一、事件驱动的多模型MPCA统计监视方法及其应用（论文文献综述）
刘帆[1]（2020）在《深度学习在非线性过程故障诊断中的应用》文中认为随着现代化生产技术的改革,工业系统变得越来越复杂,规模越来越庞大,系统的维护成本成倍的增长。现代化大生产中工业系统一旦出现问题,在造成资源浪费的同时人们的财产人身安全受到严重的威胁,因此,提高复杂工业系统的可靠性和安全性,降低事故风险并提高经济效益成为人们密切关注的焦点问题。计算机、传感器及通信技术的不断发展,越来越多的监测设备被用于现代工业系统的生产和维护,现代工业系统已呈现出向大规模,复杂化发展的新趋势。反映系统运行机理和状态的数据呈现出大数据量、多模式、不确定性和非线性等“大数据”特性,传统的基于数据驱动的故障诊断方法力有未逮。近年来,深度学习在学术领域和工业领域迅猛发展,以其高效的特征提取和处理复杂任务的能力,大大提高了许多传统识别任务中的识别精度,大批专家学者投以关注的目光并对其理论与应用展开深入研究。深度置信网络（Deep Belief Network,DBN）是近年来被广泛应用的深度学习网络之一,其具有强大的自动特征提取能力和处理高维和非线性等方面的优势,在图像处理,语音识别等领域取得了丰硕的成果,本文在基于数据驱动的故障诊断背景下,针对深度学习在故障诊断中所面临的问题和挑战,对深度学习在非线性过程故障诊断中应用展开研究,具体如下:（1）研究深度学习在故障诊断中的应用及其面临的问题和挑战,对其中的深度置信网络进行分析,指出其在处理具有时间相关性的间歇过程故障诊断中的不足之处。（2）针对具有时间相关性的非线性间歇过程,建立了基于深度置信网络和长短时记忆网络相结合的间歇过程故障诊断方法。首先利用深度置信网络的特征提取能力,提取特征,然后在特征层面上进行时间相关性分析。该方法在一类半导体蚀刻过程仿真实验中可以有效的检测各类故障,具有较高的故障识别精度,达到了98%以上,比深度置信网络提高了12%,比卷积神经网络提高了6%左右。（3）对本文进行总结,对未来研究工作提出想法和展望。
金增旺[2]（2019）在《事件驱动网络化系统的状态估计融合及其应用》文中认为近年来,随着传感器技术和网络通信技术的不断提高,控制系统技术向网络化、分布化、智能化和综合化方向迅猛发展,网络化系统应运而生,以满足大规模工业生产和控制的迫切需求,如智能电网、信息物理系统、智能交通控制、无人作战指挥系统等重要领域。然而,网络本身存在的带宽约束、随机丢包和时滞等问题给网络化系统的分析和设计带来了新的挑战,严重时甚至会使得系统变得不稳定。因此,研究通信约束下网络化系统状态估计融合问题具有重要的理论和实际意义。在传统时间触发采样系统的理论和方法基础上,本文研究了事件驱动网络化系统状态估计及其融合问题、量化驱动网络化系统状态估计问题,以及一类事件驱动动态系统执行器和传感器故障诊断问题。本文的主要研究内容和创新点如下:1、针对含有结构和参数不确定性的网络化系统状态估计问题,基于交互式多模型滤波理论,设计了事件驱动的随机混杂系统状态估计算法。所提出的算法不仅能够有效地节省网络带宽和避免最优估计中的组合爆炸问题,而且能够对系统参数或结构变化做出快速反应。2、针对事件驱动网络化系统状态估计融合问题,分别提出了序贯式和分布式的事件驱动状态估计融合算法。序贯式估计融合算法是集中式融合结构,而带反馈的并行式估计融合算法是最优分布式融合结构,且具有与集中式融合结构等效的融合估计效果。3、针对噪声相关的网络化系统状态估计融合问题,在充分考虑噪声之间相关性的基础上,给出了一种在线性最小方差意义下最优的事件驱动分布式状态估计融合算法。本文的线性矩阵加权融合准则为线性方差意义下的最优融合框架。4、针对随机事件驱动网络化系统状态估计融合问题,充分考虑连续系统离散化所引起的相关性影响,设计了在最大后验概率准则下最优的分布式估计融合算法。本文的随机事件驱动机制能够严格意义上保持系统状态条件分布的高斯特性。5、针对含有量化信息的网络化系统状态估计问题,综合考虑量化误差和通信不确定性之间的耦合因素,提出了一种基于多级量化驱动的状态估计算法。本文所设计的多级量化机制能够以统一的标量量化参数来并行处理测量向量的量化问题,避免了传统量化机制中量化参数难以确定的困境。6、针对一类事件驱动系统的执行器和传感器故障诊断问题,提出了基于交互式多模型框架的事件驱动故障诊断方法。本文的故障诊断方法对于一种故障只用建立一个候选故障模型,能够有效降低模型集设计的复杂度。仿真结果证明,所提算法对于故障具有快速的响应速度,且能够准确地估计出执行器的故障幅值。
林宇鑫[3]（2019）在《基于多元生物分子网络寻找癌症miRNA/lncRNA标志物 ——以前列腺癌转移为例》文中认为随着精准医学概念的提出,癌症非编码RNA标志物成为近年来研究的热点问题。其中,微小 RNA（MicroRNA,miRNA）和长链非编码 RNA（Long non-coding RNA,lncRNA）在癌症演化过程中发挥重要功能。特别地,lncRNA可以作为竞争性内源RNA（Competing endogenous RNA,ceRNA）与 miRNA 相互作用调控靶基因表达。在大数据和生物医学信息学时代,计算机辅助生物标志物识别逐渐成为一种新兴的研究方式。基于多元生物分子网络分析,有利于从系统生物学角度寻找癌症等复杂疾病发生发展过程中的驱动或关键因素,推动疾病的精准诊断和个性化治疗。本论文首先系统综述计算机辅助生物标志物识别的最新研究进展,包括数据资源、计算模型和相关应用等。研究发现,大多数生物信息学模型缺少普适性的理论或规则指导。由于数据和样本的异质性,某些机器学习模型中“训练-测试”的模式往往导致过拟合的结果。针对以上问题,我们整合不同来源的“miRNA-靶标”关系数据,分别构建miRNA-mRNA二元和lncRNA-miRNA-mRNA三元网络,分析已报道癌症miRNA和lncRNA标志物的网络结构和生物功能特征。由于健康到疾病以及疾病的阶段发展可以抽象为某一生物状态向另一种状态转变的过程,相比较疾病相关因子,生物标志物能够指示不同生物过程中系统状态的动态变化。基于这种观点,我们进一步关注网络中的脆弱结构,通过构建系统生物学模型预测癌症miRNA、lncRNA分子标志物。结合课题组的研究基础,我们选择前列腺癌及其转移作为主要的应用和研究对象。目前,临床转移仍然是影响癌症患者预后和生存的主要原因,因此,寻找前列腺癌转移的miRNA、lncRNA标志物具有重要意义。基于网络的子结构分析,研究表明,miRNA-mRNA网络中某些mRNA可以被唯一的miRNA独立调控,我们将这种独立调控特征定义为miRNA的单线调控模式。结合统计检验结果,作为标志物的miRNA具有显着强的单线调控mRNA的能力。由于单线调控是网络中一类特殊的调控模式,相比较多线协同调控,单线调控结构更加脆弱,它们的异常可能导致系统层次的功能紊乱,从而造成生物状态的改变。因此,该结构特征可以作为miRNA标志物识别的重要理论依据。在此基础上,通过miRNA靶基因的网络结构和生物功能分析,我们发现miRNA标志物能够调控和单线调控较多的转录因子基因。据此,我们整合miRNA、mRNA表达谱数据,提取前列腺癌转移特异的miRNA-mRNA子网络,构建并优化生物信息学模型,寻找前列腺癌转移相关的miRNA标志物。结果表明,miR-204-5p、miR-101-3p、miR-145-5p、miR-198和miR-152可以作为潜在的分子标志物。接下来,我们将上述理论拓展至miRNA介导的三元网络,结合ceRNA假说,进一步研究lncRNA-miRNA-mRNA网络中miRNA的调控以及lncRNA的竞争规律。相比较其它miRNA,参与lncRNA和mRNA竞争的miRNA具有显着强的调控能力,能够调控更多的转录因子基因、必需基因、管家基因和肿瘤相关基因。同时,网络中存在某些miRNA单线调控mRNA、lncRNA以及lncRNA竞争较多miRNA的情况。基于统计学证据,我们构建新的系统生物学模型预测、筛选前列腺癌转移相关的miRNA、lncRNA单个和组合标志物。研究发现,前列腺癌转移特异的lncRNA-miRNA-mRNA子网络中,miR-23b-3p、miR-204-5p、miR-26b-5p、miR-27b-3p、miR-145-5p、miR-29b-3p、miR-143-3p、miR-130a-3p、miR-363-3p、miR-218-5p、miR-30c-5p、miR-101-3p 以及XIST、CTA-204B4.6、HCG18、TUG1、MALAT1具有显着强的调控或竞争能力。同时,考虑到mRNA的生物学功能,这些分子可以形成三元lncRNA-miRNA-mRNA组合标志物指示前列腺癌的发展和侵袭状态。生物信息学分析结果表明,候选标志物参与前列腺癌发展和转移的重要信号过程,如前列腺癌、TGF-β通路等。通过细胞系qRT-PCR实验验证,相比较原发未转移细胞22RV1,候选分子在转移性前列腺癌细胞LNCaP、PC3或DU145中具有显着的表达差异。通过比较分析,我们发现不同版本模型预测结果的一致性较好,特别地,共同预测到的miR-204-5p、miR-145-5p和miR-101-3p在转移性前列腺癌细胞中均显着下调,在一定程度上体现出它们的功能重要性。同时,新的模型预测精度更高、功能更强,表明模型构建和改进的合理性和可靠性。本论文基于多元生物网络分析,从网络的结构和功能角度提出miRNA、lncRNA标志物识别的理论依据,构建癌症miRNA、lncRNA标志物识别的系统生物学模型,发现前列腺癌转移关键的miRNA、lncRNA信号。本论文的相关成果适用于其它癌症以及复杂疾病的生物标志物研究,具有重要的理论和临床意义。
张娜[4]（2019）在《间歇过程故障诊断及舵机状态监控研究》文中认为现代工业随着技术的不断进步对系统的安全性和可靠性催生了更高的要求,故障诊断技术因此也逐渐发展起来。舵机是民用飞机飞控系统的核心执行机构,驱动升降舵、副翼和方向舵等舵面的偏转,实现对飞机姿态和轨迹的控制。由于其复杂的非线性闭环系统结构,舵机属于故障易发系统。而民用航空的运行对机载部件的安全性和可靠性要求极高,因此研究基于数据驱动算法的间歇过程故障诊断及舵机状态监控技术意义重大。论文以舵机为研究对象,基于现有故障诊断技术,从近邻传播聚类分析、主成分分析和多向主成分分析三个方面系统研究了基于过程的多元统计分析方法,主要开展了下列独立性的研究工作:提出基于改进的近邻传播（AP）聚类和子时段相似度递减扫描（PSDS）的两阶段法,对间歇过程数据进行分段建模和监控。首先,为了提取模型切换的动态特性,用更能反映复杂间歇过程数据特征趋势的相似度度量方法改进经典AP聚类,然后用改进的AP聚类算法进行采样数据的预划分。其次,考虑预划分得到的子时段的内部相关性特征也存在显着变化,本文提出新的PSDS算法对子时段再次进行细划分,并经过特征识别将所有采样数据最终划分为稳定和过渡部分。同时,在建模过程中,也提出了离群点和误分类点的概念和解决办法。针对间歇过程故障诊断中普遍存在的时序问题、批次不等长和轨迹不同步问题,本文进一步提出了基于顺序移动主成分分析（SMPCA）算法的多时段过程监控计划。首先,用SMPCA算法对不等长的间歇数据进行按时序的多时段划分,SMPCA模型的不断更新解释了采样数据的动态多时段特性。然后,通过提取局部SMPCA模型的特征空间并为关键变量建立相似度演变指标,揭示了过程数据变化的趋势。最后,提出模块化的建模方法解决了批次不等长及轨迹不同步的问题,并用有区分的监控和二次监控技术提高了模型的整体监控性能。为了验证所提算法的性能,用舵机实验平台的采样数据进行状态监控。通过实际实验和对比分析,验证了所提算法具有相对更为可靠的状态监控性能。
陶二盼[5]（2014）在《基于多元统计分析的造纸污水处理故障检测与诊断》文中指出故障诊断主要研究如何对系统中出现的故障进行检测、辨识和分离，即判断故障是否发生、定位故障发生的部位和种类，以及确定故障的大小和发生的时间等。故障诊断对于提高生产效率，产品品质和保证生产过程以及设备安全等具有十分重要的意义。本研究将多元统计分析方法应用于造纸污水处理过程的故障诊断中，分别以实验室污水处理系统和造纸厂污水处理系统为研究对象加以应用。首先在深入研究主元分析（PCA）方法的基础上，提出一系列应用于间歇过程的故障诊断方法：包括传统的MPCA方法、改进的MPCA方法和基于时段划分的sub-PCA方法。上述所有方法采用累积贡献率大于85%的原则选取模型主元个数，计算95%和99%两种置信度下的统计量控制限，采用主元载荷结合主元得分值或者是贡献图的方法进行故障辨识，最终达到故障诊断和辨识的目的。对于实验室的污水处理系统：分析SBR污水处理过程中的曝气阶段，首先提取一个批次的曝气阶段正常工况下ORP、pH、DO和液位四个变量共190组数据，建立主元分析模型，并用265组包含故障状况的数据进行验证，得到的研究结果为：选择2个主元，故障诊断的准确度较高，并且结合主元得分图和主元载荷图，准确判断出故障源位置。其次，在单个批次的基础上，提取50个批次曝气阶段正常工况下ORP、pH、DO和液位四个变量的数据构成三维数据矩阵X （504491），分别对其采用传统的MPCA方法和改进的MPCA方法进行建模，然后利用含有故障批次的数据组X new（554491）进行模型验证，并对两种方法的检测结果进行比较。得到的研究结果为：两种方法所建故障诊断模型的主元个数分别为14和3，二者均是在选择置信度为95%下的控制限用于故障诊断时的准确度较高。但是因为改进的MPCA方法计算的主元协方差具有时变性，也即是在一定程度上体现出模型的动态特性，比较结果表明：改进的MPCA方法在故障检测率和故障检测灵敏度方面均高于传统的MPCA方法。对于具有明显的多时段特性的造纸厂污水处理系统，采用基于时段划分的sub-PCA方法并与改进的MPCA方法进行比较。选取与设备和传感器有关的风机电流、风机阀门开度、DO和液位四个变量共37个正常批次的运行数据X （374658）用于建立诊断模型，并选择新的批次数据用于模型验证。本文根据物理意义将整个操作周期划分为5个时段，对每个时段进行主元分析后选择2到3个主元，计算不同置信度下的控制限用于故障检测。两种诊断方法的检测结果比较，基于sub-PCA的方法建立的模型因其一定程度上体现出动态特性和非线性特性，故障检测灵敏度和检测率高于改进的MPCA方法。
关明礼[6]（2010）在《基于MFDA-PCA的间歇过程故障诊断方法研究》文中进行了进一步梳理本文主要以PCA和FDA方法为理论基础,针对传统MPCA的间歇过程故障诊断方法需要预估计当前时刻以后的所有轨迹信息的主要缺陷,提出了基于MFDA-PCA的间歇过程故障诊断方法,并将这一理论应用到青霉素发酵过程的在线故障诊断中。整个故障诊断的步骤为：首先根据MFDA模型的相似度分析理论,并利用相似度最优的批次信息建立PCA模型,其次利用该PCA模型对整个在线生产批次进行实时监控以便进行故障诊断。青霉素发酵实验验证此方法的有效性和快速性。本文主要研究工作如下：1.依据费舍尔判别（FDA）方法应用在模式分类中的最大化类间、最小化类内离散度的特点,提出了应用于间歇过程的MFDA批次之间相似度分析理论。该理论将所有的历史数据按批次进行分类,用测试批次数据和已知批次进行相似度分析。青霉素发酵仿真实验验证了相似度分析理论的正确性,并为以后的在线故障诊断过程做好理论基础工作。2.针对传统的MPCA应用在间歇过程故障诊断时出现的在线数据不充分的不足,提出了MFDA-PCA的故障诊断方法,该方法将在线数据先进行MFDA批次相似度分析,再利用相似度最优批次的PCA模型来实时监控新的生产批次,并对出现的故障进行诊断分析,青霉素仿真实验验证了该方法的有效性。3.以酒精精馏理论为背景,以模拟生产设备为实验条件,建立了一套间歇过程模拟监控系统。该系统应用组态软件完成对整个生产过程进行在线监控,从而保证了生产的顺利进行,同时该系统还提供了数据报表功能,能够查询和保存过程变量的数据信息,对于数据驱动的应用到实际的工程背景起到了至关重要的作用。
张曦[7]（2008）在《基于统计理论的工业过程综合性能监控、诊断及质量预测方法研究》文中研究表明随着工业过程规模的不断扩大和复杂性的日益提高,有效的性能监控、故障诊断和质量预测是保证生产安全、提高产品质量和经济效益的关键。对于复杂的工业过程来说,准确详细的数学模型往往很难得到,即使能够得到,这些理论上的等式也只能描述系统中一部分能量及物料平衡关系,这就限制了基于模型的性能监控方法的应用。另外,随着计算机技术的迅速发展,工业过程中能够测量和处理的变量越来越多,如何从海量数据中挖掘出隐藏的有用信息,从而提高过程运行的安全性和可靠性,已经成为越来越迫切需要解决的问题。统计性能监控就是在这种背景下发展起来的,并且受到了广泛关注。统计性能监控是一种基于多元统计理论的方法。它通过对测量数据的分析和解释,判断过程所处的运行状态,在线监测和识别过程中出现的异常工况,从而指导生产、减小过程故障所造成的损失和提高生产效率。另外,在现代许多企业中,由于技术或经济条件的限制,生产过程中许多与产品质量密切相关的重要参数很难通过传感器在线测量。随着市场竞争的不断加剧和生产工艺的复杂化,这一问题已成为制约生产与产品质量进一步提高的关键性因素。质量预测和估计（软测量技术）就是为了解决这一问题而产生的,质量预测通过一些可以测量的过程变量和其他一些参数,能够在线估计这些无法直接测量的参数和变量,从而为过程控制及管理决策提供支持,为生产过程的综合自动化奠定基础。本文在传统统计性能监控和质量估计方法的基础上,做了不同程度的改进并提出了一些新的监控和质量估计算法。本文的主要工作和贡献有以下几个方面:1.利用核主元分析非线性性能监控的优势,并将相似度分析引入故障诊断领域,提出了基于核主元分析和模式匹配技术相结合的性能监控和故障诊断方法。针对PCA相似度分析存在的问题,对该方法进行了改进。首先利用KPCA方法计算数据的非线性主元,然后计算不同数据集之间的非线性主元相似度;并将主元相似度、非线性主元相似度和基于距离的相似度赋予不同的权值构成综合相似度指标来进行模式匹配。TE过程仿真试验验证了该方法在非线性性能监控和故障诊断中的有效性。2.针对复杂的工业过程,综合核主元分析处理非线性数据的优点和ICA方法提取高维特征空间信息的能力,提出了基于KICA方法的非线性性能监控方法。该方法首先将数据通过非线性核函数映射到高维特征空间,然后在特征空间中进行独立主元分析和计算。通过在特征空间中构建监控统计量和控制置信限,来实现复杂化工和生物过程的监控。非线性数值仿真实例和流化催化裂化（FCCU）过程仿真研究验证了该方法的有效性。3.针对间歇过程监控的特点,将核方法引入到Fisher判别分析中,提出了基于核Fisher判别分析的间歇过程性能监控与故障诊断法。所提出的方法仅利用已获得的数据测量值对过程进行监控,避免了传统MPCA方法对未来测量值的估计,从而提高了间歇过程监控的性能。在线性能监控通过比较核Fisher特征向量之间的欧氏距离来实现,而最优核Fisher判别向量用来鉴别故障类型。与KPCA方法相比,KFDA方法不仅简化了运算,避免了对核主元个数的确定,而且可以通过求解最优核Fisher判别向量来实现故障诊断。青霉素发酵过程仿真应用表明,核Fisher方法比传统的MPCA方法能更及时地监测出过程异常情况,更准确地判断异常发生的原因。4.利用核偏最小二乘（Kernel Partial Least Squares, KPLS）非线性回归的优势,提出了基于KPLS的非线性质量估计和预测方法。首先通过非线性映射将过程数据从低维输入空间映射到高维特征空间,实现变量之间非线性相关关系的线性转化。然后在高维特征空间中利用PLS回归方法进行质量估计和预测。数值仿真实例和实际工业过程数据应用表明KPLS方法能更有效地捕捉变量之间的非线性关系,回归和质量预测效果明显优于线性PLS方法。5.针对质量估计和预测过程中由于仪表错误或过程泄漏等原因造成的过失误差及故障问题,将模式识别中的Fisher判别分析法引入过程显着误差侦破和故障监测,提出了基于Fisher判别分析和核回归的质量监控和估计方法。首先利用Fisher方法对输入数据进行在线监测,若系统运行正常,则用核主元回归方法对质量数据进行预测和估计;否则将存在故障和过失误差的数据剔除并利用贡献图法确定故障原因。实际工业过程数据仿真研究验证了该方法进行故障监测和质量估计的有效性。6.通过分析上海焦化甲醇精馏过程的特点和工艺流程,开发出了一套统计性能监控和质量估计软件,并将其应用到实际生产过程中,取得了良好效果,从而为上海焦化综合信息化平台和先进控制的成功实施奠定了坚实的基础。
郑望[8]（2008）在《多变量统计过程监控》文中提出传统的统计过程监控是基于单变量统计控制方法。单变量统计控制只能检测单一测量变量的变化,而不能有效地提供关于多个变量相互作用的信息。另外,单变量统计过程控制也不适用于间歇过程。多变量统计过程监控通过对过程进行有效地监控,能及早发现过程中的故障隐患,从而提高过程运行的安全性。本文对多尺度主元分析进行了一种改进,并将其分别应用于连续生产过程和间歇生产过程之中。完成的具体工作如下:1过程数据的预处理（滤波）部分在小波分析的基础上,借助Matlab语言中小波工具箱的基本算法,详细讨论了基于阈值决策的小波消噪方法及其应用。在此基础上,实现小波滤波在线化,并应用于仿真信号之中。2 MSPCA及MSPCA改进算法在连续生产过程之中的应用和比较MSPCA方法在生产过程监控方面有着广泛地应用。本文在研究该方法的基础之上,提出了一些改进,在其进行小波分解后即对其小波系数进行阈值处理,使小波消噪与MSPCA方法合为一体,并运用统计控制图中的平方预测误差（SPE）图方法检测引起过程变化或故障的过程变量。在保证其MSPCA算法复杂度不变的前提下,能够消除数据的噪声污染,使故障诊断的误报大为减少。3 MPCA方法在间歇生产过程中的应用多向主元分析方法在间歇过程中应用广泛,既简化了多维数据结构的分析,同时又解决了间歇过程统计控制的特殊性问题。本文将多尺度主元分析方法与多向主元分析方法相结合,并应用于间歇生产过程之中。4多模型PCA方法在间歇生产过程中的应用当生产过程历经几个不同的阶段时,并且每个阶段变量之间的关系不同时,多变量统计置信界限将不再适合所有的阶段。这样会导致故障数据被误认为正常,使监测系统的漏报率提高。此时,就要针对每一个不同的阶段建立模型。本文中首先利用聚类方法中的K均值方法对样本按照不同阶段进行聚类分析,然后对分类后的样本进行主元分析,并和单一主元分析进行了比较。
张晓玲[9]（2008）在《基于MICA方法的间歇过程监控研究》文中研究指明间歇过程在现代工业生产中所占地位越来越重。为保证间歇过程安全稳定运行和产品质量的达标,对间歇过程进行实时的在线监控具有重要意义。随着在线测量仪器和计算机技术的发展,越来越多的间歇生产过程数据和产品质量数据被存储到计算机中,这些数据隐含着大量信息,通过对数据分析,剔除冗余信息,挖掘有用资源可诊断过程运行状况,并指导生产实践。对间歇过程的在线监控,多采用多向主成分分析（MPCA）和多向偏最小二乘（MPLS）等传统的多元统计方法,这些方法要求变量服从正态分布,利用的仅是二阶统计量信息。多向独立成分分析（MICA）是一种基于ICA技术、处理间歇过程三维数据的多元统计方法,不需假设变量满足正态分布,并且利用了信号的高阶统计信息,能更有效地分析处理过程数据,分解得到的内在潜隐变量是统计独立的,从而能更本质地描述过程特性。本文以多向独立成分分析（MICA）方法为研究基础,针对间歇过程的特点,对MICA方法进行了改进,提出了两种新的间歇过程监控算法。针对间歇过程中操作批次之间存在的时变特性,提出一种随批次变化的动态算法—带遗忘因子的自适应多向独立成分分析（Adaptive MICA）方法。该方法利用正常数据集先建立初始MICA模型,并检测新批次数据,如果新批次数据从始至终没有异常行为,则在原始数据集中加入新的正常批次并剔除最早批次,建立新的MICA模型时引入遗忘因子逐渐遗忘历史信息,以提高模型对新过程特性的适应能力;若检测到新的批次有故障发生则模型不变,继续监测下一批次的运行状况。在半导体蚀刻过程上的仿真结果表明,自适应MICA方法能逐步加入新的正常批次数据的变化信息,建立更准确的统计模型,相比固定模型的MICA方法,能有效降低检测故障时的误报率。考虑到间歇过程数据中存在显着的非线性变化特性,提出一种非线性监控算法—基于特征样本的多向核独立成分分析（FS-MKICA）。间歇过程正常工况下的三维数据矩阵展开成二维后,样本数较大,直接进行非线性的核变换时,对核函数矩阵的求解困难。为降低核矩阵的计算复杂度,本文先从原始输入样本集中提取特征样本,大大压缩样本数目,然后仅基于维数较小的特征样本进行核独立成分分析（KICA）,得到非线性的独立成分,并利用I 2和SPE统计图监测过程中是否有故障发生。FS-MKICA方法不仅能提取间歇过程中的非线性特性,而且减少了基于全部样本建模的计算代价,对青霉素发酵过程的监控结果显示,该非线性算法比线性MICA方法检测故障时更灵敏。
汪志锋[10]（2007）在《生物发酵过程状态预报与性能监控研究》文中研究指明生物发酵过程是现代流程工业中常见的一种生产方式,被广泛应用于医药、酿酒、生化制品等生产。由于生物发酵过程机理复杂,数据重复性较差,很难用确定性数学模型来描述,因此,采用神经网络或统计过程控制等数据驱动技术就成为解决此类复杂非线性的生化反应系统的有效途径,并成为近年来过程控制领域的研究热点之一。生物发酵过程状态预报与性能监控从历史生产数据出发,通过建立基于数据驱动的预报、监控与故障诊断模型,并用于监视生产过程的进行,及时发现并消除过程的异常状况,实现过程的高效、安全、稳定的运行,最终达到提高产品质量一致性和企业经济效益目的。本文以神经网络和统计过程控制技术为主线,利用发酵过程丰富的数据信息,运用人工智能技术（支持向量机、神经网络和智能数据库技术）和多元统计方法,系统地研究了发酵过程状态变量的软预报、经济效益的在线评估、过程的在线监控与故障诊断等若干问题,对传统的基于数据驱动的分析方法作了不同程度的改进,提出了一些改进的在线预报和监控方法。具体内容包括:（1）采用人工神经网络,研究了一种以滚动学习为核心的预估器,探讨了滚动学习预测方法、训练数据库的生成和动态更新,较好地解决了过程关键状态如产量和产物浓度等的宽区间、高精度预报问题,并对预估器的性能进行了综合评估。（2）引入了效益函数的概念,分析了其现实意义,然后对于效益函数的在线计算作了详细的分析介绍,并基于产物浓度的预报值计算得出了效益函数的预报值,同时阐述了异常罐批的概念,介绍了一种实现对异常罐批早期诊断的方法。（3）针对生物发酵过程机理复杂,难以建立精确模型,但过程数据丰富的特点,提出了基于数据驱动的两种在线监控方法:滚动MPCA和核函数MPCA。滚动MPCA方法可用于描述过程的非线性滚动特性,它在监视过程中将k时刻的数据集合和k时刻的子统计模型相比较,只需当前时刻数据,无须预报有关变量的走势,故和其它需要利用未来状态预报值的诊断技术相比,检测精度高、实时性强;而基于核函数MPCA的故障诊断技术有效地解决了强非线性过程主元分析问题,能够及时诊断出故障。（4）提出了两种改进的MPLS方法:滚动MPLS和SVM-MPLS。通过将滚动MPLS方法用于青霉素发酵过程效益函数的软预报和故障诊断,仿真结果表明,该模型具有较快的预报速度和较高的预报精度,能够为实际生产过程调度提供了理论依据;SVM-MPLS方法在诊断故障的及时性方面优于线性MPLS,并能够通过贡献图实现故障的分离。（5）开发了应用于生物发酵过程控制的系统软件（BioAPC）。该软件基于发酵过程丰富的在线测量和离线分析数据,采用了人工神经网络、支持向量机、智能数据库、多向主元分析等数据驱动技术,可实现发酵过程关键状态变量的软预报、罐批经济效益的在线评估,以及围绕经济优化进行的车间罐批生产调度、发酵过程在线监控和故障诊断等功能。最后,在总结全文的基础上,提出有待进一步研究的课题和今后工作的重点。
二、事件驱动的多模型MPCA统计监视方法及其应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、事件驱动的多模型MPCA统计监视方法及其应用（论文提纲范文）
（1）深度学习在非线性过程故障诊断中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 数据驱动的故障诊断方法 |
| 1.2.1 机器学习方法 |
| 1.2.2 多元统计分析 |
| 1.2.3 信号处理 |
| 1.2.4 信息融合方法和粗糙集方法 |
| 1.3 间歇过程 |
| 1.4 深度学习的在故障诊断领域的发展及现状 |
| 1.5 本文研究主要内容和结构安排 |
| 1.5.1 主要内容 |
| 1.5.2 结构安排 |
| 2 深度置信网络 |
| 2.1 神经网络 |
| 2.1.1 神经元 |
| 2.1.2 深度神经网络 |
| 2.1.3 激活函数 |
| 2.1.4 反向传播(Back Propagation,BP)算法 |
| 2.2 深度置信网络(DBN) |
| 2.2.1 受限玻尔兹曼机(RBM) |
| 2.2.2 k步对比散度算法(CD-K) |
| 2.2.3 训练过程 |
| 2.3 本章小结 |
| 3 长短时记忆网络 |
| 3.1 引言 |
| 3.2 长短时记忆网络结构 |
| 3.3 本章小结 |
| 4 基于深度置信网络(DBN)和长短时记忆网络(LSTM)结合的间歇过程故障诊断 |
| 4.1 引言 |
| 4.2 模型架构 |
| 4.2.1 数据预处理 |
| 4.2.2 DBN部分 |
| 4.2.3 LSTM部分 |
| 4.3 模型仿真 |
| 4.3.1 实验环境 |
| 4.3.2 获取数据 |
| 4.3.3 模型仿真比较 |
| 4.4 本章小结 |
| 5 研究总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 作者在读期间发表的学术论文及参加的科研项目 |
（2）事件驱动网络化系统的状态估计融合及其应用（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景及意义 |
| 1.3 研究概况 |
| 1.3.1 网络化系统状态估计 |
| 1.3.2 事件驱动系统状态估计 |
| 1.3.3 量化驱动系统状态估计 |
| 1.3.4 网络化系统估计融合 |
| 1.3.5 动态系统的故障诊断 |
| 1.4 有待解决的关键问题 |
| 1.5 本文的主要内容及结构 |
| 2 事件驱动随机混杂系统状态估计 |
| 2.1 引言 |
| 2.2 问题描述 |
| 2.3 事件驱动机制设计 |
| 2.4 事件驱动随机混杂系统的状态最优估计 |
| 2.5 事件驱动随机混杂系统的状态估计算法 |
| 2.5.1 面向两条独立马尔可夫链的交互式多模型框架 |
| 2.5.2 基于交互式多模型滤波的状态估计 |
| 2.6 仿真实验 |
| 2.7 本章小结 |
| 3 事件驱动网络化系统状态估计融合 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 事件驱动状态估计融合算法 |
| 3.3.1 带反馈的序贯集中式融合 |
| 3.3.2 带反馈的并行分布式融合 |
| 3.4 仿真实验 |
| 3.5 本章小结 |
| 4 相关噪声下事件驱动网络化系统状态估计融合 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 事件驱动机制 |
| 4.4 事件驱动局部状态估计 |
| 4.5 事件驱动分布式状态估计融合算法 |
| 4.5.1 最优线性信息融合准则 |
| 4.5.2 局部估计间的互协方差矩阵 |
| 4.6 仿真结果 |
| 4.7 本章小结 |
| 5 随机事件驱动网络化系统状态估计融合 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 随机事件驱动分布式状态估计融合算法 |
| 5.4 仿真实验 |
| 5.5 本章小结 |
| 6 多级向量量化驱动网络化系统状态估计 |
| 6.1 引言 |
| 6.2 问题描述 |
| 6.3 估计器和量化机制的协同设计 |
| 6.3.1 多级向量量化机制 |
| 6.3.2 量化驱动状态估计算法 |
| 6.4 量化参数优化和性能分析 |
| 6.5 仿真结果 |
| 6.6 本章小结 |
| 7 事件驱动网络化系统故障诊断 |
| 7.1 引言 |
| 7.2 问题描述 |
| 7.3 事件驱动的故障检测、分离和估计算法 |
| 7.4 仿真实验 |
| 7.5 本章小结 |
| 8 总结与展望 |
| 8.1 工作总结 |
| 8.2 工作展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（3）基于多元生物分子网络寻找癌症miRNA/lncRNA标志物 ——以前列腺癌转移为例（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 课题背景 |
| 1.1.1 非编码RNA与竞争性内源RNA |
| 1.1.2 癌症的演化与精准医学:以前列腺癌为例 |
| 1.1.3 重要的生物分子网络 |
| 1.1.4 生物标志物的系统生物学研究 |
| 1.2 miRNA/lncRNA作为癌症生物标志物 |
| 1.2.1 miRNA/lncRNA与前列腺癌及其转移 |
| 1.2.2 miRNA/lncRNA与其它癌症 |
| 1.3 研究内容与创新 |
| 1.3.1 研究总框架 |
| 1.3.2 研究方案与内容提要 |
| 1.3.3 创新性分析:生物学基础、信息学方法及转化医学价值 |
| 第2章 计算机辅助生物标志物识别:数据与方法 |
| 2.1 数据库与知识库 |
| 2.1.1 生物标志物识别的数据资源 |
| 2.1.2 复杂疾病生物标志物数据库 |
| 2.2 计算模型与软件工具 |
| 2.2.1 数学模型 |
| 2.2.2 网络模型 |
| 2.2.3 机器学习模型 |
| 2.2.4 优势与不足 |
| 2.3 预实验:癌症miRNA标志物识别的理论基础与模型构建 |
| 2.3.1 理论依据与方法创新 |
| 2.3.2 基于统计学证据的癌症miRNA标志物识别模型 |
| 2.4 本章小结 |
| 第3章 基于miRNA-mRNA二元网络寻找前列腺癌转移miRNA标志物 |
| 3.1 概述 |
| 3.2 材料与方法 |
| 3.2.1 数据准备与预处理 |
| 3.2.2 基因表达分析 |
| 3.2.3 前列腺癌转移特异miRNA-mRNA网络构建 |
| 3.2.4 模型构建与优化 |
| 3.2.5 性能评估与功能富集分析 |
| 3.3 研究结果 |
| 3.3.1 前列腺癌转移候选miRNA标志物 |
| 3.3.2 分类及预测性能评估 |
| 3.3.3 文献验证 |
| 3.3.4 基因本体论注释 |
| 3.3.5 信号通路富集分析 |
| 3.4 讨论 |
| 3.5 本章小结 |
| 第4章 基于lncRNA-miRNA-mRNA三元网络寻找前列腺癌转移miRNA和lncRNA标志物 |
| 4.1 概述 |
| 4.2 材料与方法 |
| 4.2.1 数据收集与整合 |
| 4.2.2 前列腺癌转移特异lncRNA-miRNA-mRNA网络构建 |
| 4.2.3 基于系统思维的癌症miRNA/lncRNA标志物识别模型 |
| 4.2.4 候选标志物的生物信息学验证与功能分析 |
| 4.2.5 细胞系qRT-PCR实验 |
| 4.3 研究结果 |
| 4.3.1 miRNA-mRNA/lncRNA作用模式的比较分析 |
| 4.3.2 已报道癌症miRNA/lncRNA标志物的网络和功能特征 |
| 4.3.3 前列腺癌转移候选miRNA/lncRNA标志物 |
| 4.3.4 性能比较与功能富集分析 |
| 4.3.5 候选标志物的细胞系实验验证 |
| 4.4 讨论 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 课题总结 |
| 5.2 下一步研究计划 |
| 5.3 展望:大数据驱动的转化信息学与精准健康管理 |
| 参考文献 |
| 附录一 |
| 附录二 |
| 附录三 |
| 附录四 |
| 附录五 |
| 攻读博士学位期间的科研成果 |
| 致谢 |
（4）间歇过程故障诊断及舵机状态监控研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 间歇过程特性概述 |
| 1.2.1 基于数据的特性 |
| 1.2.2 基于过程的特性 |
| 1.3 课题研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 主要研究内容 |
| 第二章 基于过程的多元统计分析理论 |
| 2.1 引言 |
| 2.2 过程数据预处理 |
| 2.3 近邻传播(AP)聚类分析 |
| 2.4 主成分分析(PCA) |
| 2.4.1 PCA的数学基础 |
| 2.4.2 基于PCA的过程监控原理 |
| 2.5 多向主成分分析(MPCA) |
| 2.6 本章小结 |
| 第三章 基于两阶段法的间歇过程故障诊断 |
| 3.1 引言 |
| 3.2 基于两阶段法的过程时段划分 |
| 3.2.1 基于改进的AP算法的时段预划分 |
| 3.2.2 基于PSDS算法的时段细划分 |
| 3.3 稳定子时段与过渡子时段的定性识别 |
| 3.4 离群点和误分类点的确定及处理 |
| 3.5 离线建模与在线监控 |
| 3.6 本章小结 |
| 第四章 基于顺序移动主成分分析的间歇过程故障诊断 |
| 4.1 引言 |
| 4.2 基于SMPCA的批次不等长间歇过程的多时段划分 |
| 4.2.1 问题描述 |
| 4.2.2 多时段划分 |
| 4.3 多时段划分结果的讨论与分析 |
| 4.4 批次不等长及轨迹不同步的间歇过程建模与监控 |
| 4.4.1 离线建模 |
| 4.4.2 在线监控 |
| 4.5 本章小结 |
| 第五章 基于间歇过程故障诊断技术的舵机状态监控实验 |
| 5.1 舵机实验平台原理介绍 |
| 5.2 基于两阶段法的舵机状态监控 |
| 5.2.1 基于AP-PSDS两阶段法的多时段划分 |
| 5.2.2 状态监控实验与分析 |
| 5.3 基于SMPCA的舵机状态监控 |
| 5.3.1 基于SMPCA的多时段划分 |
| 5.3.2 状态监控实验及分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（5）基于多元统计分析的造纸污水处理故障检测与诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 物理量名称及符号表 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 过程监测与故障诊断方法 |
| 1.3 间歇过程特征分析 |
| 1.3.1 间歇过程的数据特点 |
| 1.3.2 间歇过程的多时段特性 |
| 1.4 间歇过程统计建模及在线监视 |
| 1.4.1 间歇过程的数据预处理 |
| 1.4.2 间歇过程的统计分析方法 |
| 1.5 本论文的研究目的、意义及主要内容 |
| 1.5.1 研究的目的和意义 |
| 1.5.2 研究的主要内容 |
| 第二章 基于主元分析方法的过程统计及在线监视 |
| 2.1 引言 |
| 2.2 主元分析理论 |
| 2.2.1 主元分析法的基本思想 |
| 2.2.2 主元分析模型 |
| 2.2.3 主元个数的选择 |
| 2.2.4 主元分析模型的主要统计量及控制限 |
| 2.3 基于主元分析的过程监控 |
| 2.4 实验室 SBR 污水处理系统简介 |
| 2.5 结果与讨论 |
| 2.5.1 变量选取 |
| 2.5.2 PCA 模型的建立 |
| 2.5.3 故障检测 |
| 2.5.4 故障辨识 |
| 2.6 本章小结 |
| 第三章 基于批次展开的多向主元分析方法的过程统计与在线监视 |
| 3.1 引言 |
| 3.2 多向主元分析理论 |
| 3.2.1 多向主元分析理论的基本原理 |
| 3.2.2 多向主元分析法的诊断过程 |
| 3.3 结果和讨论 |
| 3.3.1 SBR 工段数据采集 |
| 3.3.2 基于批次展开多向主元分析方法的过程建模 |
| 3.3.3 基于批次展开多向主元分析方法的模型验证 |
| 3.4 小结 |
| 第四章 基于改进的MPCA方法的过程统计及在线监视 |
| 4.1 引言 |
| 4.2 改进的 MPCA 方法理论 |
| 4.2.1 改进的 MPCA 方法的基本原理 |
| 4.2.2 改进的 MPCA 方法的建模过程 |
| 4.2.3 改进的 MPCA 方法的模型验证 |
| 4.3 基于改进的 MPCA 方法的数据分析 |
| 4.3.1 改进的 MPCA 方法建模 |
| 4.3.2 基于改进的 MPCA 方法的在线监控 |
| 4.3.3 两种 MPCA 方法的比较 |
| 4.4 本章小结 |
| 第五章 基于多时段SUB-PCA方法的过程统计及在线监视 |
| 5.1 引言 |
| 5.2 多时段的SUB-PCA方法理论 |
| 5.2.1 时段划分的方法 |
| 5.2.2 多时段划 sub-PCA 的基本原理 |
| 5.2.3 基于多时段划分的 sub-PCA 的建模过程 |
| 5.2.4 基于多时段划 sub-PCA 的在线监测 |
| 5.3 造纸厂 SBR 污水处理过程 |
| 5.4 结果与讨论 |
| 5.4.1 造纸厂 SBR 污水处理过程时段划分 |
| 5.4.2 sub-PCA 建模过程 |
| 5.4.3 sub-PCA 模型验证 |
| 5.4.4 改进的 MPCA 建模过程及模型验证 |
| 5.4.5 两种建模方法及模型监测结果比较 |
| 5.5 结论 |
| 结论与展望 |
| 1 结论 |
| 2 本论文的创新之处 |
| 3 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（6）基于MFDA-PCA的间歇过程故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 数据驱动工业过程故障诊断的研究现状 |
| 1.2.1 过程监控简介 |
| 1.2.2 工业过程故障诊断研究方法 |
| 1.2.3 基于数据驱动的流程工业故障诊断方法 |
| 1.3 本文的主要研究内容 |
| 2 基于数据驱动的间歇过程故障诊断方法 |
| 2.1 主元分析法(PCA) |
| 2.2 多向主元分析方法(MPCA) |
| 2.2.1 传统多向主元法 |
| 2.2.2 改进的多向主元分析法 |
| 2.3 其他间歇过程的故障诊断方法 |
| 3 青霉素发酵仿真平台简述 |
| 3.1 青霉素发酵平台介绍 |
| 3.2 发酵过程的初始条件及操纵变量设定值 |
| 3.3 青霉素发酵过程故障诊断方法研究现状 |
| 4 基于MFDA的间歇过程批次相似度分析 |
| 4.1 费舍尔判别分析(FDA)法 |
| 4.2 MFDA的间歇过程批次相似度分析 |
| 4.2.1 MFDA方法简介 |
| 4.2.2 基于MFDA的相似度分析法 |
| 4.2.3 MFDA的相似度分析法的实现步骤 |
| 4.3 仿真实验 |
| 4.4 结果分析 |
| 5 基于MFDA-PCA的青霉素发酵过程在线故障诊断 |
| 5.1 MFDA-PCA方法的故障诊断 |
| 5.1.1 MFDA的在线相似度分析 |
| 5.1.2 基于MFDA-PCA的青霉素发酵在线故障诊断 |
| 5.2 实验仿真 |
| 5.3 比较分析结果 |
| 6 间歇过程的酒精精馏模拟监控系统设计 |
| 6.1 酒精精馏原理 |
| 6.2 精馏模拟实验简介 |
| 6.3 下位机硬件部分概述 |
| 6.3.1 PLC的工作原理 |
| 6.3.2 电气控制柜的设计 |
| 6.3.3 上位机与下位机的通讯 |
| 6.4 组态王的酒精精馏模拟监控系统设计 |
| 6.4.1 组态王简介 |
| 6.4.2 酒精精馏的组态王监控界面介绍 |
| 6.4.3 组态王的I/O数据变量定义 |
| 6.4.4 整个生产过程控制系统的设计 |
| 6.4.5 组态王的精馏过程监控界面的设计 |
| 7 结束语 |
| 7.1 研究工作总结 |
| 7.2 展望 |
| 参考文献 |
| 在学期间研究成果 |
| 致谢 |
（7）基于统计理论的工业过程综合性能监控、诊断及质量预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 性能监控的分类 |
| 1.2.1 基于数学模型的方法 |
| 1.2.2 基于先验知识的方法 |
| 1.2.3 基于数据统计的方法 |
| 1.3 统计性能监控的主要研究方法 |
| 1.3.1 单变量统计性能监控 |
| 1.3.2 多变量统计性能监控 |
| 1.4 基于数据驱动的故障诊断方法 |
| 1.4.1 基于统计理论的故障诊断法 |
| 1.4.2 基于模式分类的故障诊断法 |
| 1.4.3 基于机器学习的故障诊断法 |
| 1.5 质量预测的分类和主要方法 |
| 1.5.1 质量预测方法分类 |
| 1.5.2 质量预测建模的主要方法 |
| 1.5.3 质量预测和估计需解决的问题 |
| 1.6 本文主要研究内容和安排 |
| 第二章 基于核主元分析和模式匹配的非线性性能监控和故障诊断 |
| 2.1 引言 |
| 2.2 核方法的基本理论 |
| 2.2.1 核及核函数的定义 |
| 2.2.2 核的性质 |
| 2.2.3 核函数的特点及分类 |
| 2.3 核主元分析算法及仿真验证 |
| 2.3.1 基本算法 |
| 2.3.2 算例分析 |
| 2.4 基于核主元分析和模式匹配的性能监控与故障诊断 |
| 2.4.1 监控统计量及统计控制限的确定 |
| 2.4.2 模式匹配技术故障诊断相似度指标的确定 |
| 2.4.3 性能监控和故障诊断步骤 |
| 2.5 TE 过程仿真应用研究 |
| 2.5.1 TE 过程描述 |
| 2.5.2 性能监控与故障诊断结果分析 |
| 2.6 小结 |
| 第三章 基于核独立主元分析的非线性性能监控 |
| 3.1 引言 |
| 3.2 独立主元分析 |
| 3.2.1 独立主元分析的基本定义 |
| 3.3.2 ICA 分析的独立性判据 |
| 3.3 核独立主元分析 |
| 3.3.1 核主元方法对数据进行非线性映射 |
| 3.3.2 特征空间中用ICA 方法进一步分析 |
| 3.4 基于核独立主元分析（KICA）的非线性性能监控 |
| 3.4.1 监控统计量的确定 |
| 3.4.2 统计控制限的确定 |
| 3.4.3 监控和算法步骤 |
| 3.5 仿真研究 |
| 3.5.1 数值仿真应用研究 |
| 3.5.2 流化催化裂化(FCCU)过程仿真研究 |
| 3.6 小结 |
| 第四章 基于核 Fisher 判别分析的间歇过程监控和故障诊断 |
| 4.1 引言 |
| 4.2 多向主元分析(MPCA) |
| 4.3 核Fisher 判别分析理论 |
| 4.3.1 核Fisher 判别分析 |
| 4.3.2 核Fisher 判别分离能力仿真分析 |
| 4.3.3 核Fisher 判别分析与核PCA 方法的比较 |
| 4.4 基于核Fisher的间歇过程监控与故障诊断 |
| 4.4.1 参考轨迹的确定和监控模块的划分 |
| 4.4.2 监控统计量和控制限的确定 |
| 4.4.3 故障诊断方法 |
| 4.4.4 监控算法与步骤 |
| 4.5 青霉素发酵过程仿真结果及讨论 |
| 4.5.1 青霉素发酵过程描述 |
| 4.5.2 监控与故障诊断结果 |
| 4.5.3 PCA、FDA 判别分析和核FDA 判别分析性能监控时间比较 |
| 4.6 小结 |
| 第五章 基于核 PLS 的非线性质量估计和质量预测 |
| 5.1 引言 |
| 5.2 PLS 和KPLS 理论 |
| 5.2.1 偏最小二乘(PLS)分析 |
| 5.2.2 核偏最小二乘（KPLS）分析 |
| 5.3 基于核偏最小二乘的质量估计和预测 |
| 5.3.1 质量预测和估计中的数据预处理 |
| 5.3.2 质量预测和估计中的输入变量选择 |
| 5.3.3 基于核偏最小二乘质量估计和预测的步骤 |
| 5.4 仿真应用研究 |
| 5.4.1 非线性数值仿真实例应用研究 |
| 5.4.2 流化催化裂化过程(FCCU)应用研究 |
| 5.5 核PLS 质量估计的进一步讨论分析 |
| 5.5.1 核函数类型对估计和预测性能的影响 |
| 5.5.2 核参数c 对RBF 核函数性能的影响 |
| 5.5.3 核参数c 对隐变量数目的影响 |
| 5.5.4 核PLS 和PLS 方法运算时间的比较 |
| 5.6 小结 |
| 第六章 基于 Fisher 判别分析和核回归的质量监控和质量估计 |
| 6.1 引言 |
| 6.2 Fisher 判别分析和核主元回归 |
| 6.2.1 Fisher 判别分析 |
| 6.2.2 核主元分析 |
| 6.2.3 核主元回归 |
| 6.3 基于Fisher 判别分析和核回归的质量监控和预测 |
| 6.3.1 Fisher 统计量的构建 |
| 6.3.2 基于Fisher 判别分析和核回归的质量监控和预测步骤 |
| 6.4 仿真应用研究 |
| 6.5 小结 |
| 第七章 统计质量监控和估计在焦化精馏过程中的应用研究 |
| 7.1 引言 |
| 7.2 应用背景 |
| 7.3 统计质量监控和估计软件平台的开发 |
| 7.3.1 软件体系结构设计 |
| 7.3.2 质量监控和估计软件平台的执行流程 |
| 7.4 统计质量监控和估计平台在甲醇精馏过程中的应用 |
| 7.4.1 质量监控和估计输入变量的选择 |
| 7.4.2 数据的采集和预处理 |
| 7.4.3 监控和估计平台在精馏过程中的实际应用结果 |
| 7.5 小结 |
| 第八章 总结与展望 |
| 8.1 研究工作总结 |
| 8.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间的主要学术成果 |
| 参加的主要科研项目 |
| 致谢 |
（8）多变量统计过程监控（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 统计过程控制概述 |
| 1.2 多变量统计过程概述 |
| 1.3 统计过程监控在故障检测和故障诊断中的位置 |
| 1.4 统计过程监控的基本方法 |
| 1.4.1 部分最小二乘(PLS) |
| 1.4.2 主元分析方法(PCA) |
| 1.5 改进的多变量统计过程监控方法 |
| 1.5.1 动态过程监控 |
| 1.5.2 多阶段过程监控 |
| 1.5.3 时变和多工况过程监控 |
| 1.5.4 非正态过程监控 |
| 1.5.5 非线性过程监控 |
| 1.5.6 间歇过程监控 |
| 1.6 统计质量监控的研究现状 |
| 第二章 小波分析应用于信号预处理 |
| 2.1 工业过程信号的特点 |
| 2.2 小波消噪的基本原理 |
| 2.3 基于阈值决策的小波消噪算法的实现 |
| 2.3.1 小波基的选择 |
| 2.3.2 阈值的选择 |
| 2.3.3 噪声标准差σ的估计 |
| 2.3.4 小波系数硬阈值、软阈值处理 |
| 2.4 小波消噪的在线实现 |
| 2.4.1 在线多尺度消噪的特点 |
| 2.4.2 在线算法的具体步骤与实例应用 |
| 2.5 本章小结 |
| 第三章 多变量统计过程控制 |
| 3.1 单变量统计过程控制及其局限性 |
| 3.2 主元模型 |
| 3.3 多变量统计控制图 |
| 3.4 控制限的确定 |
| 第四章 多尺度主元分析方法及其改进方法 |
| 4.1 主元分析方法介绍 |
| 4.1.1 主元分析主要思想 |
| 4.1.2 主元的计算 |
| 4.1.3 主元数量的确定 |
| 4.1.4 主元分析的类推 |
| 4.2 多尺度主元分析方法理论基础 |
| 4.3 MSPCA改进方法及其步骤 |
| 4.4 改进的MSPCA算法与MSPCA算法的比较检验 |
| 4.5 改进的MSPCA算法对故障信息的检验 |
| 4.6 本章小结 |
| 第五章 多变量统计过程监控在间歇生产过程中的应用 |
| 5.1 间歇生产过程叙述 |
| 5.2 间歇生产过程中的一些方法 |
| 5.3 多向主元分析(MPCA) |
| 5.4 仿真试验 |
| 5.5 本章小结 |
| 第六章 多模型与聚类方法 |
| 6.1 多模型的建立 |
| 6.2 聚类方法介绍 |
| 6.2.1 聚类方法及其分类 |
| 6.2.2 K-均值方法的介绍 |
| 6.3 过程检测的实现 |
| 6.4 仿真试验 |
| 6.5 本章小结 |
| 第七章 结论 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（9）基于MICA方法的间歇过程监控研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 课题的来源及意义 |
| 1.2 课题的研究现状分析 |
| 1.2.1 基于三维数据矩阵展开的间歇过程监测方法 |
| 1.2.2 间歇过程的自适应监测与分时段监测算法 |
| 1.2.3 基于三线性模型的间歇过程监测算法 |
| 1.3 论文的主要研究内容和章节安排 |
| 第2章 基于多向独立成分分析的过程监控 |
| 2.1 独立成分分析（ICA）原理 |
| 2.2 多向独立成分分析（MICA） |
| 2.2.1 三维数据的预处理 |
| 2.2.2 ICA 分析 |
| 2.3 基于MICA 的间歇过程监控 |
| 2.4 仿真研究 |
| 2.4.1 青霉素发酵过程 |
| 2.4.2 仿真结果分析 |
| 第3章 基于自适应多向独立成分分析的过程监控 |
| 3.1 改进MICA 方法 |
| 3.2 自适应MICA 算法及其过程监控模型 |
| 3.3 仿真研究 |
| 3.3.1 半导体蚀刻过程 |
| 3.3.2 结果分析 |
| 第4章 基于非线性MICA 技术的过程监控 |
| 4.1 KICA 算法 |
| 4.1.1 KPCA 白化处理 |
| 4.1.2 ICA 分析 |
| 4.2 基于FS-MKICA 方法的间歇过程在线监控 |
| 4.2.1 特征样本的提取 |
| 4.2.2 FS-MKICA 算法及其过程监控模型 |
| 4.3 仿真结果 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（10）生物发酵过程状态预报与性能监控研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 综述 |
| 1.1 引言 |
| 1.2 人工神经网络在生物发酵过程中的应用 |
| 1.3 统计控制技术在生物发酵过程中的应用 |
| 1.3.1 统计质量控制回顾 |
| 1.3.2 发酵过程中的统计过程控制技术 |
| 1.3.2.1 传统方法 |
| 1.3.2.2 传统方法的改进 |
| 1.4 其它基于数据驱动方法在发酵过程中的应用 |
| 1.4.1 专家系统 |
| 1.4.2 定性趋势分析 |
| 1.5 本文的基本结构 |
| 参考文献 |
| 第二章 生物发酵过程中的基本问题 |
| 2.1 引言 |
| 2.2 发酵过程的简介 |
| 2.3 发酵过程的相关参数 |
| 2.3.1 物理参数 |
| 2.3.2 化学参数 |
| 2.3.3 生物参数 |
| 2.3.4 呼吸代谢参数 |
| 2.3.5 微生物发酵热 |
| 2.4 发酵过程控制方法 |
| 2.4.1 消泡控制 |
| 2.4.2 发酵温度控制 |
| 2.4.3 发酵罐压力控制 |
| 2.4.4 发酵过程pH 控制 |
| 2.4.5 溶解氧浓度的控制 |
| 2.4.6 补料控制 |
| 2.5 生物发酵过程状态变量估计 |
| 2.6 生物发酵过程性能监视与故障诊断 |
| 2.7 小结 |
| 参考文献 |
| 第三章 基于神经网络的发酵过程状态预报与故障诊断 |
| 3.1 引言 |
| 3.2 发酵过程的状态变量软预报 |
| 3.2.1 滚动学习预测方法 |
| 3.2.2 训练数据库的建立和动态更新 |
| 3.2.3 产物浓度的预报 |
| 3.2.4 预估器性能的评价 |
| 3.3 效益函数的在线计算与预报 |
| 3.3.1 效益函数的概念 |
| 3.3.2 效益函数的在线计算 |
| 3.3.3 效益函数计算实例 |
| 3.3.4 效益函数的预报技术 |
| 3.4 异常罐批的早期诊断 |
| 3.5 小结 |
| 参考文献 |
| 第四章 基于改进MPCA的发酵过程在线监控与故障诊断 |
| 4.1 引言 |
| 4.2 多向主元分析方法MPCA |
| 4.2.1 主元分析(PCA) |
| 4.2.2 多向主元分析方法(MPCA) |
| 4.3 改进的MPCA 方法 |
| 4.3.1 滚动MPCA 方法 |
| 4.3.2 核函数MPCA 方法 |
| 4.4 改进的MPCA 用于发酵过程在线监控 |
| 4.5 小结 |
| 参考文献 |
| 第五章 基于改进MPLS 的发酵过程预报与性能监控 |
| 5.1 引言 |
| 5.2 PLS 和 MPLS |
| 5.3 改进的 MPLS 方法 |
| 5.3.1 滚动MPLS 方法 |
| 5.3.2 支持向量机MPLS 方法 |
| 5.4 基于滚动 MPLS 的青霉素发酵过程效益函数预报与监控 |
| 5.5 小结 |
| 参考文献 |
| 第六章 基于数据驱动的发酵过程监控系统软件开发 |
| 6.1 引言 |
| 6.2 BioAPC 系统简介 |
| 6.3 BioAPC 系统基本功能 |
| 6.3.1 系统初始化 |
| 6.3.2 数据输入与传输 |
| 6.3.3 核心算法 |
| 6.3.4 人机界面 |
| 6.3.5 其它功能 |
| 6.4 小结 |
| 参考文献 |
| 第七章 工作总结和研究展望 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 致谢 |
| 攻博期间以第一作者发表、录用论文及承担项目 |
四、事件驱动的多模型MPCA统计监视方法及其应用（论文参考文献）
- [1]深度学习在非线性过程故障诊断中的应用[D]. 刘帆. 杭州电子科技大学, 2020(02)
- [2]事件驱动网络化系统的状态估计融合及其应用[D]. 金增旺. 北京科技大学, 2019(07)
- [3]基于多元生物分子网络寻找癌症miRNA/lncRNA标志物 ——以前列腺癌转移为例[D]. 林宇鑫. 苏州大学, 2019(04)
- [4]间歇过程故障诊断及舵机状态监控研究[D]. 张娜. 中国民航大学, 2019(02)
- [5]基于多元统计分析的造纸污水处理故障检测与诊断[D]. 陶二盼. 华南理工大学, 2014(01)
- [6]基于MFDA-PCA的间歇过程故障诊断方法研究[D]. 关明礼. 沈阳大学, 2010(03)
- [7]基于统计理论的工业过程综合性能监控、诊断及质量预测方法研究[D]. 张曦. 上海交通大学, 2008(12)
- [8]多变量统计过程监控[D]. 郑望. 北京化工大学, 2008(11)
- [9]基于MICA方法的间歇过程监控研究[D]. 张晓玲. 中国石油大学, 2008(06)
- [10]生物发酵过程状态预报与性能监控研究[D]. 汪志锋. 上海交通大学, 2007(06)