本书围绕工业生产过程智能监控的若干核心问题展开论述。首先介绍工业过程运行监测和故障溯源推理的重要性、工业过程智能监控相关的机器学习理论基础。在此基础上，介绍过程生产状态的感知与异常情况的预警，即过程监测方法，具体包括针对大规模工业过程的分布式监测方法、针对复杂时变过程的条件驱动建模方法、针对过程正常慢变化和工况切换的自适应监测方法等。接下来介绍异常变量的隔离与过程故障的诊断，即故障诊断方法，具体包括针对故障过程时变的多模型判别方法、针对历史数据稀缺的增量学习方法、迁移学习和零样本学习方法等。 本书可作为自动控制或信息科学等相关专业研究生的教学参考书，同时对从事自动化过程监控研究、设计、开发和应用的广大工程技术人员也具有一定的参考价值。

第1章 绪论 001
1.1 概述 002
1.2 运行工况监测与故障溯源推理研究现状 004
1.2.1 基础理论方法 004
1.2.2 运行工况监测研究现状 005
1.2.3 故障溯源推理研究现状 009
1.3 全书概况 013
参考文献 016

第2章 运行工况监测与故障溯源诊断的基础理论方法 031
2.1 概述 032
2.2 无监督学习方法 033
2.2.1 协整分析 033
2.2.2 典型相关分析 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 自编码网络 041
2.3 监督学习方法 042
2.3.1 线性判别分析及其衍生方法 042
2.3.2 随机森林 045
2.3.3 卷积神经网络 047
2.3.4 宽度学习 048
2.3.5 零样本学习 050
2.4 本章小结 052
参考文献 052

第3章 基于稀疏协整分析的变工况分布式建模与过程监测 059
3.1 概述 060
3.2 稀疏协整分析方法回顾 062
3.3 基于稀疏协整分析的变工况过程分布式监测 064
3.3.1 基于协整关系的模块分解 064
3.3.2 过程动静态信息提取 066
3.3.3 局部监测统计量计算 068
3.3.4 全局监测统计量计算 068
3.3.5 监测算法在线实施 069
3.3.6 总结与讨论 070
3.4 百万千瓦超超临界机组的应用研究 072
3.5 本章小结 081
参考文献 082

第4章 条件驱动的大范围非平稳瞬变过程建模与状态监测 087
4.1 概述 088
4.2 变工况多模式过程监测建模方法 091
4.2.1 问题陈述与工作动机 091
4.2.2 条件驱动的数据阵列重组 093
4.2.3 自动有序条件模态划分 094
4.2.4 精细化分布评估算法 096
4.2.5 算法在线实施方案 099
4.3 百万千瓦超超临界机组的应用研究 100
4.3.1 百万千瓦超超临界机组 100
4.3.2 建模与实验分析 101
4.4 本章小结 108
参考文献 108

第5章 基于动态双层解析的工业过程动静协同精细工况识别 115
5.1 概述 116
5.2 基于CVA 和SFA 的变工况过程动静协同监测 118
5.2.1 问题阐述与动机分析 118
5.2.2 基于典型变量分析的动态特征提取 119
5.2.3 基于慢特征分析的动静协同状态监测 120
5.2.4 在线监测策略 122
5.3 三相流过程中的应用 124
5.3.1 过程描述 124
5.3.2 实验设计与建模数据 124
5.3.3 算法验证及讨论 125
5.4 本章小结 133
参考文献 133

第6章 基于递归指数慢特征分析的精细化自适应过程监测 139
6.1 概述 140
6.2 问题陈述与动机分析 142
6.3 递归指数慢特征分析 144
6.3.1 指数慢特征分析 145
6.3.2 递归指数慢特征分析 146
6.3.3 RESFA 中的监测统计量 148
6.3.4 基于RESFA 的自适应监测策略 149
6.4 方法验证与结果分析 151
6.4.1 青霉素发酵过程 151
6.4.2 卷烟生产过程 156
6.4.3 注塑过程 159
6.5 本章小结 162
参考文献 162

第7章 基于降噪自编码器和弹性网的非线性
鲁棒监测与故障隔离 167
7.1 概述 168
7.2 方法回顾与动机分析 170
7.2.1 降噪自编码器 170
7.2.2 问题陈述与动机分析 171
7.3 方法介绍 172
7.3.1 DAE-EN 算法 172
7.3.2 基于DAE-EN 的过程监测 173
7.3.3 基于DAE-EN 的故障隔离 176
7.3.4 方法相关的讨论 177
7.4 方法验证与结果分析 178
7.4.1 热电厂生产过程 178
7.4.2 卷烟生产过程 180
7.5 本章小结 183
参考文献 183

第8章 多模型指数判别分析方法及其在故障诊断中的应用 189
8.1 概述 190
8.2 问题陈述与动机分析 192
8.3 多模型指数判别分析 194
8.3.1 多模型指数判别分析方法 194
8.3.2 概率多模型指数判别分析方法 198
8.3.3 在线故障诊断 199
8.3.4 MEDA 算法的进一步改进 200
8.3.5 讨论与分析 201
8.4 方法验证与结果分析 202
8.5 本章小结 205
参考文献 205

第9章 基于动静协同解析的增强随机森林故障诊断 211
9.1 概述 212
9.2 基于CART 树的随机森林算法回顾 214
9.3 动静态协同的增强随机森林 214
9.3.1 问题陈述与动机分析 214
9.3.2 动静态节点提取 216
9.3.3 基于特征重要性排序的增强随机森林算法218
9.3.4 增强随机森林算法的步骤 219
9.4 方法验证与结果分析 221
9.4.1 田纳西-伊斯曼过程 221
9.4.2 三相流过程 225
9.5 本章小结 230
参考文献 230

第10章 具有增量学习能力的宽度卷积神经网络及其故障诊断 237
10.1 概述 238
10.2 问题陈述与动机分析 240
10.3 宽度卷积神经网络 242
10.3.1 所提网络框架 242
10.3.2 对新样本和新类别的增量学习能力 244
10.3.3 关于BCNN 的一些讨论 246
10.4 方法验证与结果分析 247
10.4.1 田纳西-伊斯曼过程 247
10.4.2 三相流过程 252
10.5 本章小结 254
参考文献 255

第11章 基于细粒度对抗网络的域自适应方法及跨域故障诊断 261
11.1 概述 262
11.2 问题描述与深度神经网络简介 264
11.2.1 问题描述 264
11.2.2 深层神经网络 264
11.3 基于迁移学习的对抗网络 266
11.3.1 动机分析 266
11.3.2 细粒度对抗网络的总体结构 267
11.3.3 细粒度对抗网络的优化目标 268
11.3.4 对抗训练策略 269
11.3.5 在线诊断步骤 270
11.4 方法验证与结果分析 271
11.4.1 机械滚动轴承 271
11.4.2 三相流过程 275
11.5 本章小结 278
参考文献 278

第12章 基于零样本学习的数据与知识融合方法及故障诊断 285
12.1 概述 286
12.2 问题建模 289
12.2.1 故障描述的向量表示 289
12.2.2 零样本故障诊断的定义 289
12.3 基于零样本学习的故障诊断 290
12.3.1 属性迁移的故障语义描述 290
12.3.2 可行性分析 292
12.4 方法验证与结果分析 293
12.4.1 田纳西-伊斯曼过程 293
12.4.2 百万千瓦超超临界机组 300
12.5 本章小结 302
参考文献 303