数据驱动的故障预测PDF电子书下载

第1章 绪论 1

1.1 引言 1

1.2 PHM的概念和内涵 1

1.2.1 PHM基本概念 1

1.2.2 PHM基本内涵 2

1.3 PHM技术的发展和现状 3

1.3.1 PHM技术发展现状 3

1.3.2 PHM技术应用现状 6

1.4 PHM研究实例 8

1.4.1 综合飞行器健康管理系统 8

1.4.2 联合战斗机的PHM技术 10

1.5 本书内容安排 16

第2章 PHM方法体系 18

2.1 引言 18

2.2 PHM方法分类 18

2.3 基于可靠性模型的PHM方法 22

2.4 基于物理模型的PHM方法 24

2.5 基于数据驱动的PHM方法 27

2.5.1 数据驱动PHM方法 27

2.5.2 数据驱动PHM方法现状 28

2.6 融合型PHM方法 33

第3章 数据驱动PHM技术体系与框架 35

3.1 引言 35

3.2 数据驱动PHM方法策略 35

3.2.1 直接数据驱动预测方法 35

3.2.2 间接数据驱动预测方法 36

3.2.3 两类数据驱动PHM方法的比较 37

3.3 数据驱动PHM方法体系和流程 38

3.3.1 数据驱动PHM方法体系 38

3.3.2 数据驱动PHM方法流程 38

3.4 数据驱动PHM方法框架分析 41

3.4.1 信息感知、状态监测和数据采集 41

3.4.2 特征识别、选择和融合 42

3.4.3 HI构建 43

3.4.4 RUL预测 44

3.4.5 预测不确定性 48

3.4.6 融合型预测方法 50

3.4.7 PHM验证与评估 51

第4章 特征识别和提取 53

4.1 引言 53

4.2 特征识别方法 54

4.3 特征选择和提取技术 55

4.3.1 特征选择 56

4.3.2 特征提取 59

4.3.3 特征融合 62

4.4 PHM特征识别和提取实例 63

4.4.1 特征识别与选择 63

4.4.2 RUL预测方法 67

4.4.3 实验结果与分析 69

第5章 基于时间序列AR模型的PHM预测 71

5.1 引言 71

5.2 AR模型 71

5.2.1 AR模型基本原理 71

5.2.2 AR模型的参数估计 72

5.2.3 AR模型的阶数确定 73

5.3 ARMA/ARIMA模型 75

5.3.1 ARMA模型 75

5.3.2 ARIMA模型 76

5.4 基于AR模型的PHM预测实例 77

5.4.1 锂离子电池数据集 77

5.4.2 基于AR模型的锂离子电池RUL预测建模过程 79

5.4.3 实例结果分析 82

第6章 基于神经网络的PHM预测 89

6.1 引言 89

6.2 神经网络算法 90

6.2.1 ANN模型 90

6.2.2 基于ANN的PHM预测 92

6.3 ESN基本原理 93

6.3.1 ESN的模型结构和数学模型 94

6.3.2 ESN的训练算法 96

6.3.3 ESN的关键参数 98

6.4 改进MONESN算法 99

6.4.1 状态监测数据的单调关系 99

6.4.2 结合先验知识的单调函数逼近方法 100

6.5 基于神经网络的PHM预测实例 105

6.5.1 基于ESN的机械系统RUL预测实例 105

6.5.2 基于MONESN的锂离子电池RUL预测实例 109

第7章 基于KF/EKF算法的PHM预测 119

7.1 引言 119

7.2 KF/EKF算法 120

7.2.1 KF算法 120

7.2.2 EKF算法 121

7.3 基于EKF算法的PHM预测 122

7.4 基于EKF算法的PHM预测实例 123

7.4.1 基于EKF的锂离子电池RUL预测算法流程 123

7.4.2 锂离子电池RUL预测实验及分析 128

第8章 基于RVM算法的PHM预测 135

8.1 引言 135

8.2 RVM基本原理 136

8.2.1 相关向量回归 136

8.2.2 超参数优化 137

8.2.3 RVM训练算法 139

8.3 基于动态灰色相关向量机的锂离子电池RUL预测方法 142

8.3.1 RVM参数对预测结果的影响分析 142

8.3.2 动态灰色RVM锂离子电池RUL预测算法 146

8.3.3 实验验证与评估 150

8.4 基于增量相关向量机的锂离子电池RUL在线预测方法 160

8.4.1 在线预测算法分析 160

8.4.2 优化增量RVM锂离子电池RUL在线预测算法 161

8.4.3 实验验证与评估 163

第9章 基于GPR模型的PHM预测 170

9.1 引言 170

9.2 GPR模型原理 170

9.2.1 GP模型 170

9.2.2 GPR模型 172

9.2.3 GRP模型选择与超参数自适应 173

9.3 基于GPR模型的预测流程 175

9.4 PHM预测实例 176

9.4.1 锂电池容量预测 176

9.4.2 电池RUL预测 178

第10章 基于PF算法的PHM预测 181

10.1 引言 181

10.2 PF算法原理 182

10.2.1 动态系统模型 182

10.2.2 贝叶斯估计的基本理论 183

10.2.3 蒙特卡洛思想 184

10.2.4 PF基本原理 186

10.2.5 PF算法的基本流程 189

10.3 PF重采样算法及改进算法 191

10.3.1 PF 4种基本重采样算法 191

10.3.2 正则化粒子滤波原理 193

10.4 PHM预测实例 194

10.4.1 锂电池RUL预测框架及算法描述 195

10.4.2 锂电池RUL寿命预测实例 197

10.4.3 不同重采样算法的RUL预测对比 204

10.4.4 RPF算法性能对比 207

第11章 PHM不确定性 210

11.1 引言 210

11.2 不确定性的概念和来源 211

11.2.1 不确定性的来源 211

11.2.2 不确定性的数学表达方法 211

11.2.3 不确定性的处理方法 212

11.3 PHM不确定性表达 212

11.3.1 置信预测神经网络 212

11.3.2 GPR预测的不确定性 213

11.3.3 马尔可夫链蒙特卡洛模拟 214

11.3.4 粒子滤波 215

11.4 PHM不确定性量化 216

11.4.1 置信区间 216

11.4.2 概率密度分布直方图 218

11.4.3 分布的假设检验 220

11.5 PHM算法评估 223

11.5.1 性能评估指标 224

11.5.2 计算实例 227

第12章 融合型PHM方法 231

12.1 引言 231

12.2 数据驱动PHM方法融合 231

12.2.1 神经网络的融合方法 231

12.2.2 集成学习方法 232

12.2.3 集成MONESN的PHM预测方法 235

12.2.4 基于En_MONESN的锂离子电池PHM预测 238

12.3 基于模型和数据驱动的PHM方法融合 256

12.3.1 基于PF与AR模型融合的PHM方法 257

12.3.2 PHM实例 260

12.3.3 基于EKF和AR模型融合的PHM方法 264

12.3.4 PHM实例 266

第13章 PHM挑战与展望 272

13.1 引言 272

13.2 国内外PHM技术发展对比 272

13.2.1 PHM概念延伸 272

13.2.2 PHM技术发展 273

13.2.3 PHM国内发展及差距 275

13.2.4 PHM国内发展趋势 276

13.3 PHM技术挑战 277

13.3.1 状态感知技术 278

13.3.2 状态监测技术 278

13.3.3 诊断和预测技术 279

13.3.4 PHM标准化技术研究 280

13.3.5 PHM技术验证和评估 282

13.3.6 测试床 285

13.3.7 平台化 285

13.4 PHM技术展望 287

参考文献 289

名词索引 311