工业装备系统亚健康诊断方法PDF|Epub|txt|kindle电子书版本网盘下载

工业装备系统亚健康诊断方法PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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