新書推薦：
《
超级制造
》
售價：NT$
671.0
《
明朝270年：明朝的外交博弈和权力游戏
》
售價：NT$
325.0
《
禅之道（畅销全球60余年的一代经典，揭示禅对现代人的解脱意义）
》
售價：NT$
386.0
《
改变历史的意大利豪门 ： 传奇家族美第奇
》
售價：NT$
420.0
《
Procreate插画手绘从新手到高手
》
售價：NT$
493.0
《
山河不足重，重在遇知己
》
售價：NT$
252.0
《
独自走过悲喜
》
售價：NT$
381.0
《
永不停步：玛格丽特·阿特伍德传
》
售價：NT$
442.0
|
| 內容簡介： |
《惯性测量组合智能故障诊断及预测技术》以作者及团队近10年来在惯性导航和故障诊断等方面从事学术、科研和教学工作中的成果为基础。主要针对惯性导航系统关键部件一一惯性测量组合的故障诊断与预测技术总结归纳加工而成。
《惯性测量组合智能故障诊断及预测技术》內容新颖，突出理论创新和应用，适合从事惯性测量组合等复杂机电系统状态监测与故障诊断、故障预测及健康管理、维护工作的工程技术人员和研究人员参考、阅读，也可作为高等院校自动化系统工程、可靠性工程等相关专业的研究生教材。
|
| 目錄：
|
第1章 绪论
1．1 引言
1．2 故障诊断方法概述
1．2．1 故障诊断的概念
1．2．2 基于多信号模型的故障诊断研究现状
1．2．3 基于人工智能的模拟电路故障诊断研究现状
1．3 故障预测方法概述
1．4 剩余寿命估计方法概述
1．4．1 基于机理模型的剩余寿命估计方法
1．4．2 数据驱动的剩余寿命估计方法
1．4．3 剩余寿命估计在预测维护中的应用
1．5 惯性测量组合
1．5．1 惯性导航的基本原理
1．5．2 惯性测量组合的组成
1．5．3 惯性测量组合的工作原理及功能
1．6 本书结构安排
参考文献
第2章 多信号模型建模
2．1 引言
2．2 多信号建模理论与建模方法
2．2．1 多信号建模理论
2．2．2 多信号建模方法
2．3 测试性工程与维护系统（TEAMS）
2．3．1 TEAMS的功能与组成
2．3．2 基于TEAMS的测试性分析
2．3．3 基于TEAMS的故障诊断策略
2．4 惯性测量组合多信号模型的构建
2．4．1 建模原则
2．4．2 本体多信号建模
2．4．3 电子箱多信号建模
2．4．4 二次电源多信号建模
2．4．5 模型合成及属性设置
2．5 惯性测量组合测试性分析与改进
2．5．1 测试点的选取及测试设置
2．5．2 惯性测量组合固有测试性分析
2．5．3 改进测试性分析
2．6 小结
参考文献
第3章 基于计算智能的惯性测量组合诊断策略优化
3．1 引言
3．2 测试集优化方法
3．2．1 测试集优化的数学描述
3．2．2 测试性指标
3．2．3 粒子群优化算法概述
3．2．4 基于多维并行免疫离散粒子群优化算法的IMU测试集优化
3．2．5 基于多维动态翻转离散粒子群算法的IMU测试集优化
3．3 诊断策略优化方法
3．3．1 惯性测量组合故障树的构建
3．3．2 惯性测量组合故障树诊断策略优化
3．3．3 基于蚁群算法优化的惯性测量组合相关矩阵诊断策略
3．4 小结
参考文献
第4章 基于人工智能方法的惯．陸测量组合模拟电路故障诊断
4．1 引言
4．2 基于人工神经网络的模拟电路故障诊断
4．2．1 神经网络的故障诊断能力
4．2．2 径向基函数神经网络
4．2．3 基于遗传RBF网络的惯性测量组合模拟电路故障诊断
4．2．4 基于经验模式分解和神经网络的IMU模拟电路故障诊断
4．3 基于支持向量机的模拟电路故障诊断
4．3．1 支持向量机基本理论
4．3．2 层次聚类LSSVM多分类算法
4．3．3 基于层次聚类LSSVM的惯性测量组合模拟电路故障诊断
4．3．4 基于故障残差和SVM的惯性测量组合模拟电路故障诊断
4．4 基于极端学习机的模拟电路故障诊断
4．4．1 ELM基本理论
4．4．2 基于优选小波包和ELM的模拟电路故障诊断
4．4．3 基于固定尺寸序贯极端学习机的模拟电路在线故障诊断
4．5 基于信息融合的模拟电路故障诊断
4．5．1 信息融合的级别
4．5．2 基于特征级信息融合的故障诊断
4．5．3 基于响应曲线有效点的特征提取方法
4．5．4 改进的模糊聚类特征压缩算法
4．5．5 诊断实例
4．6 小结
参考文献
第5章 基于数据驱动的惯性测量组合智能故障预测
5．1 引言
5．2 基于数据驱动的故障预测方法
5．3 基于支持向量机的惯性测量组合故障预测
5．3．1 最小二乘支持向量机回归
5．3．2 基于EMD-LSSVM的故障预测方法
5．3．3 基于进化交叉验证与直接支持向量机回归的故障预测方法
5．4 基于极端学习机的惯性测量组合故障预测
5．4．1 基于极端学习机的惯性测量组合多尺度混合预测方法
5．4．2 基于改进集合在线序贯极端学习机的惯性测量组合故障预测
5．5 基于小样本条件下的惯性测量组合故障预测
5．5．1 结构自适应序贯正则极端学习机
5．5．2 实例验证
5．6 小结
参考文献
第6章 基于退化过程建模的惯性测量组合剩余寿命在线估计
6．1 引言
6．2 基于半随机滤波和EM算法的剩余寿命在线估计
6．2．1 问题描述
6．2．2 基于半随机滤波的估计模型
6．2．3 参数在线估计算法
6．2．4 惯性测量组合剩余寿命估计的仿真试验
6．3 基于隐含线性退化过程建模的剩余寿命在线估计
6．3．1 状态空间模型与剩余寿命估计
6．3．2 参数估计
6．3．3 惯性测量组合剩余寿命估计的仿真试验
6．4 基于隐含非线性退化过程建模的剩余寿命在线估计
6．4．1 问题描述与剩余寿命估计
6．4．2 参数在线估计算法
6．4．3 惯性测量组合剩余寿命预测的仿真试验
6．5 小结
参考文献
第7章 基于可变成本的MU实时预测维护与备件订购
7．1 引言
7．2 第一种基于可变成本的预测维护模型的构建
7．2．1 长期运行成本方差
7．2．2 预测维护决策目标函数
7．3 第二种基于可变成本的预测维护模型的构建
7．3．1 长期运行成本方差
7．3．2 预测维护决策目标函数
7．4 备件订购模型的构建
7．5 惯性测量组合预测维护的仿真试验
7．5．1 问题描述
7．5．2 试验结果
7．6 小结
参考文献
|
| 內容試閱：
|
1.2 故障诊断方法概述
1.2.1 故障诊断的概念
故障诊断是根据当前所获取的状态信息和历史数据，确定装备或系统的故障性质、程度和部位，简单地说，故障诊断就是寻找故障原因的过程。狭义上的故障诊断主要包括故障的检测、隔离和识别等，而广义上故障诊断还包括故障原因分析、维修决策以及故障趋势预测等内容。
装备的故障诊断伴随着工业生产一起出现，但故障诊断作为一门应用性的综合学科是20世纪60年代以后逐渐发展起来的。依据故障诊断的技术特点，其发展过程可分为以下4个阶段：
（1）原始诊断阶段。该阶段开始于19世纪末至20世纪中期，这一时期装备结构相对比较简单，对发生故障的装备主要靠专家或维修技术人员通过感官、经验以及简单的测试仪表进行故障分析、维护和修理。
（2）基于传感器和计算机技术的诊断阶段。该阶段于20世纪60年代在美国最早出现，这一时期，由于传感器技术和动态测试技术的发展，技术人员可以更加容易地获取到各种诊断信息和数据，加之计算机和信号处理技术的快速发展，极大地提高了装备故障数据的处理效率，使得状态空间分析诊断、时域诊断、频域诊断等状态监测和故障诊断新方法不断涌现出来。这一阶段装备故障诊断技术以信号检测、数据处理和信号分析的方法研究为主要内容。
（3）智能化诊断阶段。该阶段起始于20世纪90年代初期，这一时期，由于电子技术和信息技术的发展，装备的复杂化、集成化和智能化水平不断提高，传统的诊断技术已无法满足装备维修保障的需要。随着模糊理论、神经网络等人工智能方法以及智能信息处理技术的发展，传统的以信号检测和处理为核心的诊断过程，被以知识处理为核心的诊断过程所取代，装备智能故障诊断实现了理论和实际应用相结合的巨大飞跃，大大提高了诊断的效率和可靠性。
（4）健康管理阶段。到20世纪90年代中期，随着网络技术的发展，逐步出现了智能维修系统（IntelligentMaintenanceSystem，IMS）和远程诊断与维修技术，开始着重于对装备性能劣化监测、故障预测与智能维修的研究。进入21世纪以来，基于状态维修发展起来的PHM技术受到西方发达国家的重视，并逐步在其武器装备中得到应用。PHM技术的显著特点就是具备故障预测能力，能够确定装备状态变化趋势及正常工作时长，从而制定科学的维修保障规划，降低维修成本，提高装备的可靠性、战备完好性和任务成功性。实现装备的故障预测与健康管理：一方面需要借助于先进的传感器及其网络；另一方面依赖于各种智能故障诊断和预测方法。
至此，传统意义上的故障诊断已经逐渐发展到了故障诊断与预测并重的新阶段，世界上主要国家都大力开展了故障诊断与预测技术相关研究。
在国外，美国是最早开展故障诊断技术研究的国家，早在1967年，在美国航空航天局和海军研究所的倡导和推动下，就成立了美国机械故障预防小组，开始有计划地对故障诊断技术进行专题研究。随后，基于故障诊断技术应用产生的巨大经济和军事效益，众多的科研院所、企业及政府部门都投入了该项技术的研究，取得了诸多的研究成果，如大型飞机的飞行器数据综合系统、航天飞机健康监控系统等。目前，美国在全球故障诊断技术应用研究方面居于领先地位。
西欧国家如英国、德国等受美国故障诊断技术的带动和影响，从20世纪60年代末到70年代初开始故障诊断技术的研究后，发展迅速。如1971年英国成立了机器保健中心，极大地促进了该国故障诊断技术的研究和发展，其在飞机发动机监测和诊断方面处于领先地位。其他国家如德国西门子公司开发的监测系统、瑞典SPM仪器公司开发的轴承监测技术等都取得了很好的效果。
日本在20世纪70年代中期开始了故障诊断技术的研究工作，其通过跟踪世界先进国家的发展动向，主要是引进和吸收美国故障诊断技术的研究成果，在此基础上开展具有自身特色的故障诊断技术研究，如开发了机器寿命诊断的专家系统、汽车机组寿命诊断方法等，并注重研制监控和诊断仪器。
在国内，我国从20世纪80年代初期开始故障诊断技术的研究，通过学习和消化吸收国外的先进思想和经验，逐步形成了我国状态监测与故障诊断的研究体系。之后，随着计算机和信息处理技术的发展，国内众多高校和科研机构开展了大量卓有成效的研究，研发出了许多实用化的故障诊断系统，如西安交通大学的大型旋转机械计算机状态监测与故障诊断系统、哈尔滨工业大学的机组振动微机监测和故障诊断系统、中国运载火箭研究院的长征二号F运载火箭故障检测处理系统等。近年来，在人工智能、智能计算和智能信息处理技术发展的带动下，我国故障诊断技术逐步走向成熟，与国外先进国家的差距逐步缩小。
当前，故障诊断领域中的主要研究方向包括故障机理研究、现代信号处理和诊断方法研究、智能综合诊断系统与方法研究以及现代故障预测技术的研究等方面，并出现了多部论述智能故障诊断与预测的专著。智能故障诊断与预测研究已成为装备故障诊断技术的一个最有前途的发展方向。
由于现代武器装备在设计之初就对其测试性进行考虑，因此在后期故障诊断和维护过程中可为技术人员获取装备状态信息提供便利。本书研究的惯性测量组合外部具有较为丰富的测试接口，能够满足标定时的信息需求，而对于故障定位过程中需要的更多信息则可以通过在其内部功能电路板输出端口增加相应测试点的方法获得。这种基于测试性的故障诊断主要包括测试性建模与分析、测试点优选以及诊断策略生成等主要内容，一般可用于测试接口充足的LRU级或者SRU级的故障诊断；但对于功能板内部电路中的元件级故障以及系统因失效产生的性能退化型故障因缺乏测试接口而难以诊断，这时就需要借助基于信息处理技术的智能故障诊断方法。下面主要就与本书研究相关的基于多信号模型的故障诊断方法和基于人工智能的模拟电路故障诊断方法的研究现状作以介绍。
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
