目錄
第1章 緒論 1
1.1 引言 1
1.2 智能運(yùn)維的基本概念 2
1.3 智能運(yùn)維技術(shù)概述 3
1.3.1 信號(hào)處理技術(shù) 3
1.3.2 故障特征提取 5
1.3.3 故障診斷方法 7
1.3.4 智能運(yùn)維方法 11
1.4 智能運(yùn)維發(fā)展歷程 16
1.4.1 國(guó)內(nèi)外發(fā)展概述 17
1.4.2 智能運(yùn)維發(fā)展的三個(gè)階段 18
1.4.3 未來(lái)發(fā)展趨勢(shì) 20
1.5 本章小結(jié) 20
習(xí)題 21
第2章 數(shù)字信號(hào)處理 22
2.1 引言 22
2.2 從模擬信號(hào)到數(shù)字信號(hào) 23
2.2.1 傳感器和數(shù)字信號(hào)系統(tǒng) 23
2.2.2 信號(hào)的采樣 24
2.2.3 傅里葉變換 28
2.2.4 快速傅里葉變換 30
2.2.5 離散時(shí)間信號(hào)和系統(tǒng) 31
2.2.6 信號(hào)處理的硬件實(shí)現(xiàn) 33
2.3 穩(wěn)態(tài)信號(hào)處理 34
2.3.1 信號(hào)分類 34
2.3.2 濾波器設(shè)計(jì) 37
2.3.3 信號(hào)的正交變換 40
2.3.4 信號(hào)處理的典型算法 43
2.3.5 基于統(tǒng)計(jì)的信號(hào)處理 52
2.4 非穩(wěn)態(tài)信號(hào)處理 56
2.4.1 短時(shí)傅里葉變換 56
2.4.2 小波變換 57
2.4.3 希爾伯特-黃變換 58
2.4.4 稀疏分解 60
2.4.5 分形理論 61
2.5 降噪方法和理論 62
2.5.1 常用的信號(hào)降噪方法 62
2.5.2 基于奇異譜的降噪方法 62
2.5.3 基于小波包分解的降噪方法 63
2.5.4 基于卡爾曼濾波器的降噪方法 64
2.6 多傳感器信息融合 66
2.6.1 數(shù)據(jù)融合的定義和原理 66
2.6.2 不同數(shù)據(jù)融合方法的比較 66
2.6.3 基于證據(jù)理論的數(shù)據(jù)融合方法 68
2.7 本章小結(jié) 71
習(xí)題 71
第3章 特征提取 72
3.1 引言 72
3.2 幅域特征表征和提取 72
3.2.1 有量綱幅域參數(shù) 72
3.2.2 無(wú)量綱幅域參數(shù) 75
3.3 階次域特征提取 76
3.3.1 常見(jiàn)階次域特征參量 76
3.3.2 非線性階次域特征參量 76
3.4 能量域特征提取 77
3.4.1 常見(jiàn)的能量域特征參數(shù) 78
3.4.2 非線性能量域特征參數(shù) 78
3.5 多信號(hào)特征提取和關(guān)聯(lián)性分析 79
3.5.1 相干分析及原理 79
3.5.2 小波相干 84
3.5.3 時(shí)頻相干 85
3.5.4 多工況HHT包絡(luò)分析 87
3.5.5 相關(guān)案例 93
3.6 面向大數(shù)據(jù)的統(tǒng)計(jì)特征提取 95
3.6.1 基于回歸的機(jī)器學(xué)習(xí) 95
3.6.2 聚類方法 96
3.6.3 主成分分析方法 97
3.6.4 基于馬爾可夫鏈的特征提取 98
3.7 本章小結(jié) 99
習(xí)題 100
第4章 基于淺層學(xué)習(xí)的智能故障診斷 101
4.1 引言 101
4.2 基于人工神經(jīng)網(wǎng)絡(luò)的智能故障診斷 101
4.2.1 人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論 101
4.2.2 人工神經(jīng)網(wǎng)絡(luò)的智能故障診斷算例 108
4.3 基于支持向量機(jī)的智能故障診斷 111
4.3.1 支持向量機(jī)的基礎(chǔ)理論 111
4.3.2 支持向量機(jī)的智能故障診斷算例 119
4.4 基于隨機(jī)森林的智能故障診斷 122
4.4.1 隨機(jī)森林的基礎(chǔ)理論 122
4.4.2 隨機(jī)森林的智能故障診斷算例 130
4.5 本章小結(jié) 134
習(xí)題 134
第5章 基于深度學(xué)習(xí)的智能故障診斷及剩余壽命預(yù)測(cè) 135
5.1 引言 135
5.2 基于深度置信網(wǎng)絡(luò)的智能故障診斷 136
5.2.1 受限玻爾茲曼機(jī)基礎(chǔ)理論 136
5.2.2 深度置信網(wǎng)絡(luò)模型 141
5.2.3 深度置信網(wǎng)絡(luò)的智能故障診斷算例 143
5.3 基于堆疊自編碼器的智能故障診斷 147
5.3.1 自編碼器的基礎(chǔ)理論 147
5.3.2 堆疊自編碼器模型 152
5.3.3 堆疊自編碼器的智能故障診斷算例 153
5.4 基于深度卷積神經(jīng)網(wǎng)絡(luò)的剩余壽命預(yù)測(cè) 158
5.4.1 卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論 158
5.4.2 深度多尺度卷積神經(jīng)網(wǎng)絡(luò)模型 161
5.4.3 深度多尺度卷積神經(jīng)網(wǎng)絡(luò)的剩余壽命預(yù)測(cè)算例 165
5.5 基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的剩余壽命預(yù)測(cè) 172
5.5.1 長(zhǎng)短期記憶單元的基礎(chǔ)理論 172
5.5.2 深度循環(huán)神經(jīng)網(wǎng)絡(luò)模型 176
5.5.3 深度循環(huán)神經(jīng)網(wǎng)絡(luò)的剩余壽命預(yù)測(cè)算例 177
5.6 本章小結(jié) 181
習(xí)題 182
第6章 智能維護(hù)決策 183
6.1 引言 183
6.2 智能維護(hù)決策工具 183
6.2.1 維護(hù)決策 183
6.2.2 維護(hù)決策支持系統(tǒng)概述 186
6.2.3 基于云計(jì)算的設(shè)備維護(hù)決策支持系統(tǒng) 187
6.2.4 智能E維護(hù)決策支持系統(tǒng) 190
6.3 智能維護(hù)決策技術(shù) 195
6.3.1 決策樹(shù)學(xué)習(xí) 195
6.3.2 粗糙集 199
6.3.3 專家系統(tǒng) 202
6.4 本章小結(jié) 205
習(xí)題 205
第7章 故障診斷與智能運(yùn)維技術(shù)實(shí)際應(yīng)用 207
7.1 城市智慧出行系統(tǒng)中的應(yīng)用 207
7.1.1 城市智慧出行系統(tǒng)概述 207
7.1.2 故障診斷與智能運(yùn)維技術(shù)在城市智慧出行系統(tǒng)中的應(yīng)用 208
7.2 礦山無(wú)人運(yùn)輸系統(tǒng)中的應(yīng)用 211
7.2.1 礦山無(wú)人運(yùn)輸系統(tǒng)概述 211
7.2.2 故障診斷與智能運(yùn)維技術(shù)在礦山無(wú)人運(yùn)輸系統(tǒng)中的應(yīng)用 213
7.3 離心風(fēng)機(jī)系統(tǒng)中的應(yīng)用 217
7.3.1 離心風(fēng)機(jī)系統(tǒng)概述 217
7.3.2 故障診斷與智能運(yùn)維技術(shù)在離心風(fēng)機(jī)系統(tǒng)中的應(yīng)用 218
7.4 本章小結(jié) 223
習(xí)題 223
附錄 時(shí)域與頻域參數(shù) 224
參考文獻(xiàn) 225