| 內容介紹 | |
開本：16開 紙張：膠版紙 包裝：平裝 是否套裝：否 國際標準書號ISBN：9787568099011 作者：徐增丙,軒建平,王志剛,熊雯,嚴育纔 出版社：華中科技大學出版社 出版時間：2024年02月
" 編輯推薦 本書面向機械設備故障診斷，闡述了從無/有監督淺層機器學習到深度學習的混合智能診斷理論和方法，不僅可作為高等院校機械工程等專業教師、研究生參考學習，而且也可為科研機構及企業從事設備故障診斷、預測及維護等相關領域研究的科研人員提供參考。 內容簡介 本書面向機械設備的安全運行和預測維護，繫統的開展了闡述了基於數據驅動的設備故障智能診斷與預測的理論與方法。基於機器學習、深度學習、遷移學習的故障診斷與預測的原理和方法，從模式識別的角度，重點闡述了基於無監督混合智能診斷、有監督混合智能診斷、混合深度智能診斷、遷移診斷、故障預測等，涵蓋了機械設備從傳統的淺層機器學習到深度學習的故障診斷的新方法及新技術。本書可供高等院校、科研機構及企業中從事機械設備故障診斷、預測及維護等相關領域研究人員使用參考，也可作為高等院校機械工程、控制工程、自動化及繫統工程等專業教師、研究生和高年級本科生教材或教學參考書。 作者簡介 徐增丙，副教授，博士研究生。1998.9—2002.6，本科畢業於武漢科技大學；2002.9—2005.6，碩士畢業於武漢科技大學；2005.9—2009.9，博士畢業於華中科技大學；2009.10—2013.11，三一重工股份有限公司；2013.11至今，武漢科技大學。主持國家自然科學基金青年項目和面上項目各1項、國家重點實驗室開放項目1項、國防預研項目1項、企業橫向課題6項；參與國家自然科學基金4項、973項目和863項目各1項；發表文章30餘篇，SCI/EI收錄20餘篇；獲省科技進步二等獎1項。已發表文章：[1]Ensemble Capsule Network with an Attention Mechanism for the Fault Diagnosis of Bearings from Imbalanced Data Samples,Zengbing Xu, Carman Ka Man Lee,Yaqiong Lv,sensors,2022,22,5543.[2]A Novel Fault Diagnosis Method of Rolling Bearing Based on Integrated Vision Transformer Model,Xinyu Tang,Zengbing Xu,and Zhigang Wang,sensors,2022,22,3878.[3]A Novel Attentional Feature Fusion with Inception Based on Capsule Network and Application to the Fault Diagnosis of Bearing with Small Data Samples,Zengbing Xu,Ying Wang,Wen Xiong and Zhigang Wang,machines,2022,10,789. 目錄 第1章 緒論1
1.1 混合智能故障診斷與預測的概念1
1.2 混合智能故障診斷與預測的意義3
1.3 混合智能故障診斷與預測的研究內容3
1.4 混合智能故障診斷與預測的研究現狀5
1.5 本書的結構體繫與特點9
2.1 無監督混合智能故障診斷方法概述13
2.2 基於ART模糊相似性聚類的無監督故障診斷方法14
2.3 基於軟競爭ART模糊相似性聚類的無監督故障診斷方法27
2.4 集成軟競爭ART模糊相似性聚類的無監督故障診斷方法35
2.5 本章小結41
第3章 有監督混合智能故障診斷方法43
3.1 有監督混合智能故障診斷方法概述43
3.2 加權FuzzyARTMAP智能診斷方法44第1章 緒論1
1.1 混合智能故障診斷與預測的概念1
1.2 混合智能故障診斷與預測的意義3
1.3 混合智能故障診斷與預測的研究內容3
1.4 混合智能故障診斷與預測的研究現狀5
1.5 本書的結構體繫與特點9
第2章 無監督混合智能故障診斷方法13
2.1 無監督混合智能故障診斷方法概述13
2.2 基於ART模糊相似性聚類的無監督故障診斷方法14
2.3 基於軟競爭ART模糊相似性聚類的無監督故障診斷方法27
2.4 集成軟競爭ART模糊相似性聚類的無監督故障診斷方法35
2.5 本章小結41
第3章 有監督混合智能故障診斷方法43
3.1 有監督混合智能故障診斷方法概述43
3.2 加權FuzzyARTMAP智能診斷方法44
3.3 混合競爭的FuzzyARTMAP有監督故障診斷方法55
3.4 選擇性集成FuzzyARTMAP智能診斷方法61
3.5 本章小結75
第4章 混合深度學習故障診斷方法77
4.1 混合深度學習故障診斷方法概述77
4.2 集成模糊相似性深度度量學習的故障診斷方法78
4.信息決策融合的膠囊網絡故障診斷方法100
4.4 多尺度特征融合的ViT故障診斷方法115
4.5 本章小結130
第5章 基於遷移學習的故障診斷方法132
5.1 混合遷移學習診斷方法概述132
5.2 選擇性集成遷移的支持向量機故障診斷方法133
5.3 基於組合核函數半監督遷移成分的深度遷移診斷方法143
5.4 本章小結162
第6章 設備故障混合智能預測方法163
6.1 設備故障混合智能預測方法概述163
6.2 改進的灰色模型故障預測方法163
6.3 基於ARTRBF混合智能故障預測方法171
6.4 設備剩餘壽命的深度遷移預測方法182
6.5 本章小結199
第7章 總結與展望201
7.1 總結201
7.2 展望202 前言 故障診斷與預測是保障機械設備安全穩定運行的重要手段，一直是機械設備健康管理與智能運維的研究熱點和難點。隨著計算機技術和工業互聯網技術的發展，為了保障企業生產設備安全穩定運行，一些關鍵機械設備配置了狀態監測繫統，從而獲取了大量反映機械設備狀態的傳感信號，因此數據驅動的故障診斷與預測方法的研究已成當前設備故障診斷領域研究的熱點。信號處理的故障診斷方法主要是從信號中提取故障特征參數，通過與設備故障類型對應的特征參數進行比對，實現設備故障的診斷分析。該方法需事先明晰設備故障機理，而事實上，機械設備的結構復雜性、層次性、多場耦合性等多種復雜因素導致很多故障機理不明確。隨著人工智能技術的發展，基於人工智能的智能故障診斷方法因不需了解設備故障機理而為解決設備故障診斷的問題提供了一種重要途徑，但傳統智能故障診斷方法面臨故障數據樣本少、噪聲強、工況多變、單一智能診斷模型有局限性等問題，導致診斷精度和魯棒性不足。混合智能故障診斷方法應運而生，通過融合各種智能方法的優勢，提高了設備故障診斷的精度和魯棒性。本書對混合智能故障診斷方法的概念進行了簡單介紹，重點闡述了無監督混合智能診斷、有監督混合智能診斷、混合深度學習智能診斷、遷移診斷和混合智能故障預測等方法，涵蓋了機械設備從傳統的淺層機器學習到深度學習的混合智能故障診斷和預測的方法及技術。本書可供高等院校、科研機構及企業中從事機械設備故障診斷、預測及維護等的研究人員使用，也可作為高等院校機械工程、控制工程、自動化及繫統工程等專業的教師、研究生和高年級本科生的教材或參考書。由於本書涉及的學科與內容廣泛，很多相關技術與應用仍處於發展和完善階段，同時由於作者水平有限，書中難免有錯誤與不妥之處，敬請各位讀者與專家批評指正。故障診斷與預測是保障機械設備安全穩定運行的重要手段，一直是機械設備健康管理與智能運維的研究熱點和難點。隨著計算機技術和工業互聯網技術的發展，為了保障企業生產設備安全穩定運行，一些關鍵機械設備配置了狀態監測繫統，從而獲取了大量反映機械設備狀態的傳感信號，因此數據驅動的故障診斷與預測方法的研究已成當前設備故障診斷領域研究的熱點。信號處理的故障診斷方法主要是從信號中提取故障特征參數，通過與設備故障類型對應的特征參數進行比對，實現設備故障的診斷分析。該方法需事先明晰設備故障機理，而事實上，機械設備的結構復雜性、層次性、多場耦合性等多種復雜因素導致很多故障機理不明確。隨著人工智能技術的發展，基於人工智能的智能故障診斷方法因不需了解設備故障機理而為解決設備故障診斷的問題提供了一種重要途徑，但傳統智能故障診斷方法面臨故障數據樣本少、噪聲強、工況多變、單一智能診斷模型有局限性等問題，導致診斷精度和魯棒性不足。混合智能故障診斷方法應運而生，通過融合各種智能方法的優勢，提高了設備故障診斷的精度和魯棒性。本書對混合智能故障診斷方法的概念進行了簡單介紹，重點闡述了無監督混合智能診斷、有監督混合智能診斷、混合深度學習智能診斷、遷移診斷和混合智能故障預測等方法，涵蓋了機械設備從傳統的淺層機器學習到深度學習的混合智能故障診斷和預測的方法及技術。本書可供高等院校、科研機構及企業中從事機械設備故障診斷、預測及維護等的研究人員使用，也可作為高等院校機械工程、控制工程、自動化及繫統工程等專業的教師、研究生和高年級本科生的教材或參考書。由於本書涉及的學科與內容廣泛，很多相關技術與應用仍處於發展和完善階段，同時由於作者水平有限，書中難免有錯誤與不妥之處，敬請各位讀者與專家批評指正。 | | |
|
