多状态系统故障识别与寿命预测

　　《多状态系统故障识别与寿命预测》系统地介绍了笔者及其科研团队近年来在多状态系统故障诊断与剩余寿命预测方面的科研实践，具有针对性、学术性和实用性较强的特点。《多状态系统故障识别与寿命预测》共8章，第1章简要分析多状态系统故障诊断问题研究的必要性和重要性，对多状态系统故障预测和健康管理的国内外研究现状进行分析；第2章介绍多状态系统可靠性度量方法；第3章介绍基于邻域属性重要度与主成分分析的齿轮箱故障特征约简方法；第4章介绍基于深度卷积神经网络的特征融合与多状态故障识别方法；第5章介绍基于遗传算法和WPHM的多状态系统退化特征选择及参数化估计方法；第6章介绍多状态系统状态分割、识别及其剩余使用寿命预测方法；第7章介绍基于隐马尔科夫模型的多状态系统故障诊断方法；第8章基于以上分析实施化工泵状态监测及剩余寿命预测分析。《多状态系统故障识别与寿命预测》可供从事可靠性与故障诊断领域研究相关专业师生和科研工作者阅读参考。

暂缺《多状态系统故障识别与寿命预测》作者简介

第1章 绪论
1．1 研究背景和意义
1．2 多状态系统研究现状
1．3 故障预测与健康管理研究现状
1．4 本章小结
第2章 多状态系统可靠性度量方法
2．1 引言
2．2 多状态系统概述
2．3 马尔科夫链模型
2．4 通用发生函数
2．5 多状态系统动态可靠性度量及其重要度分析．
2．6 案例分析
2．7 本章小结
第3章 基于邻域属性重要度与主成分分析的齿轮箱故障特征分析
3．1 引言
3．2 齿轮箱特征定义及其分类
3．3 齿轮箱试验方案
3．4 基于PCA与SVM的齿轮箱故障特征融合分析
3．5 基于邻域属性重要度的齿轮箱故障特征分析
3．5．1 前向贪心数值属性约简
3．5．2 邻域属性重要度的计算
3．5．3 特征优选评价实验方案设计
3．5．4 优选特征的变化趋势分析
3．5．5 基于特征优选与PCA相结合的齿轮箱故障特征融合
3．6 基于PCA和SVM的滚动轴承故障特征融合
3．6．1 小波包故障特征提取算法及特征向量的构造
3．6．2 基于PCA与SVM的故障特征分类与诊断流程
3．6．3 基于PCA与SVM的滚动轴承故障特征融合分析
3．6．4 基于SVM的轴承故障特征分类
3．7 本章小结
第4章 基于深度卷积神经网络的特征融合与多状态故障识别方法
4．1 引言
4．2 深度卷积神经网络（DCNN）
4．2．1 DCNN模型的建立
4．2．2 DCNN模型的训练
4．3 基于支持向量机的故障识别
4．3．1 支持向量机的二分类
4．3．2 支持向量机的多分类
4．4 试验分析
4．4．1 试验1分析
4．4．2 试验2分析
4．4．3 试验3分析
4．5 本章小结
第5章 基于遗传算法和WPHM的多状态系统退化特征选择及参数化估计
5．1 引言
5．2 多状态系统模型
5．2．1 假设
5．2．2 多状态系统模型结构
5．3 基于监测数据的多状态系统可靠性建模
5．4 多状态系统退化特征空间构建
5．4．1 基于时域分析的退化特征
5．4．2 基于频域分析的退化特征
5．4．3 基于小波包分解能量的退化特征
5．4．4 基于经验模态分解能量的退化特征
5．4．5 信息熵退化特征
5．5 基于遗传算法的最优退化特征选择方法
5．6 基于WPHM模型的参数化估计
5．7 本章小结
第6章 多状态系统状态分割及其剩余使用寿命预测方法
6．1 引言
6．2 多状态系统退化状态自动分割方法
6．3 基于流形学习算法的特征融合
6．3．1 本征维数估计
6．3．2 拉普拉斯特征映射
6．4 自动谱聚类算法
6．5 自动聚类算法实验验证
6．6 多状态系统退化状态识别及剩余使用寿命预测方法
6．7 基于SVM方法的状态识别和趋势预测
6．7．1 支持向量分类原
6．7．2 支持向量回归原理
6．7．3 是态识别和趋势预测
6．8 本章小结
第7章 基于隐马尔科夫模型的多状态系统故障诊断方法
7．1 引言
7．2 HMM算法
7．2．1 HMM
7．2．2 多状态系统状态识别方法
7．3 实验装置
7．4 结果和讨论
7．4．1 数据样本描述
7．4．2 当前状态评估
7．4．3 多状态识别
7．5 本章小结
第8章 化工泵状态监测及剩余寿命预测分析
8．1 引言
8．2 化工泵失效机理分析
8．3 化工泵多工况试验
8．3．1 闭式试验台
8．3．2 测试系统
8．3．3 试验方案与步骤
8．3．4 试验结果分析
8．3．5 化工泵多工况识别方法研究
8．4 轴承全寿命试验
8．4．1 试验数据
8．4．2 特征空间构建及特征选择
8．4．3 退化状态分割及识别
8．4．4 可靠性建模及剩余使用寿命预测
8．5 本章小结
参考文献