大數據驅動的機械裝備智能運維理論及應用

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最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。

雷亞國，西安交通大學教授、博士生導師；英國工程技術學會會士（IET Fellow）、國際工程資產管理協會會士（ISEAM Fellow）、國家傑出青年科學基金獲得者、國家高層次人才特殊支持計劃入選者、科睿唯安全球高被引科學家（工程學、跨學科領域）。現擔任IEEE Transactions on Industrial Electronics、Mechanical Systems and Signal Processing等本領域著名期刊副主編。長期從事機械系統建模與動態信號處理、大數據智能故障診斷與壽命預測、機械狀態健康監測與智能運維等方面的研究工作。
曾獲國家技術發明二等獎、教育部自然科學一等獎、教育部青年科學獎、中國青年科技獎、霍英東教育基金會青年教師獎、慶祝中華人民共和國成立70週年紀念章、陝西青年五四獎章。

第1章 緒論1
1．1 機械監測大數據的形成因素與領域特點3
1．1．1 機械監測大數據的形成因素3
1．1．2 機械監測大數據的領域特點4
1．2　機械裝備智能運維的相關概念與研究現狀5
1．2．1 機械裝備運行維護的定義5
1．2．2 機械裝備智能運維的定義6
1．2．2 機械裝備智能運維的研究現狀7
1．3 大數據下智能運維面臨的機遇與挑戰14
參考文獻17
第2章 機械監測大數據質量保障21
2．1　基於無跡卡爾曼濾波的流數據異常檢測21
2．1．1　無跡卡爾曼濾波基本原理22
2．1．2 基於無跡卡爾曼濾波的流數據異常檢測方法24
2．1．3 滾動軸承流數據的異常檢測26
2．2 基於核密度異常因子的離線歷史數據異常檢測29
2．2．1 局部異常因子基本原理29
2．2．2 基於核密度異常因子的異常數據檢測方法31
2．2．3 風機主傳動系統異常數據檢測35
2．3 基於張量Tucker分解的缺失數據恢復37
2．3．1 張量分解理論38
2．3．2 基於張量Tucker分解的缺失數據恢復方法43
2．3．3 齒輪箱缺失數據恢復46
本章小結50
參考文獻51
第3章 基於傳統機器學習的機械裝備智能故障診斷53
3．1 基於人工神經網絡的智能故障診斷54
3．1．1 人工神經網絡基本原理55
3．1．2 機車輪對軸承智能故障診斷57
3．2 基於支持向量機的智能故障診斷59
3．2．1 支持向量機基本原理60
3．2．2 行星齒輪箱智能故障診斷62
3．3 混合智能故障診斷66
3．3．1 混合智能診斷基本原理66
3．3．2 混合智能診斷模型67
3．3．3 電動機滾動軸承智能故障診斷73
本章小結75
參考文獻75
第4章 基於深度學習的機械裝備智能故障診斷77
4．1 深度置信網絡智能故障診斷78
4．1．1 受限玻爾茲曼機基本原理78
4．1．2 深度置信網絡智能診斷模型80
4．1．3 電動機滾動軸承智能故障診斷82
4．2 堆疊自編碼機智能故障診斷84
4．2．1 自編碼機基本原理84
4．2．2 堆疊自編碼機智能診斷模型86
4．2．3 行星齒輪箱智能故障診斷88
4．3 加權卷積神經網絡智能故障診斷91
4．3．1 卷積神經網絡基本原理92
4．3．2 加權卷積網絡智能診斷模型94
4．3．3 機車輪對軸承智能故障診斷98
4．4 殘差網絡智能故障診斷101
4．4．1 殘差單元基本原理101
4．4．2 基於殘差網絡的智能診斷模型102
4．4．3 行星齒輪箱智能故障診斷103
本章小結106
參考文獻106
第5章 機械裝備故障遷移智能診斷109
5．1 遷移診斷問題110
5．1．1 領域與診斷任務110
5．1．2 遷移診斷任務類型110
5．1．3 遷移智能診斷方法分類111
5．2 基於實例加權的遷移智能診斷113
5．2．1 TrAdaboost算法描述113
5．2．2 基於TrAdaboost算法的遷移診斷策略114
5．2．3 行星齒輪箱的跨工況遷移故障診斷116
5．3 基於特徵分佈適配的遷移智能診斷118
5．3．1 特徵分佈適配基本原理119
5．3．2 基於特徵分佈適配的遷移診斷策略120
5．3．3 跨裝備軸承間的遷移故障診斷122
5．4 多核特徵空間適配的深度遷移智能診斷125
5．4．1 多核植入的大均值差異126
5．4．2 多核特徵空間適配的深度遷移診斷模型127
5．4．3　跨裝備軸承間的遷移故障診斷130
5．5 特徵分佈對抗適配的深度遷移智能診斷132
5．5．1 生成對抗網絡基本原理132
5．5．2 特徵分佈對抗適配的深度遷移診斷模型133
5．5．3 跨工況與跨裝備遷移故障診斷135
本章小結139
參考文獻140
第6章 數據驅動的機械裝備剩餘壽命預測143
6．1 基於循環神經網絡的健康指標構建方法145
6．1．1 多域特徵提取146
6．1．2 特徵評價與選擇148
6．1．3 健康指標構建149
6．1．4 滾動軸承健康指標構建151
6．2 自適應多核組合相關向量機剩餘壽命預測方法155
6．2．1 相關向量機基本原理155
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157
6．2．3 齒輪剩餘壽命預測159
6．3 深度可分卷積網絡構建及剩餘壽命預測163
6．3．1 可分卷積模塊構建163
6．3．2 網絡結構與剩餘壽命預測167
6．3．3 滾動軸承剩餘壽命預測168
6．4 循環卷積神經網絡構建及剩餘壽命預測173
6．4．1 循環卷積神經網絡構建173
6．4．2 預測不確定性量化176
6．4．3 數控機床刀具剩餘壽命預測178
本章小結182
參考文獻