消息 首页 搜索 举报
  • 正版现货新书 基于认知计算与几何空间变换的故障诊断与预测/可靠新技术丛书 9787118121995 吕琛
21年品牌 40万+商家 超1.5亿件商品

正版现货新书 基于认知计算与几何空间变换的故障诊断与预测/可靠新技术丛书 9787118121995 吕琛

全新正版现货，以书名为准，放心购买，购书咨询18931383650朱老师

￥ 121.82 6.5折 ￥ 188 全新

库存12件

北京丰台
认证卖家担保交易快速发货售后保障

作者吕琛

出版社国防工业出版社

ISBN9787118121995

出版时间2020-11

装帧平装

开本16开

定价188元

货号10980119

上书时间2024-12-16

黎明书店

十五年老店
已实名 已认证 进店 收藏店铺
  • 最新上架

   商品详情   

品相描述：全新
商品描述
作者简介
北京航空航天大学可靠性与系统工程学院，博导、研究员、国防科技重点实验室（北航）常务副主任。中国自动化学会，技术过程的故障诊断与安全性专业委员会，委员；专业为控制科学与工程，主要研究方向为故障预测与健康管理。

目录
第1章  绪论
  1.1  故障诊断与预测技术概述
    1.1.1  背景与意义
    1.1.2  基本概念
    1.1.3  技术发展现状
    1.1.4  问题与启示
  1.2  认知计算技术概述
    1.2.1  认知计算技术
    1.2.2  深度学习技术
    1.2.3  视觉认知技术
    1.2.4  压缩感知技术
  1.3  几何空间变换与形态识别技术概述
    1.3.1  微分流形理论
    1.3.2  几何空间变换技术
    1.3.3  几何形态识别技术
  1.4  全书概况
  参考文献
第2章  基于深度学习与迁移学习的故障诊断与预测
  2.1  引言
  2.2  深度学习技术
    2.2.1  深度学习基本思想和原理
    2.2.2  深度学习常用方法
    2.2.3  深度学习的应用情况
  2.3  迁移学习技术
    2.3.1  迁移学习的基本思想和原理
    2.3.2  迁移学习方法分类
    2.3.3  迁移学习的应用情况
  2.4  基于深度学习分类器的旋转机械故障诊断
    2.4.1  特征自学习技术
    2.4.2  基于层叠自动编码器的深度学习分类技术
    2.4.3  基于层叠降噪自动编码器的深度学习分类技术
    2.4.4  案例分析
  2.5  基于深度学习回归器的控制系统自适应故障检测
    2.5.1  基于模型平均的深度学习回归技术
    2.5.2  基于模型平均深度学习的控制系统自适应故障检测
    2.5.3  案例分析
  2.6  基于多层特征融合深度学习的机电设备健康评估
    2.6.1  基于多层特征融合深度学习的健康评估技术
    2.6.2  案例分析
  2.7  基于迁移学习的相似设备故障诊断
    2.7.1  辅助训练数据与目标训练数据共享特征学习技术
    2.7.2  基于TrAdaBoost样本筛选的故障诊断策略研究
    2.7.3  基于共享特征学习与TrAdaBoost的相似设备故障诊断
    2.7.4  案例分析
  2.8  基于迁移学习的相似设备剩余寿命预测
    2.8.1  基于迁移学习的相似发动机剩余寿命预测
    2.8.2  基于迁移学习的多配方锂电池剩余寿命预测
    2.8.3  案例分析
  2.9  小结
  参考文献
第3章  基于视觉认知计算的故障诊断与评估
  3.1  引言
  3.2  视觉认知的基本特性
    3.2.1  视觉不变性
    3.2.2  视觉流形感知特性
    3.2.3  视觉多通道特性
  3.3  故障信号的图形化等效表征
    3.3.1  基于双谱的图形化等效表征
    3.3.2  基于递归图的图形化等效表征
    3.3.3  基于时序排列的图形化等效表征
  3.4  基于视觉不变性与流形感知特性的变工况故障诊断
    3.4.1  尺度不变特征变换
    3.4.2  加速鲁棒特征
    3.4.3  基于加速鲁棒特征与流形感知的变工况故障诊断
    3.4.4  案例分析
  3.5  基于视觉多通道特性与流形感知特性的健康评估
    3.5.1  Contourlet变换
    3.5.2  非下采样Contourlet变换
    3.5.3  基于非下采样Contourlet变换与流形感知的健康评估
    3.5.4  案例分析
  3.6  小结
  参考文献
第4章  基于压缩感知的故障诊断
  4.1  引言
  4.2  监测数据压缩采样与重构降噪技术
    4.2.1  基于压缩感知的监测数据压缩采样及重构方法
    4.2.2  基于压缩感知的监测数据降噪方法
    4.2.3  基于集成字典的改进压缩数据重构方法
    4.2.4  基于自适应阈值的分段正交匹配追踪及压缩数据降噪
    4.2.5  案例分析
  4.3  基于压缩域信息的设备诊断技术
    4.3.1  基于混合型压缩采样的故障诊断技术
    4.3.2  基于双级压缩学习的设备故障诊断
    4.3.3  基于重构匹配的旋转机械多工况故障诊断
    4.3.4  基于多信号协同压缩的故障诊断
    4.3.5  案例分析
  4.4  小结
  参考文献
第5章  基于微分几何的故障诊断与评估
  5.1  引言
  5.2  非线性数据检验与预处理研究
    5.2.1  替代数据方法
    5.2.2  相空间重构方法
    5.2.3  本征维数计算及改进方法
  5.3  基于邻域分布信息约束的局部投影非线性降噪技术
    5.3.1  局部投影降噪方法的原理
    5.3.2  基于经验模态分解噪声估计的邻域半径选取
    5.3.3  基于邻域分布信息约束的噪声子空间确定
    5.3.4  案例分析
  5.4  基于流形学习与奇异值分解的特征提取技术
    5.4.1  流形学习方法
    5.4.2  基于局部切空间排列与奇异值分解的特征提取
    5.4.3  案例分析
  5.5  基于流形距离-田口方法的健康评估技术
    5.5.1  基本思路及流程
    5.5.2  流形距离
    5.5.3  基于田口方法的特征优选
    5.5.4  基于高斯混合模型的健康评估
    5.5.5  案例分析
  5.6  基于累积测地线距离的健康评估技术
    5.6.1  基本思路及流程
    5.6.2  基于拉普拉斯特征映射的内禀流形构建
    5.6.3  流形累积测地线距离
    5.6.4  案例分析
  5.7  基于信息几何与支持向量机的故障诊断技术
    5.7.1  基于信息几何的支持向量机
    5.7.2  基于信息几何支持向量机的故障诊断
    5.7.3  案例分析
  5.8  小结
  参考文献
第6章  基于几何空间变换与形态识别的性能衰退预测评估
  6.1  引言
  6.2  健康流形空间中性能衰退预测的启示与几何概念
    6.2.1  经典物理学与数学相关概念
    6.2.2  性能衰退的背景流形空间猜想：闵氏时空
    6.2.3  健康流形空间中性能衰退预测的基本概念
  6.3  健康流形的本征维数确定
    6.3.1  健康流形本征维度估计的多尺度几何方法
    6.3.2  基于k近邻图的健康流形本征维度估计
    6.3.3  基于Packing numbers的健康流形本征维度估计
  6.4  高维背景流形空间维数确定
    6.4.1  坐标主体信息损失度量方法
    6.4.2  基于局部几何信息全局优化及坐标主体信息损失度量的方法
  6.5  高维流形空间向健康流形空间的映射构建
    6.5.1  基于等距映射的健康流形空间构建
    6.5.2  基于拉普拉斯特征映射的健康流形空间构建
    6.5.3  基于改进局部线性嵌入的健康流形空间构建
  6.6  变工况条件下健康流形空间中性能衰退预测
    6.6.1  高维背景流形空间中健康流形与性能衰退轨迹
    6.6.2  仿射变换及仿射关系建立
    6.6.3  基于样本总体与个体信息的健康时空图构建
    6.6.4  案例分析
  6.7  完全截断数据条件下健康流形空间中性能衰退预测
    6.7.1  高维背景流形空间中截断数据的流形结构
    6.7.2  健康流形空间中累积测地线的识别与预测
    6.7.3  基于智能乘积限估计器的性能衰退预测几何方法
    6.7.4  案例分析
  6.8  基于几何图形与形态识别的性能退化评估
    6.8.1  动态时间规整：优势与不足
    6.8.2  基于时间规整的快速相似度搜索方法
  6，8.3  快速动态时空规整方法
    6.8.4  案例分析
  6.9  小结
  参考文献

内容摘要

绪    论

    1．1故障诊断与预测技术概述

    1．1．1背景与意义

    随着工业技术的飞速发展，T业没备现代化程度日益提高，结构日益复杂，设

  备的故障通常会造成重大的经济损失或机毁人亡的事故，因此迫切需要一套有效

  的设备故障状态分析判别与维修决策手段，为提前组织相应    PHM技术是指采用传感器信息、专家知识及维修保障信息，借助各种智能算法与推理模型实现设备运行状态的监测、预测、判别以及管理，实现低虚警率的故障检测与隔离，并最终实现智能任务规划及基：f设备状态(历史、当前及未来状态)的智能维护，以取代传统基于事件的事后维修或基于时间的定期检修Ⅲ。PHM技术的主要功能如图卜l所示，主要包括关键系统／部件的实时状态监控(传感器监测参数与性能指标等参数的监测)、故障判别(故障检测与隔离)、健康预测(包括性能趋势、使用寿命及故障的预测)、辅助决策(包括维修与任务的辅助决策)和资源管理(包括备品备件、保障设备等维修保障资源管理)、信息应需传输(包括故障选择性报告、信息压缩传输等)与管理等方面。

    目前，PHM技术已经得到美英等军事强国的深度研究与推广应用．并正在成为新一代飞机、舰船和车辆等武器装备研制阶段与使用阶段的重要组成部分。代表性的PHM相关系统包括：F一35飞机PHM系统、直升机健康与使用监控系统(HuMS)、波音公司的1毛机状态管理(AHM)系统、NASA飞行器综合健康管理(IVHM)系统、美同海军综合状态评估系统(ICAS)以及预测增强诊断系统(PEDS)等。在实施效果方面，F一35飞机最为显著，采用PHM技术后．飞机的任务可靠性提高50％以}j，出动架次率提高25％，维修人力减少20％～40％．保障规模缩小50qi，…。统计数据充分证明了PHM在降低维修保障成本，提高武器装备安全性、町用度与完好性，确保任务成功性，提升作战效能方面的重要作用。

    故障诊断与预测评估是PHM系统的核心组成，同时也是PHM应用效果实现的关键’“。故障诊断与预测评估以多种传感器监测数据为输入，采用机器学习、模式识别、时间序列分析等算法模型，进行设备健康状态的实时评估与跟踪、设备潜在故障原因和部位的识别、设备未来健康状态衰退趋势与剩余寿命预测．可为维修决策提供准确的故障原因与部位、故障时间与维修时间窗。故障诊断与预测评的维修活动并预防故

  

—  没有更多了  —

店铺评价
消息 首页 搜索

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP