大數(shù)據(jù)驅動的機械裝備智能運維理論及應用

定　價：￥138.00

作　者：	雷亞國等著
出版社：	電子工業(yè)出版社
叢編項：	工業(yè)智能與工業(yè)大數(shù)據(jù)系列
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121424199	出版時間：	2021-12-01	包裝：	平裝
開本：	16開	頁數(shù)：	196	字數(shù)：

內容簡介

　　本著作面向學科發(fā)展前沿與工程迫切需求，圍繞機械裝備智能運維面臨的新挑戰(zhàn)：數(shù)據(jù)大而不全呈碎片化”、診斷與預測受制于專家經驗、智能診斷依賴充足可用數(shù)據(jù)等，凝練出大數(shù)據(jù)背景下智能運維領域的科學問題與應用難題，按照問題-理論-技術-實例”的邏輯主線，詳細介紹了監(jiān)測大數(shù)據(jù)質量保障、機械裝備故障深度智能診斷、機械裝備故障遷移智能診斷、數(shù)據(jù)驅動的機械裝備剩余壽命預測等基礎理論與核心技術，所述內容兼具前沿性、創(chuàng)新性與工程實用性。旨在將作者團隊在智能運維領域的長期經驗積累與**研究成果分享給廣大讀者，為其開展相關學術研究、解決應用難題提供參考。

作者簡介

　　雷亞國，西安交通大學教授、博士生導師；英國工程技術學會會士（IET Fellow）、國際工程資產管理協(xié)會會士（ISEAM Fellow）、國家杰出青年科學基金獲得者、國家高層次人才特殊支持計劃入選者、科睿唯安全球高被引科學家（工程學、跨學科領域）?，F(xiàn)擔任IEEE Transactions on Industrial Electronics、Mechanical Systems and Signal Processing等本領域著名期刊副主編。長期從事機械系統(tǒng)建模與動態(tài)信號處理、大數(shù)據(jù)智能故障診斷與壽命預測、機械狀態(tài)健康監(jiān)測與智能運維等方面的研究工作。曾獲國家技術發(fā)明二等獎、教育部自然科學一等獎、教育部青年科學獎、中國青年科技獎、霍英東教育基金會青年教師獎、慶祝中華人民共和國成立70周年紀念章、陜西青年五四獎章。

圖書目錄

第1章緒論 1
1．1 機械監(jiān)測大數(shù)據(jù)的形成因素與領域特點 3
1．1．1 機械監(jiān)測大數(shù)據(jù)的形成因素 3
1．1．2 機械監(jiān)測大數(shù)據(jù)的領域特點 4
1．2　機械裝備智能運維的相關概念與研究現(xiàn)狀 5
1．2．1 機械裝備運行維護的定義 5
1．2．2 機械裝備智能運維的定義 6
1．2．2 機械裝備智能運維的研究現(xiàn)狀 7
1．3 大數(shù)據(jù)下智能運維面臨的機遇與挑戰(zhàn) 14
參考文獻 17
第2章機械監(jiān)測大數(shù)據(jù)質量保障 21
2．1　基于無跡卡爾曼濾波的流數(shù)據(jù)異常檢測 21
2．1．1　無跡卡爾曼濾波基本原理 22
2．1．2 基于無跡卡爾曼濾波的流數(shù)據(jù)異常檢測方法 24
2．1．3 滾動軸承流數(shù)據(jù)的異常檢測 26
2．2 基于核密度異常因子的離線歷史數(shù)據(jù)異常檢測 29
2．2．1 局部異常因子基本原理 29
2．2．2 基于核密度異常因子的異常數(shù)據(jù)檢測方法 31
2．2．3 風機主傳動系統(tǒng)異常數(shù)據(jù)檢測 35
2．3 基于張量Tucker分解的缺失數(shù)據(jù)恢復 37
2．3．1 張量分解理論 38
2．3．2 基于張量Tucker分解的缺失數(shù)據(jù)恢復方法 43
2．3．3 齒輪箱缺失數(shù)據(jù)恢復 46
本章小結 50
參考文獻 51
第3章基于傳統(tǒng)機器學習的機械裝備智能故障診斷 53
3．1 基于人工神經網絡的智能故障診斷 54
3．1．1 人工神經網絡基本原理 55
3．1．2 機車輪對軸承智能故障診斷 57
3．2 基于支持向量機的智能故障診斷 59
3．2．1 支持向量機基本原理 60
3．2．2 行星齒輪箱智能故障診斷 62
3．3 混合智能故障診斷 66
3．3．1 混合智能診斷基本原理 66
3．3．2 混合智能診斷模型 67
3．3．3 電動機滾動軸承智能故障診斷 73
本章小結 75
參考文獻 75
第4章基于深度學習的機械裝備智能故障診斷 77
4．1 深度置信網絡智能故障診斷 78
4．1．1 受限玻爾茲曼機基本原理 78
4．1．2 深度置信網絡智能診斷模型 80
4．1．3 電動機滾動軸承智能故障診斷 82
4．2 堆疊自編碼機智能故障診斷 84
4．2．1 自編碼機基本原理 84
4．2．2 堆疊自編碼機智能診斷模型 86
4．2．3 行星齒輪箱智能故障診斷 88
4．3 加權卷積神經網絡智能故障診斷 91
4．3．1 卷積神經網絡基本原理 92
4．3．2 加權卷積網絡智能診斷模型 94
4．3．3 機車輪對軸承智能故障診斷 98
4．4 殘差網絡智能故障診斷 101
4．4．1 殘差單元基本原理 101
4．4．2 基于殘差網絡的智能診斷模型 102
4．4．3 行星齒輪箱智能故障診斷 103
本章小結 106
參考文獻 106
第5章機械裝備故障遷移智能診斷 109
5．1 遷移診斷問題 110
5．1．1 領域與診斷任務 110
5．1．2 遷移診斷任務類型 110
5．1．3 遷移智能診斷方法分類 111
5．2 基于實例加權的遷移智能診斷 113
5．2．1 TrAdaboost算法描述 113
5．2．2 基于TrAdaboost算法的遷移診斷策略 114
5．2．3 行星齒輪箱的跨工況遷移故障診斷 116
5．3 基于特征分布適配的遷移智能診斷 118
5．3．1 特征分布適配基本原理 119
5．3．2 基于特征分布適配的遷移診斷策略 120
5．3．3 跨裝備軸承間的遷移故障診斷 122
5．4 多核特征空間適配的深度遷移智能診斷 125
5．4．1 多核植入的最大均值差異 126
5．4．2 多核特征空間適配的深度遷移診斷模型 127
5．4．3　跨裝備軸承間的遷移故障診斷 130
5．5 特征分布對抗適配的深度遷移智能診斷 132
5．5．1 生成對抗網絡基本原理 132
5．5．2 特征分布對抗適配的深度遷移診斷模型 133
5．5．3 跨工況與跨裝備遷移故障診斷 135
本章小結 139
參考文獻 140
第6章數(shù)據(jù)驅動的機械裝備剩余壽命預測 143
6．1 基于循環(huán)神經網絡的健康指標構建方法 145
6．1．1 多域特征提取 146
6．1．2 特征評價與選擇 148
6．1．3 健康指標構建 149
6．1．4 滾動軸承健康指標構建 151
6．2 自適應多核組合相關向量機剩余壽命預測方法 155
6．2．1 相關向量機基本原理 155
6．2．2 基于自適應多核組合相關向量機的剩余壽命預測方法 157
6．2．3 齒輪剩余壽命預測 159
6．3 深度可分卷積網絡構建及剩余壽命預測 163
6．3．1 可分卷積模塊構建 163
6．3．2 網絡結構與剩余壽命預測 167
6．3．3 滾動軸承剩余壽命預測 168
6．4 循環(huán)卷積神經網絡構建及剩余壽命預測 173
6．4．1 循環(huán)卷積神經網絡構建 173
6．4．2 預測不確定性量化 176
6．4．3 數(shù)控機床刀具剩余壽命預測 178
本章小結 182
參考文獻