基于工业大数据分析的故障诊断方法及应用

目录
前言
第1章　绪论　1
1.1　引言　1
1.2　故障诊断的研究内容及方法分类　3
1.2.1　故障诊断的研究内容　3
1.2.2　故障诊断方法分类　3
1.3　数据驱动的故障诊断方法综述　5
1.3.1　故障诊断的专家系统法　6
1.3.2　基于定性趋势分析的故障诊断　6
1.3.3　基于盲信号分离的故障诊断　6
1.3.4　基于统计分析的故障诊断　6
1.3.5　改进的PCA方法　9
1.3.6　基于指定元分析的方法　10
1.4　基于深度学习的故障诊断方法　11
1.4.1　基于浅层学习的故障诊断方法　11
1.4.2　深度学习的模型分类　12
1.4.3　基于深度学习的智能故障诊断研究现状　13
1.5　非均衡数据深度学习故障诊断研究现状　17
1.6　本章小结　18
参考文献　19
第2章　基础知识　27
2.1　引言　27
2.2　主元分析　27
2.3　指定元分析　30
2.4　小波滤波技术　31
2.5　反向传播神经网络　32
2.6　深层神经网络　33
2.7　卷积神经网络　37
2.8　生成对抗网络　39
2.9　本章小结　40
参考文献　40
第3章　基于统计特征提取的故障检测方法　42
3.1　拟多尺度主元分析理论及故障检测应用　42
3.1.1　故障的多尺度特性分析　42
3.1.2　拟多尺度主元分析　44
3.1.3　拟多尺度主元分析的检测能力分析　51
3.1.4　拟MSRPCA故障检测方法　54
3.1.5　拟MSRPCA仿真实验和分析　57
3.2　基于微分特征抽取的分层PCA动态故障检测　60
3.2.1　基于PCA的动态故障检测　61
3.2.2　基于微分特征抽取的分层PCA故障检测方法　62
3.2.3　仿真和案例分析　64
3.3　本章小结　72
参考文献　73
第4章　知识导引的统计特征抽取和故障诊断方法　74
4.1　非正交指定模式逐步DCA多故障诊断　74
4.1.1　主元分析的模式复合效应　74
4.1.2　主元分析的有关结论　75
4.1.3　DCA的空间投影框架　77
4.1.4　逐步DCA多故障诊断方法　83
4.1.5　指定模式的定义　88
4.1.6　仿真研究　91
4.2　微小与未知故障诊断　96
4.2.1　基于DCA的多级微小故障诊断　97
4.2.2　未知故障诊断　108
4.3　船舶主机故障诊断应用　117
4.3.1　船舶主柴油机故障诊断概述　117
4.3.2　研究对象　119
4.3.3　故障实验环境　126
4.3.4　船舶主柴油机故障诊断　127
4.4　本章小结　134
参考文献　135
第5章　基于深度学习的频率类故障诊断　136
5.1　引言　136
5.2　频率类故障分析　136
5.3　基于深层神经网络的频率类故障诊断　138
5.3.1　频率类故障特征抽取　138
5.3.2　微分几何特征融合　140
5.3.3　频率类故障的在线诊断　140
5.4　实验与分析　144
5.4.1　仿真数据验证和分析　144
5.4.2　案例研究和分析　148
5.5　本章小结　153
参考文献　153
第6章　基于多源异构数据融合的深度学习故障诊断　154
6.1　引言　154
6.2　基于数据级融合的深度学习故障诊断　155
6.2.1　监测中心屏幕截图数据集构建　155
6.2.2　基于数据级融合的深度学习故障诊断　156
6.2.3　实验与分析　161
6.3　基于特征级融合的深度学习故障诊断　172
6.3.1　基于交替优化的深层特征融合方法　172
6.3.2　基于特征级融合的深度学习故障诊断　176
6.3.3　实验与分析　179
6.4　本章小结　189
参考文献　189
第7章　基于分级深层神经网络的多模态故障诊断　190
7.1　引言　190
7.2　基于深层神经网络的故障诊断　190
7.3　基于分级深层神经网络的多模态故障诊断　191
7.4　实验与分析　196
7.4.1　实验平台　196
7.4.2　数据描述　196
7.4.3　故障诊断结果　198
7.5　本章小结　208
参考文献　208
第8章　基于全局优化GAN的非均衡数据故障诊断方法　209
8.1　引言　209
8.2　基于全局优化GAN的非均衡数据故障诊断　209
8.2.1　生成器设计　210
8.2.2　判别器设计　211
8.2.3　交替训练机制　212
8.3　实验与分析　216
8.3.1　数据描述与处理　216
8.3.2　实验结果分析　216
8.4　TE过程数据实验分析　222
8.4.1　数据描述　223
8.4.2　实验结果分析　222
8.5　本章小结　229