目錄
前言
第1章 緒論 1
1.1 引言 1
1.1.1 智能制造概述 1
1.1.2 機械設備狀態(tài)監(jiān)測與預測的意義 3
1.1.3 數(shù)據(jù)驅動與機器學習的實踐意義 4
1.2 國內(nèi)外研究現(xiàn)狀 5
1.2.1 數(shù)據(jù)驅動的機械設備狀態(tài)監(jiān)測的研究現(xiàn)狀 6
1.2.2 數(shù)據(jù)驅動的機械設備剩余使用壽命預測的研究現(xiàn)狀 9
1.2.3 異常狀態(tài)監(jiān)測與剩余使用壽命預測所面臨的難點與挑戰(zhàn) 10
1.3 試驗數(shù)據(jù)簡介 11
1.3.1 軸承數(shù)據(jù)集 11
1.3.2 刀具數(shù)據(jù)集 13
1.4 本章小結 14
參考文獻 15
第2章 機器學習的基礎理論 20
2.1 分類學習理論 20
2.1.1 基于淺層機器學習的分類理論 20
2.1.2 基于深度學習的分類理論 24
2.1.3 基于遷移學習的分類理論 26
2.2 聚類學習理論 27
2.2.1 無監(jiān)督聚類學習理論 27
2.2.2 半監(jiān)督聚類學習理論 29
2.3 回歸學習理論 32
2.3.1 基于淺層機器學習的回歸理論 32
2.3.2 基于深度學習的回歸理論 34
2.3.3 基于遷移學習的回歸理論 36
2.4 本章小結 37
參考文獻 37
第3章 智能優(yōu)化算法相關理論 39
3.1 智能優(yōu)化算法簡述 39
3.2 模式搜索法 39
3.2.1 網(wǎng)格搜索算法 39
3.2.2 隨機搜索算法 40
3.2.3 貝葉斯優(yōu)化算法 41
3.3 啟發(fā)式算法 42
3.3.1 粒子群優(yōu)化算法 42
3.3.2 均衡優(yōu)化算法 43
3.4 仿生智能算法 45
3.4.1 遺傳算法 45
3.4.2 灰狼優(yōu)化算法 46
3.4.3 飛蛾撲火優(yōu)化算法 47
3.5 本章小結 49
參考文獻 50
第4章 設備狀態(tài)信息采集及信號預處理 51
4.1 機械關鍵零部件狀態(tài)信息采集 51
4.1.1 自建刀具磨損試驗平臺 51
4.1.2 自建軸承故障診斷試驗平臺 61
4.1.3 自建齒輪箱故障診斷試驗平臺 63
4.2 機械關鍵零部件運行狀態(tài)信號預處理 67
4.2.1 數(shù)據(jù)清洗 67
4.2.2 數(shù)據(jù)規(guī)約 70
4.2.3 數(shù)據(jù)變換 71
4.2.4 數(shù)據(jù)集成 72
4.3 本章小結 73
參考文獻 73
第5章 信號特征提取與重構 75
5.1 人工特征提取 75
5.1.1 經(jīng)驗模態(tài)分解 75
5.1.2 集成經(jīng)驗模態(tài)分解 76
5.1.3 自適應白噪聲總體平均經(jīng)驗模態(tài)分解 77
5.1.4 改進自適應白噪聲總體平均經(jīng)驗模態(tài)分解 79
5.1.5 模態(tài)分解-Shannon能量熵特征提取 80
5.1.6 支持向量數(shù)據(jù)描述 80
5.1.7 小波去噪 82
5.2 無監(jiān)督特征提取及特征可視化 86
5.2.1 深度特征學習 86
5.2.2 遷移特征學習 89
5.3 特征降維處理 93
5.4 特征數(shù)據(jù)均衡與增強處理 94
5.4.1 重采樣技術 95
5.4.2 數(shù)據(jù)增強 96
5.5 本章小結 96
參考文獻 98
第6章 典型零部件智能故障診斷與監(jiān)測 99
6.1 基于機器學習的典型零部件智能故障診斷與監(jiān)測 99
6.1.1 基于機器學習的刀具智能故障診斷與監(jiān)測 99
6.1.2 基于機器學習的軸承智能故障診斷與監(jiān)測 133
6.2 基于深度學習的典型零部件智能故障診斷與監(jiān)測 138
6.2.1 基于深度學習的刀具智能故障診斷與監(jiān)測 138
6.2.2 基于深度學習的軸承智能故障診斷與監(jiān)測 146
6.2.3 基于深度學習的齒輪智能故障診斷與監(jiān)測 155
6.3 基于遷移學習的典型零部件智能故障診斷與監(jiān)測 173
6.3.1 改進的基于樣本特性的過采樣技術 173
6.3.2 基于ISCOTE和VGG16深度遷移學習的端到端狀態(tài)監(jiān)測 174
6.4 本章小結 186
參考文獻 187
第7章 典型零部件剩余使用壽命預測 188
7.1 基于ISCOTE和ICEEMDAN-Shannon能量熵的時序狀態(tài)預測 188
7.1.1 試驗數(shù)據(jù)選取及其預處理 188
7.1.2 回歸器選取及其參數(shù)賦予 194
7.1.3 試驗結果及分析 194
7.2 基于圖像編碼技術和卷積神經(jīng)網(wǎng)絡的刀具磨損值預測 200
7.2.1 基于GAF-CNN的刀具磨損值在線監(jiān)測模型 200
7.2.2 GAF-CNN所涉及關鍵技術 201
7.2.3 預測模型訓練 203
7.2.4 試驗結果及分析 205
7.3 本章小結 208
參考文獻 209