基于工业大数据分析的故障诊断方法及应用

《基于工业大数据分析的故障诊断方法及应用》是作者开展基于工业大数据分析的故障诊断算法设计及其应用研究成果的总结。《基于工业大数据分析的故障诊断方法及应用》主要内容包括基于统计特征提取的故障检测方法设计、知识导引的统计特征抽取和故障诊断方法设计、基于深度学习的频率类故障诊断、基于多源异构数据融合的深度学习故障诊断算法设计、基于分级深层神经网络的多模态故障诊断算法设计、基于全局优化GAN的非均衡数据故障诊断方法设计等。

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
4.1.3DCA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

……