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
大數據驅動的機械裝備智能運維理論及應用 版權信息
- ISBN：9787121424199
- 條形碼：9787121424199 ; 978-7-121-42419-9
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
大數據驅動的機械裝備智能運維理論及應用 本書特色
圍繞機械裝備智能運維面臨的新挑戰：數據大而不全呈“碎片化”、診斷與預測受制于專家經驗、智能診斷依賴于充足可用數據等，凝練出大數據背景下智能運維領域的科學問題與應用難題，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能診斷、機械裝備故障遷移智能診斷、數據驅動的機械裝備剩余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。 可作為高等院校機械工程、儀器儀表和能源動力等專業的研究生、高年級本科生的教材或參考書，也可供相關領域學者和技術人員參考，受眾范圍廣。
大數據驅動的機械裝備智能運維理論及應用 內容簡介
本著作面向學科發展前沿與工程迫切需求，圍繞機械裝備智能運維面臨的新挑戰：數據大而不全呈"碎片化”、診斷與預測受制于專家經驗、智能診斷依賴充足可用數據等，凝練出大數據背景下智能運維領域的科學問題與應用難題，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能診斷、機械裝備故障遷移智能診斷、數據驅動的機械裝備剩余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能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、解決應用難題提供參考。
大數據驅動的機械裝備智能運維理論及應用 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 機械裝備智能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 機械裝備智能運維的定義 6
1．2．2 機械裝備智能運維的研究現狀 7
1．3 大數據下智能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 基于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 基于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 基于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 基于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 基于張量Tucker分解的缺失數據恢復 37
2．3．1 張量分解理論 38
2．3．2 基于張量Tucker分解的缺失數據恢復方法 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 基于傳統機器學習的機械裝備智能故障診斷 53
3．1 基于人工神經網絡的智能故障診斷 54
3．1．1 人工神經網絡基本原理 55
3．1．2 機車輪對軸承智能故障診斷 57
3．2 基于支持向量機的智能故障診斷 59
3．2．1 支持向量機基本原理 60
3．2．2 行星齒輪箱智能故障診斷 62
3．3 混合智能故障診斷 66
3．3．1 混合智能診斷基本原理 66
3．3．2 混合智能診斷模型 67
3．3．3 電動機滾動軸承智能故障診斷 73
本章小結 75
參考文獻 75
第4章 基于深度學習的機械裝備智能故障診斷 77
4．1 深度置信網絡智能故障診斷 78
4．1．1 受限玻爾茲曼機基本原理 78
4．1．2 深度置信網絡智能診斷模型 80
4．1．3 電動機滾動軸承智能故障診斷 82
4．2 堆疊自編碼機智能故障診斷 84
4．2．1 自編碼機基本原理 84
4．2．2 堆疊自編碼機智能診斷模型 86
4．2．3 行星齒輪箱智能故障診斷 88
4．3 加權卷積神經網絡智能故障診斷 91
4．3．1 卷積神經網絡基本原理 92
4．3．2 加權卷積網絡智能診斷模型 94
4．3．3 機車輪對軸承智能故障診斷 98
4．4 殘差網絡智能故障診斷 101
4．4．1 殘差單元基本原理 101
4．4．2 基于殘差網絡的智能診斷模型 102
4．4．3 行星齒輪箱智能故障診斷 103
本章小結 106
參考文獻 106
第5章 機械裝備故障遷移智能診斷 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 遷移智能診斷方法分類 111
5．2 基于實例加權的遷移智能診斷 113
5．2．1 TrAdaboost算法描述 113
5．2．2 基于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 基于特征分布適配的遷移智能診斷 118
5．3．1 特征分布適配基本原理 119
5．3．2 基于特征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 多核特征空間適配的深度遷移智能診斷 125
5．4．1 多核植入的*大均值差異 126
5．4．2 多核特征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 特征分布對抗適配的深度遷移智能診斷 132
5．5．1 生成對抗網絡基本原理 132
5．5．2 特征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余壽命預測 143
6．1 基于循環神經網絡的健康指標構建方法 145
6．1．1 多域特征提取 146
6．1．2 特征評價與選擇 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余壽命預測方法 155
6．2．1 相關向量機基本原理 155
6．2．2 基于自適應多核組合相關向量機的剩余壽命預測方法 157
6．2．3 齒輪剩余壽命預測 159
6．3 深度可分卷積網絡構建及剩余壽命預測 163
6．3．1 可分卷積模塊構建 163
6．3．2 網絡結構與剩余壽命預測 167
6．3．3 滾動軸承剩余壽命預測 168
6．4 循環卷積神經網絡構建及剩余壽命預測 173
6．4．1 循環卷積神經網絡構建 173
6．4．2 預測不確定性量化 176
6．4．3 數控機床刀具剩余壽命預測 178
本章小結 182
參考文獻
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 機械裝備智能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 機械裝備智能運維的定義 6
1．2．2 機械裝備智能運維的研究現狀 7
1．3 大數據下智能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 基于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 基于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 基于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 基于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 基于張量Tucker分解的缺失數據恢復 37
2．3．1 張量分解理論 38
2．3．2 基于張量Tucker分解的缺失數據恢復方法 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 基于傳統機器學習的機械裝備智能故障診斷 53
3．1 基于人工神經網絡的智能故障診斷 54
3．1．1 人工神經網絡基本原理 55
3．1．2 機車輪對軸承智能故障診斷 57
3．2 基于支持向量機的智能故障診斷 59
3．2．1 支持向量機基本原理 60
3．2．2 行星齒輪箱智能故障診斷 62
3．3 混合智能故障診斷 66
3．3．1 混合智能診斷基本原理 66
3．3．2 混合智能診斷模型 67
3．3．3 電動機滾動軸承智能故障診斷 73
本章小結 75
參考文獻 75
第4章 基于深度學習的機械裝備智能故障診斷 77
4．1 深度置信網絡智能故障診斷 78
4．1．1 受限玻爾茲曼機基本原理 78
4．1．2 深度置信網絡智能診斷模型 80
4．1．3 電動機滾動軸承智能故障診斷 82
4．2 堆疊自編碼機智能故障診斷 84
4．2．1 自編碼機基本原理 84
4．2．2 堆疊自編碼機智能診斷模型 86
4．2．3 行星齒輪箱智能故障診斷 88
4．3 加權卷積神經網絡智能故障診斷 91
4．3．1 卷積神經網絡基本原理 92
4．3．2 加權卷積網絡智能診斷模型 94
4．3．3 機車輪對軸承智能故障診斷 98
4．4 殘差網絡智能故障診斷 101
4．4．1 殘差單元基本原理 101
4．4．2 基于殘差網絡的智能診斷模型 102
4．4．3 行星齒輪箱智能故障診斷 103
本章小結 106
參考文獻 106
第5章 機械裝備故障遷移智能診斷 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 遷移智能診斷方法分類 111
5．2 基于實例加權的遷移智能診斷 113
5．2．1 TrAdaboost算法描述 113
5．2．2 基于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 基于特征分布適配的遷移智能診斷 118
5．3．1 特征分布適配基本原理 119
5．3．2 基于特征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 多核特征空間適配的深度遷移智能診斷 125
5．4．1 多核植入的*大均值差異 126
5．4．2 多核特征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 特征分布對抗適配的深度遷移智能診斷 132
5．5．1 生成對抗網絡基本原理 132
5．5．2 特征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余壽命預測 143
6．1 基于循環神經網絡的健康指標構建方法 145
6．1．1 多域特征提取 146
6．1．2 特征評價與選擇 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余壽命預測方法 155
6．2．1 相關向量機基本原理 155
6．2．2 基于自適應多核組合相關向量機的剩余壽命預測方法 157
6．2．3 齒輪剩余壽命預測 159
6．3 深度可分卷積網絡構建及剩余壽命預測 163
6．3．1 可分卷積模塊構建 163
6．3．2 網絡結構與剩余壽命預測 167
6．3．3 滾動軸承剩余壽命預測 168
6．4 循環卷積神經網絡構建及剩余壽命預測 173
6．4．1 循環卷積神經網絡構建 173
6．4．2 預測不確定性量化 176
6．4．3 數控機床刀具剩余壽命預測 178
本章小結 182
參考文獻
展開全部
大數據驅動的機械裝備智能運維理論及應用 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）、國家杰出青年科學基金獲得者、國家高層次人才特殊支持計劃入選者、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、大數據智能故障診斷與壽命預測、機械狀態健康監測與智能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、陜西青年五四獎章。
書友推薦
- >
二體千字文
- >
李白與唐代文化
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
姑媽的寶刀
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
上帝之肋:男人的真實旅程
- >
隨園食單
- >
推拿
本類暢銷
