《大數據驅動的機械裝備智慧型運維理論及套用》是2021年電子工業出版社出版的圖書，作者是雷亞國。
基本介紹
- 中文名：大數據驅動的機械裝備智慧型運維理論及套用
- 作者：雷亞國
- 出版社：電子工業出版社
- 出版時間：2021年12月
- 頁數：196 頁
- 定價：138 元
- 開本：128 開
- ISBN：9787121424199
內容簡介,圖書目錄,作者簡介,
內容簡介
本著作面向學科發展前沿與工程迫切需求，圍繞機械裝備智慧型運維面臨的新挑戰：數據大而不全呈"碎片化”、診斷與預測受制於專家經驗、智慧型診斷依賴充足可用數據等，凝練出大數據背景下智慧型運維領域的科學問題與套用難題，按照"問題-理論-技術-實例”的邏輯主線，詳細介紹了監測大數據質量保障、機械裝備故障深度智慧型診斷、機械裝備故障遷移智慧型診斷、數據驅動的機械裝備剩餘壽命預測等基礎理論與核心技術，所述內容兼具前沿性、創新性與工程實用性。旨在將作者團隊在智慧型運維領域的長期經驗積累與研究成果分享給廣大讀者，為其開展相關學術研究、解決套用難題提供參考。
作者簡介
圖書目錄
第1章 緒論 1
1.1 機械監測大數據的形成因素與領域特點 3
1.1.1 機械監測大數據的形成因素 3
1.1.2 機械監測大數據的領域特點 4
1.2 機械裝備智慧型運維的相關概念與研究現狀 5
1.2.1 機械裝備運行維護的定義 5
1.2.2 機械裝備智慧型運維的定義 6
1.2.2 機械裝備智慧型運維的研究現狀 7
1.3 大數據下智慧型運維面臨的機遇與挑戰 14
參考文獻 17
第2章 機械監測大數據質量保障 21
2.1 基於無跡卡爾曼濾波的流數據異常檢測 21
2.1.1 無跡卡爾曼濾波基本原理 22
2.1.2 基於無跡卡爾曼濾波的流數據異常檢測方法 24
2.1.3 滾動軸承流數據的異常檢測 26
2.2 基於核密度異常因子的離線歷史數據異常檢測 29
2.2.1 局部異常因子基本原理 29
2.2.2 基於核密度異常因子的異常數據檢測方法 31
2.2.3 風機主傳動系統異常數據檢測 35
2.3 基於張量Tucker分解的缺失數據恢復 37
2.3.1 張量分解理論 38
2.3.2 基於張量Tucker分解的缺失數據恢複方法 43
2.3.3 齒輪箱缺失數據恢復 46
本章小結 50
參考文獻 51
第3章 基於傳統機器學習的機械裝備智慧型故障診斷 53
3.1 基於人工神經網路的智慧型故障診斷 54
3.1.1 人工神經網路基本原理 55
3.1.2 機車輪對軸承智慧型故障診斷 57
3.2 基於支持向量機的智慧型故障診斷 59
3.2.1 支持向量機基本原理 60
3.2.2 行星齒輪箱智慧型故障診斷 62
3.3 混合智慧型故障診斷 66
3.3.1 混合智慧型診斷基本原理 66
3.3.2 混合智慧型診斷模型 67
3.3.3 電動機滾動軸承智慧型故障診斷 73
本章小結 75
參考文獻 75
第4章 基於深度學習的機械裝備智慧型故障診斷 77
4.1 深度置信網路智慧型故障診斷 78
4.1.1 受限玻爾茲曼機基本原理 78
4.1.2 深度置信網路智慧型診斷模型 80
4.1.3 電動機滾動軸承智慧型故障診斷 82
4.2 堆疊自編碼機智慧型故障診斷 84
4.2.1 自編碼機基本原理 84
4.2.2 堆疊自編碼機智慧型診斷模型 86
4.2.3 行星齒輪箱智慧型故障診斷 88
4.3 加權卷積神經網路智慧型故障診斷 91
4.3.1 卷積神經網路基本原理 92
4.3.2 加權卷積網路智慧型診斷模型 94
4.3.3 機車輪對軸承智慧型故障診斷 98
4.4 殘差網路智慧型故障診斷 101
4.4.1 殘差單元基本原理 101
4.4.2 基於殘差網路的智慧型診斷模型 102
4.4.3 行星齒輪箱智慧型故障診斷 103
本章小結 106
參考文獻 106
第5章 機械裝備故障遷移智慧型診斷 109
5.1 遷移診斷問題 110
5.1.1 領域與診斷任務 110
5.1.2 遷移診斷任務類型 110
5.1.3 遷移智慧型診斷方法分類 111
5.2 基於實例加權的遷移智慧型診斷 113
5.2.1 TrAdaboost算法描述 113
5.2.2 基於TrAdaboost算法的遷移診斷策略 114
5.2.3 行星齒輪箱的跨工況遷移故障診斷 116
5.3 基於特徵分布適配的遷移智慧型診斷 118
5.3.1 特徵分布適配基本原理 119
5.3.2 基於特徵分布適配的遷移診斷策略 120
5.3.3 跨裝備軸承間的遷移故障診斷 122
5.4 多核特徵空間適配的深度遷移智慧型診斷 125
5.4.1 多核植入的均值差異 126
5.4.2 多核特徵空間適配的深度遷移診斷模型 127
5.4.3 跨裝備軸承間的遷移故障診斷 130
5.5 特徵分布對抗適配的深度遷移智慧型診斷 132
5.5.1 生成對抗網路基本原理 132
5.5.2 特徵分布對抗適配的深度遷移診斷模型 133
5.5.3 跨工況與跨裝備遷移故障診斷 135
本章小結 139
參考文獻 140
第6章 數據驅動的機械裝備剩餘壽命預測 143
6.1 基於循環神經網路的健康指標構建方法 145
6.1.1 多域特徵提取 146
6.1.2 特徵評價與選擇 148
6.1.3 健康指標構建 149
6.1.4 滾動軸承健康指標構建 151
6.2 自適應多核組合相關向量機剩餘壽命預測方法 155
6.2.1 相關向量機基本原理 155
6.2.2 基於自適應多核組合相關向量機的剩餘壽命預測方法 157
6.2.3 齒輪剩餘壽命預測 159
6.3 深度可分卷積網路構建及剩餘壽命預測 163
6.3.1 可分卷積模組構建 163
6.3.2 網路結構與剩餘壽命預測 167
6.3.3 滾動軸承剩餘壽命預測 168
6.4 循環卷積神經網路構建及剩餘壽命預測 173
6.4.1 循環卷積神經網路構建 173
6.4.2 預測不確定性量化 176
6.4.3 數控工具機刀具剩餘壽命預測 178
本章小結 182
作者簡介
雷亞國，西安交通大學教授、博士生導師；英國工程技術學會會士（IET Fellow）、國際工程資產管理協會會士（ISEAM Fellow）、國家傑出青年科學基金獲得者、國家高層次人才特殊支持計畫入選者、科睿唯安全球高被引科學家（工程學、跨學科領域）。現擔任IEEE Transactions on Industrial Electronics、Mechanical Systems and Signal Processing等本領域著名期刊副主編。長期從事機械系統建模與動態信號處理、大數據智慧型故障診斷與壽命預測、機械狀態健康監測與智慧型運維等方面的研究工作。
曾獲國家技術發明二等獎、教育部自然科學一等獎、教育部青年科學獎、中國青年科技獎、霍英東教育基金會青年教師獎、慶祝中華人民共和國成立70周年紀念章、陝西青年五四獎章。
