可作為高等院校機械工程、儀器儀表和能源動力等專業的研究生、高年級本科生的教材或參考書，也可供相關領域學者和技術人員參考，受眾範圍廣。

●第1章緒論
1.1機械監測大數據的形成因素與領域特點
1.1.1機械監測大數據的形成因素
1.1.2機械監測大數據的領域特點
1.2機械裝備智能運維的相關概念與研究現狀
1.2.1機械裝備運行維護的定義
1.2.2機械裝備智能運維的定義
1.2.2機械裝備智能運維的研究現狀
1.3大數據下智能運維面臨的機遇與挑戰
參考文獻
第2章機械監測大數據質量保障
2.1基於無跡卡爾曼濾波的流數據異常檢測
2.1.1無跡卡爾曼濾波基本原理
2.1.2基於無跡卡爾曼濾波的流數據異常檢測方法
2.1.3滾動軸承流數據的異常檢測
2.2基於核密度異常因子的離線歷史數據異常檢測
2.2.1局部異常因子基本原理
2.2.2基於核密度異常因子的異常數據檢測方法
2.2.3風機主傳動繫統異常數據檢測
2.3基於張量Tucker分解的缺失數據恢復
2.3.1張量分解理論
2.3.2基於張量Tucker分解的缺失數據恢復方法
2.3.3齒輪箱缺失數據恢復
本章小結
參考文獻
第3章基於傳統機器學習的機械裝備智能故障診斷
3.1基於人工神經網絡的智能故障診斷
3.1.1人工神經網絡基本原理
3.1.2機車輪對軸承智能故障診斷
3.2基於支持向量機的智能故障診斷
3.2.1支持向量機基本原理
3.2.2行星齒輪箱智能故障診斷
3.3混合智能故障診斷
3.3.1混合智能診斷基本原理
3.3.2混合智能診斷模型
3.3.3電動機滾動軸承智能故障診斷
本章小結
參考文獻
第4章基於深度學習的機械裝備智能故障診斷
4.1深度置信網絡智能故障診斷
4.1.1受限玻爾茲曼機基本原理
4.1.2深度置信網絡智能診斷模型
4.1.3電動機滾動軸承智能故障診斷
4.2堆疊自編碼機智能故障診斷
4.2.1自編碼機基本原理
4.2.2堆疊自編碼機智能診斷模型
4.2.3行星齒輪箱智能故障診斷
4.3加權卷積神經網絡智能故障診斷
4.3.1卷積神經網絡基本原理
4.3.2加權卷積網絡智能診斷模型
4.3.3機車輪對軸承智能故障診斷
4.4殘差網絡智能故障診斷
4.4.1基本原理
4.4.2基於殘差網絡的智能診斷模型
4.4.3行星齒輪箱智能故障診斷
本章小結
參考文獻
第5章機械裝備故障遷移智能診斷
5.1遷移診斷問題
5.1.1領域與診斷任務
5.1.2遷移診斷任務類型
5.1.3遷移智能診斷方法分類
5.2基於實例加權的遷移智能診斷
5.2.1TrAdaboost算法描述
5.2.2基於TrAdaboost算法的遷移診斷策略
5.2.3行星齒輪箱的跨工況遷移故障診斷
5.3基於特征分布適配的遷移智能診斷
5.3.1特征分布適配基本原理
5.3.2基於特征分布適配的遷移診斷策略
5.3.3跨裝備軸承間的遷移故障診斷
5.4多核特征空間適配的深度遷移智能診斷
5.4.1多核植入的優選均值差異
5.4.2多核特征空間適配的深度遷移診斷模型
5.4.3跨裝備軸承間的遷移故障診斷
5.5特征分布對抗適配的深度遷移智能診斷
5.5.1生成對抗網絡基本原理
5.5.2特征分布對抗適配的深度遷移診斷模型
5.5.3跨工況與跨裝備遷移故障診斷
本章小結
參考文獻
第6章數據驅動的機械裝備剩餘壽命預測
6.1基於循環神經網絡的健康指標構建方法
6.1.1多域特征提取
6.1.2特征評價與選擇
6.1.3健康指標構建
6.1.4滾動軸承健康指標構建
6.2自適應多核組合相關向量機剩餘壽命預測方法
6.2.1相關向量機基本原理
6.2.2基於自適應多核組合相關向量機的剩餘壽命預測方法
6.2.3齒輪剩餘壽命預測
6.3深度可分卷積網絡構建及剩餘壽命預測
6.3.1可分卷積模塊構建
6.3.2網絡結構與剩餘壽命預測
6.3.3滾動軸承剩餘壽命預測
6.4循環卷積神經網絡構建及剩餘壽命預測
6.4.1循環卷積神經網絡構建
6.4.2預測不確定性量化
6.4.3數控機床刀具剩餘壽命預測
本章小結
參考文獻

本著作面向學科發展前沿與工程迫切需求，圍繞機械裝備智能運維面臨的新挑戰：數據大而不全呈"碎片化”、診斷與預測受制於專家經驗、智能診斷依賴充足可用數據等，凝練出大數據背景下智能運維領域的科學問題與應用難題，按照"問題-理論-技術-實例”的邏輯主線，詳細介紹了監測大數據質量保障、機械裝備故障深度智能診斷、機械裝備故障遷移智能診斷、數據驅動的機械裝備剩餘壽命預測等基礎理論與核心技術，所述內容兼具前沿性、創新性與工程實用性。旨在將作者團隊在智能運維領域的長期經驗積累與近期新研究成果分享給廣大讀者，為其開展相關學術研究、解決應用難題提供參考。