掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
慣性測量組合智能故障診斷及預測技術 版權信息
- ISBN：9787118112511
- 條形碼：9787118112511 ; 978-7-118-11251-1
- 裝幀：暫無
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
慣性測量組合智能故障診斷及預測技術 本書特色
《慣性測量組合智能故障診斷及預測技術》以作者及團隊近10年來在慣性導航和故障診斷等方面從事學術、科研和教學工作中的成果為基礎。主要針對慣性導航系統關鍵部件一一慣性測量組合的故障診斷與預測技術總結歸納加工而成。
《慣性測量組合智能故障診斷及預測技術》內容新穎，突出理論創新和應用，適合從事慣性測量組合等復雜機電系統狀態監測與故障診斷、故障預測及健康管理、維護工作的工程技術人員和研究人員參考、閱讀，也可作為高等院校自動化系統工程、可靠性工程等相關專業的研究生教材。
慣性測量組合智能故障診斷及預測技術 內容簡介
由王宏力、何星、陸敬輝、姜偉、馮磊著的《慣性測量組合智能故障診斷及預測技術》以作者及團隊近l0年來在慣性導航和故障診斷等方面從事學術、科研和教學工作中的成果為基礎。主要針對慣性導航系統關鍵部件一一慣性測量組合的故障診斷與預測技術總結歸納加工而成。本書內容新穎，突出理論創新和應用，適合從事慣性測量組合等復雜機電系統狀態監測與故障診斷、故障預測及健康管理、維護工作的工程技術人員和研究人員參考、閱讀，也可作為高等院校自動化系統工程、可靠性工程等相關專業的研究生教材。
慣性測量組合智能故障診斷及預測技術 目錄
第1章 緒論
1．1 引言
1．2 故障診斷方法概述
1．2．1 故障診斷的概念
1．2．2 基于多信號模型的故障診斷研究現狀
1．2．3 基于人工智能的模擬電路故障診斷研究現狀
1．3 故障預測方法概述
1．4 剩余壽命估計方法概述
1．4．1 基于機理模型的剩余壽命估計方法
1．4．2 數據驅動的剩余壽命估計方法
1．4．3 剩余壽命估計在預測維護中的應用
1．5 慣性測量組合
1．5．1 慣性導航的基本原理
1．5．2 慣性測量組合的組成
1．5．3 慣性測量組合的工作原理及功能
1．6 本書結構安排
參考文獻
第2章 多信號模型建模
2．1 引言
2．2 多信號建模理論與建模方法
2．2．1 多信號建模理論
2．2．2 多信號建模方法
2．3 測試性工程與維護系統（TEAMS）
2．3．1 TEAMS的功能與組成
2．3．2 基于TEAMS的測試性分析
2．3．3 基于TEAMS的故障診斷策略
2．4 慣性測量組合多信號模型的構建
2．4．1 建模原則
2．4．2 本體多信號建模
2．4．3 電子箱多信號建模
2．4．4 二次電源多信號建模
2．4．5 模型合成及屬性設置
2．5 慣性測量組合測試性分析與改進
2．5．1 測試點的選取及測試設置
2．5．2 慣性測量組合固有測試性分析
2．5．3 改進測試性分析
2．6 小結
參考文獻
第3章 基于計算智能的慣性測量組合診斷策略優化
3．1 引言
3．2 測試集優化方法
3．2．1 測試集優化的數學描述
3．2．2 測試性指標
3．2．3 粒子群優化算法概述
3．2．4 基于多維并行免疫離散粒子群優化算法的IMU測試集優化
3．2．5 基于多維動態翻轉離散粒子群算法的IMU測試集優化
3．3 診斷策略優化方法
3．3．1 慣性測量組合故障樹的構建
3．3．2 慣性測量組合故障樹診斷策略優化
3．3．3 基于蟻群算法優化的慣性測量組合相關矩陣診斷策略
3．4 小結
參考文獻
第4章 基于人工智能方法的慣．陸測量組合模擬電路故障診斷
4．1 引言
4．2 基于人工神經網絡的模擬電路故障診斷
4．2．1 神經網絡的故障診斷能力
4．2．2 徑向基函數神經網絡
4．2．3 基于遺傳RBF網絡的慣性測量組合模擬電路故障診斷
4．2．4 基于經驗模式分解和神經網絡的IMU模擬電路故障診斷
4．3 基于支持向量機的模擬電路故障診斷
4．3．1 支持向量機基本理論
4．3．2 層次聚類LSSVM多分類算法
4．3．3 基于層次聚類LSSVM的慣性測量組合模擬電路故障診斷
4．3．4 基于故障殘差和SVM的慣性測量組合模擬電路故障診斷
4．4 基于極端學習機的模擬電路故障診斷
4．4．1 ELM基本理論
4．4．2 基于優選小波包和ELM的模擬電路故障診斷
4．4．3 基于固定尺寸序貫極端學習機的模擬電路在線故障診斷
4．5 基于信息融合的模擬電路故障診斷
4．5．1 信息融合的級別
4．5．2 基于特征級信息融合的故障診斷
4．5．3 基于響應曲線有效點的特征提取方法
4．5．4 改進的模糊聚類特征壓縮算法
4．5．5 診斷實例
4．6 小結
參考文獻
第5章 基于數據驅動的慣性測量組合智能故障預測
5．1 引言
5．2 基于數據驅動的故障預測方法
5．3 基于支持向量機的慣性測量組合故障預測
5．3．1 *小二乘支持向量機回歸
5．3．2 基于EMD-LSSVM的故障預測方法
5．3．3 基于進化交叉驗證與直接支持向量機回歸的故障預測方法
5．4 基于極端學習機的慣性測量組合故障預測
5．4．1 基于極端學習機的慣性測量組合多尺度混合預測方法
5．4．2 基于改進集合在線序貫極端學習機的慣性測量組合故障預測
5．5 基于小樣本條件下的慣性測量組合故障預測
5．5．1 結構自適應序貫正則極端學習機
5．5．2 實例驗證
5．6 小結
參考文獻
第6章 基于退化過程建模的慣性測量組合剩余壽命在線估計
6．1 引言
6．2 基于半隨機濾波和EM算法的剩余壽命在線估計
6．2．1 問題描述
6．2．2 基于半隨機濾波的估計模型
6．2．3 參數在線估計算法
6．2．4 慣性測量組合剩余壽命估計的仿真試驗
6．3 基于隱含線性退化過程建模的剩余壽命在線估計
6．3．1 狀態空間模型與剩余壽命估計
6．3．2 參數估計
6．3．3 慣性測量組合剩余壽命估計的仿真試驗
6．4 基于隱含非線性退化過程建模的剩余壽命在線估計
6．4．1 問題描述與剩余壽命估計
6．4．2 參數在線估計算法
6．4．3 慣性測量組合剩余壽命預測的仿真試驗
6．5 小結
參考文獻
第7章 基于可變成本的MU實時預測維護與備件訂購
7．1 引言
7．2 **種基于可變成本的預測維護模型的構建
7．2．1 長期運行成本方差
7．2．2 預測維護決策目標函數
7．3 第二種基于可變成本的預測維護模型的構建
7．3．1 長期運行成本方差
7．3．2 預測維護決策目標函數
7．4 備件訂購模型的構建
7．5 慣性測量組合預測維護的仿真試驗
7．5．1 問題描述
7．5．2 試驗結果
7．6 小結
參考文獻
1．1 引言
1．2 故障診斷方法概述
1．2．1 故障診斷的概念
1．2．2 基于多信號模型的故障診斷研究現狀
1．2．3 基于人工智能的模擬電路故障診斷研究現狀
1．3 故障預測方法概述
1．4 剩余壽命估計方法概述
1．4．1 基于機理模型的剩余壽命估計方法
1．4．2 數據驅動的剩余壽命估計方法
1．4．3 剩余壽命估計在預測維護中的應用
1．5 慣性測量組合
1．5．1 慣性導航的基本原理
1．5．2 慣性測量組合的組成
1．5．3 慣性測量組合的工作原理及功能
1．6 本書結構安排
參考文獻
第2章 多信號模型建模
2．1 引言
2．2 多信號建模理論與建模方法
2．2．1 多信號建模理論
2．2．2 多信號建模方法
2．3 測試性工程與維護系統（TEAMS）
2．3．1 TEAMS的功能與組成
2．3．2 基于TEAMS的測試性分析
2．3．3 基于TEAMS的故障診斷策略
2．4 慣性測量組合多信號模型的構建
2．4．1 建模原則
2．4．2 本體多信號建模
2．4．3 電子箱多信號建模
2．4．4 二次電源多信號建模
2．4．5 模型合成及屬性設置
2．5 慣性測量組合測試性分析與改進
2．5．1 測試點的選取及測試設置
2．5．2 慣性測量組合固有測試性分析
2．5．3 改進測試性分析
2．6 小結
參考文獻
第3章 基于計算智能的慣性測量組合診斷策略優化
3．1 引言
3．2 測試集優化方法
3．2．1 測試集優化的數學描述
3．2．2 測試性指標
3．2．3 粒子群優化算法概述
3．2．4 基于多維并行免疫離散粒子群優化算法的IMU測試集優化
3．2．5 基于多維動態翻轉離散粒子群算法的IMU測試集優化
3．3 診斷策略優化方法
3．3．1 慣性測量組合故障樹的構建
3．3．2 慣性測量組合故障樹診斷策略優化
3．3．3 基于蟻群算法優化的慣性測量組合相關矩陣診斷策略
3．4 小結
參考文獻
第4章 基于人工智能方法的慣．陸測量組合模擬電路故障診斷
4．1 引言
4．2 基于人工神經網絡的模擬電路故障診斷
4．2．1 神經網絡的故障診斷能力
4．2．2 徑向基函數神經網絡
4．2．3 基于遺傳RBF網絡的慣性測量組合模擬電路故障診斷
4．2．4 基于經驗模式分解和神經網絡的IMU模擬電路故障診斷
4．3 基于支持向量機的模擬電路故障診斷
4．3．1 支持向量機基本理論
4．3．2 層次聚類LSSVM多分類算法
4．3．3 基于層次聚類LSSVM的慣性測量組合模擬電路故障診斷
4．3．4 基于故障殘差和SVM的慣性測量組合模擬電路故障診斷
4．4 基于極端學習機的模擬電路故障診斷
4．4．1 ELM基本理論
4．4．2 基于優選小波包和ELM的模擬電路故障診斷
4．4．3 基于固定尺寸序貫極端學習機的模擬電路在線故障診斷
4．5 基于信息融合的模擬電路故障診斷
4．5．1 信息融合的級別
4．5．2 基于特征級信息融合的故障診斷
4．5．3 基于響應曲線有效點的特征提取方法
4．5．4 改進的模糊聚類特征壓縮算法
4．5．5 診斷實例
4．6 小結
參考文獻
第5章 基于數據驅動的慣性測量組合智能故障預測
5．1 引言
5．2 基于數據驅動的故障預測方法
5．3 基于支持向量機的慣性測量組合故障預測
5．3．1 *小二乘支持向量機回歸
5．3．2 基于EMD-LSSVM的故障預測方法
5．3．3 基于進化交叉驗證與直接支持向量機回歸的故障預測方法
5．4 基于極端學習機的慣性測量組合故障預測
5．4．1 基于極端學習機的慣性測量組合多尺度混合預測方法
5．4．2 基于改進集合在線序貫極端學習機的慣性測量組合故障預測
5．5 基于小樣本條件下的慣性測量組合故障預測
5．5．1 結構自適應序貫正則極端學習機
5．5．2 實例驗證
5．6 小結
參考文獻
第6章 基于退化過程建模的慣性測量組合剩余壽命在線估計
6．1 引言
6．2 基于半隨機濾波和EM算法的剩余壽命在線估計
6．2．1 問題描述
6．2．2 基于半隨機濾波的估計模型
6．2．3 參數在線估計算法
6．2．4 慣性測量組合剩余壽命估計的仿真試驗
6．3 基于隱含線性退化過程建模的剩余壽命在線估計
6．3．1 狀態空間模型與剩余壽命估計
6．3．2 參數估計
6．3．3 慣性測量組合剩余壽命估計的仿真試驗
6．4 基于隱含非線性退化過程建模的剩余壽命在線估計
6．4．1 問題描述與剩余壽命估計
6．4．2 參數在線估計算法
6．4．3 慣性測量組合剩余壽命預測的仿真試驗
6．5 小結
參考文獻
第7章 基于可變成本的MU實時預測維護與備件訂購
7．1 引言
7．2 **種基于可變成本的預測維護模型的構建
7．2．1 長期運行成本方差
7．2．2 預測維護決策目標函數
7．3 第二種基于可變成本的預測維護模型的構建
7．3．1 長期運行成本方差
7．3．2 預測維護決策目標函數
7．4 備件訂購模型的構建
7．5 慣性測量組合預測維護的仿真試驗
7．5．1 問題描述
7．5．2 試驗結果
7．6 小結
參考文獻
展開全部
書友推薦
- >
詩經-先民的歌唱
- >
中國歷史的瞬間
- >
我從未如此眷戀人間
- >
我與地壇
- >
煙與鏡
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
伊索寓言-世界文學名著典藏-全譯本
- >
李白與唐代文化
本類暢銷
