工业装备系统亚健康诊断方法PDF电子书下载

第1章 工业装备健康状态诊断方法论述 1

1．1 引言 1

1．2 粗糙集理论 2

1．2．1 粗糙集理论的相关概念 2

1．2．2 常用的属性约简算法 3

1．3 神经网络 5

1．3．1 BP神经网络结构 5

1．3．2 BP算法的步骤 6

1．3．3 BP神经网络的性能分析 8

1．4 支持向量机 9

1．4．1 统计学习理论 9

1．4．2 支持向量机的理论 11

1．4．3 支持向量机的优点分析 13

1．5 小波分析 13

1．5．1 一维连续小波变换 14

1．5．2 离散小波变换 15

1．6 工业装备健康状态诊断 16

1．7 全书概况 17

参考文献 18

第2章 基于灰色粗糙集的二阶段数据预处理 22

2．1 引言 22

2．2 基于灰色粗糙集的二阶段数据预处理方法 22

2．2．1 关联度分析方法的基本理论 22

2．2．2 两阶段数据预处理算法流程 24

2．2．3 算法有效性验证 25

2．3 健康状态诊断中的特征参数提取 26

2．3．1 故障特征参数选取的原则 26

2．3．2 时域特征参数 27

2．3．3 频域特征参数 28

2．4 提取滚动轴承故障特征的仿真实验 29

2．4．1 仿真实验的故障数据 29

2．4．2 属性约简的实验过程 30

2．5 结束语 31

参考文献 31

第3章 基于遗传神经网络的健康状态诊断模型 33

3．1 引言 33

3．2 遗传算法与BP神经网络的结合 33

3．2．1 GA-BP结合的可行性分析 33

3．2．2 遗传算法与神经网络的结合方式 34

3．3 学习算子设计与改进 35

3．3．1 GA-BP编码方式 35

3．3．2 适应度函数的设计 36

3．3．3 选择算子的设计 37

3．3．4 交叉算子的设计 38

3．3．5 变异算子的设计 39

3．4 遗传神经网络健康状态诊断算法 40

3．4．1 算法的基本思想 40

3．4．2 算法的基本流程 41

3．5 健康状态诊断的仿真实验 42

3．5．1 仿真实验环境设置 42

3．5．2 对比实验与性能分析 43

3．6 结束语 46

参考文献 46

第4章 基于粒子群优化BP神经网络的亚健康识别 48

4．1 引言 48

4．2 粒子群算法概述 50

4．2．1 基本粒子群算法 50

4．2．2 带惯性权重的粒子群算法 50

4．2．3 带压缩因子的粒子群算法 51

4.3 粒子群算法的改进 52

4．3．1 精英学习策略的粒子群算法 52

4．3．2 算法改进的基本思想 53

4．3．3 惯性权重的改进 54

4．3．4 学习因子的改进 54

4．4 粒子群优化BP神经网络算法 55

4．4．1 IPSO-BP模型 55

4．4．2 IPSO-BP算法基本流程 57

4．5 亚健康及D-S证据理论的引入 58

4．5．1 亚健康 58

4．5．2 基于D-S证据理论的亚健康算法 59

4．6 健康状态诊断的仿真实验 62

4．6．1 实验过程 62

4．6．2 性能分析 67

4．7 结束语 67

参考文献 68

第5章 基于机器学习的装备健康度评估 70

5．1 引言 70

5．2 模糊集理论 70

5．2．1 模糊集理论概述 70

5．2．2 相关概念 71

5.3 健康状态的等级划分 74

5．3．1 健康度的概念 74

5．3．2 故障状态的健康度评估 75

5．4 隶属度到健康度的映射关系模型 76

5．4．1 基于BP神经网络的健康度计算 77

5．4．2 基于支持向量机的健康度计算 78

5．5 健康状态诊断的仿真实验 80

5．5．1 故障特征参数灵敏度评估 80

5．5．2 健康度的计算 80

5．5．3 实验结果与分析 83

5．6 结束语 85

参考文献 85

第6章 基于改进蚁群算法优化支持向量机参数的健康状态分类 88

6．1 引言 88

6．2 改进蚁群算法对支持向量机的优化过程 91

6．2．1 参数优化 91

6．2．2 基于网格划分策略的蚁群算法 92

6．3 仿真实验及结果分析 94

6．3．1 数据预处理 95

6．3．2 蚁群算法的参数设置 98

6．3．3 泛化能力 99

6．4 结束语 101

参考文献 102

第7章 基于概率神经网络的轴承健康状态诊断 105

7．1 引言 105

7．2 健康度定义 106

7．3 模型选择 107

7．3．1 概率神经网络概述 107

7．3．2 概率神经网络的拓扑结构 108

7．4 仿真实验及结果分析 109

7．5 结束语 115

参考文献 115

第8章 基于小波分析的健康状态检测 118

8．1 引言 118

8．2 脉冲小波 118

8．2．1 脉冲小波的定义 118

8．2．2 脉冲小波的正交性 119

8．3 脉冲小波分析方法 121

8．4 能量谱分析方法 122

8．5 健康状态诊断仿真实验 122

8．5．1 相关参数与实验结果 123

8．5．2 可行性分析 126

8．6 结束语 127

参考文献 127

第9章 势能函数健康状态识别分类算法的研究与应用 129

9．1 引言 129

9．2 势能函数 129

9．3 势能函数实现健康状态多分类 131

9．4 基于势能函数分类算法的健康状态诊断 132

9．5 结束语 134

参考文献 134

第10章 基于高斯混合模型EM算法的健康状态识别方法 136

10．1 引言 136

10．2 高斯混合模型的基本思想 136

10．2．1 高斯混合模型 136

10．2．2 GMM的引入意义 137

10．2．3 EM算法的改进思想 137

10．3 基于高斯混合模型EM算法的设计与实现 138

10．3．1 基于高斯混合模型BM算法 138

10．3．2 基于高斯混合模型EM算法的基本流程 139

10．4 仿真实验与结果 140

10．5 结束语 142

参考文献 142

第11章 不完整数据集的区间重构 144

11．1 引言 144

11．2 不完整数据集的处理 146

11．2．1 最近邻规则 147

11．2．2 不完整数据集转换为区间数据集 148

11．3 区间限定的必要性 149

11．4 不完整数据集的预分类 151

11．4．1 预分类方法分析 151

11．4．2 预分类过程 154

11．5 区间重构的流程 154

11．6 结束语 155

参考文献 155

第12章 基于区间重构的不完整数据集混杂聚类算法研究 158

12．1 引言 158

12．2 区间FCM聚类算法 158

12．2．1 区间模糊C均值基本算法 158

12．2．2 区间模糊C均值算法基本流程 159

12．2．3 基于最近邻区间的不完整数据FCM算法 160

12．3 不完整数据集的粒子群模糊C均值混杂算法 162

12．3．1 群优化策略 162

12．3．2 粒子群的优点 162

12．3．3 混杂算法 163

12．3．4 混杂算法的变异 165

12．3．5 混杂算法基本流程 165

12．3．6 基于最近邻区间的不完整数据混杂聚类算法 166

12．4 基于区间重构的不完整数据集混杂算法 168

12．4．1 算法的基本思想 168

12．4．2 算法的基本流程 168

12．5 仿真案例及分析 170

12．6 结束语 171

参考文献 172