設(shè)備與系統(tǒng)健康智能預診維護技術(shù)

目錄
前言
第1章 設(shè)備健康智能預診維護 1
1.1 引言 1
1.2 設(shè)備健康維護的發(fā)展 2
1.3 設(shè)備智能預診維護的關(guān)鍵技術(shù) 3
1.3.1 信號收集與處理 3
1.3.2 特征提取與選擇 5
1.3.3 特征學習與識別 6
1.3.4 設(shè)備健康評估 7
1.3.5 設(shè)備壽命預測 9
參考文獻 9
第2章 信號分析處理技術(shù) 11
2.1 引言 11
2.2 形態(tài)濾波故障特征提取方法 11
2.2.1 形態(tài)濾波研究現(xiàn)狀 11
2.2.2 形態(tài)學基本理論 12
2.2.3 基于形態(tài)濾波的故障診斷 13
2.3 稀疏表達故障診斷方法 19
2.3.1 稀疏理論的研究現(xiàn)狀 20
2.3.2 稀疏表達理論 21
2.3.3 基于稀疏表達的故障特征提取算法應(yīng)用 24
2.4 隨機抽樣濾噪 32
2.4.1 典型時頻域分析方法簡介 32
2.4.2 LMD算法原理簡介 33
2.4.3 基于局部均值算法的故障診斷 37
2.5 多層混合濾噪方法 44
2.5.1 局部均值分解的多層混合濾噪方法 45
2.5.2 基于ITD和改進形態(tài)濾波的滾動軸承故障診斷 48
參考文獻 52
第3章 特征提取與選擇技術(shù) 56
3.1 引言 56
3.2 特征產(chǎn)生 56
3.3 基于流形學習的特征提取與選擇技術(shù) 58
3.3.1 拉普拉斯特征映射算法 59
3.3.2 局部保持投影算法 60
3.3.3 局部和非局部保持投影和基于監(jiān)督學習的局部和非局部保持投影 61
3.3.4 局部和非局部線性判別分析算法 64
3.3.5 實例分析 67
3.4 特征選擇技術(shù) 74
3.4.1 特征提取 74
3.4.2 單調(diào)性和趨勢 75
3.4.3 基于PCA和LPP的預后特征選擇 75
3.4.4 基于拉普拉斯分數(shù)的預診特征選擇 77
3.4.5 實驗結(jié)果和分析 77
參考文獻 79
第4章 基于深度學習的信號特征學習 82
4.1 引言 82
4.2 特征學習技術(shù) 83
4.2.1 深度置信網(wǎng)絡(luò) 83
4.2.2 卷積神經(jīng)網(wǎng)絡(luò) 86
4.2.3 一維卷積神經(jīng)網(wǎng)絡(luò) 87
4.2.4 堆疊降噪自編碼器 88
4.2.5 卷積自編碼器 90
4.3 基于特征學習的故障診斷模型 92
4.3.1 基于多通道一維卷積神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷方法 92
4.3.2 基于一維殘差卷積自編碼器的齒輪箱故障診斷 96
4.3.3 基于二維主成分分析卷積自編碼器的晶圓表面缺陷模式識別 99
4.3.4 應(yīng)用實例：基于多通道一維卷積神經(jīng)網(wǎng)絡(luò)的故障診斷模型 104
4.4 基于特征調(diào)節(jié)技術(shù)的機器健康預測 109
4.4.1 基于PRSDAE的機器健康預測方法 109
4.4.2 應(yīng)用實例：基于PRSDAE的機器健康預測模型 112
4.5 基于知識堆疊降噪自編碼器的特征提取與知識發(fā)現(xiàn) 117
4.5.1 規(guī)則抽取和推理 118
4.5.2 KBSDAE建模 123
4.5.3 應(yīng)用實例：基于KBSDAE的故障診斷模型 125
參考文獻 129
第5章 基于遷移對抗的特征提取與故障診斷 132
5.1 引言 132
5.2 基于遷移學習的特征提取與故障診斷 134
5.2.1 遷移學習 134
5.2.2 深度對抗域自適應(yīng)遷移神經(jīng)網(wǎng)絡(luò) 135
5.2.3 應(yīng)用實例：基于1DWDAN的仿真數(shù)據(jù)遷移 140
5.3 基于對抗學習的特征提取與故障診斷 143
5.3.1 生成對抗網(wǎng)絡(luò) 143
5.3.2 多粒度交互生成對抗網(wǎng)絡(luò) 145
5.3.3 基于多粒度交互生成對抗網(wǎng)絡(luò)的晶圓缺陷模式識別 150
5.3.4 應(yīng)用實例：基于MGGAN的晶圓表面缺陷識別模型 151
參考文獻 156
第6章 設(shè)備健康退化評估技術(shù) 159
6.1 引言 159
6.2 基于無監(jiān)督學習驅(qū)動 159
6.2.1 自組織映射 160
6.2.2 高斯混合模型 163
6.2.3 隱馬爾可夫模型 168
6.2.4 基于多變量過程控制技術(shù) 169
6.2.5 基于無監(jiān)督學習的故障診斷模型 173
6.3 基于有監(jiān)督學習驅(qū)動 176
6.3.1 基于邏輯回歸模型 177
6.3.2 基于GTM模型 177
6.4 基于自適應(yīng)學習驅(qū)動 178
6.4.1 自適應(yīng)高斯混合模型 179
6.4.2 自適應(yīng)隱馬爾可夫模型 183
6.4.3 基于自適應(yīng)學習的故障診斷模型 187
6.5 基于深度學習的健康評估 194
6.5.1 基于LSTM的評估模型 194
6.5.2 基于SDAE-LSTM的性能評估 196
6.5.3 基于深度學習的渦扇發(fā)動機故障診斷 197
參考文獻 201
第7章 設(shè)備健康預測與壽命預測技術(shù) 204
7.1 引言 204
7.2 基于模型驅(qū)動的RUL預測技術(shù) 205
7.2.1 狀態(tài)空間模型 205
7.2.2 卡爾曼濾波 206
7.2.3 粒子濾波 207
7.3 基于數(shù)據(jù)驅(qū)動的RUL預測技術(shù) 207
7.3.1 邏輯回歸 207
7.3.2 自回歸移動平均模型 208
7.3.3 相關(guān)向量機 208
7.3.4 高斯過程回歸 209
7.3.5 人工神經(jīng)網(wǎng)絡(luò) 210
7.3.6 統(tǒng)計分布相似性 211
7.4 基于數(shù)模集成驅(qū)動RUL預測技術(shù) 212
7.4.1 基于PF和LR的方法 213
7.4.2 基于LR和GPR的方法 213
7.4.3 基于KF和LR的方法 214
7.4.4 應(yīng)用實例:基于LR和GPR的RUL預測方法 215
7.5 基于深度學習的RUL預測技術(shù) 218
參考文獻 224
第8章 大型旋轉(zhuǎn)設(shè)備故障診斷軟件系統(tǒng) 226
8.1 引言 226
8.2 旋轉(zhuǎn)機械故障診斷與預診維護系統(tǒng) 227
8.3 旋轉(zhuǎn)機械故障診斷與預診維護系統(tǒng)總體設(shè)計 228
8.3.1 軟件系統(tǒng)功能模塊劃分 229
8.3.2 軟件系統(tǒng)開發(fā)技術(shù)平臺選擇 231
8.3.3 軟件系統(tǒng)架構(gòu)設(shè)計 231
8.4 故障診斷工具箱的設(shè)計開發(fā) 234
8.4.1 算法工具箱開發(fā)工具選擇 235
8.4.2 算法工具箱結(jié)構(gòu)設(shè)計 235
8.5 主控界面 237
8.5.1 操作系統(tǒng)功能監(jiān)測 238
8.5.2 繪制振動歷史比較圖 238
8.5.3 繪制振動趨勢分析圖 239
8.5.4 繪制單多值棒圖 239
8.5.5 繪制三維瀑布圖 241
8.5.6 繪制伯德圖 241
8.5.7 繪制提純軸心軌跡圖 241
8.5.8 繪制全息譜圖 242
8.5.9 轉(zhuǎn)子動靜平衡測試 243
8.5.10 繪制階次譜圖 245
8.5.11 繪制啟停機轉(zhuǎn)速譜圖 245
8.5.12 繪制啟停機轉(zhuǎn)速瀑布譜圖 246
8.5.13 繪制轉(zhuǎn)速時間圖 246
8.5.14 頻譜細化圖 247
8.6 系統(tǒng)應(yīng)用實例 247
8.6.1 監(jiān)測設(shè)備過程實時狀況 248
8.6.2 監(jiān)測設(shè)備振動實時波形頻譜 249
8.6.3 查看設(shè)備振動歷史 249
參考文獻 250
彩圖