描述
开 本: 16开纸 张: 胶版纸包 装: 平装是否套装: 否国际标准书号ISBN: 9787121290565
目 录
第1章 在通用离散随机系统中实现基于输出概率密度估计的迭代容错控制
1.1 引言
1.2 基于ILC的PDF控制
1.3 问题公式化
1.3.1 非线性动态权重模型
1.4 故障检测
1.5 故障诊断
1.6 故障容错控制
1.6.1 问题公式化
1.6.2 控制器设计
1.7 径向基函数的调整
1.8 收敛性分析
1.9 一个演示例子
1.10 结论
参考文献
第2章 智能系统监测：在线学习和系统条件状态
2.1 引言
2.1.1 预测与健康管理
2.1.2 问题公式化
2.1.3 系统退化监测
2.2 传送带过程仿真
2.2.1 感应电动机及其控制
2.2.2 标量控制电机建模
2.2.3 矢量控制电机建模
2.2.4 热模型
2.2.5 传送带
2.2.6 退化仿真
2.3 在线学习自适应建模
2.3.1 感应电动机自适应模型
2.3.2 负载转矩自适应估计器
2.3.3 转子电阻参数估计
2.4 退化自动装置和系统条件状态
2.5 解决方案和建议
2.6 未来的研究方向
2.7 结论
参考文献
辅助读物
关键术语和定义
附录
第3章 分类器的原理
3.1 引言
3.2 背景
3.3 分类器
3.3.1 分类器的训练
3.3.2 分类器的隶属度
3.3.3 多变量分类器
3.3.4 分类标签
3.4 数据预处理
3.5 连续学习
3.5.1 概述
3.5.2 初始训练
3.5.3 预测
3.5.4 再训练
3.5.5 故障检测
3.5.6 诊断进程
3.5.7 总结
3.6 预测的置信区间
3.7 通用性
3.8 未来的研究方向
3.9 结论
参考文献
其他阅读
第4章 综合多传感器信息产生故障诊断指标
4.1 引言
4.2 背景
4.3 为故障级别诊断产生的一个指标
4.3.1 方法Ⅰ：处理从两个传感器采集的信号
4.3.2 方法Ⅱ：分别从每个传感器处理采集信号
4.3.3 泥浆泵的叶轮故障诊断应用
4.4 未来的研究方向
4.5 结论
4.6 致谢
参考文献
补充阅读
第5章 基于自由参数变换方法对系统进行故障检测与隔离
5.1 引言
5.2 问题假设
5.2.1 目标
5.2.2 假设
5.2.3 基于数据残差生成方法的一般原则
5.3 单一模式的传感器故障检测和隔离
5.3.1 基于数据的残差法
5.3.2 残差对故障的灵敏度
5.3.3 传感器故障隔离
5.4 仅使用在线输入／输出数据进行转换时间估计
5.5 利用在线和离线的输入／输出数据进行开关时间估计和当前模式识别
5.5.1 基于数据的残差
5.5.2 模式识别
5.5.3 模式辨别能力
5.5.4 开关时间估计
5.5.5 转换的可探测性
5.5.6 示例
5.6 算法
5.7 车辆防侧翻实例
5.8 结论
参考文献
第6章 基于数据驱动的旋转机预测
6.1 引言
6.2 状态监测的状态指标
6.2.1 特征提取来提高信噪比
6.2.2 TSA技术和状态指标
6.2.3 齿轮故障状态指标
6.3 阈值设置和组件健康
6.3.1 齿轮健康分布函数
6.3.2 状态指标间的相关性控制
6.3.3 基于瑞利概率密度函数的健康指标
6.4 预测的状态空间模型
6.4.1 估算系统的剩余有效寿命
6.4.2 预测及预测中的置信区间
6.4.3 试验样品和一个预测实例
6.5 结论
参考文献
第7章 基于个体预测确定合适的退化参数
7.1 引言
7.2 背景
7.3 方法
7.3.1 通用路径模型
7.3.2 利用非贝叶斯更新方法结合先验信息
7.3.3 选择预测参数
7.3.4 综合监测和预测系统
7.4 应用与结果
7.4.1 数据集描述
7.4.2 通过专家分析找到一个预测参数
7.4.3 确定一个的预测参数与遗传算法
7.5 总结
参考文献
第8章 多状态设备退化的非齐次连续时间隐半马尔科夫建模过程
8.1 引言
8.2 背景
8.3 马尔可夫重建过程的多态退化建模
8.3.1 初级NHCTSMP
8.3.2 转换类型
8.3.3 使用转换率函数NHCTSMP建模
8.3.4 转换类型的选择
8.3.5 使用NHCTHSMP多状态设备建模
8.3.6 假设
8.3.7 NHCTHSMP参数
8.4 为多状态设备的NHCTHSMP参数估计
8.4.1 无监督估计方法
8.5 计算实例
8.6 未来的研究方向
8.7 总结
8.8 致谢
参考文献
第9章 基于概率变换与有限元法相结合的机械系统随机疲劳诊断
9.1 引言
9.2 随机疲劳
9.2.1 概率变换方法
9.2.2 有限元法
9.2.3 有限元和概率变换方法的新技术
9.2.4 应用：张力下的多孔板
9.3 总结
参考文献
第10章 基于状态分类和预测的旋转机退化预测
10.1 引言
10.2 背景
10.3 异常定义和退化检测
10.4 基于状态分类的退化过程
10.4.1 学习矢量量化
10.4.2 支持向量机
10.5 基于状态预测的退化
10.5.1 异常状态分类器的概率估计原理
10.5.2 使用支持向量机的异常状态的概率估计
10.6 旋转机状态分类和预测的案例
10.6.1 训练和测试样本
10.6.2 退化状态分类
10.6.3 退化状态预测
10.7 未来的研究方向
10.7.1 失效发生的概率估计
10.7.2 复杂设备的降维
10.8 结论
10.9 致谢
参考文献
补充阅读
第11章 连续刀具状态检测的一种时序预测方法
11.1 引言
11.1.1 隐马尔可夫模型
11.2 隐半马氏模型的方法
11.3 前后向迭代算法的简化计
前 言
在人类的健康护理中，基于有关健康状况参数的测量建立医疗分析。收集测量参数的目的是检测异常、诊断疾病和预测病变。依此类推，健康管理的技术规程，用于从测量参数的历史记录中捕捉工业设备的功能状态。
目前，大多数维修方式都是通过预防和纠正方法进行。预防方法是设定固定的维修间隔，来防止部件、子系统或者系统退化。已经发生了明显的错误或故障之后进行纠正性维修。在许多应用中使用这两种方法都表明是昂贵，主要是由于生产损失、备件存储、质量缺陷等的费用。
基本上，预测性维修或基于状态维修（CBM）立足于机器实际情况的维修需要，而不像预防性维修预先设定时间表。预防性维修是基于时间和活动，如基于时间更换润滑油，如日历时间或设备的运行时间。例如，大多数人在汽车或吉普车每3000～5000千米时更换机油，不用考虑到机油的实际状况和性能。这有点类似于预防性维修任务。在另一方面，汽车的使用者根据车辆的运行时间和机油的周期性分析，来确定其实际状况和润滑性能，可能能够延长更换机油直到车辆已经行驶到1万公里。这就是预测性维修和预防性维修。预测性维修用于定义基于量化的材料或设备状态所需的维修任务之间的根本区别。
基于状态维修的目标是在正确的时间保持设备完好运行。CBM是基于使用实时预测与健康管理（PHM）的数据进行优先和优化维修资源。通过观察系统的状态（状态监测），确定系统的健康，并采取行动。只有当维修实际需要从而减少了抛弃设备的剩余使用寿命。，维修人员利用基于状态维修能够决定在适当的时间进行维修。理想情况下CBM将允许维修人员只做正确的事，限度地减少备件成本、系统停机时间和维修时间。
智能维修、诊断和预测即机器的CBM主要指工业，航空航天器，军事和商船，汽车行业等上的复杂系统。工业和军事领域关注关键系统和部件的可靠性和可用性。这些目标都是化设备时间，尽量减少维修和运营成本。由于人员水平降低和设备变得越来越复杂，智能维修方案必须取代旧的预先安排和劳动密集型规划维修系统，保证设备继续正常运行。机器设备的增长需求使所有设备的服务来适应关键任务的执行。故障检测和故障隔离效果后，系统具有非常低的误警率，要继续提高这些新的应用，预测的要求就更加明显，对系统设计团队的挑战也是非常显著。这些预测的挑战已经在机械系统上存在并应用了一段时间，但在电子系统上还需要积极探索。
预测是现代预测与健康管理系统的更具挑战性的方面之一。它也是在运营双方在降低运营、支持成本、全寿命周期的总体成本，以及提高了许多机械和复杂系统的安全性方面有巨大的潜力。复杂系统的诊断监测使人们达到共识，预测在需求和技术上都是可行的。
本书的各章节集合，可以完全覆盖结构健康监测和预测健康管理涉及的领域。这些章节包含了机械和工业工程、信息技术和控制工程，并卓有成效地介绍SHM和PHM如何被建立、评估、部署在工业机械的实践中。
第1章 在通用离散随机系统中实现基于输出概率密度估计的迭代容错控制
本章介绍了一种基于迭代学习控制的容错控制方法。该方法使用一种广义固定结构的比例积分控制器，应用于通用的非高斯变量随机系统，受约束的控制器的状态向量导致平方根概率密度函数的应用结果。将整个控制水平轴划分为许多等时间间隔的批次。在每个批次内，状态受约束的广义比例积分控制器采用线性矩阵不等式方法使输出概率密度函数成形。在任何相邻的批次之间，优化径向基函数的基本函数。当建立迭代学习控制收敛的充分条件，就可以利用一种P型迭代学习控制实现批次间的优化。
第2章 智能系统监测：在线学习和系统条件状态
本章提出了一种新型智能系统状态监控的通用方法。使用5个连续步骤实现：（1）数据采集。（2）简化的自适应模型。（3）诊断，并与自适应模型进行数据比较。（4）使用退化模型间的退化混合自动装置流来跟踪系统状态；（5）在实现对EOL或RUL的预测。本章提出了一种基于简化自适应模型方法并应用在智能系统监测中，这种方法可应用于在步骤（2）和步骤（4）研究范围的诊断与预测之外部分。
第3章 分类器的原理
本章描述了表明使用神经网络开发出一套连续学习诊断系统是可能的。整套系统将大大地节省分析师在异常和故障检测上的时间和精力。使原本需要耗费大量时间的任务自动化在分类器上有几种方式可以提高预测新数据采样解释的数据显示。预测的置信空间可以使用很容易进行估计。
第4章 综合多传感器信息产生故障诊断指标
本章提出了通过综合多传感器上收集的信息产生故障水平指标的两种方法。种方法，将从两个传感器在不同健康状况下收集到的信号作为一个多元信号，使用多元经验模式分解法将该多元信号分解为一组固有模态函数，该故障敏感的模态函数是由一个基于互信息标准来选择的，然后得到全范围的基础指标。该方法产生的指标显示了平面振动的运动特征。第二种方法从每个单独的传感器提取特征，采用全局模糊优先选择具有近似质量更好的单调关联故障的水平特征，并利用PCA组合信息选择特征为一个单一的指标。利用不同传感器收集到的信息和特征来生成指标，优于每一个传感器的特征。该方法是通用的，而且可以用于多传感器。但是由于利用PCA线性变换生成的指标不能保持初选择特征的物理意义。
第5章 基于自由参数变换方法对系统进行故障检测与隔离
本章提出了一种基于数据转换方法的转换检测与模式识别。当系统在可识别模式之间转换时，这两个过程都可以使用这两种方法实现。不同模式间的识别需要以一个模式相关的马尔可夫参数作为必要条件。虽然当系统在不容易识别的模式下转换时，转换是可检测的。但无差别的条件并不暗示非转换性检测并不是一个非转换检测充分条件。
第6章 基于数据驱动的旋转机预测
概述了基于数据驱动预测的全过程。为齿轮故障检测提供适当的状态指标；为那些状态指标设置阈值，并通过融合成一个组件的健康指标（HI）；使用一个状态空间过程根据目前组件的健康来估计剩余有用寿命；使用状态估计来量化估计剩余有用寿命的置信空间。
第7章 基于个体预测确定合适的退化参数
本章提出了一套表征预测参数的适应性指标。这些参数的特征如单调性、预测性和趋势性，可用于比较候选预测参数；并由此确定哪些是对个体预测非常有用的。单调性表征参数潜在正的或负的趋势，这解决了上述常见物理系统不能自行愈合的假设。预测性实现了许多系统或部件退化参数的关键失效值方差的测量，从而提高了在失效估计的置信。趋势性表示许多系统已经发展的衰退参数在某种程度上具有相同的潜在形状的度量，并且可以通过相同的函数形式进行描述。这三种直观的度量可以归一化，从而给出预测参数适宜性的定量测量。三种措施和适用性的结合可以用来作为适应度函数优化预测参数的发展。
第8章 多状态设备退化的非均匀连续时间隐半马尔可夫建模过程
本章展示了使用非均匀连续时间的隐半马尔可夫建模过程（NHCTHSMP）的一种通用随机模型，用于一系列无法观察到的多状态设备的衰退过程和观测过程。本章还对与多态设备相关联的NHCTHSMP的详细数学结构进行了说明，并描述了一个基于关联的内核函数和转换速率功能的NHCTHSMP的重要措施。在终的估计方法中，提出了可用于使用状态监控信息来估计NHCTHSMP的未知参数，提供了一个简单的数值实例来描述NHCTHSMP的应用过程。
第9章 基于随机转换机械系统随机疲劳的技术
本章针对机械系统随机疲劳提出一种新技术，即找到一个应力的随机密度函数。这种技术是基于概率变换与有限元法的结合，以获得响应的概率密度函数。这项新技术是通过10000次的MonteCarlo模拟来验证。
第10章 基于状态分类和预测的旋转机退化预测
本章分析了在预测学中基于状态分类和预测方法的退化问题。正常、异常和故障情况的判断是通过检测转换阶段的异常来定义的。首先，状态分类的方法是用退化状态来进行分析的，然后是在转换阶段讨论故障发生的概率，后，针对旋转机的退化过程，通过现场数据得到状态分类和预测结果。
第11章 连续刀具状态检测的一种时序预测方法
介绍了一种基于隐半马尔可夫模型的连续时间诊断和预测方法。同时，描述了在连续健康监测中应用的一种HSMM前后向算法的计算效率。基于简化的前后向算法，定义了诊断和预测过程。对于提出的HSMM方法和现有的HMM方法进行比较研究。两种方法在交叉验证、诊断和预测三个方向上进行性能比较。根据实验结果，HSMM方法在诊断和预测性能上优于HMM方法。提出的HSMM的预测能力通过方案III进行测试。有趣的是，基于HSMM方法的在10个时间步内的预测错误率小于基于HMM方法在平均一个时间步内的预测错误率。这表明相比于HMM，HSMM在捕获潜在时间信息方面是多么的强大。
第12章 集成系统健康状态的预测与监制
本章将HAC模式引入到集成系统健康监测与控制及预测。在这种模式中，组件系统的健康预测模块提供的信息应该允许修正控制器，并使控制目标考虑系统的健康。在这种方式中，为了满足控制目标将会产生控制行为，并且同时延长系统组件的寿命。健康意识的控制与容错控制恰恰相反，甚至当系统处于非故障情况下也能够调整控制器。预测模块在特定的操作条件下将估计在线组件的老化。在非故障情况下，控制基于提出的健康指标提出的分配到系统上。贯穿本章使用一个案例用来说明该想法和概念。
第13章 基于粒子滤波的齿轮故障预测方法
介绍了一维健康指数的螺旋伞齿轮受点蚀故障模型的基于粒子滤波的齿轮故障预测方法。该方法集成一对新组件到粒子滤波有效地解决了应用粒子滤波到机械组件剩余寿命故障预测的问题。（1）基于数据挖掘技术有效地定义退化状态转换和通过白化变
评论
还没有评论。