人工智能驅動的機械故障診斷技術及應用

《人工智能驅動的機械故障診斷技術及應用》力求以方法科普為基礎，深化拓展為核心，案例驅動為抓手，圖文並茂地向廣大讀者介紹機械故障診斷的流程、方法與實踐。 本書共11章內容，具體括緒論、機械故障診斷的信號處理方法、機械故障征提取與選擇技術、機械故障診斷技術、基於深度學習的信號征提取技術、基於遷移學習的智能故障診斷技術、基於增量學習的故障診斷技術、小樣本下基於虛實融合的旋轉機械設備故障診斷方法、典型旋轉機械設備故障智能診斷、端邊雲集成技術在機械設備智能維護中的應用和機械設備故障智能診斷系統。 本書可用作機械故障信號處理、智能診斷、深度學習等領域的入門圖書，也適合機械工程、電子信息及相關交學科碩士研究生及以上學歷學生作為教材使用。

第1章 緒論1
1.1機械故障診斷的含義1
1.2機械設備故障診斷的發展2
1.3機械設備故障診斷技術4
1.3.1信號收集與處理技術4
1.3.2征提取選擇及學習技術5
1.3.3故障分類及健康評估技術7
1.4本章小結8
參考文獻8

第2章 機械故障診斷的信號處理方法10
2.1振動信號時頻域分析10
2.1.1時域分析技術10
2.1.2頻域分析技術14
2.1.3絡分析技術20
2.1.4時頻域分析技術23
2.2小波分析技術28
2.2.1小波濾波28
2.2.2小波選擇29
2.2.3二進小波30
2.2.4提升小波31
2.3Hilbert-Huang變換技術37
2.3.1EMD方法38
2.3.2Hilbert-Huang變換38
2.4LMD技術39
2.4.1LMD算法39
2.4.2LMD的點及存在的一些不足43
2.5ITD分解技術43
2.5.1固有時間尺度分解算法過程43
2.5.2固有時間尺度分解算法性能分析44
2.6形態學濾波故障征提取方法45
2.6.1形態學濾波研究現狀45
2.6.2形態學基本理論46
2.6.3基於形態學濾波的故障診斷應用47
2.7本章小結52
參考文獻53

第3章 機械故障征提取與選擇技術56
3.1征產生56
3.2基於數據投影的征提取與選擇技術57
3.2.1主成分分析57
3.2.2獨立主元分析58
3.2.3線性判別式分析58
3.3基於流形學習的征提取與選擇技術59
3.3.1拉普拉斯征映射算法60
3.3.2局持投影算法61
3.3.3局和非局持投影62
3.4案例分析63
3.5本章小結66
參考文獻67

第4章 機械故障診斷技術68
4.1家系統68
4.1.1家系統概述68
4.1.2診斷知識的表示71
4.1.3診斷推理和知識獲取72
4.2模糊理論73
4.2.1隸屬度函數及模糊矢量73
4.2.2模糊關系方程75
4.2.3模糊診斷準則81
4.3人工經網絡81
4.3.1人工經網絡原理81
4.3.2經網絡結構84
4.3.3基於經網絡的故障診斷87
4.3.4基於經網絡的故障診斷實例88
4.4支持向量機91
4.4.1統計學習理論91
4.4.2支持向量機的原理92
4.4.3基於支持向量機的故障診斷95
4.4.4基於SVM的故障診斷實例95
4.5隱馬爾可夫模型97
4.5.1概率計算問題及其前後向算法98
4.5.2狀態預測問題及其Viterbi算法99
4.5.3參數學習問題及其Baum-Welch算法100
4.6本章小結101
參考文獻101

第5章 基於深度學習的信號征提取技術103
5.1基於深度置信網絡的故障診斷方法103
5.1.1深度置信經網絡的基本原理103
5.1.2深度置信經網絡的結構105
5.1.3基於深度置信網絡的設備故障診斷模型106
5.2基於堆疊降噪自編碼器的故障診斷方法107
5.2.1堆疊降噪自編碼器的基本原理107
5.2.2堆疊降噪自編碼器的結構109
5.2.3堆疊降噪自編碼器的訓練流程109
5.2.4基於堆疊降噪自編碼器的征提取實例110
5.3基於卷積經網絡的故障診斷方法112
5.3.1卷積經網絡的基本結構112
5.3.2卷積經網絡的基本征114
5.3.3卷積經網絡的化改進115
5.3.4基於多通道一維卷積經網絡的齒輪箱故障診斷實例117
5.4基於卷積自編碼器的故障診斷方法120
5.4.1卷積自編碼器的基本原理120
5.4.2卷積自編碼器的結構121
5.4.3一維殘差卷積自編碼器123
5.4.4基於一維殘差卷積自編碼器的齒輪箱故障診斷實例127
5.5本章小結130
參考文獻131

第6章 基於遷移學習的智能故障診斷技術132
6.1遷移學習的概念132
6.2基於遷移學習的域自適應技術134
6.2.1大均值差異（MMD）135
6.2.2相關對齊（CORAL）135
6.2.3對抗學習136
6.3基於遷移學習的征提取與故障診斷技術136
6.4基於對抗學習的征提取與故障診斷技術140
6.5本章小結144
參考文獻144

第7章 基於增量學習的機械故障診斷技術146
7.1增量學習的概念146
7.2基於生成對抗網絡的增量學習147
7.2.1生成式對抗網絡147
7.2.2基於GAN的增量學習149
7.3基於增量學習的機械故障診斷149
7.4本章小結153
參考文獻153

第8章 小樣本下基於虛實融合的旋轉機械設備故障診斷方法154
8.1小樣本下旋轉機械設備故障診斷154
8.2基於與遷移的虛實融合方法156
8.3基於虛實融合的旋轉機械設備故障診斷方法157
8.3.1齒輪箱物理模型構建157
8.3.2對抗局域自適應網絡160
8.3.3小樣本下數據增強和故障診斷流程161
8.4實驗分析162
8.4.1參數設置163
8.4.2信號分析164
8.4.3齒輪箱故障診斷165
8.4.4征可視化166
8.4.5比較分析166
8.4.6敏感性分析168
8.5本章小結169
參考文獻169

第9章 典型旋轉機械設備故障智能診斷170
9.1滾動軸承故障及其診斷方法170
9.1.1滾動軸承的失效形式170
9.1.2滾動軸承的失效機理及其性171
9.1.3滾動軸承的故障診斷方法173
9.2齒輪箱故障及其診斷方法175
9.2.1齒輪箱的失效形式175
9.2.2齒輪箱的失效機理及其性176
9.2.3齒輪箱的故障診斷方法178
9.3轉子故障及其診斷方法183
9.3.1轉子的失效形式183
9.3.2轉子的失效機理及性183
9.3.3轉子的故障診斷方法185
9.4電機故障及其診斷方法188
9.4.1電機的類型與測定標準189
9.4.2電磁耦合的振動原理189
9.4.3電機的失效形式和故障征189
9.4.4電機故障的診斷方法190
9.5軋輥磨床故障及其診斷方法191
9.5.1軋輥磨床的失效形式191
9.5.2軋輥磨床磨削顫振機理193
9.5.3軋輥磨床的故障診斷方法193
9.6本章小結196
參考文獻196

第10章 端邊雲集成技術在機械設備智能維護中的應用198
10.1端邊雲集成系統構成及作用198
10.2系統功能199
10.2.1邊緣端功能199
10.2.2雲上系統功能200
10.3智能邊緣分析儀201
10.4基於Web的分布式邊緣分析儀管控系統205

第11章 機械設備故障智能診斷系統209
11.2信號處理故障診斷系統209
11.1.1設備故障診斷與預診維護模塊209
11.1.2數據庫作模塊210
11.1.3數據采集與管理模塊210
11.1.4設備運行狀態監控模塊211
11.1.5頁面設計212
11.2基於Python/PyQt5的故障診斷系統212
11.2.1故障診斷工具箱工作環境212
11.2.2故障診斷工具箱設計需求213
11.2.3故障診斷工具箱基本結構及體系214
11.2.4故障診斷工具箱基本功能214
11.2.5故障診斷工具箱界面設計216
11.3基於Python/Flask的故障診斷系統217
11.3.1軟件運行環境217
11.3.2編程語言版本217
11.3.3軟件設計218
11.3.4系統軟件架構設計219
11.3.5需求分析220
11.3.6系統頁面221
11.3.7數據分析222
11.3.8信號處理223
11.3.9模型評估224
11.4本章小結226

參考文獻227