旋转机械智能故障诊断与剩余寿命预测

《旋转机械智能故障诊断与剩余寿命预测(英文版)》特点如下：（1）从故障机理、振动特性、故障特征、诊断与预测等内容入手，由浅入深地描述了旋转机械智能故障诊断与剩余寿命预测的发展历程，理清了智能故障诊断与剩余寿命预测的脉络；（2）详述了智能故障诊断与剩余寿命预测的理论与方法，不仅涵盖了单一智能技术的智能诊断、基于聚类的智能诊断、混合智能诊断等近期新方法，而且包含了基于深度学习的智能诊断、基于数据驱动与模型驱动的剩余寿命预测等前沿成果；（3）紧紧围绕旋转机械智能故障诊断与剩余寿命预测的主题，实验验证与工程应用相结合，案例丰富，逻辑严谨，覆盖学科广泛，对相关领域研究具有较大的参考价值。

Yaguo Lei is a Full Professor in the School of Mechanical Engineering at Xi'an Jiaotong University (XJTU), China, which he joined as an associate professor in 2010. Prior to that, he worked at the University of Alberta, Canada, as a postdoctoral research fellow. He also worked at the University of Duisburg-Essen,Germany, as an Mexander von Humboldt fellow in 2012. He was promoted to Full Professor in 20]3. He received the BS degree and the PhD degree both in Mechanical Engineering from XJTU, in 2002 and 2007, respectively. He is a member of the editorial boards of nine journals, including Neural Computing & Applications and Advances in MechanicalEngineering. He is also a member of ASME and a member of IEEE. He has pioneered many signal processing techniques, intelligent diagnosis methods, and remaining useful life (RUL) prediction models for rotating machinery components,such as gearboxes, bearings, and rotor systems. He is the invited author of chapters on intelligent fault diagnosis. He has published more than 80 peer-reviewed papers on signal processing, fault diagnosis and RUL prediction.

Preface
Chapter 1 Introduction and Background
1.1 Introduction
1.2 Overview of PHM
1.3 Preface to Book Chapters
References
Chapter 2 Signal Processing and Feature Extraction
2.1 Introduction
2.2 Signal Preprocessing
2.3 Signal Processing in the Time Domain
2.4 Signal Processing in the Frequency Domain
2.5 Signal Processing in the Time—Frequency Domain
2.6 Conclusions
References
Chapter 3 Individual Intelligent Method—Based Fault Diagnosis
3.1 Introduction to Intelligent Diagnosis Methods
3.2 Artificial Neural Networks
3.3 Statistical Learning Theory
3.4 Deep Learning
3.5 Conclusions
References
Chapter 4 Clustering Algorithm—Based Fault Diagnosis
4.1 Introduction to Clustering Algorithm
4.2 Weighted K Nearest Neighbor—Based Fault Diagnosis
4.3 Weighted Fuzzy c—Means—Based Fault Diagnosis
4.4 Hybrid Clustering Algorithm—Based Fault Diagnosis
4.5 Conclusions
References
Chapter 5 Hybrid Intelligent Fault Diagnosis Methods
5.1 Introduction
5.2 Multipie WKNN Combination—Based Fault Diagnosis
5.3 Multiple ANFIS Hybrid Intelligent Fault Diagnosis
5.4 A Multidimensional Hybrid Intelligent Method
5.5 Conclusions
References
Chapter 6 Remaining Useful Life Prediction
6.1 Background
6.2 Data—driven Prediction Methods
6.3 Model—Based Prediction Methods
6.4 Conclusions
References
Glossary
Index