí)的數(shù)據(jù)與知識(shí)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(xué)習(xí)的故障診斷 290
12.3.1 屬性遷移的故障語(yǔ)義描述 290
12.3.2 可行性分析 292
12.4 方法驗(yàn)證與結(jié)果分析 293
12.4.1 田納西-伊斯曼過程 293
12.4.2 百萬(wàn)千瓦超超臨界機(jī)組 300
12.5 本章小結(jié) 302
參考文獻(xiàn) 303