新書推薦：
《
经纬度丛书·荷兰帝国史：海上霸主的衰落
》
售價：HK$
85.8
《
无人作战系统
》
售價：HK$
107.8
《
幼儿园美工区环境创设与活动指导
》
售價：HK$
79.2
《
李小龙功夫之道
》
售價：HK$
54.8
《
新民说·哲学家与狼
》
售價：HK$
74.8
《
海权与陆权的变局
》
售價：HK$
107.8
《
《西南联大名师课（全10册）》中国历史·中国文学·中国哲学·诸子百家·诗词曲赋·文化常识·人文精神·
》
售價：HK$
657.8
《
天命无常：五代十国 优酷人文·“梅毅说中国史”系列（全三册）
》
售價：HK$
151.8
|
| 內容簡介： |
|
《数据驱动的复杂机电系统健康监测与智能诊断》立足当前复杂机电系统健康监测与智能诊断的研究热点，面向国家重大需求，将前沿理论与实际应用紧密结合。针对复杂机电系统故障诊断领域中小样本、跨领域、缺乏可解释性等复杂场景和问题，介绍熵理论、深度学习、信息融合、数字孪生和知识图谱等技术在故障诊断中的应用，结合实际案例进行深入讲解。通过构建小型双转子故障模拟实验平台，对故障预测与健康管理全过程进行演示，便于对前沿知识进行深入理解。
|
| 目錄：
|
|
目录前言第1章 基于深度迁移学习的故障状态诊断 11.1 引言 11.2 迁移诊断问题描述及领域适应方法 21.2.1 数据驱动故障诊断一般流程 21.2.2 迁移诊断问题描述 31.2.3 典型的领域适应故障诊断 41.3 基于深度因果分解网络的迁移策略 91.3.1 因果任务分解 101.3.2 轴承因果关系的建立 111.3.3 因果特征因子分解 131.3.4 实验验证 141.4 基于多尺度传递模糊熵的迁移策略 191.4.1 构造迁移学习模型 201.4.2 实验验证 231.5 本章小结 28参考文献 28第2章 基于熵理论和贝叶斯深度学习的设备剩余使用寿命预测 312.1 引言 312.2 熵理论 322.2.1 传统熵理论 332.2.2 熵值方法的改进及应用 362.3 基于数据驱动的剩余使用寿命预测 392.3.1 传统设备剩余使用寿命预测 392.3.2 贝叶斯深度学习 412.3.3 基于贝叶斯深度学习的剩余使用寿命预测 452.4 案例分析 502.4.1 数据描述 502.4.2 评价指标 502.4.3 预测结果 512.4.4 不同方法的结果对比 522.5 本章小结 53参考文献 53第3章 基于多源信息融合的设备故障诊断 563.1 引言 563.2 多源信息融合概述 573.3 多源信息融合故障诊断概述 603.3.1 多源信息融合故障诊断的必要性 603.3.2 多源信息融合故障诊断的关键问题 613.4 基于多源同构数据融合的故障诊断 623.5 基于多源异构数据融合的故障诊断 643.6 基于多源信息融合的设备故障诊断实例验证 663.6.1 多源数据融合机理 663.6.2 基于多源异构信息融合的注意力增强信息融合诊断 693.6.3 试验验证与结果分析 713.6.4 不同场景下的故障诊断表现 753.7 本章小结 78参考文献 78第4章 数字孪生驱动的机械故障迁移诊断 814.1 引言 814.2 数字孪生概述 824.3 齿轮箱数字孪生模型构建 834.3.1 齿轮箱动力学模型 844.3.2 正常状态下单齿啮合刚度计算 854.3.3 时变啮合刚度计算 894.3.4 故障齿轮啮合刚度计算 924.4 齿轮箱数字孪生模型验证 1014.4.1 LY-SLL-03P小型转子平行轴齿轮箱故障模拟试验台 1014.4.2 数字孪生模型参数设置 1024.4.3 数字孪生数据与实测数据的共性和差异性分析 1064.5 数字孪生驱动的齿轮箱故障迁移诊断实例验证 1084.5.1 数字孪生-实测迁移诊断问题设定 1084.5.2 子域适应引导的迁移诊断策略 1094.5.3 迁移诊断模型参数设置 1114.5.4 实验结果与讨论 1124.6 本章小结 112参考文献 113第5章 基于知识图谱的复杂设备故障诊断 1145.1 引言 1145.2 基于知识的故障诊断 1145.2.1 基于专家系统的故障诊断 1175.2.2 基于知识图谱的故障诊断 1185.3 故障诊断领域知识图谱构建 1215.3.1 实体-关系抽取 1215.3.2 知识推理 1335.3.3 知识存储 1335.4 基于领域知识图谱的故障诊断 1345.5 本章小结 138参考文献 138第6章 双转子系统故障诊断模拟和健康监测平台 1406.1 引言 1406.2 双转子系统 1406.2.1 双转子系统的定义与工作原理 1406.2.2 双转子系统的发展历程 1416.2.3 双转子系统的应用场景 1466.2.4 双转子系统的分类 1486.2.5 双转子系统的故障形式 1536.2.6 双转子系统的故障诊断方法 1576.3 小型双转子故障模拟实验平台 1616.3.1 总体结构 1616.3.2 故障施加机构 1636.4 小型双转子模拟平台 1636.4.1 硬件设计原理图 1646.4.2 硬件设计元器件布局 1696.4.3 硬件控制逻辑及程序编写 1716.5 软件系统 1746.5.1 软件用户界面设计 1746.5.2 软件功能 1776.6 本章小结 179参考文献 180
|
| 內容試閱：
|
|
第1章 基于深度迁移学习的故障状态诊断 1.1 引言 在现代制造与生产环境中，机械设备的可靠运行是确保生产效率和产品质量的重要前提。然而，随着工业系统的日趋复杂，设备的故障诊断和维护也面临着前所未有的挑战。传统的定期维护和基于经验的故障诊断方法已难以满足现代工业的需求，迫切需要一种更加智能化、自动化和高效的故障诊断技术。在此背景下，深度学习 (deep learning，DL)技术凭借其强大的数据处理和特征提取能力，成为机械设备故障诊断领域的新宠。深度学习，尤其是卷积神经网络(convolutional neural network，CNN)、递归神经网络 (recurrent neural network，RNN)和长短期记忆网络(long short-term memory network，LSTM)等模型，已经在图像识别、自然语言处理等领域取得了显著成果。 面对逐渐复杂化和智能化的机械设备，发展能够实时感知设备健康状态及退化趋势的健康状态管理系统是保障工业生产过程可靠性、安全性和经济性的重要举措。数据驱动的智能故障诊断是健康状态管理系统中的重要技术，其旨在利用机器学习技术从大量设备监测数据中学习故障的表现形式和故障模式的识别规则。在数据驱动的故障诊断研究中，数据作为故障诊断知识的载体，对数据驱动的诊断模型的性能起着主导作用，为了保证训练得到的故障诊断模型的鲁棒性与可靠性，数据驱动的故障诊断方法一般有两个基本假设：①有大量高质量的标注数据；②测试数据应与训练数据具有相同的分布，即满足*立同分布(independent identically distributed，IID)条件[1]。但在实际的诊断应用中这两个条件往往无法满足：①*立同分布通常意味着诊断模型只能应用于训练所用数据的同一设备甚至同一工况下。在实际场景中，用于训练故障诊断模型的可用故障数据通常来自不同工况、同类型或相近类型的其他机器，或者实验环境下的仿真实验，这些不同来源的数据与测试数据可能遵循不同的分布。当训练数据和测试数据不服从*立同分布条件时，数据驱动的方法可用性会受到影响，从而影响故障诊断模型的精度。②对于机械设备，多数设备处于正常运行状态，典型故障数据少，经过人工标注的数据更少。可用故障数据稀缺的问题使得难以训练出故障诊断精度高的模型。 为了克服数据驱动的故障诊断方法中存在的上述障碍，迁移学习技术通过充分利用已存在的少量有标签的训练样本，训练对不同分布的目标域样本具有良好性能的故障诊断模型[2]。迁移故障诊断是指在训练数据和测试数据具有不同分布的情况下，构建对测试数据具有良好泛化能力的故障诊断模型。迁移学习打破了训练数据和测试数据必须服从*立同分布的条件，并降低了对训练样本量的需求，将从相近领域中学习到的知识用于目标域的问题求解，可解决目标域标记样本少的问题。迁移学习中的领域适应方法着眼于解决源域和目标域的分布差异，建立从源域到目标域的知识迁移。本章将介绍两种典型的领域适应故障诊断方法，并探讨多个诊断知识迁移策略。深度迁移学习技术的引入，不仅为机械设备故障诊断提供了一种新的解决思路，也推动了这一领域的进一步发展。通过本章的系统介绍，希望能够帮助读者全面了解深度迁移学习在故障状态诊断中的应用潜力和实际效果，并为今后的相关研究和应用提供有力的参考和指导。 1.2迁移诊断问题描述及领域适应方法 1.2.1数据驱动故障诊断一般流程 数据驱动故障诊断方法的一般实施流程包括[3]：数据采集、特征提取、特征选择、智能分类模型的建立等步骤，具体如图1-1所示。为了判断设备的状态，需要获得设备的健康信息，而这些信息通常包含在设备的监测信号中。设备的监测手段种类繁多，包括但不限于：振动信号、声音信号、电流信号、温度信号、红外热信号、轴心轨迹、油液和压力信号等。对于旋转机械的故障诊断而言，振动监测是一种非常有效的方式。但是通常采集到的振动信号成分比较复杂，有用的故障诊断信息通常在信号中占比很小，并且这些信息可能以复杂的形式存在于振动信号中，如宽频的冲击、有规律的波动和幅值调制等。为了从原始信号中提取出有效的成分，需要对信号进行预处理、分解、变换等工作，目的是突出、放大或从全新的角度揭示更加有辨识能力的故障征兆。特征提取是对信号某一方面特性的定量化度量，如果故障改变了监测信号在该方面的特性，则该特征参量可以用来反映设备的健康状态。但是，通常故障发生时不单单影响信号在单一方面的特性，同时信号在某一方面的特性可以由多个特征参量来进行反映。故障和特征之间对应关系的复杂性，使得选择一个有效的特征集合来区分不同的故障模式变得困难。特征选择的目的是去除那些无用的和冗余的特征，从而在一定程度上提高识别的精度[4]。在特征优选之后，通常利用一个机器学习算法来学习故障的判别模型，这个模型也将被用来诊断新的测试数据。 在当前对自动化故障诊断方法的需求背景下，大量数据驱动的智能故障诊断方法被设计出来，并且多遵循图1-1所展示的实施流程。但是，一个有效诊断方法的目的是要能够解决真实场景的诊断问题。当前方法在实际诊断场景下所面临的最大困难：对于待诊断的机械设备，如何事先获取针对该设备的各类型故障数据。 1.2.2迁移诊断问题描述 在迁移学习任务中，一般将具备知识的领域和任务称为源域Ds和源任务Ts，将待解决的领域和任务称为目标域D和目标任务T。领域D通常包括两部分：特征空间χ和边缘概率分布P(X)，即tD={χ，P(X)}，t其中X={x1，x2， ，xn}∈χ。若两个领域的特征空间不同或者边缘概率分布不同，则认为两个领域是不同的，即P(Xs)≠P(Xt)。对于给定的领域D={χ，P(X)}，对应的任务T包含两部分：标记空间Y和预测函数f(？)，即T={Y，f(？)}，其中f(？)是通过训练样本{xi，yi}学习得到的，可以对新的样本x预测样本标签f(x)，xi∈X，yi∈Y。如果两个任务不同，则可能是标记空间Y不同，或者是预测函数f(？)不同。 那么在给定源域和源任务、目标域和目标任务的情况下，这里源域与目标域或者源任务与目标任务是不同但相关的。迁移学习就是利用源域中已有的知识来提升目标域分类函数性能的一种方法，核心是找到源域和目标域之间的共性或者是降低它们之间差异的方法，其中源域和目标域中特征样本集定义如下： 式中，Ds为源域标签特征样本集；Xs为源域特征样本集；Ys为源域对应的故障类别集；Dt为目标域标签特征样本集；Xt为目标域特征样本集；Yt为目标域对应的故障类别集。在大多数迁移学习场景下，单*的目标域标签特征样本数N往往不足以训练出一个高精度的目标分类模型，即源域标签特征样本数Ns远远多t于目标域标签特征样本的数量(Ns.Nt)。特别在无监督迁移学习场景中，目标域中标签化样本数为0，即意味着目标域样本均无标签，即。 1.2.3典型的领域适应故障诊断 1.2.3.1基于对抗网络迁移学习的故障诊断 基于生成对抗网络(generative adversarial network，GAN)的迁移方法是诸多方法中比较**的方法。传统迁移学习模型将模型从源域向目标域进行迁移的过程中，通常需要使模型在具有故障分类能力的同时能够适用于源域和目标域。然而在基于GAN的迁移学习模型中，通过特征提取器与域判别器之间相互对抗，在大量相互对抗训练过程中，训练出一个能够提取出具有域不敏感和良好分类能力特征的特征提取器，以及一个良好的特征分类器[5]。 在标准的GAN中，判别器用于区分两类数据，即真实数据和虚假数据[6]。通过生成器G和判别器D相互对抗，使得G能够学习到真实数据的分布。在基于GAN的迁移学习模型中，GAN中的生成器将被替换成为一个特征提取器，该特征提取器通常为一个特征提取网络结构，如不包含输出层的CNN，可以用一个函数表示为Gf.Gf(x.f)，即在参数情况下完成→DxR，也就是输出数据映射到一个D维的特征空间。域判别器(类似常规GAN中的判别器)作为另外一个重要组成部分，同样是一个二分类器，可以表示为Gd.d(f x.d)，其中为参数。源域数据和目标域数据同时被输入特征提取器，输出的特征被域判别器G进行分类(源域数据特征标签为1，目标域数据特征标签为0)。损失函数为二值交d叉熵(binary cross entropy，BCE)损失，计算公式可表示为 式中，di表示xi的二进制变量。通过两部分竞争对抗策略，特征提取器Gf将逐渐趋于能够学习到源域和目标域数据的公共分布并提出特征，同时这些特征又无法让判别器区分0或1。这样可以认为该深度学习模型在源域和目标域两个数据集上都具有较好的泛化能力。假设在源域Ds中有n个样本，目标域Dt中有N.n个样本，则优化目标可以表示为 一个关于的*小化问题和一个关于.d的最大化问题。另外，需要对所有的标签化数据进行监督训练，以防止在对抗性过程中诊断 表现下降。特征提取器在提取特征后，用这些特征去训练一个分类器，该分类器被定义为，即在参数.y情况下RD→RL，其中L表示类别数。 在使用归一化指数函数Softmax分类器作为损失的情况下，对某一有标签样本 xyi交叉熵损失的计算如下： 至此，将该约束添加至式(1-3)，即基于GAN的迁移学习模型的优化目标式(1-3)，则迁移学习优化目标可以表示为1.11 和λ为非负超参数。整个训练过程就 是寻找参数和的过程： 式中，和为鞍点处的*优参数。利用梯度翻转层，采用随机梯度下降 法(stochastic gradient descent，SGD)可完成上述参数更新。整个基于GAN的迁移学习方法流程图如图1-2所示。通过解决两个优化问题式(1-6)和式(1-7)，该模型将会训练出一个特征提取器Gf，该特征提取器能够从源域和目标域输入样 本中提取出能够使故障分类器G正确分类的特征；另外这些特征又能够使域判别器Gd判断其是来自源域还是目y标域。 1.2.3.2基于最大分类器差异对抗迁移学习的故障诊断方法 本小节介绍另一种使用对抗机制的迁移学习方法：最大分类器差异(maximum classifier discrepancy，MCD)[7]。由于领域分布的差异性，一个预训练的网络会在不同的目标数据上有不同的预测结果：在一些样本上迁移效果较好，在另一些样本上则不如人意。MCD方法对前者并不关心，而是特别关注使得分类器取得较差效果的样本。一旦所有的样本都有好的结果，则知识迁移的效果也达到了最好。 因此，MCD的核心是发现效果不好的样本，然后对模型进行学习，使其效果达到最好。MCD引入两个*立的分类器C1和C2，二者的差异可以用来衡量一个样本的置信度。如果C1和C2在一个目标样本上的结果不一致，则它们有差异，需要进行额外的处理。MCD网络结构主要包含一个特征提取器G和两个分类器C1、C2，它们对应的参数分别为和。特征提取器G以源域样本xs和目标域样本 xt 作为输入提取特征，这些特征被输入分类器C1和C2，通过Softmax函数得到相应的概率输出p1(y|x)和p2(y|x)。这两个不同且相互*立的分类器将使得与源域差异性较大的目标域样本得到不同的输出。这些差异区域将被识别并*小化，使源域和目标域能够被映射到相同的维度空间。图1-3展示了MCD方法的训练过程，其大致分为三个步骤。 步骤1：使用源域标签化数据初步训练特征提取器G和两个分类器C1、C2，从而保证源域数据能够被正确分类。如图1-3所示，在图中可以看到一些阴影部分(两个分类器的差异区域)，该阶段的损失函数如下所示：
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
暢銷書架
