复杂机电系统智能故障诊断与健康评估

本书系统的阐述现代工业中复杂机电系统的故障预测、智能诊断及系统健康状态的评估等理论与方法，主要包括基于数据驱动的智能故障诊断原理、方法及其实现技术。基于统计学习理论、半监督学习、流形学习、深度学习的故障预测、状态评估的原理、技术及其应用。重点从模式识别、机器学习的角度，重点阐述基于半监督学习、流形学习的故障特征提取与选择、早期故障的预测、故障模式的分类及装备性能退化的评估等。并对当前机器学习的研究热点，深度学习在智能预测、健康评估中的应用进行分析、展望。本书可作为高等院校机械工程、控制工程、自动化及系统工程等专业的研究生教材或教学参考书，也可供广大科技工作者和从事过程控制、故障诊断、设备维护等人员参考。

工学博士，现任华南理工大学机械与汽车工程学院汽车工程系主任。IEEE会员、ASME会员、美国机械工程师学会会员、中国振动工程学会故障诊断专业委员会理事、中国振动工程学会机械动力学学会理事、中国机械工程学会不错会员、广东省机动车检测行业协会专家委员会委员。

章 绪论1.1 智能故障诊断、预测与健康评估的概念1.2 故障诊断、预测与健康评估的意义1.3 智能诊断、预测与健康评估的研究内容1.4 智能诊断、预测与健康评估的研究现状1.5 本书的结构体系与特色第二章 基于半监督学习的智能诊断方法2 2.1 半监督学习的原理2.2 半监督核主元分析的故障检测与分类 2.3 基于半监督模糊核聚类的离群检测2.4 半监督自组织映射的故障检测与分类2.5 直推式支持向量机诊断方法2.6 关联向量机诊断方法第三章 基于流形学习的智能故障诊断与预测3 3.1 流形学习的基本概念3.2基于谱聚类流形的故障特征选择3.3 基于局部线性嵌入的故障识别3.4 基于距离保持投影线性嵌入的故障分类3.5 基于ISOMAP的机械故障诊断方法第四章 机械系统的性能退化与健康评估4.1 基于自组织映射的设备性能退化分析4.2 基于连续隐半马尔科夫模型的健康评估4.3 基于高斯混合模型的健康评估4.4 基于距离保持的谱回归分析及性能退化预测第五章 基于深度信念网络的故障诊断与健康评估5.1 深度学习的原理与方法5.2 基于深度信念网络的故障分类5.3 基于深度信念网络的振动信号重构5.4 基于原始数据的深度学习分类诊断5.5基于深度学习的健康评估 第六章 结论与展望