本书贯穿机械系统关键零部件智能故障诊断和智能状态监测的始终，系统介绍了机器学习、智能优化算法、设备状态信息采集及信号预处理、信号特征提取与重构等方面的知识；详细介绍了基于机器学习、深度学习和迁移学习的典型零部件智能故障诊断与监测，以及典型零部件剩余使用寿命预测的方法和应用；重点介绍了设备状态信息采集与信号预处理、信号特征提取与重构等前期工作的关键理论与技术。
样章试读
目录
- 目录
前言
第1章 绪论 1
1.1 引言 1
1.1.1 智能制造概述 1
1.1.2 机械设备状态监测与预测的意义 3
1.1.3 数据驱动与机器学习的实践意义 4
1.2 国内外研究现状 5
1.2.1 数据驱动的机械设备状态监测的研究现状 6
1.2.2 数据驱动的机械设备剩余使用寿命预测的研究现状 9
1.2.3 异常状态监测与剩余使用寿命预测所面临的难点与挑战 10
1.3 试验数据简介 11
1.3.1 轴承数据集 11
1.3.2 刀具数据集 13
1.4 本章小结 14
参考文献 15
第2章 机器学习的基础理论 20
2.1 分类学习理论 20
2.1.1 基于浅层机器学习的分类理论 20
2.1.2 基于深度学习的分类理论 24
2.1.3 基于迁移学习的分类理论 26
2.2 聚类学习理论 27
2.2.1 无监督聚类学习理论 27
2.2.2 半监督聚类学习理论 29
2.3 回归学习理论 32
2.3.1 基于浅层机器学习的回归理论 32
2.3.2 基于深度学习的回归理论 34
2.3.3 基于迁移学习的回归理论 36
2.4 本章小结 37
参考文献 37
第3章 智能优化算法相关理论 39
3.1 智能优化算法简述 39
3.2 模式搜索法 39
3.2.1 网格搜索算法 39
3.2.2 随机搜索算法 40
3.2.3 贝叶斯优化算法 41
3.3 启发式算法 42
3.3.1 粒子群优化算法 42
3.3.2 均衡优化算法 43
3.4 仿生智能算法 45
3.4.1 遗传算法 45
3.4.2 灰狼优化算法 46
3.4.3 飞蛾扑火优化算法 47
3.5 本章小结 49
参考文献 50
第4章 设备状态信息采集及信号预处理 51
4.1 机械关键零部件状态信息采集 51
4.1.1 自建刀具磨损试验平台 51
4.1.2 自建轴承故障诊断试验平台 61
4.1.3 自建齿轮箱故障诊断试验平台 63
4.2 机械关键零部件运行状态信号预处理 67
4.2.1 数据清洗 67
4.2.2 数据规约 70
4.2.3 数据变换 71
4.2.4 数据集成 72
4.3 本章小结 73
参考文献 73
第5章 信号特征提取与重构 75
5.1 人工特征提取 75
5.1.1 经验模态分解 75
5.1.2 集成经验模态分解 76
5.1.3 自适应白噪声总体平均经验模态分解 77
5.1.4 改进自适应白噪声总体平均经验模态分解 79
5.1.5 模态分解-Shannon能量熵特征提取 80
5.1.6 支持向量数据描述 80
5.1.7 小波去噪 82
5.2 无监督特征提取及特征可视化 86
5.2.1 深度特征学习 86
5.2.2 迁移特征学习 89
5.3 特征降维处理 93
5.4 特征数据均衡与增强处理 94
5.4.1 重采样技术 95
5.4.2 数据增强 96
5.5 本章小结 96
参考文献 98
第6章 典型零部件智能故障诊断与监测 99
6.1 基于机器学习的典型零部件智能故障诊断与监测 99
6.1.1 基于机器学习的刀具智能故障诊断与监测 99
6.1.2 基于机器学习的轴承智能故障诊断与监测 133
6.2 基于深度学习的典型零部件智能故障诊断与监测 138
6.2.1 基于深度学习的刀具智能故障诊断与监测 138
6.2.2 基于深度学习的轴承智能故障诊断与监测 146
6.2.3 基于深度学习的齿轮智能故障诊断与监测 155
6.3 基于迁移学习的典型零部件智能故障诊断与监测 173
6.3.1 改进的基于样本特性的过采样技术 173
6.3.2 基于ISCOTE和VGG16深度迁移学习的端到端状态监测 174
6.4 本章小结 186
参考文献 187
第7章 典型零部件剩余使用寿命预测 188
7.1 基于ISCOTE和ICEEMDAN-Shannon能量熵的时序状态预测 188
7.1.1 试验数据选取及其预处理 188
7.1.2 回归器选取及其参数赋予 194
7.1.3 试验结果及分析 194
7.2 基于图像编码技术和卷积神经网络的刀具磨损值预测 200
7.2.1 基于GAF-CNN的刀具磨损值在线监测模型 200
7.2.2 GAF-CNN所涉及关键技术 201
7.2.3 预测模型训练 203
7.2.4 试验结果及分析 205
7.3 本章小结 208
参考文献 209
京公网安备 11010102004214号