幫助中心 | 我的帳號 | 關於我們

基於數據的流程工業故障診斷方法研究

  • 作者:于春梅//吳斌
  • 出版社:電子工業
  • ISBN:9787121337819
  • 出版日期:2018/06/01
  • 裝幀:平裝
  • 頁數:155
人民幣:RMB 59 元      售價:
放入購物車
加入收藏夾

內容大鋼
    由於春梅、吳斌著的《基於數據的流程工業故障診斷方法研究》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演算法及基於分塊的方法。本書還對神經網路及其應用進行研究,包括學習矢量量化神經網路、概率神經網路、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。

作者介紹
于春梅//吳斌

目錄
第1章  緒論
  1.1  概述
    1.1.1  流程工業故障診斷研究意義
    1.1.2  故障診斷的任務
    1.1.3  故障診斷的實現過程
    1.1.4  故障診斷方法分類
  1.2  基於解析模型的方法
  1.3  基於歷史數據的方法
    1.3.1  基於信號處理的方法
    1.3.2  多元統計方法
    1.3.3  神經網路和專家系統
    1.3.4  基於數據的方法與模式識別方法的關係
  1.4  流程工業故障診斷研究進展
    1.4.1  多元統計方法
    1.4.2  基於神經網路的方法
  1.5  本書內容安排
  參考文獻
第2章  流程工業故障檢測與診斷的多元統計方法
  2.1  引言
  2.2  多元統計方法
    2.2.1  主元分析法
    2.2.2  Fisher判據分析法
    2.2.3  部分最小二乘法
    2.2.4  典型相關分析
    2.2.5  獨立元分析法
    2.2.6  幾種多元統計方法在瑞利商下的統一
  2.3  故障的檢測和辨識
    2.3.1  基於T2和Q統計量的故障檢測
    2.3.2  基於I2統計量的故障檢測
    2.3.3  基於Bayes分類器的故障辨識
  2.4  模擬算例
    2.4.1  模擬數據介紹
    2.4.2  故障檢測和診斷步驟
  2.5  小結
  參考文獻
第3章  基於LGSPP的故障檢測與辨識
  3.1  引言
  3.2  LGSPP演算法
    3.2.1  LPP演算法描述
    3.2.2  LGSPP演算法描述
  3.3  基於LGSPP的故障檢測與辨識
    3.3.1  T2和SPE統計量構造
    3.3.2  基於Bayes分類器的故障檢測與辨識
  3.4  基於DLGSPP的故障檢測
    3.4.1  DLGSPP的基本原理
    3.4.2  基於DLGSPP的故障檢測
  3.5  模擬研究
    3.5.1  基於LGSPP的故障檢測模擬研究
    3.5.2  基於DLGSPP的故障檢測模擬研究
  3.6  小結

  參考文獻
第4章  基於LNS-LGSPP的多模態過程故障檢測
  4.1  引言
  4.2  局部近鄰標準化策略
    4.2.1  z-score標準化法
    4.2.2  局部近鄰標準化處理
    4.2.3  局部近鄰標準化分析
  4.3  基於LNS-LGSPP演算法的故障檢測
  4.4  模擬分析
    4.4.1  數值模擬
    4.4.2  TE過程
  4.5  小結
  參考文獻
第5章  基於DKPCA及其改進演算法的故障檢測研究
  5.1  引言
  5.2  KPCA原理
  5.3  基於DKPCA的故障檢測
    5.3.1  動態數據矩陣
    5.3.2  核函數及核參的選取
    5.3.3  基於DKPCA的故障檢測步驟
  5.4  基於EFS-DKPCA的故障檢測
    5.4.1  正交基的構造
    5.4.2  輸入空間到特徵子空間的映射
    5.4.3  基於EFS-DKPCA的故障檢測步驟
  5.5  模擬研究
    5.5.1  基於DKPCA的故障檢測模擬分析
    5.5.2  基於EFS-DKPCA的故障檢測模擬分析
  5.6  小結
  參考文獻
第6章  基於BDKPCA及其改進演算法的故障檢測研究
  6.1  引言
  6.2  基於BDKPCA的故障檢測
    6.2.1  移動時間窗
    6.2.2  BDKPCA基本原理
    6.2.3  基於BDKPCA的故障檢測步驟
  6.3  基於小波去噪與EFS-BDKPCA的故障檢測
    6.3.1  小波去噪簡介
    6.3.2  基於小波去噪與EFS-BDKPCA的故障檢測步驟
  6.4  模擬研究
    6.4.1  基於BDKPCA的故障檢測模擬分析
    6.4.2  基於小波與EFS-BDKPCA的故障檢測模擬分析
  6.5  小結
  參考文獻
第7章  學習矢量量化神經網路
  7.1  引言
  7.2  神經網路簡介
    7.2.1  人工神經元模型
    7.2.2  多層前饋神經網路模型
  7.3  LVQ神經網路
    7.3.1  LVQ神經網路結構

    7.3.2  LVQ神經網路實現規則
  7.4  PCA-LVQ神經網路
    7.4.1  基於PCA-LVQ的故障檢測模擬分析
    7.4.2  基於PCA-LVQ的故障診斷模擬分析
  7.5  小結
  參考文獻
第8章  基於IIWPSO-PNN的故障診斷
  8.1  引言
  8.2  PNN簡介
    8.2.1  模式識別Bayes判決理論
    8.2.2  PNN網路結構
    8.2.3  PNN演算法
  8.3  IIWPSO演算法
    8.3.1  PSO的基本形式
    8.3.2  PSO控制參數
    8.3.3  IIWPSO演算法
  8.4  IIWPSO-PNN訓練過程
  8.5  模擬分析
    8.5.1  數值模擬
    8.5.2  基於IIWPSO-PNN的故障檢測模擬分析
    8.5.3  基於IIWPSO-PNN的故障診斷模擬分析
  8.6  小結
  參考文獻
第9章  基於神經網路集成的故障診斷
  9.1  引言
  9.2  集成神經網路
    9.2.1  神經網路集成的機理研究
    9.2.2  個體生成方式研究
    9.2.3  結論生成方式研究
  9.3  IIWPSO-PNN集成演算法
  9.4  模擬分析
    9.4.1  UCI標準機器學習庫
    9.4.2  基於IIWPSO-PNN集成的故障檢測模擬分析
    9.4.3  基於IIWPSO-PNN集成的故障診斷模擬分析
  9.5  小結
  參考文獻
第10章  流程工業數據建模方法與大數據建模
  10.1  引言
  10.2  大數據概述
    10.2.1  大數據的定義
    10.2.2  我國的大數據發展
    10.2.3  大數據的研究意義
    10.2.4  大數據發展趨勢
  10.3  大數據的特點與研究領域
    10.3.1  大數據的特點從3V到6V大數據定義演變
    10.3.2  大數據的研究領域
    10.3.3  流程工業大數據的特點
  10.4  數據建模方法
    10.4.1  流程工業數據建模方法
    10.4.2  互聯網公司大數據建模方法

    10.4.3  流程工業大數據建模
  10.5  流程工業大數據的挑戰和機遇
    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
    10.5.2  電腦學科大數據最新進展帶來的機遇
  10.6  流程工業大數據建模最新進展與研究展望
    10.6.1  多層面潛結構建模
    10.6.2  多時空時間序列數據建模
    10.6.3  含有不真實數據的魯棒建模
    10.6.4  支持實時建模的大容量數據計算架構與方法
  10.7  結論
參考文獻

  • 商品搜索:
  • | 高級搜索
首頁新手上路客服中心關於我們聯絡我們Top↑
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話:02-2381-2033 02-2381-1863 時間:週一-週五 10:00-17:00
 服務信箱:bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證:浙B2-20060032