本书清晰而深入地介绍了智能运维技术的基础及其应用。全书共7章：第1章介绍智能运维技术的基本概念和发展历程；第2章介绍数字信号处理的基本方法及数据处理方法；故障特征提取作为机械故障诊断和状态监测的关键，相关内容将在第3章介绍；第4章、第5章分别介绍基于浅层学习和基于深度学习的智能故障诊断及剩余寿命预测方法；第6章介绍智能维护决策工具和技术；第7章给出若干智能运维技术的应用案例。智能运维技术可以为工程机械、风力发电、轨道交通、石油化工等领域的机械装备智能运维提供解决方案，为机械设备的可靠性和安全性提供更加有力的保障。
样章试读
目录
- 目录
第1章 绪论 1
1.1 引言 1
1.2 智能运维的基本概念 2
1.3 智能运维技术概述 3
1.3.1 信号处理技术 3
1.3.2 故障特征提取 5
1.3.3 故障诊断方法 7
1.3.4 智能运维方法 11
1.4 智能运维发展历程 16
1.4.1 国内外发展概述 17
1.4.2 智能运维发展的三个阶段 18
1.4.3 未来发展趋势 20
1.5 本章小结 20
习题 21
第2章 数字信号处理 22
2.1 引言 22
2.2 从模拟信号到数字信号 23
2.2.1 传感器和数字信号系统 23
2.2.2 信号的采样 24
2.2.3 傅里叶变换 28
2.2.4 快速傅里叶变换 30
2.2.5 离散时间信号和系统 31
2.2.6 信号处理的硬件实现 33
2.3 稳态信号处理 34
2.3.1 信号分类 34
2.3.2 滤波器设计 37
2.3.3 信号的正交变换 40
2.3.4 信号处理的典型算法 43
2.3.5 基于统计的信号处理 52
2.4 非稳态信号处理 56
2.4.1 短时傅里叶变换 56
2.4.2 小波变换 57
2.4.3 希尔伯特-黄变换 58
2.4.4 稀疏分解 60
2.4.5 分形理论 61
2.5 降噪方法和理论 62
2.5.1 常用的信号降噪方法 62
2.5.2 基于奇异谱的降噪方法 62
2.5.3 基于小波包分解的降噪方法 63
2.5.4 基于卡尔曼滤波器的降噪方法 64
2.6 多传感器信息融合 66
2.6.1 数据融合的定义和原理 66
2.6.2 不同数据融合方法的比较 66
2.6.3 基于证据理论的数据融合方法 68
2.7 本章小结 71
习题 71
第3章 特征提取 72
3.1 引言 72
3.2 幅域特征表征和提取 72
3.2.1 有量纲幅域参数 72
3.2.2 无量纲幅域参数 75
3.3 阶次域特征提取 76
3.3.1 常见阶次域特征参量 76
3.3.2 非线性阶次域特征参量 76
3.4 能量域特征提取 77
3.4.1 常见的能量域特征参数 78
3.4.2 非线性能量域特征参数 78
3.5 多信号特征提取和关联性分析 79
3.5.1 相干分析及原理 79
3.5.2 小波相干 84
3.5.3 时频相干 85
3.5.4 多工况HHT包络分析 87
3.5.5 相关案例 93
3.6 面向大数据的统计特征提取 95
3.6.1 基于回归的机器学习 95
3.6.2 聚类方法 96
3.6.3 主成分分析方法 97
3.6.4 基于马尔可夫链的特征提取 98
3.7 本章小结 99
习题 100
第4章 基于浅层学习的智能故障诊断 101
4.1 引言 101
4.2 基于人工神经网络的智能故障诊断 101
4.2.1 人工神经网络的基础理论 101
4.2.2 人工神经网络的智能故障诊断算例 108
4.3 基于支持向量机的智能故障诊断 111
4.3.1 支持向量机的基础理论 111
4.3.2 支持向量机的智能故障诊断算例 119
4.4 基于随机森林的智能故障诊断 122
4.4.1 随机森林的基础理论 122
4.4.2 随机森林的智能故障诊断算例 130
4.5 本章小结 134
习题 134
第5章 基于深度学习的智能故障诊断及剩余寿命预测 135
5.1 引言 135
5.2 基于深度置信网络的智能故障诊断 136
5.2.1 受限玻尔兹曼机基础理论 136
5.2.2 深度置信网络模型 141
5.2.3 深度置信网络的智能故障诊断算例 143
5.3 基于堆叠自编码器的智能故障诊断 147
5.3.1 自编码器的基础理论 147
5.3.2 堆叠自编码器模型 152
5.3.3 堆叠自编码器的智能故障诊断算例 153
5.4 基于深度卷积神经网络的剩余寿命预测 158
5.4.1 卷积神经网络的基础理论 158
5.4.2 深度多尺度卷积神经网络模型 161
5.4.3 深度多尺度卷积神经网络的剩余寿命预测算例 165
5.5 基于深度循环神经网络的剩余寿命预测 172
5.5.1 长短期记忆单元的基础理论 172
5.5.2 深度循环神经网络模型 176
5.5.3 深度循环神经网络的剩余寿命预测算例 177
5.6 本章小结 181
习题 182
第6章 智能维护决策 183
6.1 引言 183
6.2 智能维护决策工具 183
6.2.1 维护决策 183
6.2.2 维护决策支持系统概述 186
6.2.3 基于云计算的设备维护决策支持系统 187
6.2.4 智能E维护决策支持系统 190
6.3 智能维护决策技术 195
6.3.1 决策树学习 195
6.3.2 粗糙集 199
6.3.3 专家系统 202
6.4 本章小结 205
习题 205
第7章 故障诊断与智能运维技术实际应用 207
7.1 城市智慧出行系统中的应用 207
7.1.1 城市智慧出行系统概述 207
7.1.2 故障诊断与智能运维技术在城市智慧出行系统中的应用 208
7.2 矿山无人运输系统中的应用 211
7.2.1 矿山无人运输系统概述 211
7.2.2 故障诊断与智能运维技术在矿山无人运输系统中的应用 213
7.3 离心风机系统中的应用 217
7.3.1 离心风机系统概述 217
7.3.2 故障诊断与智能运维技术在离心风机系统中的应用 218
7.4 本章小结 223
习题 223
附录 时域与频域参数 224
参考文献 225
京公网安备 11010102004214号