基于知识的机电系统故障诊断与预测技术PDF|Epub|txt|kindle电子书版本网盘下载

基于知识的机电系统故障诊断与预测技术PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

1绪论1

1.1 机电系统状态监测与故障诊断的发展概况1

1.2 机电系统故障诊断与趋势预示技术3

1.2.1 基于粗糙集的知识获取6

1.2.2 基于数据挖掘的知识获取和诊断8

1.3 机电系统状态智能趋势预示的研究综述10

1.3.1 神经网络的趋势预测方法11

1.3.2 支持向量机（Support Vector Machine， SVM）方法12

1.3.3 流形学习13

1.4 设备劣化进程中的一般性规律14

1.5 振动信号分析的基本方法15

1.5.1 信号的时域分析16

1.5.2 信号的频域分析17

1.5.3 小波分析方法18

1.6 故障诊断的特征量和判断标准19

1.6.1 故障诊断特征量公式19

1.6.2 故障诊断的判断标准20

2早期微弱故障的敏感特征提取技术24

2.1 EMD的基本概念及原理24

2.1.1 基本概念24

2.1.2 经验模态分解过程25

2.1.3 经验模态分解方法存在的问题26

2.2 基于EEMD的早期特征获取方法26

2.2.1 EEMD的分解原理26

2.2.2 IMF选择算法及EEMD降噪27

2.2.3 基于EEMD和小波包的故障敏感特征提取28

2.3 基于流形学习的早期故障敏感特征提取33

2.3.1 流形学习算法33

2.3.2 基于时频域统计指标的流形学习敏感特征提取37

2.4 基于小波包的早期微弱故障敏感特征提取方法41

2.4.1 小波（包）原理41

2.4.2 基于小波包的旋转机械故障特征提取42

3基于粗糙集的故障诊断与知识提取46

3.1 知识与粗糙集理论47

3.1.1 知识与知识的表达47

3.1.2 粗糙集合47

3.1.3 知识的约简49

3.1.4 决策表49

3.1.5 决策表的简化49

3.2 基于粗糙集的知识获取和诊断55

3.2.1 粗糙集知识获取的建模步骤55

3.2.2 数据的预处理和连续属性的离散化55

3.2.3 条件属性的约简56

3.2.4 规则评价与分类56

3.2.5 基于粗糙集的知识获取和故障诊断系统57

3.3 旋转机械转子系统振动故障的规则获取58

3.3.1 旋转机械振动故障及其征兆58

3.3.2 大型旋转机械振动故障知识获取60

3.3.3 大庆油田大型旋转注水机组诊断知识获取62

3.4 基于变精度粗糙集的知识获取与故障诊断69

3.4.1 知识发现的不确定性69

3.4.2 多数包含关系69

3.4.3 VPRS模型中的近似集70

3.4.4 连续属性离散化方法71

3.4.5 基于熵的粗糙集连续属性离散化算法研究72

3.4.6 基于变精度粗糙集的属性约简74

3.4.7 基于分明矩阵的属性约简算法74

3.4.8 基于粒计算的属性约简算法75

3.4.9 基于VPRS属性值约简算法77

3.4.10 诊断预测规则的评价77

3.5 基于EMD和变精度粗糙集的趋势预测系统79

3.5.1 大型旋转机械的工程应用验证82

3.5.2 某烟机机组的工程应用84

3.6 基于粗糙集的故障诊断与趋势预示知识获取系统89

4基于数据挖掘的故障诊断与知识获取91

4.1 数据挖掘的基本思想91

4.1.1 数据挖掘的起源93

4.1.2 数据挖掘的模型93

4.2 数据挖掘技术96

4.2.1 决策树96

4.2.2 神经网络（Neural Network）96

4.2.3 相关规则97

4.2.4 K-nearest邻居方法97

4.2.5 遗传算法97

4.2.6 联机分析处理（OLAP）97

4.2.7 数据可视化（Data Visualization）98

4.3 基于数据挖掘的振动故障诊断与知识获取98

4.3.1 故障诊断的数据挖掘方法策略99

4.3.2 数据的预处理100

4.3.3 数据挖掘的分类算法103

4.3.4 数据挖掘的知识表示121

4.3.5 基于现场大数据的数据知识挖掘的故障诊断应用121

5基于知识的智能故障诊断系统的关键技术123

5.1 基于知识的层次式智能故障诊断专家系统123

5.1.1 专家系统的概念及组成结构124

5.1.2 基于知识的层次式智能故障诊断专家系统的结构125

5.2 基于知识的层次式智能故障诊断专家系统的知识库126

5.2.1 智能故障诊断系统中知识的分类126

5.2.2 面向对象的知识表示方法127

5.2.3 知识对象的层次结构129

5.2.4 知识库的结构及组织形式131

5.2.5 知识库中知识的来源与更新132

5.3 面向对象的智能故障诊断系统的推理机132

5.3.1 面向对象的诊断推理方法133

5.3.2 诊断推理机的系统结构和规则解释器133

5.3.3 诊断推理机的黑板控制134

5.3.4 诊断推理机的控制策略与搜索算法134

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136

5.4.1 大型旋转注水机组故障智能诊断专家系统概述136

5.4.2 旋转注水机组故障诊断知识库的建立137

5.4.3 旋转注水机组诊断推理过程139

5.4.4 诊断结果处理141

6非线性非平稳机械运行状态趋势预示技术143

6.1 统计学习理论和支持向量机143

6.1.1 机器学习的基本问题和方法144

6.1.2 经验风险最小化（Empirical Risk Minimization， ERM）144

6.1.3 结构风险最小化（Structural Risk Minimization， SRM）145

6.1.4 支持向量机146

6.2 支持向量机的回归算法150

6.3 基于支持向量机的故障智能预示技术152

6.3.1 基于支持向量机的预测模型和误差评价152

6.3.2 预测流程153

6.4 基于支持向量机的旋转注水机组振动烈度预测154

6.4.1 样本的选取154

6.4.2 采用RBF核函数不同的C和ε对预测精度的影响156

6.4.3 不同核函数对训练精度的影响157

6.5 支持向量机预测模型与AR预测模型的比较158

6.6 支持向量机的趋势预测与神经网络预测模型的对比160

6.7 机械状态趋势预测的支持向量机组合模型163

6.7.1 趋势预测敏感因子的提取163

6.7.2 基于支持向量机的组合模型预测的方法163

6.7.3 实际应用165

6.8 基于提升小波和支持向量回归的趋势预测166

6.8.1 提升小波变换166

6.8.2 支持向量机 SVR的参数优化169

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173

6.9 基于流形学习和SVM的主轴系统运行状态回归预测176

参考文献181