人工智能是近年来最为火热的研究领域之一，尤其是随着深度学习算法研究的突破，人工智能技术在工业过程控制领域取得了前所未有的发展。深度学习算法涵盖的内容非常前沿和广袤，本书从表示学习的角度，针对流程工业的故障检测与诊断中存在的问题进行探究、模型构建与实验验证、分析，引导读者分析和解决问题，帮助读者最大限度地理解算法理论，提升工程实现能力。本书可供从事表示学习、故障检测与诊断算法研究人员参考。
第一章 绪论
1.1 课题背景及研究意义
1.2 研究现状及分析
1.2.1 基于多元统计分析的故障诊断方法
1.2.2 基于信号处理的故障诊断方法
1.2.3 基于粗糙集的故障诊断方法
1.2.4 基于信息融合的故障诊断方法
1.2.5 基于机器学习的故障诊断方法
1.2.6 数据驱动的故障诊断研究中存在的问题
1.3 本书的研究内容
第二章 基于栈式自编码网络的故障诊断
2.1 引言
2.2 栈式自编码网络
2.2.1 稀疏自编码网络
2.2.2 栈式稀疏自编码网络
2.3 Logistic回归与Softmax分类器
2.3.1 Logistic回归分析
2.3.2 Softmax分类器
2.4 基于栈式自编码网络的故障诊断
2.5 TE过程实验验证
2.5.1 TE过程介绍
2.5.2 故障检测
2.5.3 故障诊断
2.5.4 时间复杂度分析
2.6 本章小结
第三章 基于加权序列的栈式自编码网络故障诊断
3.1 引言
3.2 时间去噪
3.3 支持向量机分类器
3.4 基于加权序列的栈式自编码网络故障诊断
3.5 TE过程案例研究
3.5.1 故障检测
3.5.2 微小故障检测
3.5.3 故障分类
3.6 本章小结
第四章 基于动态估计的栈式自编码网络故障诊断
4.1 引言
4.2 多项式泰勒展开阐释自编码网络
4.3 基于动态估计的表示学习
4.4 基于动态估计的栈式自编码网络诊断框架
4.5 实验验证与分析
4.5.1 数值分析
4.5.2 TE过程案例分析
4.6 本章小结
第五章 基于高阶相关性的多级故障诊断
5.1 引言
5.2 基于栈式自编码网络的高阶相关性特征提取
5.3 自编码网络与主成分分析的关系
5.4 过程监控的统计量
5.4.1 基于重建误差的监控指标
5.4.2 基于马氏距离的监控指标
5.4.3 基于切比雪夫距离的监控指标
5.4.4 控制上限
5.5 基于高阶相关性的多级故障诊断
5.6 实验验证与分析
5.6.1 TE过程上的统计量分析
5.6.2 TE过程与ME过程上的故障检测结果
5.6.3 训练集对算法的影响
5.7 本章小结
第六章 基于栈式自编码网络的阈值自适应过程监控
6.1 引言
6.2 多模态测量的表示学习
6.3 基于栈式自编码网络的阈值自适应过程监控
6.3.1 基于改进的指数加均法的自适应阈值更新
6.3.2 基于贡献图的变量隔离
6.3.3 基于栈式自编码网络的阈值自适应在线监控框架
6.4 TE过程实验验证
6.4.1 模态辨识
6.4.2 故障检测
6.5 本章小结
第七章 基于互信息矩阵投影的可解释故障诊断
7.1 引言
7.2 互信息矩阵的定义与估计
7.2.1 互信息矩阵的定义
7.2.2 基于矩阵Renyi的-熵函数的互信息估计
7.3 基于PMIM的故障检测
7.4 关于PMIM算法的实现与探讨
7.5 实验验证与分析
7.5.1 数值仿真实验验证
7.5.2 TE过程实验验证
7.6 本章小结
第八章 总结与展望
8.1 研究总结
8.2 研究展望
附录
缩写、符号、术语表
参考文献
致谢
书单推荐
