本書介紹了旋轉設備小樣本跨工況故障診斷的基礎理論和工程應用，闡述了小樣本機械故障數(shù)據(jù)驅動診斷技術和工程背景。全書分為11章，內容包括：緒論，旋轉機械故障和小樣本智能診斷技術基礎理論，基于數(shù)據(jù)增強、優(yōu)化元學習、度量元學習和半監(jiān)督學習等的小樣本智能診斷技術和實例應用，以及智能診斷的未來挑戰(zhàn)。本書涵蓋了作者團隊近年來在小樣本數(shù)據(jù)驅動故障診斷方面所取得的*新研究成果，內容新穎，結構清晰，實用性強，可為旋轉設備小樣本跨工況故障診斷提供理論支持和方法指導。本書主要適合機械設備故障診斷、狀態(tài)監(jiān)測和可靠性維護等領域的技術人員使用和參考，也可作為機械工程、自動化、智能制造和人工智能等相關學科專業(yè)的在校師生的教材以及研究人員的參考書。
本書介紹了旋轉設備小樣本跨工況故障診斷的基礎理論和工程應用，闡述了小樣本機械故障數(shù)據(jù)驅動診斷技術和工程背景。本書主要適合機械設備故障診斷、狀態(tài)監(jiān)測和可靠性維護等領域的技術人員使用和參考，也可作為機械工程、自動化、智能制造和人工智能等相關學科專業(yè)的在校師生的教材以及研究人員的參考書。
以深度學習為基礎的人工智能技術促進了現(xiàn)代工業(yè)的快速發(fā)展，機械系統(tǒng)設備日益復雜和精密，機械故障診斷技術呈現(xiàn)出多學科交叉和融合的特點。從21世紀開始，隨著計算機技術和復雜系統(tǒng)診斷技術不斷豐富，新時代工業(yè)智能制造對機械故障診斷技術提出了新的要求。黨的二十大報告指出，要推動戰(zhàn)略性新興產(chǎn)業(yè)融合集群發(fā)展，構建新一代信息技術、人工智能、生物技術、新能源、新材料、高端裝備、綠色環(huán)保等一批新的增長引擎，加快發(fā)展數(shù)字經(jīng)濟，促進數(shù)字經(jīng)濟和實體經(jīng)濟深度融合，打造具有國際競爭力的數(shù)字產(chǎn)業(yè)集群。人工智能是國家戰(zhàn)略的重要組成部分，是未來國際競爭的焦點和經(jīng)濟發(fā)展的新引擎。本書緊跟新時代工業(yè)化與信息化深度融合的契機，面向新一代人工智能診斷技術，立足于機械裝備智能診斷的迫切工程需求，以及國家新工科建設，圍繞小樣本變工況的實際工業(yè)場景，進行大數(shù)據(jù)驅動的機械裝備智能診斷。軸承和齒輪箱作為機械裝備關鍵部件，其健康狀態(tài)診斷對系統(tǒng)裝備的穩(wěn)定運行、生產(chǎn)效率提高和生產(chǎn)安全起著至關重要的作用。近年來，系統(tǒng)關鍵機械設備故障引發(fā)的災難性事故時有發(fā)生，旋轉設備小樣本跨工況故障診斷成為當下的研究熱點。結合當前機械智能診斷技術的研究現(xiàn)狀，作者基于課題組多年的機械故障診斷技術研究經(jīng)驗，本著與時俱進、理論和應用相結合的原則，在本書中為讀者提供了一系列面向旋轉設備小樣本跨工況故障診斷方法的*新研究成果。本書首先介紹了機械故障診斷技術的發(fā)展和現(xiàn)狀，分析了本書研究的意義。接著，介紹了機械故障和小樣本智能診斷基礎理論，系統(tǒng)地闡述了小樣本旋轉機械故障智能診斷理論和實現(xiàn)方法。*后，還針對智能診斷的挑戰(zhàn)和未來發(fā)展方向進行了調研總結，方便讀者理解并掌握智能故障診斷方面的專業(yè)知識，也為其他工業(yè)復雜機械設備的故障診斷提供新的技術途徑。本書由武漢科技大學張永教授統(tǒng)籌編撰，湖北師范大學胡俊偉博士負責主要撰寫工作，武漢科技大學戴源、程舒烈碩士參與撰寫，全書由武漢科技大學李維剛教授編輯校稿。武漢科技大學人工智能與自動化學院機電設備健康分析與性能優(yōu)化研究室的研究工作和相關成果為本書提供了豐富的素材，湖北師范大學電氣工程與自動化學院孫鶴洋碩士對本書進行了細致的校對，在此對他們的辛勤付出表示真誠的感謝。衷心感謝湖北師范大學詹習生教授、程伶俐副教授為本書的出版給予的支持和幫助，本書在撰寫過程中參考了大量同行學者的成果和意見，在此表示感謝。本書獲湖北師范大學資助(湖北師范大學規(guī)劃教材)，同時還得到了國家自然科學基金項目(62273264，62303169)的支持，獲武漢科技大學冶金自動化與檢測技術*工程研究中心開放基金(MADTOF2024A02)資助，獲廣西重點研發(fā)計劃項目(桂科AB22035023),湖北省自然科學基金創(chuàng)新群體項目(2025AFA040)、聯(lián)合基金項目(2024AFD008)，湖北省教育廳科學技術研究項目(Q20242511)，湖北省教育廳科學研究計劃青年人才項目(Q20232513)，武漢市重點研發(fā)計劃項目(2025050102030008)支持，在此一并表示感謝。設備狀態(tài)監(jiān)測與智能診斷是一個新興的交叉研究方向，很多理論方法還不成熟，應用研究更是欠缺。限于著者水平有限，書中難免有疏漏及不妥之處，懇請廣大讀者批評指正。著者2025年4月
胡俊偉，現(xiàn)為湖北師范大學講師，碩士生導師，黃石東楚英才。主要學習經(jīng)歷：2024年3月博士畢業(yè)于武漢科技大學信息科學與工程學院。目前，已經(jīng)在Knowledge-Based Systems、Engineering Applications of Artificial Intelligence、Information Sciences、ISA transactions、Applied Intelligence、Cognitive Computation和Measurement Science and Technology等人工智能與自動化領域的國際期刊上發(fā)表科技論文10余篇。作為主要參與人參與國家自然科學基金項目1項，主持冶金自動化與檢測技術*工程研究中心開放課題1項。
第1章緒論(1)1.1研究背景及意義(1)1.2國內外研究現(xiàn)狀(2)1.2.1傳統(tǒng)非數(shù)據(jù)驅動的診斷方法研究現(xiàn)狀(3)1.2.2基于數(shù)據(jù)驅動的智能診斷方法研究現(xiàn)狀(3)本章參考文獻(9)第2章旋轉機械故障和小樣本智能診斷技術基礎理論(20)2.1機械故障介紹(20)2.1.1軸承結構及常見故障(21)2.1.2齒輪結構及常見故障(23)2.2小樣本智能診斷技術基礎知識(25)2.2.1基于數(shù)據(jù)增強的小樣本故障診斷方法(26)2.2.2基于模型的小樣本故障診斷方法(29)2.2.3基于半監(jiān)督學習的小樣本故障診斷方法(35)2.3本章小節(jié)(37)本章參考文獻(37)第3章基于數(shù)據(jù)增強的單工況齒輪箱小樣本故障診斷(41)3.1引言(41)3.2EEMDICA降噪(42)3.2.1經(jīng)驗模態(tài)分解介紹(42)3.2.2獨立成分分析介紹(44)3.2.3EEMDICA降噪模型構建(45)3.3CVAE數(shù)據(jù)增強(47)3.3.1CVAE網(wǎng)絡介紹(47)3.3.2CVAE網(wǎng)絡設計(47)3.4實驗結果和分析(50)3.4.1齒輪箱數(shù)據(jù)集介紹(50)3.4.2實驗驗證(51)3.5本章小節(jié)(54)本章參考文獻(55)第4章基于優(yōu)化元學習變工況齒輪箱小樣本故障診斷(56)4.1引言(56)4.2MAML算法介紹(56)4.3時間卷積網(wǎng)絡介紹(58)4.3.1因果卷積(58)4.3.2膨脹卷積(59)4.3.3殘差連接(60)4.3.4基于時間卷積網(wǎng)絡與優(yōu)化元學習的算法構架(61)4.4實驗結果和分析(62)4.5本章小節(jié)(64)本章參考文獻(65)第5章先驗知識殘差收縮原型網(wǎng)絡小樣本故障診斷(66)5.1引言(66)5.2基礎知識及問題描述(67)5.2.1元學習(67)5.2.2問題描述(68)5.3先驗知識殘差收縮原型網(wǎng)絡小樣本故障診斷算法(69)5.3.1算法的診斷過程(70)5.3.2殘差收縮網(wǎng)絡(70)5.3.3原型網(wǎng)絡(72)5.4實例驗證(73)5.4.1實驗設置(73)5.4.2案例1：齒輪箱數(shù)據(jù)故障診斷(75)5.4.3案例2：軸承數(shù)據(jù)故障診斷(78)5.4.4魯棒性分析(80)5.4.5可視化分析(82)5.5本章小節(jié)(84)本章參考文獻(84)第6章聯(lián)合遷移細粒度度量小樣本跨域故障診斷(87)6.1引言(87)6.2聯(lián)合遷移細粒度度量小樣本跨域故障診斷算法(88)6.2.1特征提取模塊(89)6.2.2細粒度度量模塊(90)6.2.3域遷移模塊(91)6.3實例驗證(92)6.3.1案例1：不同工況下軸承的小樣本跨域診斷(93)6.3.2案例2：不同工況下軸承(CWRU)的小樣本跨域診斷(100)6.3.3案例3：不同工況下齒輪箱的小樣本跨域診斷(104)6.4本章小節(jié)(106)本章參考文獻(106)第7章基于元學習域對抗圖卷積網(wǎng)絡的跨域小樣本故障診斷(110)7.1引言(110)7.2基于元學習域對抗圖卷積網(wǎng)絡的跨域小樣本故障診斷算法(111)7.2.1基于圖的特征生成(113)7.2.2域自適應對抗性訓練(114)7.2.3可伸縮度量元學習(114)7.3實例驗證(116)7.3.1數(shù)據(jù)集和跨域場景設置(116)7.3.2對比方法與消融驗證(118)7.3.3實驗結果分析(118)7.3.4解釋性分析(122)7.4本章小節(jié)(124)本章參考文獻(124)第8章自適應半監(jiān)督元學習噪聲小樣本故障診斷(128)8.1引言(128)8.2基礎知識(129)8.3自適應半監(jiān)督元學習噪聲小樣本故障診斷算法(130)8.3.1算法的診斷過程(130)8.3.2樣本級注意力(132)8.3.3自適應度量(132)8.4實驗驗證(134)8.4.1實驗設置(134)8.4.2案例1：齒輪箱數(shù)據(jù)故障診斷(134)8.4.3案例2：傳動系統(tǒng)動態(tài)模擬器故障診斷(137)8.4.4消融實驗(140)8.4.5使用不同卷積層的診斷準確率及物理意義分析(142)8.5本章小節(jié)(145)本章參考文獻(145)第9章基于半監(jiān)督原型優(yōu)化的小樣本故障診斷(149)9.1引言(149)9.2基礎知識(150)9.2.1監(jiān)督對比學習(150)9.2.2原型網(wǎng)絡(151)9.3基于半監(jiān)督原型優(yōu)化的小樣本故障診斷算法(152)9.3.1數(shù)據(jù)集構造(152)9.3.2基于對比學習的預訓練(153)9.3.3基于半監(jiān)督的原型計算和優(yōu)化(154)9.4實例驗證(157)9.4.1數(shù)據(jù)集介紹(157)9.4.2對比實驗(158)9.4.3消融實驗(160)9.4.4異常樣本干擾實驗(161)9.5本章小節(jié)(163)本章參考文獻(163)第10章半監(jiān)督對比學習的多工況小樣本故障診斷(165)10.1引言(165)10.2時序數(shù)據(jù)增強方法(166)10.3無監(jiān)督對比網(wǎng)絡(167)10.4診斷模型介紹(168)10.4.1對比學習網(wǎng)絡結構(169)10.4.2半監(jiān)督學習損失構建(172)10.4.3算法流程(173)10.5實例驗證(174)10.5.1單工況下模型對比實驗(174)10.5.2跨工況下模型對比實驗(176)10.5.3樣本標簽率對比實驗(178)10.5.4噪聲干擾實驗(179)10.5.5模型微調前后對比實驗(180)10.6本章小節(jié)(180)本章參考文獻(181)第11章智能診斷技術的挑戰(zhàn)(183)11.1引言(183)11.2智能診斷技術的未來工作(184)11.2.1元學習在故障診斷中的未來工作(184)11.2.2智能故障診斷中的未來工作(185)11.3本章小節(jié)(187)本章參考文獻(187)
書單推薦
