多狀態系統故障識別與壽命預測

內容簡介

《多狀態系統故障識別與壽命預測》系統地介紹了筆者及其科研團隊近年來在多狀態系統故障診斷與剩餘壽命預測方面的科研實踐，具有針對性、學術性和實用性較強的特點。《多狀態系統故障識別與壽命預測》共8章，第1章簡要分析多狀態系統故障診斷問題研究的必要性和重要性，對多狀態系統故障預測和健康管理的國內外研究現狀進行分析；第2章介紹多狀態系統可靠性度量方法；第3章介紹基於鄰域屬性重要度與主成分分析的齒輪箱故障特徵約簡方法；第4章介紹基於深度卷積神經網路的特徵融合與多狀態故障識別方法；第5章介紹基於遺傳算法和WPHM的多狀態系統退化特徵選擇及參數化估計方法；第6章介紹多狀態系統狀態分割、識別及其剩餘使用壽命預測方法；第7章介紹基於隱馬爾科夫模型的多狀態系統故障診斷方法；第8章基於以上分析實施化工泵狀態監測及剩餘壽命預測分析。《多狀態系統故障識別與壽命預測》可供從事可靠性與故障診斷領域研究相關專業師生和科研工作者閱讀參考。

圖書目錄

第1章緒論

1．1 研究背景和意義

1．2 多狀態系統研究現狀

1．3 故障預測與健康管理研究現狀

1．4 本章小結

第2章多狀態系統可靠性度量方法

2．1 引言

2．2 多狀態系統概述

2．3 馬爾科夫鏈模型

2．4 通用發生函式

2．5 多狀態系統動態可靠性度量及其重要度分析．

2．6 案例分析

2．7 本章小結

第3章基於鄰域屬性重要度與主成分分析的齒輪箱故障特徵分析

3．1 引言

3．2 齒輪箱特徵定義及其分類

3．3 齒輪箱試驗方案

3．4 基於PCA與SVM的齒輪箱故障特徵融合分析

3．5 基於鄰域屬性重要度的齒輪箱故障特徵分析

3．5．1 前向貪心數值屬性約簡

3．5．2 鄰域屬性重要度的計算

3．5．3 特徵優選評價實驗方案設計

3．5．4 優選特徵的變化趨勢分析

3．5．5 基於特徵優選與PCA相結合的齒輪箱故障特徵融合

3．6 基於PCA和SVM的滾動軸承故障特徵融合

3．6．1 小波包故障特徵提取算法及特徵向量的構造

3．6．2 基於PCA與SVM的故障特徵分類與診斷流程

3．6．3 基於PCA與SVM的滾動軸承故障特徵融合分析

3．6．4 基於SVM的軸承故障特徵分類

3．7 本章小結

第4章基於深度卷積神經網路的特徵融合與多狀態故障識別方法

4．1 引言

4．2 深度卷積神經網路（DCNN）

4．2．1 DCNN模型的建立

4．2．2 DCNN模型的訓練

4．3 基於支持向量機的故障識別

4．3．1 支持向量機的二分類

4．3．2 支持向量機的多分類

4．4 試驗分析

4．4．1 試驗1分析

4．4．2 試驗2分析

多狀態系統故障識別與壽命預測

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條