中图网

>

工业大数据驱动的装备智能运维技术与实践

作者：黄海松

出版社：科学出版社出版时间：2024-06-01

开本： B5 页数： 222

中图价:¥85.0(7.2折) 定价 ~~¥118.0~~ 登录后可看到会员价

加入购物车收藏

运费6元，满39元免运费

?新疆、西藏除外

本类五星书更多>

>
(精)方力钧作品图录

(精)方力钧作品图录

¥142.8¥680
>
《藏书报》2021合订本

《藏书报》2021合订本

¥168¥168
>
中外性文物大观

中外性文物大观

¥352.8¥1680
>
马克思主义经典著作解读丛书·探索人类解放的新路径《1844年经济学哲学手稿》解读

马克思主义经典著作解读丛书·探索人类解放的新路径《1844年经济学哲学手稿》解读

¥14.5¥26.8
>
襄阳府志(九品)

襄阳府志(九品)

¥154.1¥467
>
奇思妙想创意玩具书(精装4册)

奇思妙想创意玩具书(精装4册)

¥121.6¥304
>
大慈恩寺

大慈恩寺

¥135¥450

商品详情
商品评论(0条)

中图价:¥85.0 加入购物车

版权信息
内容简介
目录
作者简介

工业大数据驱动的装备智能运维技术与实践版权信息

ISBN：9787030776952
条形码：9787030776952 ; 978-7-03-077695-2
装帧：平装
册数：暂无
重量：暂无
所属分类：

工业大数据驱动的装备智能运维技术与实践内容简介

随着信息、传感器以及人工智能等核心技术的飞速发展，制造业与信息化的融合愈加紧密，"中国制造 2025"、美国"优选制造业领导力战略"、德国"国家工业战略 2030"等将智能制造作为主攻领域。特别地，我国《"十四五"智能制造发展规划》将装备故障诊断与预测性维护、智能运维的关键技术作为主攻方向。本书在国家自然科学金、省重大专项等的支持下，以刀具、轴承以及齿轮等典型零部件为对象，重点关注运维数据采集、处理、建模以及分析挖掘整个流程的痛点、难点。全书共分为7章，第1章为绪论，第2~3章分别介绍机器学习以及智能优化相关理论，第4章为运维数据采集及信号预处理，第5章为特征提取与重构，第6~7章分别为状态监测、状态预测的范例及应用。

工业大数据驱动的装备智能运维技术与实践目录

前言第1章绪论1 1.1引言1 1.1.1智能制造概述1 1.1.2机械设备状态监测与预测的意义3 1.1.3数据驱动与机器学习的实践意义4 1.2国内外研究现状5 1.2.1数据驱动的机械设备状态监测的研究现状6 1.2.2数据驱动的机械设备剩余使用寿命预测的研究现状9 1.2.3异常状态监测与剩余使用寿命预测所面临的难点与挑战10 1.3试验数据简介11 1.3.1轴承数据集11 1.3.2刀具数据集13 1.4本章小结14 参考文献15 第2章机器学习的基础理论20 2.1分类学习理论20 2.1.1基于浅层机器学习的分类理论20 2.1.2基于深度学习的分类理论24 2.1.3基于迁移学习的分类理论26 2.2聚类学习理论27 2.2.1无监督聚类学习理论27 2.2.2半监督聚类学习理论29 2.3回归学习理论32 2.3.1基于浅层机器学习的回归理论32 2.3.2基于深度学习的回归理论34 2.3.3基于迁移学习的回归理论36 2.4本章小结37 参考文献37 第3章智能优化算法相关理论39 3.1智能优化算法简述39 3.2模式搜索法39 3.2.1网格搜索算法39 3.2.2随机搜索算法40 3.2.3贝叶斯优化算法41 3.3启发式算法42 3.3.1粒子群优化算法42 3.3.2均衡优化算法43 3.4仿生智能算法45 3.4.1遗传算法45 3.4.2灰狼优化算法46 3.4.3飞蛾扑火优化算法47 3.5本章小结49 参考文献50 第4章设备状态信息采集及信号预处理51 4.1机械关键零部件状态信息采集51 4.1.1自建刀具磨损试验平台51 4.1.2自建轴承故障诊断试验平台61 4.1.3自建齿轮箱故障诊断试验平台63 4.2机械关键零部件运行状态信号预处理67 4.2.1数据清洗67 4.2.2数据规约70 4.2.3数据变换71 4.2.4数据集成72 4.3本章小结73 参考文献73 第5章信号特征提取与重构75 5.1人工特征提取75 5.1.1经验模态分解75 5.1.2集成经验模态分解76 5.1.3自适应白噪声总体平均经验模态分解77 5.1.4改进自适应白噪声总体平均经验模态分解79 5.1.5模态分解-Shannon能量熵特征提取80 5.1.6支持向量数据描述80 5.1.7小波去噪82 5.2无监督特征提取及特征可视化86 5.2.1深度特征学习86 5.2.2迁移特征学习89 5.3特征降维处理93 5.4特征数据均衡与增强处理94 5.4.1重采样技术95 5.4.2数据增强96 5.5本章小结96 参考文献98 第6章典型零部件智能故障诊断与监测99 6.1基于机器学习的典型零部件智能故障诊断与监测99 6.1.1基于机器学习的刀具智能故障诊断与监测99 6.1.2基于机器学习的轴承智能故障诊断与监测133 6.2基于深度学习的典型零部件智能故障诊断与监测138 6.2.1基于深度学习的刀具智能故障诊断与监测138 6.2.2基于深度学习的轴承智能故障诊断与监测146 6.2.3基于深度学习的齿轮智能故障诊断与监测155 6.3基于迁移学习的典型零部件智能故障诊断与监测173 6.3.1改进的基于样本特性的过采样技术173 6.3.2基于ISCOTE和VGG16深度迁移学习的端到端状态监测174 6.4本章小结186 参考文献187 第7章典型零部件剩余使用寿命预测188 7.1基于ISCOTE和ICEEMDAN-Shannon能量熵的时序状态预测188 7.1.1试验数据选取及其预处理188 7.1.2回归器选取及其参数赋予194 7.1.3试验结果及分析194 7.2基于图像编码技术和卷积神经网络的刀具磨损值预测200 7.2.1基于GAF-CNN的刀具磨损值在线监测模型200 7.2.2GAF-CNN所涉及关键技术201 7.2.3预测模型训练203 7.2.4试验结果及分析205 7.3本章小结208 参考文献209

展开全部