《Statistical process monitoring using advanced data-driven and deep learning approaches》书评

《使用先进的数据驱动和深度学习方法进行统计过程监控》书评

By 化学与化工学院 许涵

由Fouzi Harrou等编著的《Statistical process monitoring using advanced data-driven and deep learning approaches》中文译名为《使用先进的数据驱动和深度学习方法进行统计过程监控》，于2021年由Elsevier出版社出版。本书分为前言、致谢、正文、索引四个部分，一共315页、9个章节，每个章节分为4~8个小节，现分别介绍如下：

一 前言

由于技术的进步，工程和环境过程变得复杂，现代自动化过程中的异常波动难以避免，往往涉及多个关键变量、时间与空间上的大量数据。因此需要更好的统计工具进行过程监控，其中，早期检测和隔离潜在故障特别具有挑战性。

本书旨在报道利用先进的数据驱动和深度学习技术进行过程监测的最新进展，九章内容共分为两个部分：第一部分的目标是通过将单变量和传统多变量技术的优点相结合，以增强其性能并扩大实际应用范围，来解决过程监控中的多变量挑战；第二部分旨在将浅层学习方法（例如单类支持向量机和k最近邻）与无监督深度学习方法相结合，以开发更复杂和高效的监测技术。最后，开发的方法被应用于监测许多过程，例如废水处理厂、自主机器人和车辆驾驶环境中的障碍物检测、机器人群体、化学过程（连续搅拌槽反应器、插入流反应器和精馏塔）、臭氧污染、道路交通拥堵以及太阳能光伏系统。本书适合过程化学计量学、工业统计学等工程和学术读者阅读思考。

二致谢

罗列对本书有所贡献者的姓名及所在单位。主要作者及工作单位如下：Fouzi Harrou, 沙特阿拉伯阿卜杜拉国王科技大学，计算机、电气和数学科学与工程学院；Ying Sun, 沙特阿拉伯阿卜杜拉国王科技大学，计算机、电气和数学科学与工程学院； Amanda S. Hering, 美国德克萨斯州贝勒大学，统计科学系；Muddu Madakyaru, 印度马尼帕尔高等教育学院，化学工程系。

三 正文

第一章 引入

    介绍了为何要监测过程、监测错误的类别、过程监测的相关知识、物理冗余与分析冗余、过程监测的方法（基于模型/知识/数据的方法）、故障监测的指标等

第二章 基于线性潜变量回归（LVR）的过程监测

    介绍了相关基本概念、线性LVR模型的发展（全秩回归模型的局限性、线性潜变量模型）、动态LVR模型、其过程监测方法（用于监测过程的单变量图表、基于分布的过程监控方案、具有参数和非参数阈值的多元过程监测方案）、基于线性LVR的过程监测策略（传统LVR检测策略、故障隔离），并进行了案例分析（模拟案例、水资源回收设施的进水量监测）

第三章故障隔离

介绍了数据标准化的陷阱、贡献图/分的不足之处、故障隔离（变量细化、迭代式传统隔离法、变量筛选方法）、故障分类、故障隔离指标（故障隔离错误、精度和召回率、Phase I故障隔离法），并进行了案例分析（回顾性故障隔离、实时故障隔离）

第四章非线性LVR方法

介绍了基本概念、线性LVR方法监测过程时的局限、非线性LVR监测的研究进展（非线性偏最小二乘法、ANFIS-PLS建模框架、核主成分分析模型（KPCA）、基于KPCA的故障检测流程）、案例研究、模拟合成数据（活塞流反应器的应用）

第五章基于多尺度潜变量回归的过程监测方法

介绍了基于小波的数据表达理论背景（小波变换、用小波对数据进行多尺度表达、多尺度表达的优点）、小波多尺度滤波（单尺度滤波方法、多尺度滤波方法、多尺度去噪的优点），给出了基于小波的多尺度单变量监测技术案例剖析，介绍了多尺度LVR建模、多尺度去噪在LVR建模中的优势，介绍了案例应用（合成数据的应用、监测精馏塔案例）

第六章基于无监督深度学习的检测方法

介绍了聚类技术（基于分区/层次的聚类技术、基于密度方法、期望值最大化）、单值分类法（一类支持向量机、支持向量数据描述）、深度学习模型（概率模型、深度神经网络、深度玻尔兹曼机）、基于深度学习的聚类方案用于过程监测

第七章过程监测的无监督递归深度学习方案

介绍了递归神经网络方法（递归神经网络基础、长短期记忆、门控递归神经网络）、混合深度模型（RNN-RBM方法、LSTM-RBM模型、LSTM-DBN）、基于递归深度学习的过程监测，剖析了进水情况监测案例

第八章案例研究

分别介绍了立体视觉的障碍物监测无监督深度学习案例（包括基于深度堆叠自编码器的KNN方法、数据描述、使用无障碍数据训练的模型结果与讨论、繁忙场景的性能评价），使用深度学习监测异常臭氧值、监测污水处理厂（提出了基于DBN的KNN、OCSVM等算法，并实际应用于美国一家分散式污水处理厂）。

第九章结论与未来研究方向

本书的重点概述了异常监测和隔离方法进展，表明了机器学习和深度学习在当今先进的过程监测中作用至关重要，提出仍存在应用与理论发展进程脱节、功能数据分析结合得不充分、时空相关性考虑不充分等问题，并指出了迁移学习这一便捷途径值得研究。

四索引

罗列了部分关键词及其出现的页码。

ISBN：9780128193655

本馆索书号：TP273/H323

馆藏地：五山校区-外文图书区（外教中心）