数据驱动的故障预测2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

数据驱动的故障预测PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 引言1

1.2 PHM的概念和内涵1

1.2.1 PHM基本概念1

1.2.2 PHM基本内涵2

1.3 PHM技术的发展和现状3

1.3.1 PHM技术发展现状3

1.3.2 PHM技术应用现状6

1.4 PHM研究实例8

1.4.1 综合飞行器健康管理系统8

1.4.2 联合战斗机的PHM技术10

1.5 本书内容安排16

第2章 PHM方法体系18

2.1 引言18

2.2 PHM方法分类18

2.3 基于可靠性模型的PHM方法22

2.4 基于物理模型的PHM方法24

2.5 基于数据驱动的PHM方法27

2.5.1 数据驱动PHM方法27

2.5.2 数据驱动PHM方法现状28

2.6 融合型PHM方法33

第3章 数据驱动PHM技术体系与框架35

3.1 引言35

3.2 数据驱动PHM方法策略35

3.2.1 直接数据驱动预测方法35

3.2.2 间接数据驱动预测方法36

3.2.3 两类数据驱动PHM方法的比较37

3.3 数据驱动PHM方法体系和流程38

3.3.1 数据驱动PHM方法体系38

3.3.2 数据驱动PHM方法流程38

3.4 数据驱动PHM方法框架分析41

3.4.1 信息感知、状态监测和数据采集41

3.4.2 特征识别、选择和融合42

3.4.3 HI构建43

3.4.4 RUL预测44

3.4.5 预测不确定性48

3.4.6 融合型预测方法50

3.4.7 PHM验证与评估51

第4章 特征识别和提取53

4.1 引言53

4.2 特征识别方法54

4.3 特征选择和提取技术55

4.3.1 特征选择56

4.3.2 特征提取59

4.3.3 特征融合62

4.4 PHM特征识别和提取实例63

4.4.1 特征识别与选择63

4.4.2 RUL预测方法67

4.4.3 实验结果与分析69

第5章 基于时间序列AR模型的PHM预测71

5.1 引言71

5.2 AR模型71

5.2.1 AR模型基本原理71

5.2.2 AR模型的参数估计72

5.2.3 AR模型的阶数确定73

5.3 ARMA/ARIMA模型75

5.3.1 ARMA模型75

5.3.2 ARIMA模型76

5.4 基于AR模型的PHM预测实例77

5.4.1 锂离子电池数据集77

5.4.2 基于AR模型的锂离子电池RUL预测建模过程79

5.4.3 实例结果分析82

第6章 基于神经网络的PHM预测89

6.1 引言89

6.2 神经网络算法90

6.2.1 ANN模型90

6.2.2 基于ANN的PHM预测92

6.3 ESN基本原理93

6.3.1 ESN的模型结构和数学模型94

6.3.2 ESN的训练算法96

6.3.3 ESN的关键参数98

6.4 改进MONESN算法99

6.4.1 状态监测数据的单调关系99

6.4.2 结合先验知识的单调函数逼近方法100

6.5 基于神经网络的PHM预测实例105

6.5.1 基于ESN的机械系统RUL预测实例105

6.5.2 基于MONESN的锂离子电池RUL预测实例109

第7章 基于KF/EKF算法的PHM预测119

7.1 引言119

7.2 KF/EKF算法120

7.2.1 KF算法120

7.2.2 EKF算法121

7.3 基于EKF算法的PHM预测122

7.4 基于EKF算法的PHM预测实例123

7.4.1 基于EKF的锂离子电池RUL预测算法流程123

7.4.2 锂离子电池RUL预测实验及分析128

第8章 基于RVM算法的PHM预测135

8.1 引言135

8.2 RVM基本原理136

8.2.1 相关向量回归136

8.2.2 超参数优化137

8.2.3 RVM训练算法139

8.3 基于动态灰色相关向量机的锂离子电池RUL预测方法142

8.3.1 RVM参数对预测结果的影响分析142

8.3.2 动态灰色RVM锂离子电池RUL预测算法146

8.3.3 实验验证与评估150

8.4 基于增量相关向量机的锂离子电池RUL在线预测方法160

8.4.1 在线预测算法分析160

8.4.2 优化增量RVM锂离子电池RUL在线预测算法161

8.4.3 实验验证与评估163

第9章 基于GPR模型的PHM预测170

9.1 引言170

9.2 GPR模型原理170

9.2.1 GP模型170

9.2.2 GPR模型172

9.2.3 GRP模型选择与超参数自适应173

9.3 基于GPR模型的预测流程175

9.4 PHM预测实例176

9.4.1 锂电池容量预测176

9.4.2 电池RUL预测178

第10章 基于PF算法的PHM预测181

10.1 引言181

10.2 PF算法原理182

10.2.1 动态系统模型182

10.2.2 贝叶斯估计的基本理论183

10.2.3 蒙特卡洛思想184

10.2.4 PF基本原理186

10.2.5 PF算法的基本流程189

10.3 PF重采样算法及改进算法191

10.3.1 PF 4种基本重采样算法191

10.3.2 正则化粒子滤波原理193

10.4 PHM预测实例194

10.4.1 锂电池RUL预测框架及算法描述195

10.4.2 锂电池RUL寿命预测实例197

10.4.3 不同重采样算法的RUL预测对比204

10.4.4 RPF算法性能对比207

第11章 PHM不确定性210

11.1 引言210

11.2 不确定性的概念和来源211

11.2.1 不确定性的来源211

11.2.2 不确定性的数学表达方法211

11.2.3 不确定性的处理方法212

11.3 PHM不确定性表达212

11.3.1 置信预测神经网络212

11.3.2 GPR预测的不确定性213

11.3.3 马尔可夫链蒙特卡洛模拟214

11.3.4 粒子滤波215

11.4 PHM不确定性量化216

11.4.1 置信区间216

11.4.2 概率密度分布直方图218

11.4.3 分布的假设检验220

11.5 PHM算法评估223

11.5.1 性能评估指标224

11.5.2 计算实例227

第12章 融合型PHM方法231

12.1 引言231

12.2 数据驱动PHM方法融合231

12.2.1 神经网络的融合方法231

12.2.2 集成学习方法232

12.2.3 集成MONESN的PHM预测方法235

12.2.4 基于En_MONESN的锂离子电池PHM预测238

12.3 基于模型和数据驱动的PHM方法融合256

12.3.1 基于PF与AR模型融合的PHM方法257

12.3.2 PHM实例260

12.3.3 基于EKF和AR模型融合的PHM方法264

12.3.4 PHM实例266

第13章 PHM挑战与展望272

13.1 引言272

13.2 国内外PHM技术发展对比272

13.2.1 PHM概念延伸272

13.2.2 PHM技术发展273

13.2.3 PHM国内发展及差距275

13.2.4 PHM国内发展趋势276

13.3 PHM技术挑战277

13.3.1 状态感知技术278

13.3.2 状态监测技术278

13.3.3 诊断和预测技术279

13.3.4 PHM标准化技术研究280

13.3.5 PHM技术验证和评估282

13.3.6 测试床285

13.3.7 平台化285

13.4 PHM技术展望287

参考文献289

名词索引311