基于知识的机电系统故障诊断与预测技术PDF电子书下载

1绪论 1

1.1 机电系统状态监测与故障诊断的发展概况 1

1.2 机电系统故障诊断与趋势预示技术 3

1.2.1 基于粗糙集的知识获取 6

1.2.2 基于数据挖掘的知识获取和诊断 8

1.3 机电系统状态智能趋势预示的研究综述 10

1.3.1 神经网络的趋势预测方法 11

1.3.2 支持向量机（Support Vector Machine， SVM）方法 12

1.3.3 流形学习 13

1.4 设备劣化进程中的一般性规律 14

1.5 振动信号分析的基本方法 15

1.5.1 信号的时域分析 16

1.5.2 信号的频域分析 17

1.5.3 小波分析方法 18

1.6 故障诊断的特征量和判断标准 19

1.6.1 故障诊断特征量公式 19

1.6.2 故障诊断的判断标准 20

2早期微弱故障的敏感特征提取技术 24

2.1 EMD的基本概念及原理 24

2.1.1 基本概念 24

2.1.2 经验模态分解过程 25

2.1.3 经验模态分解方法存在的问题 26

2.2 基于EEMD的早期特征获取方法 26

2.2.1 EEMD的分解原理 26

2.2.2 IMF选择算法及EEMD降噪 27

2.2.3 基于EEMD和小波包的故障敏感特征提取 28

2.3 基于流形学习的早期故障敏感特征提取 33

2.3.1 流形学习算法 33

2.3.2 基于时频域统计指标的流形学习敏感特征提取 37

2.4 基于小波包的早期微弱故障敏感特征提取方法 41

2.4.1 小波（包）原理 41

2.4.2 基于小波包的旋转机械故障特征提取 42

3基于粗糙集的故障诊断与知识提取 46

3.1 知识与粗糙集理论 47

3.1.1 知识与知识的表达 47

3.1.2 粗糙集合 47

3.1.3 知识的约简 49

3.1.4 决策表 49

3.1.5 决策表的简化 49

3.2 基于粗糙集的知识获取和诊断 55

3.2.1 粗糙集知识获取的建模步骤 55

3.2.2 数据的预处理和连续属性的离散化 55

3.2.3 条件属性的约简 56

3.2.4 规则评价与分类 56

3.2.5 基于粗糙集的知识获取和故障诊断系统 57

3.3 旋转机械转子系统振动故障的规则获取 58

3.3.1 旋转机械振动故障及其征兆 58

3.3.2 大型旋转机械振动故障知识获取 60

3.3.3 大庆油田大型旋转注水机组诊断知识获取 62

3.4 基于变精度粗糙集的知识获取与故障诊断 69

3.4.1 知识发现的不确定性 69

3.4.2 多数包含关系 69

3.4.3 VPRS模型中的近似集 70

3.4.4 连续属性离散化方法 71

3.4.5 基于熵的粗糙集连续属性离散化算法研究 72

3.4.6 基于变精度粗糙集的属性约简 74

3.4.7 基于分明矩阵的属性约简算法 74

3.4.8 基于粒计算的属性约简算法 75

3.4.9 基于VPRS属性值约简算法 77

3.4.10 诊断预测规则的评价 77

3.5 基于EMD和变精度粗糙集的趋势预测系统 79

3.5.1 大型旋转机械的工程应用验证 82

3.5.2 某烟机机组的工程应用 84

3.6 基于粗糙集的故障诊断与趋势预示知识获取系统 89

4基于数据挖掘的故障诊断与知识获取 91

4.1 数据挖掘的基本思想 91

4.1.1 数据挖掘的起源 93

4.1.2 数据挖掘的模型 93

4.2 数据挖掘技术 96

4.2.1 决策树 96

4.2.2 神经网络（Neural Network） 96

4.2.3 相关规则 97

4.2.4 K-nearest邻居方法 97

4.2.5 遗传算法 97

4.2.6 联机分析处理（OLAP） 97

4.2.7 数据可视化（Data Visualization） 98

4.3 基于数据挖掘的振动故障诊断与知识获取 98

4.3.1 故障诊断的数据挖掘方法策略 99

4.3.2 数据的预处理 100

4.3.3 数据挖掘的分类算法 103

4.3.4 数据挖掘的知识表示 121

4.3.5 基于现场大数据的数据知识挖掘的故障诊断应用 121

5基于知识的智能故障诊断系统的关键技术 123

5.1 基于知识的层次式智能故障诊断专家系统 123

5.1.1 专家系统的概念及组成结构 124

5.1.2 基于知识的层次式智能故障诊断专家系统的结构 125

5.2 基于知识的层次式智能故障诊断专家系统的知识库 126

5.2.1 智能故障诊断系统中知识的分类 126

5.2.2 面向对象的知识表示方法 127

5.2.3 知识对象的层次结构 129

5.2.4 知识库的结构及组织形式 131

5.2.5 知识库中知识的来源与更新 132

5.3 面向对象的智能故障诊断系统的推理机 132

5.3.1 面向对象的诊断推理方法 133

5.3.2 诊断推理机的系统结构和规则解释器 133

5.3.3 诊断推理机的黑板控制 134

5.3.4 诊断推理机的控制策略与搜索算法 134

5.4 基于知识的大型旋转注水机组的层次式智能故障诊断系统 136

5.4.1 大型旋转注水机组故障智能诊断专家系统概述 136

5.4.2 旋转注水机组故障诊断知识库的建立 137

5.4.3 旋转注水机组诊断推理过程 139

5.4.4 诊断结果处理 141

6非线性非平稳机械运行状态趋势预示技术 143

6.1 统计学习理论和支持向量机 143

6.1.1 机器学习的基本问题和方法 144

6.1.2 经验风险最小化（Empirical Risk Minimization， ERM） 144

6.1.3 结构风险最小化（Structural Risk Minimization， SRM） 145

6.1.4 支持向量机 146

6.2 支持向量机的回归算法 150

6.3 基于支持向量机的故障智能预示技术 152

6.3.1 基于支持向量机的预测模型和误差评价 152

6.3.2 预测流程 153

6.4 基于支持向量机的旋转注水机组振动烈度预测 154

6.4.1 样本的选取 154

6.4.2 采用RBF核函数不同的C和ε对预测精度的影响 156

6.4.3 不同核函数对训练精度的影响 157

6.5 支持向量机预测模型与AR预测模型的比较 158

6.6 支持向量机的趋势预测与神经网络预测模型的对比 160

6.7 机械状态趋势预测的支持向量机组合模型 163

6.7.1 趋势预测敏感因子的提取 163

6.7.2 基于支持向量机的组合模型预测的方法 163

6.7.3 实际应用 165

6.8 基于提升小波和支持向量回归的趋势预测 166

6.8.1 提升小波变换 166

6.8.2 支持向量机 SVR的参数优化 169

6.8.3 基于提升小波与支持向量回归的主轴状态预测模型 173

6.9 基于流形学习和SVM的主轴系统运行状态回归预测 176

参考文献 181