數據驅動的剩余壽命預測與維護決策技術

定　價：￥79.00

作　者：	陸寧云、陳闖、姜斌等著
出版社：	化學工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網 (￥69.80)

ISBN：	9787122466860	出版時間：	2025-02-01	包裝：	平裝
開本：	16開	頁數：		字數：

內容簡介

　　本書重點關注數據驅動的剩余壽命預測與維護決策技術，針對復雜裝備的智能運維需求提供了一種較為完整的解決方案。全書共10章：第1章介紹了剩余壽命預測與維護決策的國內外研究現狀和發(fā)展趨勢；第2～4章分別介紹了基于多變量模型、基于相似性模型以及基于隨機過程模型的典型的剩余壽命預測方法；第5～10章介紹了考慮安全風險規(guī)避、預測不確定性、維修不確定性以及維修資源約束下的預測維護方法。本書內容由淺入深，語言通俗易懂，注重實踐性，并緊跟領域研究的前沿發(fā)展，為讀者提供既豐富又實用的專業(yè)內容。本書可作為控制科學與工程、工業(yè)工程等學科的師生參考用書，同時對裝備健康管理、安全保障等領域的科研人員及工程技術人員具有一定的參考價值。

作者簡介

　　陸寧云，南京航空航天大學教授，先后于1998、2000、2004年在東北大學獲學士、碩士、博士學位，2004年至2005年在香港科技大學化學工程系擔任副研究員，2006年至今任職于南京航空航天大學，曾任自動化學院自動控制系副主任、主任，現任自動化學院副院長。長期致力于復雜系統(tǒng)智能診斷與預測運維的理論與應用研究，相關成果應用于航空航天、軌道交通、船舶裝備、流程工業(yè)等行業(yè)領域。承擔國家自然科學基金項目4項以及科技部重點研發(fā)項目子課題、工信部**專項課題、江蘇省工業(yè)轉型升級重大專項、廣州市產學研轉化重大專項、南京“紫金之巔”產業(yè)鏈技術攻關揭榜項目等縱向計劃項目6項，完成航空工業(yè)、中國電科、中國船舶等多個國防單位委托的產學研課題12項；出版中英文專著4部、譯著1部，發(fā)表學術論文160余篇，授權發(fā)明專利30余項；研究成果獲江蘇省科學技術一等獎和二等獎各1項、自然科學二等獎1項、廣東省科技進步二等獎1項以及中國自動化學會、中國電子學會、中國機械工業(yè)學會、中國城市軌道交通學會等科研獎勵5項；擔任江蘇省自動化學會副秘書長、中國自動化學會全國技術過程故障診斷與安全專業(yè)委員會委員等社會兼職以及SCI期刊Sensors編委等學術兼職。

圖書目錄

第1章緒論001
1.1裝備維護保障的必要性和重要性001
1.2剩余壽命預測與維護決策的相關概念002
1.3剩余壽命預測研究現狀與趨勢004
1.4維護決策研究現狀與趨勢009
第2章基于多變量模型的剩余壽命預測方法014
2.1概述014
2.2主要思想015
2.3裝備退化特征提取017
2.3.1Spearman相關性指標018
2.3.2Spearman趨勢性指標018
2.4基于多變量深度森林算法的健康評估模型019
2.4.1基于量子模糊聚類的健康狀態(tài)劃分019
2.4.2基于深度森林算法的離線系統(tǒng)健康狀態(tài)評估021
2.5基于DLSTM的離線退化趨勢預測建模024
2.5.1LSTM網絡結構簡介024
2.5.2退化趨勢預測模型026
2.6基于組合模型的裝備在線剩余壽命預測方法027
2.6.1剩余壽命在線預測實施過程027
2.6.2預測評價標準028
2.7實驗驗證029
2.7.1數據來源029
2.7.2退化特征選擇結果031
2.7.3離線健康狀態(tài)評估建模與在線驗證結果033
2.7.4離線退化趨勢預測建模和在線RUL估計037
2.8本章小結040
第3章基于相似性模型的剩余壽命預測方法041
3.1概述041
3.2主要思想042
3.3多變量退化特征提取043
3.3.1基于Relief算法的退化特征篩選043
3.3.2基于主成分分析的退化特征提取044
3.4基于退化特征相似性的剩余壽命預測046
3.4.1基于時間序列片段時延的相似性評估046
3.4.2基于KDE密度加權的模型綜合048
3.5實驗驗證049
3.5.1預測性能指標050
3.5.2相似性評估與參數選擇053
3.6本章小結056
第4章基于隨機過程模型的剩余壽命預測方法057
4.1概述057
4.2主要思想057
4.3基于加速退化試驗的混合退化過程建模058
4.4混合退化過程的壽命分布059
4.5混合退化過程的未知參數估計060
4.5.1動態(tài)權重估計060
4.5.2使用M-H方法的混合過程未知參數估計062
4.6實驗驗證063
4.6.1參數估計063
4.6.2正常應力水平下的可靠性分析066
4.6.3混合退化模型與傳統(tǒng)模型的比較068
4.7本章小結069
第5章帶有風險規(guī)避自適應的預測維護方法070
5.1概述070
5.2主要思想070
5.3剩余壽命預測建模071
5.3.1SVR的基本理論071
5.3.2退化特征與剩余壽命之間關系建模072
5.4規(guī)避風險的預測維護策略制定073
5.4.1風險規(guī)避函數設計073
5.4.2在線剩余壽命預測076
5.4.3維護策略制定與成本計算077
5.5實驗驗證078
5.5.1單一預測模型的剩余壽命預測結果078
5.5.2規(guī)避風險剩余壽命預測結果與分析078
5.5.3預測維護規(guī)劃結果與分析080
5.6本章小結082
第6章基于剩余壽命預測區(qū)間的預測維護方法084
6.1概述084
6.2主要思想084
6.3剩余壽命預測區(qū)間估計086
6.3.1健康狀態(tài)劃分086
6.3.2剩余壽命預測邊界確定088
6.3.3在線剩余壽命預測區(qū)間估計090
6.4最優(yōu)維護決策091
6.4.1剩余壽命分布構建091
6.4.2維護成本率函數形成與優(yōu)化092
6.4.3預測維護實施過程094
6.5實驗驗證094
6.5.1預測區(qū)間評估標準094
6.5.2預測區(qū)間估計實驗結果與分析095
6.5.3維護決策實驗結果與分析101
6.6本章小結103
第7章基于失效概率估計的預測維護方法105
7.1概述105
7.2主要思想105
7.3基于性能退化的失效概率預測107
7.3.1退化趨勢預測107
7.3.2未來不同時間窗口的失效概率估計108
7.4兩種期望維護成本博弈下的維護決策110
7.4.1維護成本計算110
7.4.2基于成本評估的維護時間的確定110
7.4.3維護成本率計算111
7.5實驗驗證112
7.5.1離線預測建模結果112
7.5.2在線維護規(guī)劃結果113
7.5.3維護策略性能分析116
7.6本章小結117
第8章考慮備件管理約束的預測維護方法118
8.1概述118
8.2主要思想118
8.3基于深度學習集成的系統(tǒng)健康預測119
8.3.1兩種深度學習算法集成119
8.3.2裝備健康預測實現過程121
8.4基于預測信息的維護和庫存決策規(guī)則122
8.4.1維護決策規(guī)則122
8.4.2庫存決策規(guī)則123
8.4.3預測維護實施過程123
8.5實驗驗證124
8.5.1預測精度討論125
8.5.2動態(tài)預測維護決策結果與分析130
8.6本章小結133
第9章基于失效時刻概率密度預測的預測維護方法134
9.1概述134
9.2主要思想134
9.3失效時刻概率密度預測135
9.3.1基于深度學習分位數回歸的剩余壽命預測135
9.3.2基于核密度估計的失效時刻分布計算136
9.4基于預測信息的維護和庫存策略137
9.4.1維護策略137
9.4.2庫存策略138
9.5實驗驗證139
9.5.1DAE-LSTMQR模型的參數配置139
9.5.2失效時刻概率密度預測結果140
9.5.3維護和庫存決策結果142
9.6本章小結144
第10章面向非定期不可靠檢查的預測維護方法145
10.1概述145
10.2主要思想146
10.3維護策略的框架：描述和分析147
10.3.1維護描述147
10.3.2退化過程建模149
10.3.3維護成本函數149
10.4維護狀態(tài)演化與維護周期計算150
10.4.1基于半再生過程的長期成本率計算150
10.4.2半再生過程中不可靠檢查的影響151
10.5維護優(yōu)化和參數更新153
10.5.1決策變量的確定153
10.5.2退化參數更新154
10.6實驗驗證155
10.6.1完美檢查下的維護策略分析156
10.6.2不可靠檢查下的維護策略分析158
10.6.3與定期可靠檢查下的維護策略比較160
10.7本章小結161
參考文獻162