《工業裝備系統亞健康診斷方法》是2013年電子工業出版社出版的圖書，作者是張利、張立勇、王學芝。
基本介紹
- 中文名：工業裝備系統亞健康診斷方法
- 作者：張利、張立勇、王學芝 等
- 出版社：電子工業出版社
- 出版時間：2013年1月
- 頁數：184 頁
- 定價：39 元
- 開本：16 開
- ISBN：9787121217142
內容簡介,目錄,
內容簡介
工業裝備亞健康狀態預測、診斷及維護技術能夠使工業裝備長期穩定運行，具有重要的現實意義。本書重點介紹了幾種改進及新型工業裝備健康狀態診斷模型，並對如何將診斷模型套用到具體問題做了詳細的闡述。全書共12章，第1章綜述了各種機械健康狀態診斷技術的發展現狀及發展趨勢；第2章主要介紹了一種有效的數據預處理方法；第3～10章給出幾種改進及新型狀態診斷模型；第11章和第12章介紹了不完整數據集的區間重構及在此基礎上的聚類算法
目錄
第1章 工業裝備健康狀態診斷方法論述 1
1.1 引言 1
1.2 粗糙集理論 2
1.2.1 粗糙集理論的相關概念 2
1.2.2 常用的屬性約簡算法 3
1.3 神經網路 5
1.3.1 BP神經網路結構 5
1.3.2 BP算法的步驟 6
1.3.3 BP神經網路的性能分析 8
1.4 支持向量機 9
1.4.1 統計學習理論 9
1.4.2 支持向量機的理論 11
1.4.3 支持向量機的優點分析 13
1.5 小波分析 13
1.5.1 一維連續小波變換 14
1.5.2 離散小波變換 15
1.6 工業裝備健康狀態診斷 16
1.6.1 基本診斷過程 17
1.7 全書概況 17
參考文獻 18
第2章 基於灰色粗糙集的二階段數據預處理 22
2.1 引言 22
2.2 基於灰色粗糙集的二階段數據預處理方法 22
2.2.1 關聯度分析方法的基本理論 22
2.2.2 兩階段數據預處理算法流程 24
2.2.3 算法有效性驗證 25
2.3 健康狀態診斷中的特徵參數提取 26
2.3.1 故障特徵參數選取的原則 26
2.3.2 時域特徵參數 27
2.3.3 頻域特徵參數 28
2.4 提取滾動軸承故障特徵的仿真實驗 29
2.4.1 仿真實驗的故障數據 29
2.4.2 屬性約簡的實驗過程 30
2.5 結束語 31
參考文獻 31
第3章 基於遺傳神經網路的健康狀態診斷模型 33
3.1 引言 33
3.2 遺傳算法與BP神經網路的結合 33
3.2.1 GA-BP結合的可行性分析 33
3.2.2 遺傳算法與神經網路的結合方式 34
3.3 學習運算元設計與改進 35
3.3.1 GA-BP編碼方式 35
3.3.2 適應度函式的設計 36
3.3.3 選擇運算元的設計 37
3.3.4 交叉運算元的設計 38
3.3.5 變異運算元的設計 39
3.4 遺傳神經網路健康狀態診斷算法 40
3.4.1 算法的基本思想 40
3.4.2 算法的基本流程 41
3.5 健康狀態診斷的仿真實驗 42
3.5.1 仿真實驗環境設定 42
3.5.2 對比實驗與性能分析 43
3.6 結束語 46
參考文獻 46
第4章 基於粒子群最佳化BP神經網路的亞健康識別 48
4.1 引言 48
4.2 粒子群算法概述 50
4.2.1 基本粒子群算法 50
4.2.2 帶慣性權重的粒子群算法 50
4.2.3 帶壓縮因子的粒子群算法 51
4.3 粒子群算法的改進 52
4.3.1 精英學習策略的粒子群算法 52
4.3.2 算法改進的基本思想 52
4.3.3 慣性權重的改進 53
4.3.4 學習因子的改進 54
4.4 粒子群最佳化BP神經網路算法 55
4.4.1 IPSO-BP模型 55
4.4.2 IPSO-BP算法基本流程 57
4.5 亞健康及D-S證據理論的引入 58
4.5.1 亞健康 58
4.5.2 基於D-S證據理論的亞健康算法 59
4.6 健康狀態診斷的仿真實驗 62
4.6.1 實驗過程 62
4.6.2 性能分析 67
4.7 結束語 67
參考文獻 68
第5章 基於機器學習的裝備健康度評估 70
5.1 引言 70
5.2 模糊集理論 70
5.2.1 模糊集理論概述 70
5.2.2 相關概念 71
5.3 健康狀態的等級劃分 74
5.3.1 健康度的概念 74
5.3.2 故障狀態的健康度評估 75
5.4 隸屬度到健康度的映射關係模型 76
5.4.1 基於BP神經網路的健康度計算 77
5.4.2 基於支持向量機的健康度計算 78
5.5 健康狀態診斷的仿真實驗 80
5.5.1 故障特徵參數靈敏度評估 80
5.5.2 健康度的計算 80
5.5.3 實驗結果與分析 83
5.6 結束語 85
參考文獻 85
第6章 基於改進蟻群算法最佳化支持向量機參數的健康狀態分類 88
6.1 引言 88
6.2 改進蟻群算法對支持向量機的最佳化過程 91
6.2.1 參數最佳化 91
6.2.2 基於格線劃分策略的蟻群算法 92
6.3 仿真實驗及結果分析 94
6.3.1 數據預處理 95
6.3.2 蟻群算法的參數設定 98
6.3.3 泛化能力 99
6.4 結束語 101
參考文獻 102
第7章 基於機率神經網路的軸承健康狀態診斷 105
7.1 引言 105
7.2 健康度定義 106
7.3 模型選擇 107
7.3.1 機率神經網路概述 107
7.3.2 機率神經網路的拓撲結構 108
7.4 仿真實驗及結果分析 109
7.5 結束語 115
參考文獻 115
第8章 基於小波分析的健康狀態檢測 118
8.1 引言 118
8.2 脈衝小波 118
8.2.1 脈衝小波的定義 118
8.2.2 脈衝小波的正交性 119
8.3 脈衝小波分析方法 121
8.4 能量譜分析方法 122
8.5 健康狀態診斷仿真實驗 122
8.5.1 相關參數與實驗結果 123
8.5.2 可行性分析 126
8.6 結束語 127
參考文獻 127
第9章 勢能函式健康狀態識別分類算法的研究與套用 129
9.1 引言 129
9.2 勢能函式 129
9.3 勢能函式實現健康狀態多分類 131
9.4 基於勢能函式分類算法的健康狀態診斷 132
9.5 結束語 134
參考文獻 134
第10章 基於高斯混合模型EM算法的健康狀態識別方法 136
10.1 引言 136
10.2 高斯混合模型的基本思想 136
10.2.1 高斯混合模型 136
10.2.2 GMM的引入意義 137
10.2.3 EM算法的改進思想 137
10.3 基於高斯混合模型EM算法的設計與實現 138
10.3.1 基於高斯混合模型EM算法 138
10.3.2 基於高斯混合模型EM算法的基本流程 139
10.4 仿真實驗與結果 140
10.5 結束語 142
參考文獻 142
第11章 不完整數據集的區間重構 144
11.1 引言 144
11.2 不完整數據集的處理 146
11.2.1 最近鄰規則 147
11.2.2 不完整數據集轉換為區間數據集 148
11.3 區間限定的必要性 149
11.4 不完整數據集的預分類 151
11.4.1 預分類方法分析 151
11.4.2 預分類過程 154
11.5 區間重構的流程 154
11.6 結束語 155
參考文獻 155
第12章 基於區間重構的不完整數據集混雜聚類算法研究 158
12.1 引言 158
12.2 區間FCM聚類算法 158
12.2.1 區間模糊C均值基本算法 158
12.2.2 區間模糊C均值算法基本流程 159
12.2.3 基於最近鄰區間的不完整數據FCM算法 160
12.3 不完整數據集的粒子群模糊C均值混雜算法 162
12.3.1 群最佳化策略 162
12.3.2 粒子群的優點 162
12.3.3 混雜算法 163
12.3.4 混雜算法的變異 165
12.3.5 混雜算法基本流程 165
12.3.6 基於最近鄰區間的不完整數據混雜聚類算法 166
12.4 基於區間重構的不完整數據集混雜算法 168
12.4.1 算法的基本思想 168
12.4.2 算法的基本流程 168
12.5 仿真案例及分析 170
12.6 結束語 171
參考文獻 172
