基于機(jī)器學(xué)習(xí)的軸承智能健康預(yù)警與故障預(yù)測

第1章 緒論
1.1 引言
1.1.1 國家與社會的巨大需求
1.1.2 智能健康預(yù)警與故障預(yù)測的重要作用
1.1.3 機(jī)器學(xué)習(xí)的重要作用
1.2 軸承早期故障檢測方法研究現(xiàn)狀
1.3 軸承故障診斷方法研究現(xiàn)狀
1.4 軸承剩余壽命方法研究現(xiàn)狀
1.5 軸承智能健康預(yù)警與故障預(yù)測面臨的挑戰(zhàn)
1.6 數(shù)據(jù)集介紹
參考文獻(xiàn)
第2章 機(jī)器學(xué)習(xí)理論基礎(chǔ)
2.1 淺層學(xué)習(xí)模型
2.1.1 感知機(jī)
2.1.2 決策樹
2.1.3 Logistic回歸
2.1.4 支持向量機(jī)
2.1.5 樸素貝葉斯算法
2.1.6 支持向量數(shù)據(jù)描述
2.2 深度學(xué)習(xí)模型
2.2.1 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型
2.2.2 卷積神經(jīng)網(wǎng)絡(luò)
2.2.3 自編碼神經(jīng)網(wǎng)絡(luò)
2.2.4 深度置信網(wǎng)絡(luò)
2.2.5 循環(huán)神經(jīng)網(wǎng)絡(luò)
2.2.6 長短時記憶網(wǎng)絡(luò)
2.2.7 生成對抗網(wǎng)絡(luò)
2.3 本章小結(jié)
參考文獻(xiàn)
第3章 故障特征表示與診斷模型構(gòu)建
3.1 基于淺層模型的故障診斷
3.1.1 異構(gòu)故障特征表示
3.1.2 故障診斷模型構(gòu)建
3.2 基于深度神經(jīng)網(wǎng)絡(luò)的故障診斷方法
3.2.1 極限學(xué)習(xí)機(jī)自編碼器
3.2.2 滾動軸承的深度特征提取方法
3.2.3 實(shí)驗(yàn)結(jié)果
3.3 基于生成對抗網(wǎng)絡(luò)的故障樣本合成與診斷
3.3.1 不均衡類別的故障診斷
3.3.2 基于GAN和SDAE模型的不均衡故障診斷
3.3.3 實(shí)驗(yàn)結(jié)果
3.4 本章小結(jié)
參考文獻(xiàn)
第4章 結(jié)構(gòu)化學(xué)習(xí)與多故障狀態(tài)診斷
4.1 基于結(jié)構(gòu)化特征選擇的故障診斷方法
4.1.1 引言
4.1.2 基于特征相關(guān)性的結(jié)構(gòu)化特征選擇算法
4.1.3 模型求解
4.1.4 實(shí)驗(yàn)結(jié)果
4.2 基于深度輸出核學(xué)習(xí)的多故障狀態(tài)診斷
4.2.1 引言
4.2.2 深度輸出核網(wǎng)絡(luò)模型
4.2.3 實(shí)驗(yàn)設(shè)置
4.2.4 實(shí)驗(yàn)結(jié)果
4.3 基于結(jié)構(gòu)化深度自編碼器的多故障狀態(tài)診斷
4.3.1 結(jié)構(gòu)化自編碼器模型構(gòu)建
4.3.2 目標(biāo)函數(shù)求解
4.3.3 實(shí)驗(yàn)結(jié)果分析
4.4 本章小結(jié)
參考文獻(xiàn)
第5章 在線學(xué)習(xí)與在線故障診斷
5.1 基于極限學(xué)習(xí)機(jī)的在線不均衡故障診斷
5.1.1 引言
5.1.2 基于粒劃分的在線不均衡分類
5.1.3 可靠性理論分析
5.1.4 實(shí)驗(yàn)結(jié)果分析
5.2 基于增量支持向量機(jī)和深度特征表示的在線故障診斷
5.2.1 增量模型構(gòu)建
5.2.2 實(shí)驗(yàn)結(jié)果
5.3 本章小結(jié)
參考文獻(xiàn)
第6章 深度學(xué)習(xí)與早期故障在線檢測
6.1 基于半監(jiān)督框架和深度特征表示的早期故障在線檢測
6.1.1 引言
6.1.2 深度特征表示與模型更新
6.1.3 早期故障指標(biāo)構(gòu)建
6.1.4 性能分析
6.1.5 對比實(shí)驗(yàn)結(jié)果
6.2 基于深度特征自適應(yīng)匹配的早期故障在線檢測
6.2.1 引言
6.2.2 離線深度特征建模
6.2.3 在線自適應(yīng)特征匹配
6.2.4 實(shí)驗(yàn)結(jié)果分析
6.2.5 實(shí)驗(yàn)驗(yàn)證
6.3 本章小結(jié)
參考文獻(xiàn)
第7章 深度遷移學(xué)習(xí)與早期故障在線檢測
7.1 基于振動信號可視化遷移的早期故障在線檢測
7.1.1 數(shù)據(jù)處理
7.1.2 深度遷移特征提取模型的構(gòu)建
7.1.3 檢測模型構(gòu)建
7.1.4 實(shí)驗(yàn)結(jié)果
7.2 基于多域遷移深度自編碼網(wǎng)絡(luò)的早期故障在線檢測
7.2.1 多域遷移深度自編碼網(wǎng)絡(luò)
7.2.2 異常檢測模型
7.2.3 實(shí)驗(yàn)結(jié)果
7.3 本章小結(jié)
參考文獻(xiàn)
第8章 深度學(xué)習(xí)與軸承剩余壽命預(yù)測
8.1 基于深度特征表示和長短時記憶網(wǎng)絡(luò)的RUL預(yù)測
8.1.1 軸承健康狀態(tài)劃分方法
8.1.2 軸承退化過程深度特征表示
8.1.3 故障閾值與剩余壽命確定
8.1.4 基于LSTM網(wǎng)絡(luò)的預(yù)測模型
8.2 實(shí)驗(yàn)設(shè)置
8.2.1 信號預(yù)處理
8.2.2 狀態(tài)劃分和深度特征表示
8.2.3 剩余壽命確定結(jié)果
8.3 實(shí)驗(yàn)結(jié)果
8.4 本章小結(jié)
參考文獻(xiàn)
第9章 遷移學(xué)習(xí)與跨工況剩余壽命預(yù)測
9.1 RUL遷移學(xué)習(xí)預(yù)測的問題描述
9.2 基于深度特征表示和遷移學(xué)習(xí)的軸承剩余壽命預(yù)測方法
9.2.1 信號預(yù)處理和深度特征提取
9.2.2 軸承退化狀態(tài)劃分方法
9.2.3 基于深度特征的遷移成分分析
9.2.4 實(shí)驗(yàn)結(jié)果
9.3 基于深度時序特征遷移的軸承剩余壽命預(yù)測方法
9.3.1 基于深度時序特征的健康指標(biāo)構(gòu)建
9.3.2 面向序列遷移的領(lǐng)域自適應(yīng)
9.3.3 基于遷移回歸模型的軸承剩余壽命預(yù)測方法
9.3.4 實(shí)驗(yàn)結(jié)果
9.4 本章小結(jié)
參考文獻(xiàn)