惯性测量组合智能故障诊断及预测技术【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

惯性测量组合智能故障诊断及预测技术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 故障诊断方法概述2

1.2.1 故障诊断的概念2

1.2.2 基于多信号模型的故障诊断研究现状4

1.2.3 基于人工智能的模拟电路故障诊断研究现状7

1.3 故障预测方法概述11

1.4 剩余寿命估计方法概述12

1.4.1 基于机理模型的剩余寿命估计方法13

1.4.2 数据驱动的剩余寿命估计方法13

1.4.3 剩余寿命估计在预测维护中的应用20

1.5 惯性测量组合21

1.5.1 惯性导航的基本原理21

1.5.2 惯性测量组合的组成23

1.5.3 惯性测量组合的工作原理及功能23

1.6 本书结构安排23

参考文献25

第2章 多信号模型建模34

2.1 引言34

2.2 多信号建模理论与建模方法34

2.2.1 多信号建模理论34

2.2.2 多信号建模方法36

2.3 测试性工程与维护系统（TEAMS）38

2.3.1 TEAMS的功能与组成38

2.3.2 基于TEAMS的测试性分析40

2.3.3 基于TEAMS的故障诊断策略42

2.4 惯性测量组合多信号模型的构建43

2.4.1 建模原则43

2.4.2 本体多信号建模44

2.4.3 电子箱多信号建模46

2.4.4 二次电源多信号建模47

2.4.5 模型合成及属性设置50

2.5 惯性测量组合测试性分析与改进51

2.5.1 测试点的选取及测试设置51

2.5.2 惯性测量组合固有测试性分析53

2.5.3 改进测试性分析54

2.6 小结55

参考文献55

第3章 基于计算智能的惯性测量组合诊断策略优化57

3.1 引言57

3.2 测试集优化方法57

3.2.1 测试集优化的数学描述57

3.2.2 测试性指标58

3.2.3 粒子群优化算法概述58

3.2.4 基于多维并行免疫离散粒子群优化算法的IMU测试集优化61

3.2.5 基于多维动态翻转离散粒子群算法的IMU测试集优化67

3.3 诊断策略优化方法73

3.3.1 惯性测量组合故障树的构建74

3.3.2 惯性测量组合故障树诊断策略优化77

3.3.3 基于蚁群算法优化的惯性测量组合相关矩阵诊断策略82

3.4 小结93

参考文献93

第4章 基于人工智能方法的惯性测量组合模拟电路故障诊断95

4.1 引言95

4.2 基于人工神经网络的模拟电路故障诊断95

4.2.1 神经网络的故障诊断能力95

4.2.2 径向基函数神经网络96

4.2.3 基于遗传RBF网络的惯性测量组合模拟电路故障诊断96

4.2.4 基于经验模式分解和神经网络的IMU模拟电路故障诊断100

4.3 基于支持向量机的模拟电路故障诊断104

4.3.1 支持向量机基本理论104

4.3.2 层次聚类LSSVM多分类算法106

4.3.3 基于层次聚类LSSVM的惯性测量组合模拟电路故障诊断109

4.3.4 基于故障残差和SVM的惯性测量组合模拟电路故障诊断113

4.4 基于极端学习机的模拟电路故障诊断119

4.4.1 ELM基本理论119

4.4.2 基于优选小波包和ELM的模拟电路故障诊断120

4.4.3 基于固定尺寸序贯极端学习机的模拟电路在线故障诊断124

4.5 基于信息融合的模拟电路故障诊断134

4.5.1 信息融合的级别134

4.5.2 基于特征级信息融合的故障诊断136

4.5.3 基于响应曲线有效点的特征提取方法137

4.5.4 改进的模糊聚类特征压缩算法137

4.5.5 诊断实例140

4.6 小结146

参考文献146

第5章 基于数据驱动的惯性测量组合智能故障预测148

5.1 引言148

5.2 基于数据驱动的故障预测方法148

5.3 基于支持向量机的惯性测量组合故障预测149

5.3.1 最小二乘支持向量机回归149

5.3.2 基于EMD-LSSVM的故障预测方法150

5.3.3 基于进化交叉验证与直接支持向量机回归的故障预测方法155

5.4 基于极端学习机的惯性测量组合故障预测161

5.4.1 基于极端学习机的惯性测量组合多尺度混合预测方法162

5.4.2 基于改进集合在线序贯极端学习机的惯性测量组合故障预测166

5.5 基于小样本条件下的惯性测量组合故障预测173

5.5.1 结构自适应序贯正则极端学习机173

5.5.2 实例验证176

5.6 小结179

参考文献180

第6章 基于退化过程建模的惯性测量组合剩余寿命在线估计182

6.1 引言182

6.2 基于半随机滤波和EM算法的剩余寿命在线估计183

6.2.1 问题描述183

6.2.2 基于半随机滤波的估计模型184

6.2.3 参数在线估计算法187

6.2.4 惯性测量组合剩余寿命估计的仿真试验190

6.3 基于隐含线性退化过程建模的剩余寿命在线估计193

6.3.1 状态空间模型与剩余寿命估计193

6.3.2 参数估计197

6.3.3 惯性测量组合剩余寿命估计的仿真试验199

6.4 基于隐含非线性退化过程建模的剩余寿命在线估计203

6.4.1 问题描述与剩余寿命估计204

6.4.2 参数在线估计算法209

6.4.3 惯性测量组合剩余寿命预测的仿真试验211

6.5 小结213

参考文献213

第7章 基于可变成本的IMU实时预测维护与备件订购216

7.1 引言216

7.2 第一种基于可变成本的预测维护模型的构建217

7.2.1 长期运行成本方差217

7.2.2 预测维护决策目标函数218

7.3 第二种基于可变成本的预测维护模型的构建219

7.3.1 长期运行成本方差219

7.3.2 预测维护决策目标函数219

7.4 备件订购模型的构建221

7.5 惯性测量组合预测维护的仿真试验222

7.5.1 问题描述222

7.5.2 试验结果222

7.6 小结226

参考文献226