慣性測量組合智能故障診斷及預(yù)測技術(shù)
定 價:69 元
- 作者:王宏力,何星,陸敬輝,姜偉,馮磊 著
- 出版時間:2017/8/1
- ISBN:9787118112511
- 出 版 社:國防工業(yè)出版社
- 中圖法分類:P227.9
- 頁碼:
- 紙張:膠版紙
- 版次:1
- 開本:16開
《慣性測量組合智能故障診斷及預(yù)測技術(shù)》以作者及團隊近10年來在慣性導(dǎo)航和故障診斷等方面從事學(xué)術(shù)、科研和教學(xué)工作中的成果為基礎(chǔ)。主要針對慣性導(dǎo)航系統(tǒng)關(guān)鍵部件一一慣性測量組合的故障診斷與預(yù)測技術(shù)總結(jié)歸納加工而成。
《慣性測量組合智能故障診斷及預(yù)測技術(shù)》內(nèi)容新穎,突出理論創(chuàng)新和應(yīng)用,適合從事慣性測量組合等復(fù)雜機電系統(tǒng)狀態(tài)監(jiān)測與故障診斷、故障預(yù)測及健康管理、維護工作的工程技術(shù)人員和研究人員參考、閱讀,也可作為高等院校自動化系統(tǒng)工程、可靠性工程等相關(guān)專業(yè)的研究生教材。
第1章 緒論
1.1 引言
1.2 故障診斷方法概述
1.2.1 故障診斷的概念
1.2.2 基于多信號模型的故障診斷研究現(xiàn)狀
1.2.3 基于人工智能的模擬電路故障診斷研究現(xiàn)狀
1.3 故障預(yù)測方法概述
1.4 剩余壽命估計方法概述
1.4.1 基于機理模型的剩余壽命估計方法
1.4.2 數(shù)據(jù)驅(qū)動的剩余壽命估計方法
1.4.3 剩余壽命估計在預(yù)測維護中的應(yīng)用
1.5 慣性測量組合
1.5.1 慣性導(dǎo)航的基本原理
1.5.2 慣性測量組合的組成
1.5.3 慣性測量組合的工作原理及功能
1.6 本書結(jié)構(gòu)安排
參考文獻
第2章 多信號模型建模
2.1 引言
2.2 多信號建模理論與建模方法
2.2.1 多信號建模理論
2.2.2 多信號建模方法
2.3 測試性工程與維護系統(tǒng)(TEAMS)
2.3.1 TEAMS的功能與組成
2.3.2 基于TEAMS的測試性分析
2.3.3 基于TEAMS的故障診斷策略
2.4 慣性測量組合多信號模型的構(gòu)建
2.4.1 建模原則
2.4.2 本體多信號建模
2.4.3 電子箱多信號建模
2.4.4 二次電源多信號建模
2.4.5 模型合成及屬性設(shè)置
2.5 慣性測量組合測試性分析與改進
2.5.1 測試點的選取及測試設(shè)置
2.5.2 慣性測量組合固有測試性分析
2.5.3 改進測試性分析
2.6 小結(jié)
參考文獻
第3章 基于計算智能的慣性測量組合診斷策略優(yōu)化
3.1 引言
3.2 測試集優(yōu)化方法
3.2.1 測試集優(yōu)化的數(shù)學(xué)描述
3.2.2 測試性指標(biāo)
3.2.3 粒子群優(yōu)化算法概述
3.2.4 基于多維并行免疫離散粒子群優(yōu)化算法的IMU測試集優(yōu)化
3.2.5 基于多維動態(tài)翻轉(zhuǎn)離散粒子群算法的IMU測試集優(yōu)化
3.3 診斷策略優(yōu)化方法
3.3.1 慣性測量組合故障樹的構(gòu)建
3.3.2 慣性測量組合故障樹診斷策略優(yōu)化
3.3.3 基于蟻群算法優(yōu)化的慣性測量組合相關(guān)矩陣診斷策略
3.4 小結(jié)
參考文獻
第4章 基于人工智能方法的慣.陸測量組合模擬電路故障診斷
4.1 引言
4.2 基于人工神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷
4.2.1 神經(jīng)網(wǎng)絡(luò)的故障診斷能力
4.2.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
4.2.3 基于遺傳RBF網(wǎng)絡(luò)的慣性測量組合模擬電路故障診斷
4.2.4 基于經(jīng)驗?zāi)J椒纸夂蜕窠?jīng)網(wǎng)絡(luò)的IMU模擬電路故障診斷
4.3 基于支持向量機的模擬電路故障診斷
4.3.1 支持向量機基本理論
4.3.2 層次聚類LSSVM多分類算法
4.3.3 基于層次聚類LSSVM的慣性測量組合模擬電路故障診斷
4.3.4 基于故障殘差和SVM的慣性測量組合模擬電路故障診斷
4.4 基于極端學(xué)習(xí)機的模擬電路故障診斷
4.4.1 ELM基本理論
4.4.2 基于優(yōu)選小波包和ELM的模擬電路故障診斷
4.4.3 基于固定尺寸序貫極端學(xué)習(xí)機的模擬電路在線故障診斷
4.5 基于信息融合的模擬電路故障診斷
4.5.1 信息融合的級別
4.5.2 基于特征級信息融合的故障診斷
4.5.3 基于響應(yīng)曲線有效點的特征提取方法
4.5.4 改進的模糊聚類特征壓縮算法
4.5.5 診斷實例
4.6 小結(jié)
參考文獻
第5章 基于數(shù)據(jù)驅(qū)動的慣性測量組合智能故障預(yù)測
5.1 引言
5.2 基于數(shù)據(jù)驅(qū)動的故障預(yù)測方法
5.3 基于支持向量機的慣性測量組合故障預(yù)測
5.3.1 最小二乘支持向量機回歸
5.3.2 基于EMD-LSSVM的故障預(yù)測方法
5.3.3 基于進化交叉驗證與直接支持向量機回歸的故障預(yù)測方法
5.4 基于極端學(xué)習(xí)機的慣性測量組合故障預(yù)測
5.4.1 基于極端學(xué)習(xí)機的慣性測量組合多尺度混合預(yù)測方法
5.4.2 基于改進集合在線序貫極端學(xué)習(xí)機的慣性測量組合故障預(yù)測
5.5 基于小樣本條件下的慣性測量組合故障預(yù)測
5.5.1 結(jié)構(gòu)自適應(yīng)序貫正則極端學(xué)習(xí)機
5.5.2 實例驗證
5.6 小結(jié)
參考文獻
第6章 基于退化過程建模的慣性測量組合剩余壽命在線估計
6.1 引言
6.2 基于半隨機濾波和EM算法的剩余壽命在線估計
6.2.1 問題描述
6.2.2 基于半隨機濾波的估計模型
6.2.3 參數(shù)在線估計算法
6.2.4 慣性測量組合剩余壽命估計的仿真試驗
6.3 基于隱含線性退化過程建模的剩余壽命在線估計
6.3.1 狀態(tài)空間模型與剩余壽命估計
6.3.2 參數(shù)估計
6.3.3 慣性測量組合剩余壽命估計的仿真試驗
6.4 基于隱含非線性退化過程建模的剩余壽命在線估計
6.4.1 問題描述與剩余壽命估計
6.4.2 參數(shù)在線估計算法
6.4.3 慣性測量組合剩余壽命預(yù)測的仿真試驗
6.5 小結(jié)
參考文獻
第7章 基于可變成本的MU實時預(yù)測維護與備件訂購
7.1 引言
7.2 第一種基于可變成本的預(yù)測維護模型的構(gòu)建
7.2.1 長期運行成本方差
7.2.2 預(yù)測維護決策目標(biāo)函數(shù)
7.3 第二種基于可變成本的預(yù)測維護模型的構(gòu)建
7.3.1 長期運行成本方差
7.3.2 預(yù)測維護決策目標(biāo)函數(shù)
7.4 備件訂購模型的構(gòu)建
7.5 慣性測量組合預(yù)測維護的仿真試驗
7.5.1 問題描述
7.5.2 試驗結(jié)果
7.6 小結(jié)
參考文獻