基于工業(yè)大數(shù)據(jù)分析的故障診斷方法及應用

目錄
前言
第1章　緒論　1
1.1　引言　1
1.2　故障診斷的研究內容及方法分類　3
1.2.1　故障診斷的研究內容　3
1.2.2　故障診斷方法分類　3
1.3　數(shù)據(jù)驅動的故障診斷方法綜述　5
1.3.1　故障診斷的專家系統(tǒng)法　6
1.3.2　基于定性趨勢分析的故障診斷　6
1.3.3　基于盲信號分離的故障診斷　6
1.3.4　基于統(tǒng)計分析的故障診斷　6
1.3.5　改進的PCA方法　9
1.3.6　基于指定元分析的方法　10
1.4　基于深度學習的故障診斷方法　11
1.4.1　基于淺層學習的故障診斷方法　11
1.4.2　深度學習的模型分類　12
1.4.3　基于深度學習的智能故障診斷研究現(xiàn)狀　13
1.5　非均衡數(shù)據(jù)深度學習故障診斷研究現(xiàn)狀　17
1.6　本章小結　18
參考文獻　19
第2章　基礎知識　27
2.1　引言　27
2.2　主元分析　27
2.3　指定元分析　30
2.4　小波濾波技術　31
2.5　反向傳播神經(jīng)網(wǎng)絡　32
2.6　深層神經(jīng)網(wǎng)絡　33
2.7　卷積神經(jīng)網(wǎng)絡　37
2.8　生成對抗網(wǎng)絡　39
2.9　本章小結　40
參考文獻　40
第3章　基于統(tǒng)計特征提取的故障檢測方法　42
3.1　擬多尺度主元分析理論及故障檢測應用　42
3.1.1　故障的多尺度特性分析　42
3.1.2　擬多尺度主元分析　44
3.1.3　擬多尺度主元分析的檢測能力分析　51
3.1.4　擬MSRPCA故障檢測方法　54
3.1.5　擬MSRPCA仿真實驗和分析　57
3.2　基于微分特征抽取的分層PCA動態(tài)故障檢測　60
3.2.1　基于PCA的動態(tài)故障檢測　61
3.2.2　基于微分特征抽取的分層PCA故障檢測方法　62
3.2.3　仿真和案例分析　64
3.3　本章小結　72
參考文獻　73
第4章　知識導引的統(tǒng)計特征抽取和故障診斷方法　74
4.1　非正交指定模式逐步DCA多故障診斷　74
4.1.1　主元分析的模式復合效應　74
4.1.2　主元分析的有關結論　75
4.1.3　DCA的空間投影框架　77
4.1.4　逐步DCA多故障診斷方法　83
4.1.5　指定模式的定義　88
4.1.6　仿真研究　91
4.2　微小與未知故障診斷　96
4.2.1　基于DCA的多級微小故障診斷　97
4.2.2　未知故障診斷　108
4.3　船舶主機故障診斷應用　117
4.3.1　船舶主柴油機故障診斷概述　117
4.3.2　研究對象　119
4.3.3　故障實驗環(huán)境　126
4.3.4　船舶主柴油機故障診斷　127
4.4　本章小結　134
參考文獻　135
第5章　基于深度學習的頻率類故障診斷　136
5.1　引言　136
5.2　頻率類故障分析　136
5.3　基于深層神經(jīng)網(wǎng)絡的頻率類故障診斷　138
5.3.1　頻率類故障特征抽取　138
5.3.2　微分幾何特征融合　140
5.3.3　頻率類故障的在線診斷　140
5.4　實驗與分析　144
5.4.1　仿真數(shù)據(jù)驗證和分析　144
5.4.2　案例研究和分析　148
5.5　本章小結　153
參考文獻　153
第6章　基于多源異構數(shù)據(jù)融合的深度學習故障診斷　154
6.1　引言　154
6.2　基于數(shù)據(jù)級融合的深度學習故障診斷　155
6.2.1　監(jiān)測中心屏幕截圖數(shù)據(jù)集構建　155
6.2.2　基于數(shù)據(jù)級融合的深度學習故障診斷　156
6.2.3　實驗與分析　161
6.3　基于特征級融合的深度學習故障診斷　172
6.3.1　基于交替優(yōu)化的深層特征融合方法　172
6.3.2　基于特征級融合的深度學習故障診斷　176
6.3.3　實驗與分析　179
6.4　本章小結　189
參考文獻　189
第7章　基于分級深層神經(jīng)網(wǎng)絡的多模態(tài)故障診斷　190
7.1　引言　190
7.2　基于深層神經(jīng)網(wǎng)絡的故障診斷　190
7.3　基于分級深層神經(jīng)網(wǎng)絡的多模態(tài)故障診斷　191
7.4　實驗與分析　196
7.4.1　實驗平臺　196
7.4.2　數(shù)據(jù)描述　196
7.4.3　故障診斷結果　198
7.5　本章小結　208
參考文獻　208
第8章　基于全局優(yōu)化GAN的非均衡數(shù)據(jù)故障診斷方法　209
8.1　引言　209
8.2　基于全局優(yōu)化GAN的非均衡數(shù)據(jù)故障診斷　209
8.2.1　生成器設計　210
8.2.2　判別器設計　211
8.2.3　交替訓練機制　212
8.3　實驗與分析　216
8.3.1　數(shù)據(jù)描述與處理　216
8.3.2　實驗結果分析　216
8.4　TE過程數(shù)據(jù)實驗分析　222
8.4.1　數(shù)據(jù)描述　223
8.4.2　實驗結果分析　222
8.5　本章小結　229