本书以具体应用案例为导向，全面地阐述了设备与系统健康智能预诊维护从信号处理、特征提取、故障诊断到健康状态评估、寿命预测和智能维护系统开发的全过程。本书是作者对其研究成果进行加工、整理而成的，详细说明了设备与系统健康智能维护技术。本书既有从理论上的详细阐述，也有具体的仿真案例与应用实例分析，力求使广大读者更易理解设备智能维护技术。
样章试读
目录
- 目录
前言
第1章 设备健康智能预诊维护 1
1.1 引言 1
1.2 设备健康维护的发展 2
1.3 设备智能预诊维护的关键技术 3
1.3.1 信号收集与处理 3
1.3.2 特征提取与选择 5
1.3.3 特征学习与识别 6
1.3.4 设备健康评估 7
1.3.5 设备寿命预测 9
参考文献 9
第2章 信号分析处理技术 11
2.1 引言 11
2.2 形态滤波故障特征提取方法 11
2.2.1 形态滤波研究现状 11
2.2.2 形态学基本理论 12
2.2.3 基于形态滤波的故障诊断 13
2.3 稀疏表达故障诊断方法 19
2.3.1 稀疏理论的研究现状 20
2.3.2 稀疏表达理论 21
2.3.3 基于稀疏表达的故障特征提取算法应用 24
2.4 随机抽样滤噪 32
2.4.1 典型时频域分析方法简介 32
2.4.2 LMD算法原理简介 33
2.4.3 基于局部均值算法的故障诊断 37
2.5 多层混合滤噪方法 44
2.5.1 局部均值分解的多层混合滤噪方法 45
2.5.2 基于ITD和改进形态滤波的滚动轴承故障诊断 48
参考文献 52
第3章 特征提取与选择技术 56
3.1 引言 56
3.2 特征产生 56
3.3 基于流形学习的特征提取与选择技术 58
3.3.1 拉普拉斯特征映射算法 59
3.3.2 局部保持投影算法 60
3.3.3 局部和非局部保持投影和基于监督学习的局部和非局部保持投影 61
3.3.4 局部和非局部线性判别分析算法 64
3.3.5 实例分析 67
3.4 特征选择技术 74
3.4.1 特征提取 74
3.4.2 单调性和趋势 75
3.4.3 基于PCA和LPP的预后特征选择 75
3.4.4 基于拉普拉斯分数的预诊特征选择 77
3.4.5 实验结果和分析 77
参考文献 79
第4章 基于深度学习的信号特征学习 82
4.1 引言 82
4.2 特征学习技术 83
4.2.1 深度置信网络 83
4.2.2 卷积神经网络 86
4.2.3 一维卷积神经网络 87
4.2.4 堆叠降噪自编码器 88
4.2.5 卷积自编码器 90
4.3 基于特征学习的故障诊断模型 92
4.3.1 基于多通道一维卷积神经网络的齿轮箱故障诊断方法 92
4.3.2 基于一维残差卷积自编码器的齿轮箱故障诊断 96
4.3.3 基于二维主成分分析卷积自编码器的晶圆表面缺陷模式识别 99
4.3.4 应用实例：基于多通道一维卷积神经网络的故障诊断模型 104
4.4 基于特征调节技术的机器健康预测 109
4.4.1 基于PRSDAE的机器健康预测方法 109
4.4.2 应用实例：基于PRSDAE的机器健康预测模型 112
4.5 基于知识堆叠降噪自编码器的特征提取与知识发现 117
4.5.1 规则抽取和推理 118
4.5.2 KBSDAE建模 123
4.5.3 应用实例：基于KBSDAE的故障诊断模型 125
参考文献 129
第5章 基于迁移对抗的特征提取与故障诊断 132
5.1 引言 132
5.2 基于迁移学习的特征提取与故障诊断 134
5.2.1 迁移学习 134
5.2.2 深度对抗域自适应迁移神经网络 135
5.2.3 应用实例：基于1DWDAN的仿真数据迁移 140
5.3 基于对抗学习的特征提取与故障诊断 143
5.3.1 生成对抗网络 143
5.3.2 多粒度交互生成对抗网络 145
5.3.3 基于多粒度交互生成对抗网络的晶圆缺陷模式识别 150
5.3.4 应用实例：基于MGGAN的晶圆表面缺陷识别模型 151
参考文献 156
第6章 设备健康退化评估技术 159
6.1 引言 159
6.2 基于无监督学习驱动 159
6.2.1 自组织映射 160
6.2.2 高斯混合模型 163
6.2.3 隐马尔可夫模型 168
6.2.4 基于多变量过程控制技术 169
6.2.5 基于无监督学习的故障诊断模型 173
6.3 基于有监督学习驱动 176
6.3.1 基于逻辑回归模型 177
6.3.2 基于GTM模型 177
6.4 基于自适应学习驱动 178
6.4.1 自适应高斯混合模型 179
6.4.2 自适应隐马尔可夫模型 183
6.4.3 基于自适应学习的故障诊断模型 187
6.5 基于深度学习的健康评估 194
6.5.1 基于LSTM的评估模型 194
6.5.2 基于SDAE-LSTM的性能评估 196
6.5.3 基于深度学习的涡扇发动机故障诊断 197
参考文献 201
第7章 设备健康预测与寿命预测技术 204
7.1 引言 204
7.2 基于模型驱动的RUL预测技术 205
7.2.1 状态空间模型 205
7.2.2 卡尔曼滤波 206
7.2.3 粒子滤波 207
7.3 基于数据驱动的RUL预测技术 207
7.3.1 逻辑回归 207
7.3.2 自回归移动平均模型 208
7.3.3 相关向量机 208
7.3.4 高斯过程回归 209
7.3.5 人工神经网络 210
7.3.6 统计分布相似性 211
7.4 基于数模集成驱动RUL预测技术 212
7.4.1 基于PF和LR的方法 213
7.4.2 基于LR和GPR的方法 213
7.4.3 基于KF和LR的方法 214
7.4.4 应用实例:基于LR和GPR的RUL预测方法 215
7.5 基于深度学习的RUL预测技术 218
参考文献 224
第8章 大型旋转设备故障诊断软件系统 226
8.1 引言 226
8.2 旋转机械故障诊断与预诊维护系统 227
8.3 旋转机械故障诊断与预诊维护系统总体设计 228
8.3.1 软件系统功能模块划分 229
8.3.2 软件系统开发技术平台选择 231
8.3.3 软件系统架构设计 231
8.4 故障诊断工具箱的设计开发 234
8.4.1 算法工具箱开发工具选择 235
8.4.2 算法工具箱结构设计 235
8.5 主控界面 237
8.5.1 操作系统功能监测 238
8.5.2 绘制振动历史比较图 238
8.5.3 绘制振动趋势分析图 239
8.5.4 绘制单多值棒图 239
8.5.5 绘制三维瀑布图 241
8.5.6 绘制伯德图 241
8.5.7 绘制提纯轴心轨迹图 241
8.5.8 绘制全息谱图 242
8.5.9 转子动静平衡测试 243
8.5.10 绘制阶次谱图 245
8.5.11 绘制启停机转速谱图 245
8.5.12 绘制启停机转速瀑布谱图 246
8.5.13 绘制转速时间图 246
8.5.14 频谱细化图 247
8.6 系统应用实例 247
8.6.1 监测设备过程实时状况 248
8.6.2 监测设备振动实时波形频谱 249
8.6.3 查看设备振动历史 249
参考文献 250
彩图
京公网安备 11010102004214号