第1章 緒論 1
1.1 機(jī)械監(jiān)測(cè)大數(shù)據(jù)的形成因素與領(lǐng)域特點(diǎn) 3
1.1.1 機(jī)械監(jiān)測(cè)大數(shù)據(jù)的形成因素 3
1.1.2 機(jī)械監(jiān)測(cè)大數(shù)據(jù)的領(lǐng)域特點(diǎn) 4
1.2　機(jī)械裝備智能運(yùn)維的相關(guān)概念與研究現(xiàn)狀 5
1.2.1 機(jī)械裝備運(yùn)行維護(hù)的定義 5
1.2.2 機(jī)械裝備智能運(yùn)維的定義 6
1.2.2 機(jī)械裝備智能運(yùn)維的研究現(xiàn)狀 7
1.3 大數(shù)據(jù)下智能運(yùn)維面臨的機(jī)遇與挑戰(zhàn) 14
參考文獻(xiàn) 17
第2章 機(jī)械監(jiān)測(cè)大數(shù)據(jù)質(zhì)量保障 21
2.1　基于無跡卡爾曼濾波的流數(shù)據(jù)異常檢測(cè) 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(shù)據(jù)異常檢測(cè)方法 24
2.1.3 滾動(dòng)軸承流數(shù)據(jù)的異常檢測(cè) 26
2.2 基于核密度異常因子的離線歷史數(shù)據(jù)異常檢測(cè) 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(shù)據(jù)檢測(cè)方法 31
2.2.3 風(fēng)機(jī)主傳動(dòng)系統(tǒng)異常數(shù)據(jù)檢測(cè) 35
2.3 基于張量Tucker分解的缺失數(shù)據(jù)恢復(fù) 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(shù)據(jù)恢復(fù)方法 43
2.3.3 齒輪箱缺失數(shù)據(jù)恢復(fù) 46
本章小結(jié) 50
參考文獻(xiàn) 51
第3章 基于傳統(tǒng)機(jī)器學(xué)習(xí)的機(jī)械裝備智能故障診斷 53
3.1 基于人工神經(jīng)網(wǎng)絡(luò)的智能故障診斷 54
3.1.1 人工神經(jīng)網(wǎng)絡(luò)基本原理 55
3.1.2 機(jī)車輪對(duì)軸承智能故障診斷 57
3.2 基于支持向量機(jī)的智能故障診斷 59
3.2.1 支持向量機(jī)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(dòng)機(jī)滾動(dòng)軸承智能故障診斷 73
本章小結(jié) 75
參考文獻(xiàn) 75
第4章 基于深度學(xué)習(xí)的機(jī)械裝備智能故障診斷 77
4.1 深度置信網(wǎng)絡(luò)智能故障診斷 78
4.1.1 受限玻爾茲曼機(jī)基本原理 78
4.1.2 深度置信網(wǎng)絡(luò)智能診斷模型 80
4.1.3 電動(dòng)機(jī)滾動(dòng)軸承智能故障診斷 82
4.2 堆疊自編碼機(jī)智能故障診斷 84
4.2.1 自編碼機(jī)基本原理 84
4.2.2 堆疊自編碼機(jī)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(quán)卷積神經(jīng)網(wǎng)絡(luò)智能故障診斷 91
4.3.1 卷積神經(jīng)網(wǎng)絡(luò)基本原理 92
4.3.2 加權(quán)卷積網(wǎng)絡(luò)智能診斷模型 94
4.3.3 機(jī)車輪對(duì)軸承智能故障診斷 98
4.4 殘差網(wǎng)絡(luò)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(wǎng)絡(luò)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(jié) 106
參考文獻(xiàn) 106
第5章 機(jī)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(lǐng)域與診斷任務(wù) 110
5.1.2 遷移診斷任務(wù)類型 110
5.1.3 遷移智能診斷方法分類 111
5.2 基于實(shí)例加權(quán)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 多核植入的最大均值差異 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(duì)抗適配的深度遷移智能診斷 132
5.5.1 生成對(duì)抗網(wǎng)絡(luò)基本原理 132
5.5.2 特征分布對(duì)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(jié) 139
參考文獻(xiàn) 140
第6章 數(shù)據(jù)驅(qū)動(dòng)的機(jī)械裝備剩余壽命預(yù)測(cè) 143
6.1 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的健康指標(biāo)構(gòu)建方法 145
6.1.1 多域特征提取 146
6.1.2 特征評(píng)價(jià)與選擇 148
6.1.3 健康指標(biāo)構(gòu)建 149
6.1.4 滾動(dòng)軸承健康指標(biāo)構(gòu)建 151
6.2 自適應(yīng)多核組合相關(guān)向量機(jī)剩余壽命預(yù)測(cè)方法 155
6.2.1 相關(guān)向量機(jī)基本原理 155
6.2.2 基于自適應(yīng)多核組合相關(guān)向量機(jī)的剩余壽命預(yù)測(cè)方法 157
6.2.3 齒輪剩余壽命預(yù)測(cè) 159
6.3 深度可分卷積網(wǎng)絡(luò)構(gòu)建及剩余壽命預(yù)測(cè) 163
6.3.1 可分卷積模塊構(gòu)建 163
6.3.2 網(wǎng)絡(luò)結(jié)構(gòu)與剩余壽命預(yù)測(cè) 167
6.3.3 滾動(dòng)軸承剩余壽命預(yù)測(cè) 168
6.4 循環(huán)卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建及剩余壽命預(yù)測(cè) 173
6.4.1 循環(huán)卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建 173
6.4.2 預(yù)測(cè)不確定性量化 176
6.4.3 數(shù)控機(jī)床刀具剩余壽命預(yù)測(cè) 178
本章小結(jié) 182
參考文獻(xiàn)