本书面向工业人工智能预测性维护技术领域发展需求,全面覆盖工业设备故障诊断、健康状态评估以及剩余使用寿命预测的理论研究及工程分析场景。首先系统地总结了工业设备的维修决策、故障诊断、健康状态评估及剩余使用寿命预测研究现状,然后针对齿轮箱、锂离子电池、刀具、航空发动机和旋转机械等特定工业设备,从应用技术角度探讨了基于工业人工智能的设备健康状态评估方案,并结合仿真数据与工程实例验证了方法的有效性。
样章试读
目录
- 目录
前言
第1章 绪论 1
1.1 研究背景和研究路线 1
1.2 工业设备维修决策研究 4
1.3 故障诊断研究 6
1.3.1 基于时频分析的故障诊断方法 7
1.3.2 基于深度学习的故障诊断方法 8
1.4 健康状态评估研究 10
1.4.1 健康状态评估方法 10
1.4.2 健康状态划分方法 12
1.5 剩余使用寿命预测研究 13
1.5.1 基于退化模型的剩余使用寿命预测 13
1.5.2 基于数据驱动的剩余使用寿命预测 15
1.5.3 基于融合思想的剩余使用寿命预测 19
1.6 健康状态划分与剩余使用寿命预测联合研究 22
参考文献 24
第2章 基于半监督原型网络的齿轮箱故障诊断 38
2.1 齿轮箱故障诊断概述 38
2.1.1 齿轮结构 38
2.1.2 齿轮常见失效形式 40
2.1.3 齿轮箱小样本故障诊断 42
2.2 半监督原型网络 43
2.2.1 原型网络 43
2.2.2 基于对比学习的预训练模型 45
2.2.3 基于半监督学习的原型优化网络 46
2.3 半监督小样本齿轮箱故障诊断 49
2.3.1 模型对比实验 51
2.3.2 模型消融实验 54
2.4 本章小结 56
参考文献 56
第3章 基于无迹卡尔曼滤波方法的锂离子电池剩余使用寿命预测 58
3.1 锂离子电池工作原理及其数据集 58
3.1.1 锂离子电池工作原理 58
3.1.2 锂离子电池数据集 60
3.1.3 锂离子电池的退化机理 63
3.2 基于权重优化的无迹卡尔曼滤波的锂离子电池剩余使用寿命预测 64
3.2.1 权重优化的无迹卡尔曼滤波 64
3.2.2 双向长短期记忆神经网络 68
3.2.3 注意力机制 71
3.2.4 基于融合算法的锂离子电池剩余使用寿命预测 71
3.2.5 仿真与分析 74
3.3 基于鲁棒性优化的无迹卡尔曼滤波的锂离子电池剩余使用寿命预测 84
3.3.1 鲁棒性优化的无迹卡尔曼滤波 84
3.3.2 支持向量回归算法 89
3.3.3 遗传算法 93
3.3.4 基于融合算法的锂离子电池剩余使用寿命预测 94
3.3.5 仿真与分析 97
3.4 本章小结 104
参考文献 105
第4章 基于粒子滤波方法的刀具剩余使用寿命预测 107
4.1 刀具的退化机理与信号处理 107
4.1.1 刀具的退化机理 108
4.1.2 刀具的退化模型 109
4.1.3 刀具数据集 109
4.1.4 刀具的信号处理 111
4.2 基于无迹粒子滤波融合的刀具剩余使用寿命预测 118
4.2.1 双向门控循环单元网络 118
4.2.2 基于BiGRU-Attention模型的健康指标构建 119
4.2.3 无迹粒子滤波算法 121
4.2.4 基于融合算法的刀具剩余使用寿命预测 127
4.3 基于郊狼优化-粒子滤波融合的刀具剩余使用寿命预测 129
4.3.1 深度CORAL方法 129
4.3.2 基于LSTNet模型的健康指标构建 132
4.3.3 郊狼优化算法改进粒子滤波 134
4.3.4 基于融合算法的刀具剩余使用寿命预测 137
4.4 仿真与分析 140
4.5 本章小结 150
参考文献 151
第5章 基于多任务网络模型的航空发动机健康状态评估与寿命预测 153
5.1 航空发动机健康管理的多任务标签 153
5.1.1 航空发动机数据集 154
5.1.2 多任务标签构建 155
5.2 基于十字绣多任务网络模型的健康状态评估与寿命预测 161
5.2.1 基于十字绣的多任务网络 161
5.2.2 基于十字绣与BiGRU的多任务网络 163
5.2.3 仿真与分析 165
5.3 基于多门混合专家改进多任务网络模型的健康状态评估与寿命预测 172
5.3.1 基于MMoE与BiGRU的多任务网络 172
5.3.2 基于不确定性损失函数优化的多任务网络 174
5.3.3 仿真与分析 176
5.4 本章小结 186
参考文献 187
第6章 基于迁移学习的旋转机械部件健康状态评估和退化趋势预测 189
6.1 旋转机械部件的退化特征与健康状态评估 189
6.1.1 旋转机械部件的结构与退化模型 190
6.1.2 旋转机械部件数据集 191
6.1.3 旋转机械部件的特征提取与选择 192
6.1.4 旋转机械部件的健康状态评估 195
6.2 基于特征迁移和深度学习的退化趋势预测 197
6.2.1 基于迁移成分分析的特征迁移 198
6.2.2 基于CNN-BiLSTM-AM的深度学习网络 200
6.2.3 退化趋势预测 200
6.2.4 仿真与分析 201
6.3 基于领域自适应与双任务网络的健康状态评估和退化趋势预测 208
6.3.1 基于MEDA的领域自适应 208
6.3.2 基于深度学习的双任务网络 210
6.3.3 健康状态和退化趋势联合研究 212
6.3.4 仿真与分析 212
6.4 本章小结 220
参考文献 220