微信扫一扫,移动浏览光盘
简介
随着现代机电设备的结构和功能日趋复杂,人们 对设备正常、安全、稳定运行的要求越来越高。在保 障设备安全运行方面,若出现事故后再进行故障诊断 往往为时已晚,机电设备故障与趋势预测技术已成为 现代工业发展的迫切需要,该项技术有利于预防设备 安全事故的发生。本书面向现代机电装备,介绍了基 于知识的机电系统故障诊断与趋势预测的研究背景, 阐述了工业现场故障诊断知识的获取技术和智能诊断 技术、微弱早期故障的特征获取技术以及非线性非平 稳状态的趋势预测技术,对所提出的相关理论方法进 行了实验研究和应用研究。 王红军编著的《基于知识的机电系统故障诊断与 预测技术》可供高等院校、研究院所以及企业从事装 备运行状态故障诊断与维护等相关研究领域的科技人 员使用参考,也可作为机械工程以及相关学科专业的 教师、高年级本科生和研究生的教材或参考书。
目录
1 绪论1.1 机电系统状态监测与故障诊断的发展概况1.2 机电系统故障诊断与趋势预示技术1.2.1 基于粗糙集的知识获取1.2.2 基于数据挖掘的知识获取和诊断1.3 机电系统状态智能趋势预示的研究综述1.3.1 神经网络的趋势预测方法1.3.2 支持向量机(Support Vector Machine,SVM)方法1.3.3 流形学习1.4 设备劣化进程中的一般性规律1.5 振动信号分析的基本方法1.5.1 信号的时域分析1.5.2 信号的频域分析1.5.3 小波分析方法1.6 故障诊断的特征量和判断标准1.6.1 故障诊断特征量公式1.6.2 故障诊断的判断标准2 早期微弱故障的敏感特征提取技术2.1 EMD的基本概念及原理2.1.1 基本概念2.1.2 经验模态分解过程2.1.3 经验模态分解方法存在的问题2.2 基于EEMD的早期特征获取方法2.2.1 EEMD的分解原理2.2.2 IMF选择算法及EEMD降噪2.2.3 基于EEMD和小波包的故障敏感特征提取2.3 基于流形学习的早期故障敏感特征提取2.3.1 流形学习算法2.3.2 基于时频域统计指标的流形学习敏感特征提取2.4 基于小波包的早期微弱故障敏感特征提取方法2.4.1 小波(包)原理2.4.2 基于小波包的旋转机械故障特征提取3 基于粗糙集的故障诊断与知识提取3.1 知识与粗糙集理论3.1.1 知识与知识的表达3.1.2 粗糙集合3.1.3 知识的约简3.1.4 决策表3.1.5 决策表的简化3.2 基于粗糙集的知识获取和诊断3.2.1 粗糙集知识获取的建模步骤3.2.2 数据的预处理和连续属性的离散化3.2.3 条件属性的约简3.2.4 规则评价与分类3.2.5 基于粗糙集的知识获取和故障诊断系统3.3 旋转机械转子系统振动故障的规则获取3.3.1 旋转机械振动故障及其征兆3.3.2 大型旋转机械振动故障知识获取3.3.3 大庆油田大型旋转注水机组诊断知识获取3.4 基于变精度粗糙集的知识获取与故障诊断3.4.1 知识发现的不确定性3.4.2 多数包含关系3.4.3 VPRS模型中的近似集3.4.4 连续属性离散化方法3.4.5 基于熵的粗糙集连续属性离散化算法研究3.4.6 基于变精度粗糙集的属性约简3.4.7 基于分明矩阵的属性约简算法3.4.8 基于粒计算的属性约简算法3.4.9 基于VPRS属性值约简算法3.4.10 诊断预测规则的评价3.5 基于EMD和变精度粗糙集的趋势预测系统3.5.1 大型旋转机械的工程应用验证3.5.2 某烟机机组的工程应用3.6 基于粗糙集的故障诊断与趋势预示知识获取系统4 基于数据挖掘的故障诊断与知识获取4.1 数据挖掘的基本思想4.1.1 数据挖掘的起源4.1.2 数据挖掘的模型4.2 数据挖掘技术4.2.1 决策树4.2.2 神经网络(Neural Network)4.2.3 相关规则4.2.4 K-nearest邻居方法4.2.5 遗传算法4.2.6 联机分析处理(0LAP)4.2.7 数据可视化(Data Visualization)4.3 基于数据挖掘的振动故障诊断与知识获取4.3.1 故障诊断的数据挖掘方法策略4.3.2 数据的预处理4.3.3 数据挖掘的分类算法4.3.4 数据挖掘的知识表示4.3.5 基于现场大数据的数据知识挖掘的故障诊断应用5 基于知识的智能故障诊断系统的关键技术5.1 基于知识的层次式智能故障诊断专家系统5.1.1 专家系统的概念及组成结构5.1.2 基于知识的层次式智能故障诊断专家系统的结构5.2 基于知识的层次式智能故障诊断专家系统的知识库5.2.1 智能故障诊断系统中知识的分类5.2.2 面向对象的知识表示方法5.2.3 知识对象的层次结构5.2.4 知识库的结构及组织形式5.2.5 知识库中知识的来源与更新5.3 面向对象的智能故障诊断系统的推理机5.3.1 面向对象的诊断推理方法5.3.2 诊断推理机的系统结构和规则解释器5.3.3 诊断推理机的黑板控制5.3.4 诊断推理机的控制策略与搜索算法5.4 基于知识的大型旋转注水机组的层次式智能故障诊断系统5.4.1 大型旋转注水机组故障智能诊断专家系统概述5.4.2 旋转注水机组故障诊断知识库的建立5.4.3 旋转注水机组诊断推理过程5.4.4 诊断结果处理6 非线性非平稳机械运行状态趋势预示技术6.1 统计学习理论和支持向量机6.1.1 机器学习的基本问题和方法6.1.2 经验风险最小化(Empirical Risk Minimization,ERM)6.1.3 结构风险最小化(Structural Risk Minimization,SRM)6.1.4 支持向量机6.2 支持向量机的回归算法6.3 基于支持向量机的故障智能预示技术6.3.1 基于支持向量机的预测模型和误差评价6.3.2 预测流程6.4 基于支持向量机的旋转注水机组振动烈度预测6.4.1 样本的选取6.4.2 采用RBF核函数不同的C和δ对预测精度的影响6.4.3 不同核函数对训练精度的影响6.5 支持向量机预测模型与AR预测模型的比较6.6 支持向量机的趋势预测与神经网络预测模型的对比6.7 机械状态趋势预测的支持向量机组合模型6.7.1 趋势预测敏感因子的提取6.7.2 基于支持向量机的组合模型预测的方法6.7.3 实际应用6.8 基于提升小波和支持向量回归的趋势预测6.8.1 提升小波变换6.8.2 支持向量机SVR的参数优化6.8.3 基于提升小波与支持向量回归的主轴状态预测模型6.9 基于流形学习和SVM的主轴系统运行状态回归预测参考文献
基于知识的机电系统故障诊断与预测技术
光盘服务联系方式: 020-38250260 客服QQ:4006604884
云图客服:
用户发送的提问,这种方式就需要有位在线客服来回答用户的问题,这种 就属于对话式的,问题是这种提问是否需要用户登录才能提问
Video Player
×
Audio Player
×
pdf Player
×