工业大数据驱动的装备智能运维技术与实践

前言 第1章绪论1 1.1引言1 1.1.1智能制造概述1 1.1.2机械设备状态监测与预测的意义3 1.1.3数据驱动与机器学习的实践意义4 1.2国内外研究现状5 1.2.1数据驱动的机械设备状态监测的研究现状6 1.2.2数据驱动的机械设备剩余使用寿命预测的研究现状9 1.2.3异常状态监测与剩余使用寿命预测所面临的难点与挑战10 1.3试验数据简介11 1.3.1轴承数据集11 1.3.2刀具数据集13 1.4本章小结14 参考文献15 第2章机器学习的基础理论20 2.1分类学习理论20 2.1.1基于浅层机器学习的分类理论20 2.1.2基于深度学习的分类理论24 2.1.3基于迁移学习的分类理论26 2.2聚类学习理论27 2.2.1无监督聚类学习理论27 2.2.2半监督聚类学习理论29 2.3回归学习理论32 2.3.1基于浅层机器学习的回归理论32 2.3.2基于深度学习的回归理论34 2.3.3基于迁移学习的回归理论36 2.4本章小结37 参考文献37 第3章智能优化算法相关理论39 3.1智能优化算法简述39 3.2模式搜索法39 3.2.1网格搜索算法39 3.2.2随机搜索算法40 3.2.3贝叶斯优化算法41 3.3启发式算法42 3.3.1粒子群优化算法42 3.3.2均衡优化算法43 3.4仿生智能算法45 3.4.1遗传算法45 3.4.2灰狼优化算法46 3.4.3飞蛾扑火优化算法47 3.5本章小结49 参考文献50 第4章设备状态信息采集及信号预处理51 4.1机械关键零部件状态信息采集51 4.1.1自建刀具磨损试验平台51 4.1.2自建轴承故障诊断试验平台61 4.1.3自建齿轮箱故障诊断试验平台63 4.2机械关键零部件运行状态信号预处理67 4.2.1数据清洗67 4.2.2数据规约70 4.2.3数据变换71 4.2.4数据集成72 4.3本章小结73 参考文献73 第5章信号特征提取与重构75 5.1人工特征提取75 5.1.1经验模态分解75 5.1.2集成经验模态分解76 5.1.3自适应白噪声总体平均经验模态分解77 5.1.4改进自适应白噪声总体平均经验模态分解79 5.1.5模态分解-Shannon能量熵特征提取80 5.1.6支持向量数据描述80 5.1.7小波去噪82 5.2无监督特征提取及特征可视化86 5.2.1深度特征学习86 5.2.2迁移特征学习89 5.3特征降维处理93 5.4特征数据均衡与增强处理94 5.4.1重采样技术95 5.4.2数据增强96 5.5本章小结96 参考文献98 第6章典型零部件智能故障诊断与监测99 6.1基于机器学习的典型零部件智能故障诊断与监测99 6.1.1基于机器学习的刀具智能故障诊断与监测99 6.1.2基于机器学习的轴承智能故障诊断与监测133 6.2基于深度学习的典型零部件智能故障诊断与监测138 6.2.1基于深度学习的刀具智能故障诊断与监测138 6.2.2基于深度学习的轴承智能故障诊断与监测146 6.2.3基于深度学习的齿轮智能故障诊断与监测155 6.3基于迁移学习的典型零部件智能故障诊断与监测173 6.3.1改进的基于样本特性的过采样技术173 6.3.2基于ISCOTE和VGG16深度迁移学习的端到端状态监测174 6.4本章小结186 参考文献187 第7章典型零部件剩余使用寿命预测188 7.1基于ISCOTE和ICEEMDAN-Shannon能量熵的时序状态预测188 7.1.1试验数据选取及其预处理188 7.1.2回归器选取及其参数赋予194 7.1.3试验结果及分析194 7.2基于图像编码技术和卷积神经网络的刀具磨损值预测200 7.2.1基于GAF-CNN的刀具磨损值在线监测模型200 7.2.2GAF-CNN所涉及关键技术201 7.2.3预测模型训练203 7.2.4试验结果及分析205 7.3本章小结208 参考文献209