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
1.1 引言 1
1.2 基于ILC的PDF控制 2
1.3 问题公式化 3
1.3.1 非线性动态权重模型 4
1.4 故障检测 5
1.5 故障诊断 7
1.6 故障容错控制 10
1.6.1 问题公式化 10
1.6.2 控制器设计 11
1.7 径向基函数的调整 14
1.8 收敛性分析 14
1.9 一个演示例子 15
1.10 结论 19
参考文献 19
第2章 智能系统监测：在线学习和系统条件状态 22
2.1 引言 22
2.1.1 预测与健康管理 23
2.1.2 问题公式化 24
2.1.3 系统退化监测 25
2.2 传送带过程仿真 25
2.2.1 感应电动机及其控制 26
2.2.2 标量控制电机建模 27
2.2.3 矢量控制电机建模 28
2.2.4 热模型 30
2.2.5 传送带 30
2.2.6 退化仿真 31
2.3 在线学习自适应建模 32
2.3.1 感应电动机自适应模型 33
2.3.2 负载转矩自适应估计器 34
2.3.3 转子电阻参数估计 37
2.4 退化自动装置和系统条件状态 37
2.5 解决方案和建议 39
2.6 未来的研究方向 40
2.7 结论 40
参考文献 41
辅助读物 42
关键术语和定义 44
附录 45
第3章 分类器的原理 46
3.1 引言 46
3.2 背景 46
3.3 分类器 47
3.3.1 分类器的训练 47
3.3.2 分类器的隶属度 48
3.3.3 多变量分类器 49
3.3.4 分类标签 49
3.4 数据预处理 50
3.5 连续学习 52
3.5.1 概述 52
3.5.2 初始训练 53
3.5.3 预测 53
3.5.4 再训练 55
3.5.5 故障检测 56
3.5.6 诊断进程 57
3.5.7 总结 57
3.6 预测的置信区间 58
3.7 通用性 59
3.8 未来的研究方向 60
3.9 结论 60
参考文献 61
其他阅读 61
第4章 综合多传感器信息产生故障诊断指标 62
4.1 引言 62
4.2 背景 63
4.3 为故障级别诊断产生的一个指标 64
4.3.1 方法Ⅰ：处理从两个传感器采集的信号 64
4.3.2 方法Ⅱ：分别从每个传感器处理采集信号 68
4.3.3 泥浆泵的叶轮故障诊断应用 71
4.4 未来的研究方向 76
4.5 结论 76
4.6 致谢 76
参考文献 76
补充阅读 79
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 81
5.1 引言 81
5.2 问题假设 82
5.2.1 目标 82
5.2.2 假设 82
5.2.3 基于数据残差生成方法的一般原则 82
5.3 单一模式的传感器故障检测和隔离 83
5.3.1 基于数据的残差法 83
5.3.2 残差对故障的灵敏度 84
5.3.3 传感器故障隔离 84
5.4 仅使用在线输入/输出数据进行转换时间估计 85
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 86
5.5.1 基于数据的残差 86
5.5.2 模式识别 87
5.5.3 模式辨别能力 88
5.5.4 开关时间估计 88
5.5.5 转换的可探测性 89
5.5.6 示例 90
5.6 算法 92
5.7 车辆防侧翻实例 92
5.8 结论 96
参考文献 96
第6章 基于数据驱动的旋转机预测 98
6.1 引言 98
6.2 状态监测的状态指标 99
6.2.1 特征提取来提高信噪比 99
6.2.2 TSA技术和状态指标 100
6.2.3 齿轮故障状态指标 100
6.3 阈值设置和组件健康 101
6.3.1 齿轮健康分布函数 102
6.3.2 状态指标间的相关性控制 102
6.3.3 基于瑞利概率密度函数的健康指标 103
6.4 预测的状态空间模型 104
6.4.1 估算系统的剩余有效寿命 105
6.4.2 预测及预测中的置信区间 106
6.4.3 试验样品和一个预测实例 107
6.5 结论 108
参考文献 108
第7章 基于个体预测确定合适的退化参数 110
7.1 引言 110
7.2 背景 111
7.3 方法 112
7.3.1 通用路径模型 112
7.3.2 利用非贝叶斯更新方法结合先验信息 113
7.3.3 选择最优预测参数 114
7.3.4 综合监测和预测系统 115
7.4 应用与结果 116
7.4.1 数据集描述 116
7.4.2 通过专家分析找到一个预测参数 116
7.4.3 确定一个最佳的预测参数与遗传算法 120
7.5 总结 121
参考文献 122
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 123
8.1 引言 123
8.2 背景 124
8.3 马尔可夫重建过程的多态退化建模 125
8.3.1 初级NHCTSMP 126
8.3.2 转换类型 128
8.3.3 使用转换率函数NHCTSMP建模 129
8.3.4 转换类型的选择 131
8.3.5 使用NHCTHSMP多状态设备建模 132
8.3.6 假设 132
8.3.7 NHCTHSMP参数 132
8.4 为多状态设备的NHCTHSMP参数估计 133
8.4.1 无监督估计方法 133
8.5 计算实例 139
8.6 未来的研究方向 143
8.7 总结 143
8.8 致谢 143
参考文献 143
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 146
9.1 引言 146
9.2 随机疲劳 146
9.2.1 概率变换方法 147
9.2.2 有限元法 147
9.2.3 有限元和概率变换方法的新技术 147
9.2.4 应用：张力下的多孔板 148
9.3 总结 150
参考文献 150
第10章 基于状态分类和预测的旋转机退化预测 151
10.1 引言 151
10.2 背景 151
10.3 异常定义和退化检测 152
10.4 基于状态分类的退化过程 153
10.4.1 学习矢量量化 153
10.4.2 支持向量机 153
10.5 基于状态预测的退化 154
10.5.1 异常状态分类器的概率估计原理 154
10.5.2 使用支持向量机的异常状态的概率估计 155
10.6 旋转机状态分类和预测的案例 155
10.6.1 训练和测试样本 156
10.6.2 退化状态分类 156
10.6.3 退化状态预测 158
10.7 未来的研究方向 159
10.7.1 失效发生的概率估计 159
10.7.2 复杂设备的降维 159
10.8 结论 159
10.9 致谢 159
参考文献 160
补充阅读 161
第11章 连续刀具状态检测的一种时序预测方法 163
11.1 引言 163
11.1.1 隐马尔可夫模型 164
11.2 隐半马氏模型的方法 165
11.3 前后向迭代算法的简化计算 168
11.3.1 前后向变量 168
11.3.2 状态估计 169
11.4 诊断和预测 170
11.5 数据集和特征 171
11.5.1 统计特征 171
11.5.2 小波特征 172
11.5.3 特征选择 172
11.6 诊断和预测结果 174
11.6.1 方面一：交叉验证 175
11.6.2 方面二：测试诊断能力 175
11.6.3 方面三：预测能力测试 176
11.6.4 非对称损失函数 177
11.6.5 方面一：非对称交叉验证 179
11.6.6 方面二：非对称诊断 179
11.7 结论 180
参考文献 180
第12章 集成系统健康状态的预测与监控 182
12.1 引言 182
12.2 背景 183
12.2.1 故障诊断概述 183
12.2.2 PHM概述 183
12.2.3 可靠性与故障容错控制概述 184
12.3 集成控制和预测 185
12.3.1 控制和预测 185
12.3.2 体系结构描述 186
12.3.3 数据采集和预处理 186
12.3.4 状态监测与故障诊断 188
12.3.5 预测 191
12.3.6 决策 194
12.3.7 对策与建议 197
12.4 未来研究方向 197
12.5 结论 197
12.6 致谢 198
参考文献 198
补充阅读 201
第13章 基于粒子滤波的齿轮故障预测方法 202
13.1 引言 202
13.2 方法 203
13.2.1 一维健康指数 203
13.2.2 基于粒子滤波的RUL预测 204
13.3 螺旋伞齿轮的案例研究 205
13.3.1 实验装置和数据收集 205
13.3.2 结果 206
13.4 总结 209
13.5 致谢 210
参考文献 210
第14章 PHM商业应用案例：投资回报率和可用性影响 211
14.1 引言 211
14.1.1 维修模式 211
14.1.2 系统和企业级维修价值 212
14.2 投资回报（ROI） 213
14.2.1 ROI的定义 213
14.2.2 ROI成本规避 213
14.2.3 将健康管理加入风力发动机的投资回报 215
14.3 系统级维修值 218
14.3.1 定期维修与无维修灵活性PHM的NPV 219
14.3.2 维修选项分析 221
14.4 可用性需求 222
14.4.1 可用性合同 223
14.4.2 基于可用性的设计 224
14.5 结论 226
参考文献 227
第15章 船舶动力机械系统的远程故障诊断系统 229
15.1 引言 229
15.2 基于知识的远程诊断系统描述 231
15.2.1 系统的整体设计 231
15.2.2 MSS的设计 231
15.2.3 DSLC的设计 232
15.2.4 远程知识服务 233
15.3 案例研究：齿轮泵损坏检测与诊断 235
15.3.1 在线异常报警 235
15.3.2 离线故障诊断 238
15.4 未来研究方向 239
15.5 结论 240
15.6 致谢 240
参考文献 240
第16章 磨损条件下节流阀的预测与健康管理：最优维修规划诊断—预测框架 243
16.1 引言 243
16.2 CBM通用指南和标准 244
16.3 基于状态维修的节流阀 245
16.3.1 砂管理与检测 246
16.3.2 侵蚀监测 247
16.4 节流阀侵蚀案例研究 247
16.5 节流阀状态监测 249
16.6 估计节流阀剩余有效寿命 249
16.6.1 侵蚀指标的伽马过程建模 249
16.6.2 伽马过程参数的估计 251
16.6.3 剩余有效寿命为有条件寿命分布 252
16.6.4 结果 253
16.7 结论 253
参考文献 254
第17章 工业设备的故障预测与健康管理 257
17.1 引言 257
17.2 预测方法的特征 259
17.2.1 快速预测 259
17.2.2 鲁棒性 259
17.2.3 置信区间估计 259
17.2.4 适用性 259
17.2.5 详细说明 259
17.2.6 建模和计算负担 260
17.2.7 多故障处理 260
17.3 PHM的信息和数据 260
17.4 PHM的方法 260
17.4.1 基于第一原理模型的方法 261
17.4.2 基于可靠性模型的方法 261
17.4.3 传感器数据驱动方法的过程 262
17.5 案例 262
17.5.1 利用粒子滤波第一原理模型的方法 263
17.5.2 一种数据驱动的方法：模式模糊相似 266
17.6 挑战与未来研究 266
17.6.1 混合信息和数据 267
17.6.2 预测指标的定义 267
17.6.3 集成和混合方法 267
17.6.4 伴随不确定性量化的RUL和可靠性评估 268
17.6.5 验证与预测方法 268
17.6.6 仪器仪表的设计 268
17.6.7 控制、操作和维护一体化过程的PHM 268
17.7 总结和结论 268
参考文献 269
第18章 在不确定条件下使用贝叶斯分析和解析近似法进行结构可靠性和响应预测 275
18.1 引言 275
18.2 贝叶斯建模和拉普拉斯近似 276
18.3 使用一阶和二阶可靠性方法进行估计 277
18.4 逆FORM方法的系统响应估计 279
18.5 举例 280
18.5.1 复合梁可靠性实例 280
18.5.2 使用健康监测数据结构比例更新实例 283
18.6 结论 286
参考文献 286
第19章 使用间接传感器测量具有动态响应重建的疲劳损伤预测和寿命预测 289
19.1 引言 289
19.2 经验模式分解 290
19.2.1 标准的筛选过程 290
19.2.2 间歇性标准的筛选过程 291
19.2.3 变换公式 292
19.3 时间微分疲劳裂纹扩展模型 293
19.4 例子 293
19.5 结论 296
参考文献 297