旋转设备小样本跨工况故障诊断_胡俊伟,李维刚,张永_9787577220727

本书介绍了旋转设备小样本跨工况故障诊断的基础理论和工程应用，阐述了小样本机械故障数据驱动诊断技术和工程背景。全书分为11章，内容包括：绪论，旋转机械故障和小样本智能诊断技术基础理论，基于数据增强、优化元学习、度量元学习和半监督学习等的小样本智能诊断技术和实例应用，以及智能诊断的未来挑战。本书涵盖了作者团队近年来在小样本数据驱动故障诊断方面所取得的*新研究成果，内容新颖，结构清晰，实用性强，可为旋转设备小样本跨工况故障诊断提供理论支持和方法指导。本书主要适合机械设备故障诊断、状态监测和可靠性维护等领域的技术人员使用和参考，也可作为机械工程、自动化、智能制造和人工智能等相关学科专业的在校师生的教材以及研究人员的参考书。

以深度学习为基础的人工智能技术促进了现代工业的快速发展，机械系统设备日益复杂和精密，机械故障诊断技术呈现出多学科交叉和融合的特点。从21世纪开始，随着计算机技术和复杂系统诊断技术不断丰富，新时代工业智能制造对机械故障诊断技术提出了新的要求。党的二十大报告指出，要推动战略性新兴产业融合集群发展，构建新一代信息技术、人工智能、生物技术、新能源、新材料、高端装备、绿色环保等一批新的增长引擎，加快发展数字经济，促进数字经济和实体经济深度融合，打造具有国际竞争力的数字产业集群。人工智能是国家战略的重要组成部分，是未来国际竞争的焦点和经济发展的新引擎。本书紧跟新时代工业化与信息化深度融合的契机，面向新一代人工智能诊断技术，立足于机械装备智能诊断的迫切工程需求，以及国家新工科建设，围绕小样本变工况的实际工业场景，进行大数据驱动的机械装备智能诊断。轴承和齿轮箱作为机械装备关键部件，其健康状态诊断对系统装备的稳定运行、生产效率提高和生产安全起着至关重要的作用。近年来，系统关键机械设备故障引发的灾难性事故时有发生，旋转设备小样本跨工况故障诊断成为当下的研究热点。结合当前机械智能诊断技术的研究现状，作者基于课题组多年的机械故障诊断技术研究经验，本着与时俱进、理论和应用相结合的原则，在本书中为读者提供了一系列面向旋转设备小样本跨工况故障诊断方法的*新研究成果。本书首先介绍了机械故障诊断技术的发展和现状，分析了本书研究的意义。接着，介绍了机械故障和小样本智能诊断基础理论，系统地阐述了小样本旋转机械故障智能诊断理论和实现方法。*后，还针对智能诊断的挑战和未来发展方向进行了调研总结，方便读者理解并掌握智能故障诊断方面的专业知识，也为其他工业复杂机械设备的故障诊断提供新的技术途径。本书由武汉科技大学张永教授统筹编撰，湖北师范大学胡俊伟博士负责主要撰写工作，武汉科技大学戴源、程舒烈硕士参与撰写，全书由武汉科技大学李维刚教授编辑校稿。武汉科技大学人工智能与自动化学院机电设备健康分析与性能优化研究室的研究工作和相关成果为本书提供了丰富的素材，湖北师范大学电气工程与自动化学院孙鹤洋硕士对本书进行了细致的校对，在此对他们的辛勤付出表示真诚的感谢。衷心感谢湖北师范大学詹习生教授、程伶俐副教授为本书的出版给予的支持和帮助，本书在撰写过程中参考了大量同行学者的成果和意见，在此表示感谢。本书获湖北师范大学资助(湖北师范大学规划教材)，同时还得到了国家自然科学基金项目(62273264，62303169)的支持，获武汉科技大学冶金自动化与检测技术*工程研究中心开放基金(MADTOF2024A02)资助，获广西重点研发计划项目(桂科AB22035023),湖北省自然科学基金创新群体项目(2025AFA040)、联合基金项目(2024AFD008)，湖北省教育厅科学技术研究项目(Q20242511)，湖北省教育厅科学研究计划青年人才项目(Q20232513)，武汉市重点研发计划项目(2025050102030008)支持，在此一并表示感谢。设备状态监测与智能诊断是一个新兴的交叉研究方向，很多理论方法还不成熟，应用研究更是欠缺。限于著者水平有限，书中难免有疏漏及不妥之处，恳请广大读者批评指正。著者2025年4月

第1章绪论(1)1.1研究背景及意义(1)1.2国内外研究现状(2)1.2.1传统非数据驱动的诊断方法研究现状(3)1.2.2基于数据驱动的智能诊断方法研究现状(3)本章参考文献(9)第2章旋转机械故障和小样本智能诊断技术基础理论(20)2.1机械故障介绍(20)2.1.1轴承结构及常见故障(21)2.1.2齿轮结构及常见故障(23)2.2小样本智能诊断技术基础知识(25)2.2.1基于数据增强的小样本故障诊断方法(26)2.2.2基于模型的小样本故障诊断方法(29)2.2.3基于半监督学习的小样本故障诊断方法(35)2.3本章小节(37)本章参考文献(37)第3章基于数据增强的单工况齿轮箱小样本故障诊断(41)3.1引言(41)3.2EEMDICA降噪(42)3.2.1经验模态分解介绍(42)3.2.2独立成分分析介绍(44)3.2.3EEMDICA降噪模型构建(45)3.3CVAE数据增强(47)3.3.1CVAE网络介绍(47)3.3.2CVAE网络设计(47)3.4实验结果和分析(50)3.4.1齿轮箱数据集介绍(50)3.4.2实验验证(51)3.5本章小节(54)本章参考文献(55)第4章基于优化元学习变工况齿轮箱小样本故障诊断(56)4.1引言(56)4.2MAML算法介绍(56)4.3时间卷积网络介绍(58)4.3.1因果卷积(58)4.3.2膨胀卷积(59)4.3.3残差连接(60)4.3.4基于时间卷积网络与优化元学习的算法构架(61)4.4实验结果和分析(62)4.5本章小节(64)本章参考文献(65)第5章先验知识残差收缩原型网络小样本故障诊断(66)5.1引言(66)5.2基础知识及问题描述(67)5.2.1元学习(67)5.2.2问题描述(68)5.3先验知识残差收缩原型网络小样本故障诊断算法(69)5.3.1算法的诊断过程(70)5.3.2残差收缩网络(70)5.3.3原型网络(72)5.4实例验证(73)5.4.1实验设置(73)5.4.2案例1：齿轮箱数据故障诊断(75)5.4.3案例2：轴承数据故障诊断(78)5.4.4鲁棒性分析(80)5.4.5可视化分析(82)5.5本章小节(84)本章参考文献(84)第6章联合迁移细粒度度量小样本跨域故障诊断(87)6.1引言(87)6.2联合迁移细粒度度量小样本跨域故障诊断算法(88)6.2.1特征提取模块(89)6.2.2细粒度度量模块(90)6.2.3域迁移模块(91)6.3实例验证(92)6.3.1案例1：不同工况下轴承的小样本跨域诊断(93)6.3.2案例2：不同工况下轴承(CWRU)的小样本跨域诊断(100)6.3.3案例3：不同工况下齿轮箱的小样本跨域诊断(104)6.4本章小节(106)本章参考文献(106)第7章基于元学习域对抗图卷积网络的跨域小样本故障诊断(110)7.1引言(110)7.2基于元学习域对抗图卷积网络的跨域小样本故障诊断算法(111)7.2.1基于图的特征生成(113)7.2.2域自适应对抗性训练(114)7.2.3可伸缩度量元学习(114)7.3实例验证(116)7.3.1数据集和跨域场景设置(116)7.3.2对比方法与消融验证(118)7.3.3实验结果分析(118)7.3.4解释性分析(122)7.4本章小节(124)本章参考文献(124)第8章自适应半监督元学习噪声小样本故障诊断(128)8.1引言(128)8.2基础知识(129)8.3自适应半监督元学习噪声小样本故障诊断算法(130)8.3.1算法的诊断过程(130)8.3.2样本级注意力(132)8.3.3自适应度量(132)8.4实验验证(134)8.4.1实验设置(134)8.4.2案例1：齿轮箱数据故障诊断(134)8.4.3案例2：传动系统动态模拟器故障诊断(137)8.4.4消融实验(140)8.4.5使用不同卷积层的诊断准确率及物理意义分析(142)8.5本章小节(145)本章参考文献(145)第9章基于半监督原型优化的小样本故障诊断(149)9.1引言(149)9.2基础知识(150)9.2.1监督对比学习(150)9.2.2原型网络(151)9.3基于半监督原型优化的小样本故障诊断算法(152)9.3.1数据集构造(152)9.3.2基于对比学习的预训练(153)9.3.3基于半监督的原型计算和优化(154)9.4实例验证(157)9.4.1数据集介绍(157)9.4.2对比实验(158)9.4.3消融实验(160)9.4.4异常样本干扰实验(161)9.5本章小节(163)本章参考文献(163)第10章半监督对比学习的多工况小样本故障诊断(165)10.1引言(165)10.2时序数据增强方法(166)10.3无监督对比网络(167)10.4诊断模型介绍(168)10.4.1对比学习网络结构(169)10.4.2半监督学习损失构建(172)10.4.3算法流程(173)10.5实例验证(174)10.5.1单工况下模型对比实验(174)10.5.2跨工况下模型对比实验(176)10.5.3样本标签率对比实验(178)10.5.4噪声干扰实验(179)10.5.5模型微调前后对比实验(180)10.6本章小节(180)本章参考文献(181)第11章智能诊断技术的挑战(183)11.1引言(183)11.2智能诊断技术的未来工作(184)11.2.1元学习在故障诊断中的未来工作(184)11.2.2智能故障诊断中的未来工作(185)11.3本章小节(187)本章参考文献(187)

我要评论