目錄
前言
第1章 緒論 1
1.1 引言 1
1.1.1 智能制造概述 1
1.1.2 機(jī)械設(shè)備狀態(tài)監(jiān)測與預(yù)測的意義 3
1.1.3 數(shù)據(jù)驅(qū)動與機(jī)器學(xué)習(xí)的實踐意義 4
1.2 國內(nèi)外研究現(xiàn)狀 5
1.2.1 數(shù)據(jù)驅(qū)動的機(jī)械設(shè)備狀態(tài)監(jiān)測的研究現(xiàn)狀 6
1.2.2 數(shù)據(jù)驅(qū)動的機(jī)械設(shè)備剩余使用壽命預(yù)測的研究現(xiàn)狀 9
1.2.3 異常狀態(tài)監(jiān)測與剩余使用壽命預(yù)測所面臨的難點與挑戰(zhàn) 10
1.3 試驗數(shù)據(jù)簡介 11
1.3.1 軸承數(shù)據(jù)集 11
1.3.2 刀具數(shù)據(jù)集 13
1.4 本章小結(jié) 14
參考文獻(xiàn) 15
第2章 機(jī)器學(xué)習(xí)的基礎(chǔ)理論 20
2.1 分類學(xué)習(xí)理論 20
2.1.1 基于淺層機(jī)器學(xué)習(xí)的分類理論 20
2.1.2 基于深度學(xué)習(xí)的分類理論 24
2.1.3 基于遷移學(xué)習(xí)的分類理論 26
2.2 聚類學(xué)習(xí)理論 27
2.2.1 無監(jiān)督聚類學(xué)習(xí)理論 27
2.2.2 半監(jiān)督聚類學(xué)習(xí)理論 29
2.3 回歸學(xué)習(xí)理論 32
2.3.1 基于淺層機(jī)器學(xué)習(xí)的回歸理論 32
2.3.2 基于深度學(xué)習(xí)的回歸理論 34
2.3.3 基于遷移學(xué)習(xí)的回歸理論 36
2.4 本章小結(jié) 37
參考文獻(xiàn) 37
第3章 智能優(yōu)化算法相關(guān)理論 39
3.1 智能優(yōu)化算法簡述 39
3.2 模式搜索法 39
3.2.1 網(wǎng)格搜索算法 39
3.2.2 隨機(jī)搜索算法 40
3.2.3 貝葉斯優(yōu)化算法 41
3.3 啟發(fā)式算法 42
3.3.1 粒子群優(yōu)化算法 42
3.3.2 均衡優(yōu)化算法 43
3.4 仿生智能算法 45
3.4.1 遺傳算法 45
3.4.2 灰狼優(yōu)化算法 46
3.4.3 飛蛾撲火優(yōu)化算法 47
3.5 本章小結(jié) 49
參考文獻(xiàn) 50
第4章 設(shè)備狀態(tài)信息采集及信號預(yù)處理 51
4.1 機(jī)械關(guān)鍵零部件狀態(tài)信息采集 51
4.1.1 自建刀具磨損試驗平臺 51
4.1.2 自建軸承故障診斷試驗平臺 61
4.1.3 自建齒輪箱故障診斷試驗平臺 63
4.2 機(jī)械關(guān)鍵零部件運行狀態(tài)信號預(yù)處理 67
4.2.1 數(shù)據(jù)清洗 67
4.2.2 數(shù)據(jù)規(guī)約 70
4.2.3 數(shù)據(jù)變換 71
4.2.4 數(shù)據(jù)集成 72
4.3 本章小結(jié) 73
參考文獻(xiàn) 73
第5章 信號特征提取與重構(gòu) 75
5.1 人工特征提取 75
5.1.1 經(jīng)驗?zāi)�態(tài)分解 75
5.1.2 集成經(jīng)驗?zāi)�態(tài)分解 76
5.1.3 自適應(yīng)白噪聲總體平均經(jīng)驗?zāi)�態(tài)分解 77
5.1.4 改進(jìn)自適應(yīng)白噪聲總體平均經(jīng)驗?zāi)�態(tài)分解 79
5.1.5 模態(tài)分解-Shannon能量熵特征提取 80
5.1.6 支持向量數(shù)據(jù)描述 80
5.1.7 小波去噪 82
5.2 無監(jiān)督特征提取及特征可視化 86
5.2.1 深度特征學(xué)習(xí) 86
5.2.2 遷移特征學(xué)習(xí) 89
5.3 特征降維處理 93
5.4 特征數(shù)據(jù)均衡與增強(qiáng)處理 94
5.4.1 重采樣技術(shù) 95
5.4.2 數(shù)據(jù)增強(qiáng) 96
5.5 本章小結(jié) 96
參考文獻(xiàn) 98
第6章 典型零部件智能故障診斷與監(jiān)測 99
6.1 基于機(jī)器學(xué)習(xí)的典型零部件智能故障診斷與監(jiān)測 99
6.1.1 基于機(jī)器學(xué)習(xí)的刀具智能故障診斷與監(jiān)測 99
6.1.2 基于機(jī)器學(xué)習(xí)的軸承智能故障診斷與監(jiān)測 133
6.2 基于深度學(xué)習(xí)的典型零部件智能故障診斷與監(jiān)測 138
6.2.1 基于深度學(xué)習(xí)的刀具智能故障診斷與監(jiān)測 138
6.2.2 基于深度學(xué)習(xí)的軸承智能故障診斷與監(jiān)測 146
6.2.3 基于深度學(xué)習(xí)的齒輪智能故障診斷與監(jiān)測 155
6.3 基于遷移學(xué)習(xí)的典型零部件智能故障診斷與監(jiān)測 173
6.3.1 改進(jìn)的基于樣本特性的過采樣技術(shù) 173
6.3.2 基于ISCOTE和VGG16深度遷移學(xué)習(xí)的端到端狀態(tài)監(jiān)測 174
6.4 本章小結(jié) 186
參考文獻(xiàn) 187
第7章 典型零部件剩余使用壽命預(yù)測 188
7.1 基于ISCOTE和ICEEMDAN-Shannon能量熵的時序狀態(tài)預(yù)測 188
7.1.1 試驗數(shù)據(jù)選取及其預(yù)處理 188
7.1.2 回歸器選取及其參數(shù)賦予 194
7.1.3 試驗結(jié)果及分析 194
7.2 基于圖像編碼技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損值預(yù)測 200
7.2.1 基于GAF-CNN的刀具磨損值在線監(jiān)測模型 200
7.2.2 GAF-CNN所涉及關(guān)鍵技術(shù) 201
7.2.3 預(yù)測模型訓(xùn)練 203
7.2.4 試驗結(jié)果及分析 205
7.3 本章小結(jié) 208
參考文獻(xiàn) 209