描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787122370372丛书名: “中国制造2025”出版工程
大数据环境下面向MRO技术服务网络的智能预测性维护理论、技术和方法。
较全面系统地阐述了设备维护领域正在兴起的理论、技术和方法，涉及面广，内容丰富；
努力反映了国家新一代智能制造和新一代人工智能的战略部署及实施情况。
本书主要介绍了故障诊断与预测方法、智能预测性维护技术体系与框架、基于IoT的感知资源管理框架与模型、面向复杂制造环境的无线路由模型与算法、数据采集的协议集成与设计案例、数据驱动的故障诊断方法、数据驱动的故障预测模型与方法、智能工厂的维护优化调度与决策、大范围维护服务预测与优化配置、基于信息物理系统的运行过程控制。
本书可作为自动测试、可靠性和预测性维护等产品服务领域的重要参考书。
第1章绪论/1
1.1引言/1
1.1.1基于大数据的预测性分析与决策/1
1.1.2设备的智能预测性维护/2
1.1.3面向设备运营网络的智能预测性维护/5
1.2维护策略/6
1.2.1故障维护/6
1.2.2预防性维护/8
1.2.3状态维护/8
1.2.4预测性维护/11
1.2.5智能预测性维护/12
1.2.6维护策略的选择方法/13
1.3发展趋势/14
1.4本书内容安排/15
参考文献/16
第2章故障诊断与预测方法/17
2.1故障诊断与预测方法的一般分类/17
2.1.1故障诊断方法/18
2.1.2故障预测方法/20
2.2基于物理模型的故障预测方法/23
2.3基于可靠性模型的故障预测方法/24
2.4数据驱动的故障预测方法/27
2.4.1基于退化过程模型的方法/28
2.4.2基于机器学习的方法/30
2.4.3基于深度学习的方法/44
2.5融合模型驱动的故障预测方法/45
2.5.1信息融合技术/45
2.5.2融合建模的思路和方法/51
2.5.3一种多分类器融合模型/52
2.6基于失效样本的故障预测方法选择/54
参考文献/55
第3章智能预测性维护技术体系与框架/58
3.1智能制造的参考体系架构/58
3.2面向设备的智能预测性维护策略/60
3.2.1基于5C的预测性维护模型/60
3.2.2基于CPS的智能预测性维护模型/62
3.3面向设备运营网络的智能预测性维护策略/65
3.3.1设备运营与维护网络/65
3.3.2面向SPdM网络的数据获取与维护决策/66
3.4基于数据挖掘的智能预测性维护技术体系与框架/69
参考文献/70
第4章基于IoT的感知资源管理框架与模型/72
4.1基于IoT的感知资源模型及管理框架/72
4.1.1IoT感知资源模型/73
4.1.2基于IoT的感知资源管理框架/79
4.1.3基于IoT的数据采集与处理框架/82
4.2基于区块链的IoT资源安全管理模型/88
4.2.1区块链与物联网的关系/89
4.2.2基于区块链的工业物联网平台/92
4.2.3基于SMPC的秘密分享机制和数据存储方法/94
4.2.4标识管理和链路协议/98
4.3基于区块链的IoT数据共享模型/101
4.4案例研究/104
参考文献/106
第5章面向复杂制造环境的无线路由模型与算法/107
5.1网络路由协议的研究现状/107
5.2基于QoS的无线传感器网络路由模型/109
5.2.1QoS的度量参数/109
5.2.2具有QoS的网络路由协议与模型/111
5.3基于量子蚁群算法的路由优化算法/113
5.3.1蚁群算法和量子进化算法优化机理/113
5.3.2量子蚁群算法/116
5.3.3量子蚁群多目标路由算法设计/120
5.3.4算法性能分析/121
5.4实验与结果分析/122
参考文献/126
第6章数据采集的协议集成与设计案例/129
6.1状态监测数据采集框架/129
6.2监测网络的协议选择/131
6.2.1CAN总线协议/132
6.2.2ZigBee协议/134
6.2.3GPRS协议/137
6.3硬件选型与设计/138
6.3.1传感器选型/138
6.3.2数据采集网络层设计/139
6.4软件设计/148
6.4.1ZigBee节点程序设计/149
6.4.2ARM控制板程序设计/149
参考文献/151
第7章数据驱动的故障诊断方法/152
7.1数据驱动故障诊断方法的研究现状/152
7.2面向非平稳非线性状态数据的特征提取方法/154
7.2.1产品的故障模式及信号监测方法/154
7.2.2状态监测信号的特征提取方法/155
7.2.3图像处理与波形处理相结合的特征提取方法/159
7.3基于卷积神经网络和集成学习的故障诊断方法/162
7.3.1多层多尺度特征配置的CNN模型/162
7.3.2基于多层多尺度深度CNN和RFs的集成学习方法/164
7.3.3实验仿真、分析与应用验证/164
7.4基于卷积神经网络和迁移学习的故障诊断方法/169
7.4.1迁移学习的概念/169
7.4.2基于CNN和TL的故障诊断模型/170
7.4.3实验仿真、分析与应用验证/172
参考文献/175
第8章数据驱动的故障预测模型与方法/177
8.1基于量子多智能体神经网络的故障预测模型/177
8.1.1神经网络故障预测模型/178
8.1.2QMA-BPNN算法/179
8.1.3基于量子多智能体神经网络的预测算法/183
8.1.4算法分析/185
8.2基于机器学习的故障预测模型/188
8.2.1故障预测建模技术/189
8.2.2算法的训练、仿真和评估/192
8.2.3算法的验证和测试方法/194
8.3基于深度学习的故障预测模型/198
8.3.1卷积神经网络模型/199
8.3.2面向多元时间序列数据的多种CNN预测模型/203
8.3.3算法分析/209
参考文献/219
第9章智能工厂的维护优化调度与决策/221
9.1维护与库存的联合优化问题/221
9.1.1维护需求的种类/221
9.1.2维护策略与库存控制模型的特征分类/222
9.2维护与备件库存的联合优化策略/229
9.2.1基于块的维护策略和定期检查库存策略/230
9.2.2基于块的维护策略和连续检查库存策略/230
9.2.3基于役龄的维护策略和定期检查库存策略/231
9.2.4基于役龄的维护策略和连续检查库存策略/232
9.2.5状态维护策略和定期与连续库存检查策略/233
9.3预测性维护与备件库存联合优化模型/235
9.3.1基于仿真的联合优化模型/236
9.3.2基于马尔科夫决策过程MDP的联合优化模型/245
9.3.3基于预测事件的联合优化模型/251
参考文献/255
第10章大范围维护服务预测与优化配置/260
10.1MRO运营网络的服务需求预测与优化问题/260
10.2基于产品劣化状态的需求预测与服务提供模型/263
10.2.1生产设备的加速劣化模型/264
10.2.2基于产品劣化状态的需求预测及服务提供模型/267
10.2.3算例分析/270
10.3基于DSSI理论和FAHP赋权模式的服务提供商管理/276
10.3.1理论背景/277
10.3.2基于DSSI理论的提供商选择模型/280
10.3.3基于FAHP赋权模式的提供商评价方法/291
10.4基于改进随机规划的服务备件预测与管理模型/301
10.4.1基于改进随机规划的备件管理模型/302
10.4.2模型求解/307
10.4.3算例分析/310
10.5基于模糊随机规划和利润共享模式的服务资源配置/319
10.5.1基于模糊随机规划和利润共享式的服务资源配置/320
10.5.2模型求解/325
10.5.3算例分析/331
参考文献/340
第11章基于信息物理系统的运行过程控制/342
11.1CPS系统/342
11.1.1CPS的定义/342
11.1.2CPS研究现状/343
11.1.3CPS架构/345
11.2基于数字孪生的运行过程智能控制模型/351
11.2.1数字孪生模型/351
11.2.2数字孪生模型的相关应用/353
11.2.3运行过程智能控制模型/358
11.3数据驱动生产过程参数优化案例分析/360
11.3.1数据采集与预处理/361
11.3.2系统建模与计算分析/362
11.3.3智能生产优化策略/376
参考文献/378
索引/380
随着信息、机械、系统工程和管理等学科的发展，特别是以移动互联网、大数据、人工智能等为代表的新一代信息技术，推进了智能制造的快速发展。
在设备的运营维护领域，为解决设备运营与维护服务的异地化、实时化和及时性等问题，设备制造或运营企业通过采集设备运行数据，并上传至企业数据中心（或企业云），使系统软件能够对设备进行实时在线监测、控制，并经过数据分析进行预测性维护，逐渐形成了基于（移动）互联网的维护、维修和运营（Maintenance Repair & Operation，MRO）技术服务网络和相应的数据支撑环境，如产品状态、设备状态、环境状态、业务运营状态、人员状态、社交网络数据以及客户反馈数据等大数据信息，并体现出全球性（互联网连接）、实时性（工业互联网支持的状态检测）和及时性（移动终端调度）的特性，使得设备全生命周期的知识能被高效和自发地产生和利用。然而，由于MRO 技术服务网络中装备系统故障的高随机性和维护需求的高不确定性，面向大范围MRO 网络环境中多个不确定性的协作主体和高随机性的设备故障，如何可靠地获取、建模、推理和挖掘来自产品状态、环境状态、设备运行状态、人员状态、业务运营数据、社交网络数据以及客户产品反馈数据等装备全生命周期中的异构大数据信息？如何利用上述信息准确地预测设备故障和维护需求，制定合适的维护和优化策略？如何在有限服务资源下，充分利用互联网环境下广泛存在的共享服务资源，限度地响应网络维护需求，建立与客户长期全面的合作关系？更进一步，如何通过信息物理系统（Cyber Physical System，CPS）将维护决策反馈给制造系统，实现误差补偿、调节和反馈控制？这些问题成了智能制造环境下MRO 技术服务网络中各个参与主体的共同诉求，需要研究面向智能运营环境的多源异构数据高质量获取与融合理论与方法、数据驱动的装备及部件故障预测理论和方法、面向装备运营网络的大规模维护决策理论、基于CPS的反馈控制方法等大数据环境下面向MRO技术服务网络的智能预测性维护（Smart Predictive Maintenance，SPdM）理论、技术和方法。
本书系统地介绍了新一代信息技术环境对制造业的影响、智能制造模式下的设备维护问题，以及各种维护策略，如预防性维护、预测性维护和智能预测性维护等；详细地介绍了故障预测的方法体系，包括基于物理模型的故障预测、基于可靠性模型的故障预测、数据驱动的故障预测、融合模型驱动的故障预测等内容；结合智能制造的参考体系结构，系统地介绍了智能预测性维护的技术体系与框架，如面向智能工厂的智能预测性维护、面向智能工厂运营网络的智能预测性维护框架等；注重智能预测性维护的关键理论、方法和技术，例如，基于IoT的感知资源管理与车间无线路由技术、大数据驱动的故障预测理论和方法、维护决策和优化方法、网络决策和优化方法以及基于CPS的虚拟控制技术等，较全面系统地阐述了设备维护领域正在兴起的理论、技术和方法，涉及面广，内容丰富；努力反映了国家新一代智能制造和新一代人工智能的战略部署及实施情况。
本书具体内容安排为：第1章对智能制造模式下智能预测性维护、设备维护策略与发展趋势进行综述，并为全书内容的展开进行铺垫；第2章介绍故障诊断与预测方法；第3章结合智能制造的参考体系架构，系统地介绍智能预测性维护技术体系与框架；第4章介绍基于IoT的感知资源管理框架与模型；第5章介绍面向复杂制造环境的无线路由模型与算法；第6章给出数据采集的协议集成与设计案例；第7章讨论数据驱动的故障诊断方法；第8章介绍数据驱动的故障预测模型与方法；第9章讨论智能工厂的维护优化调度与决策；第10章介绍大范围维护服务预测与优化配置；第11章讨论基于信息物理系统的运行过程控制。
本书受到国家重点研发计划项目“面向有色金属冶炼流程精细管控的网络协同制造关键技术与平台研发（2019YFB1704700）”和国家自然科学基金项目“互联网与大数据环境下面向高端装备制造的智能工厂运营优化（No.71690234）”的资助。全书由刘敏、李玲、鄢锋著，特别要感谢马玉敏对11 章的贡献。本书得到同济大学电子与信息工程学院系统工程专业博士生章锋、徐高威的协助，谨在此对他们表示衷心的感谢。
由于本书涉及的范围比较广，所讨论的问题比较新也比较复杂，书中难免会有不足之处，诚挚地欢迎广大读者批评指正。
著 者
评论
还没有评论。