基于機器學習的軸承智能健康預警與故障預測

定　價：￥135.00

作　者：	毛文濤，李源，陳佳鮮著
出版社：	科學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787030672056	出版時間：	2021-01-01	包裝：	平裝
開本：	16開	頁數(shù)：	231	字數(shù)：

內容簡介

　　本書為數(shù)據(jù)驅動的軸承智能化故障檢測、故障診斷和剩余壽命預測提供了較為完整的機器學習解決方案。第1章介紹了軸承健康預警與故障預測的意義、發(fā)展趨勢、國內外研究現(xiàn)狀和關鍵挑戰(zhàn)；第2章介紹了常用的機器學習理論基礎；第3～5章介紹了故障診斷方法，分別采用深度學習、不均衡分類、結構化學習、在線學習等機器學習算法形式；第6章和第7章介紹了早期故障的在線檢測問題，分別采用半監(jiān)督學習、深度學習和遷移學習等機器學習算法形式；第8章和第9章介紹了剩余壽命預測問題，著重介紹了時序深度學習和遷移學習的解決方案。本書可作為計算機、自動控制、機械工程、工業(yè)工程等學科的研究生和本科生的教學用書及參考用書，同時對從事系統(tǒng)維護、可靠性管理、智能制造等領域的科研人員及工程技術人員具有一定的參考價值。

作者簡介

　　毛文濤，教授，工學博士，碩士生導師，主要研究方向為機器學習、智能故障診斷和預測。河南省高?？萍紕?chuàng)新人才、河南省高校青年骨干教師。主要研究工作集中在機器學習理論及其在旋轉機械健康管理領域的應用。主持國家自然科學基金2項、各類省部級項目1 0余項。獲河南省高等教育教學成果獎二等獎、自然科學優(yōu)秀論文獎一等獎、西安交通大學優(yōu)秀博士學位論文獎等多項獎勵。2016年以來，在MssP、IEEETsMc—B、IEEE TIM、《自動化學報》、《控制與決策》等國內外權威學術期刊和會議發(fā)表學術論文50余篇，其中EsI熱點論文1篇，EsI高被引論文5篇。

圖書目錄

第1章緒論
1.1 引言
1.1.1 國家與社會的巨大需求
1.1.2 智能健康預警與故障預測的重要作用
1.1.3 機器學習的重要作用
1.2 軸承早期故障檢測方法研究現(xiàn)狀
1.3 軸承故障診斷方法研究現(xiàn)狀
1.4 軸承剩余壽命方法研究現(xiàn)狀
1.5 軸承智能健康預警與故障預測面臨的挑戰(zhàn)
1.6 數(shù)據(jù)集介紹
參考文獻
第2章機器學習理論基礎
2.1 淺層學習模型
2.1.1 感知機
2.1.2 決策樹
2.1.3 Logistic回歸
2.1.4 支持向量機
2.1.5 樸素貝葉斯算法
2.1.6 支持向量數(shù)據(jù)描述
2.2 深度學習模型
2.2.1 傳統(tǒng)神經網(wǎng)絡模型
2.2.2 卷積神經網(wǎng)絡
2.2.3 自編碼神經網(wǎng)絡
2.2.4 深度置信網(wǎng)絡
2.2.5 循環(huán)神經網(wǎng)絡
2.2.6 長短時記憶網(wǎng)絡
2.2.7 生成對抗網(wǎng)絡
2.3 本章小結
參考文獻
第3章故障特征表示與診斷模型構建
3.1 基于淺層模型的故障診斷
3.1.1 異構故障特征表示
3.1.2 故障診斷模型構建
3.2 基于深度神經網(wǎng)絡的故障診斷方法
3.2.1 極限學習機自編碼器
3.2.2 滾動軸承的深度特征提取方法
3.2.3 實驗結果
3.3 基于生成對抗網(wǎng)絡的故障樣本合成與診斷
3.3.1 不均衡類別的故障診斷
3.3.2 基于GAN和SDAE模型的不均衡故障診斷
3.3.3 實驗結果
3.4 本章小結
參考文獻
第4章結構化學習與多故障狀態(tài)診斷
4.1 基于結構化特征選擇的故障診斷方法
4.1.1 引言
4.1.2 基于特征相關性的結構化特征選擇算法
4.1.3 模型求解
4.1.4 實驗結果
4.2 基于深度輸出核學習的多故障狀態(tài)診斷
4.2.1 引言
4.2.2 深度輸出核網(wǎng)絡模型
4.2.3 實驗設置
4.2.4 實驗結果
4.3 基于結構化深度自編碼器的多故障狀態(tài)診斷
4.3.1 結構化自編碼器模型構建
4.3.2 目標函數(shù)求解
4.3.3 實驗結果分析
4.4 本章小結
參考文獻
第5章在線學習與在線故障診斷
5.1 基于極限學習機的在線不均衡故障診斷
5.1.1 引言
5.1.2 基于粒劃分的在線不均衡分類
5.1.3 可靠性理論分析
5.1.4 實驗結果分析
5.2 基于增量支持向量機和深度特征表示的在線故障診斷
5.2.1 增量模型構建
5.2.2 實驗結果
5.3 本章小結
參考文獻
第6章深度學習與早期故障在線檢測
6.1 基于半監(jiān)督框架和深度特征表示的早期故障在線檢測
6.1.1 引言
6.1.2 深度特征表示與模型更新
6.1.3 早期故障指標構建
6.1.4 性能分析
6.1.5 對比實驗結果
6.2 基于深度特征自適應匹配的早期故障在線檢測
6.2.1 引言
6.2.2 離線深度特征建模
6.2.3 在線自適應特征匹配
6.2.4 實驗結果分析
6.2.5 實驗驗證
6.3 本章小結
參考文獻
第7章深度遷移學習與早期故障在線檢測
7.1 基于振動信號可視化遷移的早期故障在線檢測
7.1.1 數(shù)據(jù)處理
7.1.2 深度遷移特征提取模型的構建
7.1.3 檢測模型構建
7.1.4 實驗結果
7.2 基于多域遷移深度自編碼網(wǎng)絡的早期故障在線檢測
7.2.1 多域遷移深度自編碼網(wǎng)絡
7.2.2 異常檢測模型
7.2.3 實驗結果
7.3 本章小結
參考文獻
第8章深度學習與軸承剩余壽命預測
8.1 基于深度特征表示和長短時記憶網(wǎng)絡的RUL預測
8.1.1 軸承健康狀態(tài)劃分方法
8.1.2 軸承退化過程深度特征表示
8.1.3 故障閾值與剩余壽命確定
8.1.4 基于LSTM網(wǎng)絡的預測模型
8.2 實驗設置
8.2.1 信號預處理
8.2.2 狀態(tài)劃分和深度特征表示
8.2.3 剩余壽命確定結果
8.3 實驗結果
8.4 本章小結
參考文獻
第9章遷移學習與跨工況剩余壽命預測
9.1 RUL遷移學習預測的問題描述
9.2 基于深度特征表示和遷移學習的軸承剩余壽命預測方法
9.2.1 信號預處理和深度特征提取
9.2.2 軸承退化狀態(tài)劃分方法
9.2.3 基于深度特征的遷移成分分析
9.2.4 實驗結果
9.3 基于深度時序特征遷移的軸承剩余壽命預測方法
9.3.1 基于深度時序特征的健康指標構建
9.3.2 面向序列遷移的領域自適應
9.3.3 基于遷移回歸模型的軸承剩余壽命預測方法
9.3.4 實驗結果
9.4 本章小結
參考文獻