中圖網小程序
一鍵登錄
更方便
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
基于機器學習的軸承智能健康預警與故障預測 版權信息
- ISBN：9787030672056
- 條形碼：9787030672056 ; 978-7-03-067205-6
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
基于機器學習的軸承智能健康預警與故障預測 本書特色
本書的研究內容集中于機器學習理論與軸承PHM問題的結合，以三類典型軸承PHM問題——故障診斷、早期故障檢測和剩余壽命預測問題為引導，從數據驅動的角度提高工程應用效果，系統講述軸承故障診斷和剩余壽命預測中的機器學習技術，給出具體的實現思路、建模過程和實驗驗證結果，重點圍繞在線故障診斷、早期故障在線檢測、多類型協同診斷、跨工況故障檢測和剩余壽命預測等新型PHM應用問題展開論述。本書內容既包括特征選擇、不均衡分類、半監督學習等傳統機器學習算法的改進，也包括深度學習、遷移學習、結構化學習等*新理論工作；不僅有現有機器學習算法的應用研究，也有針對具體問題特點的理論改進；不僅涉及基礎機器學習算法的應用，也有深度遷移學習、生成對抗網絡（generative adversarial networks，GAN）等*新技術的應用；不僅提供了具體技術的使用說明，也包括了作者研究思路、方案和技術路線的敘述；不僅有詳細的公式推導和文字描述，也給出了豐富的實驗結果和對比效果圖。
基于機器學習的軸承智能健康預警與故障預測 內容簡介
本書為數據驅動的軸承智能化故障檢測、故障診斷和剩余壽命預測提供了較為完整的機器學習解決方案。第1章介紹了軸承健康預警與故障預測的意義、發展趨勢、國內外研究現狀和關鍵挑戰；第2章介紹了常用的機器學習理論基礎；第3～5章介紹了故障診斷方法，分別采用深度學習、不均衡分類、結構化學習、在線學習等機器學習算法形式；第6章和第7章介紹了早期故障的在線檢測問題，分別采用半監督學習、深度學習和遷移學習等機器學習算法形式；第8章和第9章介紹了剩余壽命預測問題，著重介紹了時序深度學習和遷移學習的解決方案。 本書可作為計算機、自動控制、機械工程、工業工程等學科的研究生和本科生的教學用書及參考用書，同時對從事系統維護、可靠性管理、智能制造等領域的科研人員及工程技術人員具有一定的參考價值。
基于機器學習的軸承智能健康預警與故障預測 目錄
第1章 緒論
1.1 引言
1.1.1 國家與社會的巨大需求
1.1.2 智能健康預警與故障預測的重要作用
1.1.3 機器學習的重要作用
1.2 軸承早期故障檢測方法研究現狀
1.3 軸承故障診斷方法研究現狀
1.4 軸承剩余壽命方法研究現狀
1.5 軸承智能健康預警與故障預測面臨的挑戰
1.6 數據集介紹
參考文獻
第2章 機器學習理論基礎
2.1 淺層學習模型
2.1.1 感知機
2.1.2 決策樹
2.1.3 Logistic回歸
2.1.4 支持向量機
2.1.5 樸素貝葉斯算法
2.1.6 支持向量數據描述
2.2 深度學習模型
2.2.1 傳統神經網絡模型
2.2.2 卷積神經網絡
2.2.3 自編碼神經網絡
2.2.4 深度置信網絡
2.2.5 循環神經網絡
2.2.6 長短時記憶網絡
2.2.7 生成對抗網絡
2.3 本章小結
參考文獻
第3章 故障特征表示與診斷模型構建
3.1 基于淺層模型的故障診斷
3.1.1 異構故障特征表示
3.1.2 故障診斷模型構建
3.2 基于深度神經網絡的故障診斷方法
3.2.1 極限學習機自編碼器
3.2.2 滾動軸承的深度特征提取方法
3.2.3 實驗結果
3.3 基于生成對抗網絡的故障樣本合成與診斷
3.3.1 不均衡類別的故障診斷
3.3.2 基于GAN和SDAE模型的不均衡故障診斷
3.3.3 實驗結果
3.4 本章小結
參考文獻
第4章 結構化學習與多故障狀態診斷
4.1 基于結構化特征選擇的故障診斷方法
4.1.1 引言
4.1.2 基于特征相關性的結構化特征選擇算法
4.1.3 模型求解
4.1.4 實驗結果
4.2 基于深度輸出核學習的多故障狀態診斷
4.2.1 引言
4.2.2 深度輸出核網絡模型
4.2.3 實驗設置
4.2.4 實驗結果
4.3 基于結構化深度自編碼器的多故障狀態診斷
4.3.1 結構化自編碼器模型構建
4.3.2 目標函數求解
4.3.3 實驗結果分析
4.4 本章小結
參考文獻
第5章 在線學習與在線故障診斷
5.1 基于極限學習機的在線不均衡故障診斷
5.1.1 引言
5.1.2 基于粒劃分的在線不均衡分類
5.1.3 可靠性理論分析
5.1.4 實驗結果分析
5.2 基于增量支持向量機和深度特征表示的在線故障診斷
5.2.1 增量模型構建
5.2.2 實驗結果
5.3 本章小結
參考文獻
第6章 深度學習與早期故障在線檢測
6.1 基于半監督框架和深度特征表示的早期故障在線檢測
6.1.1 引言
6.1.2 深度特征表示與模型更新
6.1.3 早期故障指標構建
6.1.4 性能分析
6.1.5 對比實驗結果
6.2 基于深度特征自適應匹配的早期故障在線檢測
6.2.1 引言
6.2.2 離線深度特征建模
6.2.3 在線自適應特征匹配
6.2.4 實驗結果分析
6.2.5 實驗驗證
6.3 本章小結
參考文獻
第7章 深度遷移學習與早期故障在線檢測
7.1 基于振動信號可視化遷移的早期故障在線檢測
7.1.1 數據處理
7.1.2 深度遷移特征提取模型的構建
7.1.3 檢測模型構建
7.1.4 實驗結果
7.2 基于多域遷移深度自編碼網絡的早期故障在線檢測
7.2.1 多域遷移深度自編碼網絡
7.2.2 異常檢測模型
7.2.3 實驗結果
7.3 本章小結
參考文獻
第8章 深度學習與軸承剩余壽命預測
8.1 基于深度特征表示和長短時記憶網絡的RUL預測
8.1.1 軸承健康狀態劃分方法
8.1.2 軸承退化過程深度特征表示
8.1.3 故障閾值與剩余壽命確定
8.1.4 基于LSTM網絡的預測模型
8.2 實驗設置
8.2.1 信號預處理
8.2.2 狀態劃分和深度特征表示
8.2.3 剩余壽命確定結果
8.3 實驗結果
8.4 本章小結
參考文獻
第9章 遷移學習與跨工況剩余壽命預測
9.1 RUL遷移學習預測的問題描述
9.2 基于深度特征表示和遷移學習的軸承剩余壽命預測方法
9.2.1 信號預處理和深度特征提取
9.2.2 軸承退化狀態劃分方法
9.2.3 基于深度特征的遷移成分分析
9.2.4 實驗結果
9.3 基于深度時序特征遷移的軸承剩余壽命預測方法
9.3.1 基于深度時序特征的健康指標構建
9.3.2 面向序列遷移的領域自適應
9.3.3 基于遷移回歸模型的軸承剩余壽命預測方法
9.3.4 實驗結果
9.4 本章小結
參考文獻
1.1 引言
1.1.1 國家與社會的巨大需求
1.1.2 智能健康預警與故障預測的重要作用
1.1.3 機器學習的重要作用
1.2 軸承早期故障檢測方法研究現狀
1.3 軸承故障診斷方法研究現狀
1.4 軸承剩余壽命方法研究現狀
1.5 軸承智能健康預警與故障預測面臨的挑戰
1.6 數據集介紹
參考文獻
第2章 機器學習理論基礎
2.1 淺層學習模型
2.1.1 感知機
2.1.2 決策樹
2.1.3 Logistic回歸
2.1.4 支持向量機
2.1.5 樸素貝葉斯算法
2.1.6 支持向量數據描述
2.2 深度學習模型
2.2.1 傳統神經網絡模型
2.2.2 卷積神經網絡
2.2.3 自編碼神經網絡
2.2.4 深度置信網絡
2.2.5 循環神經網絡
2.2.6 長短時記憶網絡
2.2.7 生成對抗網絡
2.3 本章小結
參考文獻
第3章 故障特征表示與診斷模型構建
3.1 基于淺層模型的故障診斷
3.1.1 異構故障特征表示
3.1.2 故障診斷模型構建
3.2 基于深度神經網絡的故障診斷方法
3.2.1 極限學習機自編碼器
3.2.2 滾動軸承的深度特征提取方法
3.2.3 實驗結果
3.3 基于生成對抗網絡的故障樣本合成與診斷
3.3.1 不均衡類別的故障診斷
3.3.2 基于GAN和SDAE模型的不均衡故障診斷
3.3.3 實驗結果
3.4 本章小結
參考文獻
第4章 結構化學習與多故障狀態診斷
4.1 基于結構化特征選擇的故障診斷方法
4.1.1 引言
4.1.2 基于特征相關性的結構化特征選擇算法
4.1.3 模型求解
4.1.4 實驗結果
4.2 基于深度輸出核學習的多故障狀態診斷
4.2.1 引言
4.2.2 深度輸出核網絡模型
4.2.3 實驗設置
4.2.4 實驗結果
4.3 基于結構化深度自編碼器的多故障狀態診斷
4.3.1 結構化自編碼器模型構建
4.3.2 目標函數求解
4.3.3 實驗結果分析
4.4 本章小結
參考文獻
第5章 在線學習與在線故障診斷
5.1 基于極限學習機的在線不均衡故障診斷
5.1.1 引言
5.1.2 基于粒劃分的在線不均衡分類
5.1.3 可靠性理論分析
5.1.4 實驗結果分析
5.2 基于增量支持向量機和深度特征表示的在線故障診斷
5.2.1 增量模型構建
5.2.2 實驗結果
5.3 本章小結
參考文獻
第6章 深度學習與早期故障在線檢測
6.1 基于半監督框架和深度特征表示的早期故障在線檢測
6.1.1 引言
6.1.2 深度特征表示與模型更新
6.1.3 早期故障指標構建
6.1.4 性能分析
6.1.5 對比實驗結果
6.2 基于深度特征自適應匹配的早期故障在線檢測
6.2.1 引言
6.2.2 離線深度特征建模
6.2.3 在線自適應特征匹配
6.2.4 實驗結果分析
6.2.5 實驗驗證
6.3 本章小結
參考文獻
第7章 深度遷移學習與早期故障在線檢測
7.1 基于振動信號可視化遷移的早期故障在線檢測
7.1.1 數據處理
7.1.2 深度遷移特征提取模型的構建
7.1.3 檢測模型構建
7.1.4 實驗結果
7.2 基于多域遷移深度自編碼網絡的早期故障在線檢測
7.2.1 多域遷移深度自編碼網絡
7.2.2 異常檢測模型
7.2.3 實驗結果
7.3 本章小結
參考文獻
第8章 深度學習與軸承剩余壽命預測
8.1 基于深度特征表示和長短時記憶網絡的RUL預測
8.1.1 軸承健康狀態劃分方法
8.1.2 軸承退化過程深度特征表示
8.1.3 故障閾值與剩余壽命確定
8.1.4 基于LSTM網絡的預測模型
8.2 實驗設置
8.2.1 信號預處理
8.2.2 狀態劃分和深度特征表示
8.2.3 剩余壽命確定結果
8.3 實驗結果
8.4 本章小結
參考文獻
第9章 遷移學習與跨工況剩余壽命預測
9.1 RUL遷移學習預測的問題描述
9.2 基于深度特征表示和遷移學習的軸承剩余壽命預測方法
9.2.1 信號預處理和深度特征提取
9.2.2 軸承退化狀態劃分方法
9.2.3 基于深度特征的遷移成分分析
9.2.4 實驗結果
9.3 基于深度時序特征遷移的軸承剩余壽命預測方法
9.3.1 基于深度時序特征的健康指標構建
9.3.2 面向序列遷移的領域自適應
9.3.3 基于遷移回歸模型的軸承剩余壽命預測方法
9.3.4 實驗結果
9.4 本章小結
參考文獻
展開全部
基于機器學習的軸承智能健康預警與故障預測 作者簡介
毛文濤，教授，工學博士，碩士生導師，主要研究方向為機器學習、智能故障診斷和預測。河南省高校科技創新人才、河南省高校青年骨干教師。主要研究工作集中在機器學習理論及其在旋轉機械健康管理領域的應用。主持國家自然科學基金2項、各類省部級項目1 0余項。獲河南省高等教育教學成果獎二等獎、自然科學優秀論文獎一等獎、西安交通大學優秀博士學位論文獎等多項獎勵。2016年以來，在MssP、IEEETsMc—B、IEEE TIM、《自動化學報》、《控制與決策》等國內外權威學術期刊和會議發表學術論文50余篇，其中EsI熱點論文1篇，EsI高被引論文5篇。
書友推薦
- >
伊索寓言-世界文學名著典藏-全譯本
- >
有舍有得是人生
- >
巴金－再思錄
- >
上帝之肋:男人的真實旅程
- >
李白與唐代文化
- >
羅曼·羅蘭讀書隨筆-精裝
- >
朝聞道
- >
名家帶你讀魯迅:故事新編
本類暢銷
