大数据驱动的机械系统智能故障诊断与预测 word 网盘 高速 下载地址大全 免费

本书抓住工业化与信息化深度融合的时代契机，面向新一代人工智能技术，立足于我国机械装备智能诊断与预测迫切工程需求应运而生。围绕大数据驱动的机械装备智能诊断与预测，详细介绍了故障深度智能诊断、故障智能迁移诊断、数模联动剩余寿命预测等前沿方法与技术。本书内容以作者团队的最新研究成果为基础，紧密围绕学科发展前沿与工程重大需求，知识框架完整，兼具前沿性、创新性及工程实用性的特色。以大数据驱动的机械装备智能诊断与预测为主旨，既符合我国当前工业信息化迅猛发展的重大契机，又满足机械装备智能化、高可靠、长寿命服役的迫切需求，在故障诊断与预测的系统化理论与工程实际应用方面具有明显的创新性，有助于促进机械、控制、仪器等多学科交叉融合。 全书共6章：第1章阐述了大数据驱动的智能故障诊断与预测框架、研究现状与面临的挑战；第2、3章简述了机械大数据信号处理的常用方法，以及传统机器学习方法在智能运维中的应用；第4章突出了最新的基于深度学习的智能迁移故障诊断方法；第5章介绍了数据驱动型机械装备健康状态估计及寿命预测的最新研究成果；第6章从健康指标构建、预测方法建立等方面详述了数模联动的装备寿命预测最新研究进展。 图书特色 聚焦大数据驱动的机械系统智能诊断和预测方法，解决了当前PHM领域的关键挑战，是首部面向大数据智能诊断与预测领域的系统性、综合性书籍； 介绍了智能故障诊断和预测的基础理论和前沿研究，包括基于深度迁移学习的智能故障诊断、大数据驱动的寿命预测、数模联动健康状态预测等； 附带大量实验验证及工程案例，向读者形象地展示方法实施与技术应用过程，为相关领域课程教学、科学研究和工程实际应用提供丰富素材与详细指导。

1 Introduction and Background 1.1 Introduction 1.1.1 AI Technologies for Data Processing 1.1.2 Big Data-Driven Intelligent Predictive Maintenance 1.1.3 Big Data Analytics Platform Practices 1.2 Overview of Big Data-Driven PHM 1.2.1 Data Acquisition 1.2.2 Data Processing 1.2.3 Diagnosis 1.2.4 Prognosis 1.2.5 Maintenance 1.3 Preface to Book Chapters References 2 Conventional Intelligent Fault Diagnosis 2.1 Introduction 2.2 Typical Neural Network-Based Methods 2.2.1 Introduction to Neural Networks 2.2.2 Intelligent Diagnosis Using Radial Basis Function Network 2.2.3 Intelligent Diagnosis Using Wavelet Neural Network 2.2.4 Epilog 2.3 Statistical Learning-Based Methods 2.3.1 Introduction to Statistical Learning 2.3.2 Intelligent Diagnosis Using Support Vector Machine 2.3.3 Intelligent Diagnosis Using Relevant Vector Machine 2.3.4 Epilog 2.4 Conclusions References 3 Hybrid Intelligent Fault Diagnosis 3.1 Introduction 3.2 Multiple WKNN Fault Diagnosis 3.2.1 Motivation . 3.2.2 Diagnosis Model Based on Combination of Multiple WKNN 3.2.3 Intelligent Diagnosis Case Study of Rolling Element Bearings 3.2.4 Epilog 3.3 Multiple ANFIS Hybrid Intelligent Fault Diagnosis 3.3.1 Motivation 3.3.2 Multiple ANFIS Combination with GA 3.3.3 Fault Diagnosis Method Based on Multiple ANFIS Combination 3.3.4 Intelligent Diagnosis Case of Rolling Element Bearings 3.3.5 Epilog 3.4 A Multidimensional Hybrid Intelligent Method 3.4.1 Motivation 3.4.2 Multiple Classifier Combination 3.4.3 Diagnosis Method Based on Multiple Classifier Combination 3.4.4 Intelligent Diagnosis Case of Gearboxes 3.4.5 Epilog 3.5 Conclusions References 4 Deep Transfer Learning-Based Intelligent Fault Diagnosis 4.1 Introduction 4.2 Deep Belief Network for Few-Shot Fault Diagnosis 4.2.1 Motivation 4.2.2 Deep Belief Network-Based Diagnosis Model with Continual Learning 4.2.3 Few-Shot Fault Diagnosis Case of Industrial Robots 4.2.4 Epilog 4.3 Multi-Layer Adaptation Network for Fault Diagnosis with Unlabeled Data 4.3.1 Motivation 4.3.2 Multi-Layer Adaptation Network-Based Diagnosis Model 4.3.3 Fault Diagnosis Case of Locomotive Bearings with Unlabeled Data 4.3.4 Epilog 4.4 Deep Partial Adaptation Network for Domain-Asymmetric Fault Diagnosis 4.4.1 Motivation 4.4.2 Deep Partial Transfer Learning Net-Based Diagnosis Model 4.4.3 Partial Transfer Diagnosis of Gearboxes with Domain Asymmetry 4.4.4 Epilog 4.5 Instance-Level Weighted Adversarial Learning for Open-Set Fault Diagnosis 4.5.1 Motivation 4.5.2 Instance-Level Weighted Adversarial Learning-Based Diagnosis Model 4.5.3 Fault Diagnosis Case of Rolling Bearing Datasets 4.5.4 Epilog 4.6 Conclusions References 5 Data-Driven RUL Prediction 5.1 Introduction 5.2 Deep Separable Convolutional Neural Network-Based RUL Prediction 5.2.1 Motivation 5.2.2 Deep Separable Convolutional Network 5.2.3 Architecture of DSCN 5.2.4 RUL Prediction Case of Accelerated Degradation Experiments of Rolling Element Bearings 5.2.5 Epilog 5.3 Recurrent Convolutional Neural Network-Based RUL Prediction 5.3.1 Motivation 5.3.2 Recurrent Convolutional Neural Network 5.3.3 Architecture of RCNN 5.3.4 RUL Prediction Case Study of FEMTO-ST Accelerated Degradation Tests of Rolling Element Bearings 5.3.5 Epilog 5.4 Multi-scale Convolutional Attention Network-Based RUL Prediction 5.4.1 Motivation 5.4.2 Multi-scale Convolutional Attention Network 5.4.3 Architecture of MSCAN 5.4.4 RUL Prediction Case of a Life Testing of Milling Cutters 5.4.5 Epilog 5.5 Conclusions References 6 Data-Model Fusion RUL Prediction 6.1 Introduction 6.2 RUL Prediction with Random Fluctuation Variability 6.2.1 Motivation 6.2.2 RUL Prediction Considering Random Fluctuation Variability 6.2.3 RUL Prediction Case of FEMTO-ST Accelerated Degradation Tests of Rolling Element Bearings 6.2.4 Epilog 6.3 RUL Prediction with Unit-to-Unit Variability 6.3.1 Motivation 6.3.2 RUL Prediction Model Considering Unit-to-Unit Variability 6.3.3 RUL Prediction Case of Turbofan Engine Degradation Dataset 6.3.4 Epilog 6.4 RUL Prediction with Time-Varying Operational Conditions 6.4.1 Motivation 6.4.2 RUL Prediction Model Considering Time-Varying Operational Conditions 6.4.3 RUL Prediction Case of Accelerated Degradation Experiments of Thrusting Bearings 6.4.4 Epilog 6.5 RUL Prediction with Dependent Competing Failure Processes 6.5.1 Motivation 6.5.2 RUL Prediction Model Considering Dependent Competing Failure Processes 6.5.3 RUL Prediction Case of Accelerated Degradation Experiments of Rolling Element Bearings 6.5.4 Epilog 6.6 Conclusions References Glossary

雷亚国，西安交通大学教授、博士生导师；美国机械工程师协会会士（ASME Fellow）、英国工程技术学会会士（IET Fellow）、国际工程资产管理协会会士（ISEAM Fellow）、国家杰出青年科学基金获得者、科睿唯安全球高被引科学家（2019-2022）、国家重点研发项目首席科学家（2项）、“三秦学者”全国一流创新团队带头人、陕西省科技创新团队带头人。现担任中国机械工程学会工业大数据与智能系统分会副主任委员、IEEE Transactions on Industrial Electronics、Mechanical Systems and Signal Processing等本领域著名期刊副主编。长期从事机械系统建模与动态信号处理、大数据智能故障诊断与寿命预测、机械状态健康监测与智能维护等方面的研究工作。研发的智能诊断系统在智能制造、能源电力、交通运输等领域得到广泛应用。曾获国家技术发明二等奖、中国青年科技奖、教育部自然科学一等奖、教育部青年科学奖、陕西省自然科学一等奖、霍英东教育基金会青年教师奖。 李乃鹏，西安交通大学副教授。于2019年获西安交通大学机械工程专业博士学位；2017至2019年在美国佐治亚理工学院进行博士联合培养。2020年入选西安交通大学“青年优秀人才支持计划”A类人才。研究方向为机械装备状态监测、剩余寿命预测与智能运维。承担国家自然科学基金重点项目、国家重点研发计划子课题、国家自然科学基金青年项目、博士后科学基金特别资助项目等10余项。出版英文专著1部，在本领域权威期刊发表学术论文30余篇；授权国家发明专利20余项，其中10余项成果已进行工程应用。研发的风电新能源远程诊断平台，已接入全国近万台机组。获陕西省自然科学一等奖（第2完成人）、中国华电集团科技进步一等奖（西安交大所有参与人中排名第1）、陕西省优秀博士学位论文等，入选“第八届中国科协青年人才托举工程”。 李响，西安交通大学副教授、特聘研究员、博士生导师，入选陕西省高层次人才引进计划与西安交通大学青年拔尖人才支持计划，“高端装备智能运维”陕西省三秦学者创新团队成员，美国国家自然科学基金会智能维护系统中心博士后，美国加州大学默塞德分校联合培养博士。主要研究方向：工业人工智能、工业大数据、装备智能运维等。主持国家重点研发计划课题、国家自然科学基金等项目10余项，以第一或通讯作者在IEEE Trans.等本领域权威期刊上发表高水平学术论文40余篇，H指数34，入选斯坦福大学与Elsevier联合发布的全球前2%顶尖科学家榜单。担任期刊Expert Systems with Applications副主编，以及IEEE/CAA Journal of Automatica Sinica、Journal of Dynamics, Monitoring and Diagnostics、Machines等期刊编委或青年编委。

暂无其它内容！

暂时还没有人为这本书评论！