新書推薦：
《
思想帝国：公共外交的起源与美国对外政策的转变（公共外交译丛）
》
售價：HK$
88.0
《
公私同圣的秩序建构：王权视角下皇帝祭祀与祠神敕封的隔绝和整合 尔文智识生活系列
》
售價：HK$
94.6
《
共生共创：建设师生共同课堂丛书——“三师课堂”案例集萃（第一辑）
》
售價：HK$
74.8
《
大秦丞相李斯：谋国又谋身的大秦帝国“操盘手”
》
售價：HK$
64.9
《
民鸣社与清末民初上海演剧研究
》
售價：HK$
52.8
《
高中历史文献研读教学研究
》
售價：HK$
63.8
《
靠谱：极少数人的成功法则
》
售價：HK$
74.8
《
刹海
》
售價：HK$
74.8
|
| 編輯推薦： |
|
本书特色在于融会贯通深度学习寿命预测智能方法与轴承健康管理智能技术应用，很好将寿命预测概念、深度学习、大数据技术及健康管理应用融合在一起，便于读者能够更好理解深度学习和大数据技术基本方法、更快掌握寿命预测前沿技术及其应用。
|
| 內容簡介： |
|
在轨道交通系统中，轴承的寿命和运行状态是影响整个系统安全性和可靠性的重要因素。提前诊断轴承故障并预测轴承的寿命在实际工程中十分重要。本书以提高轨道交通轴承寿命预测的准确性和高效性为目标，旨在介绍针对轨道交通轴承寿命预测的智能方法和技术，结合深度学习和大数据技术等领域最新成果，以提高轴承寿命预测的准确性和可靠性。本书系统地介绍了轨道交通轴承寿命预测模型构建的方法和技术。全书共10章，主要内容包括轨道交通轴承寿命预测发展概要、轨道交通轴承结构及振动退化、轨道交通轴承寿命预测技术、基于卷积神经网络与支持向量回归的轴承寿命预测、基于深度信念网络与支持向量回归的轴承寿命预测、基于双向门控循环单元神经网络的轴承寿命预测、基于多尺度堆叠深度残差收缩网络的轴承寿命预测、变负载下的轴承寿命预测、基于Hadoop平台的轴承寿命预测、轨道交通轴承寿命预测系统设计与实现。本书特色在于将面向深度学习和大数据的寿命预测智能方法应用到轴承寿命预测智能技术中，从而将寿命预测概念、深度学习、大数据技术及寿命预测应用很好地融合并完成了系统实现，方便读者更好地理解深度学习基本方法，更快地掌握寿命预测前沿技术及其应用。本书可作为从事轨道交通寿命预测技术研究的科研人员和工程技术人员的参考用书，也可作为高等院校计算机科学与技术、软件工程、机械工程等相关专业研究生及高年级本科生的“寿命预测智能技术”课程教材。
|
| 關於作者： |
|
李常贤，教授，博士后，大连交通大学自动化与电气学院教授，毕业于浙江大学控制理论与控制工程专业，高级工程师，中国铁路总公司网络控制专家，大连交通大学网络控制与电磁兼容团队带头人。主要从事轨道列车网络控制技术、电磁兼容技术、人工智能PHM技术、无线通讯技术的研究。主持各级科研项目40余项，3项研究成果已在中车装车运用。发表学术论文40余篇，取得国家发明专利1项，实用新型专利7项。
|
| 目錄：
|
目录
第1章轨道交通轴承寿命预测发展概要
1.1轨道交通轴承寿命预测意义与内容
1.1.1轨道交通轴承寿命预测意义
1.1.2轨道交通轴承寿命预测内容
1.2轨道交通轴承寿命预测方法与发展概要
1.2.1轴承寿命预测方法
1.2.2轴承振动信号寿命预测技术的发展概要
1.3常见的轴承振动信号寿命预测方法
1.3.1振动信号寿命分析
1.3.2数据驱动的人工智能预测
第2章轨道交通轴承结构及振动退化
2.1轨道交通轴承结构
2.1.1轨道交通轴承的基本结构
2.1.2轨道交通中的典型轴承
2.1.3轨道交通轴承性能退化工况分析
2.1.4轨道交通轴承性能退化原因
2.2轨道交通轴承振动
2.2.1滚动轴承振动分类
2.2.2滚动轴承故障振动频率
第3章轨道交通轴承寿命预测技术
3.1轴承振动信号采集与预处理技术
3.1.1轴承振动信号采集技术
3.1.2轴承振动信号数据预处理技术
3.2轨道交通轴承性能退化特征提取技术
3.2.1轨道振动信号性能退化时域特征提取
3.2.2轨道振动信号性能退化频域特征提取
3.2.3轨道振动信号性能退化时频域特征提取
3.3轨道交通轴承性能退化特征选择技术
3.3.1基于机器学习主成分分析的特征选择方法
3.3.2基于机器学习包裹法的特征选择方法
3.3.3基于机器学习嵌入法的特征选择方法
3.4轨道交通轴承寿命预测智能技术
3.4.1回归分析
3.4.2支持向量回归
3.4.3神经网络
3.4.4卷积神经网络
3.4.5深度信念网络
3.4.6循环神经网络
第4章基于卷积神经网络与支持向量回归的轴承寿命预测
4.1基于卷积神经网络的轴承寿命预测原理
4.1.1卷积神经网络基本结构
4.1.2卷积神经网络轴承寿命预测建模框架
4.1.3卷积神经网络轴承寿命预测数据处理方法
4.2基于1D CNN SVR的轴承寿命预测模型构建
4.2.1基于1D CNN SVR的轴承寿命预测模型
构建流程
4.2.2一种基于1D CNN SVR的轴承寿命
预测模型构建算法
4.3基于1D CNN SVR的轴承寿命预测模型实验
4.3.1基于1D CNN SVR的轴承寿命预测数据源
4.3.2基于1D CNN SVR的轴承寿命预测模型
构建实验
4.3.3基于1D CNN SVR的轴承寿命预测模型
验证实验
第5章基于深度信念网络与支持向量回归的轴承寿命预测
5.1基于深度信念网络的轴承寿命预测原理
5.1.1深度信念网络预测结构
5.1.2基于深度信念网络的轴承寿命预测建模框架
5.2基于深度信念网络 支持向量回归的轴承寿命
预测模型构建
5.2.1基于深度信念网络的轴承寿命预测
模型构建流程
5.2.2基于深度信念网络的轴承寿命预测模型
构建算法
5.3基于DBN SVR的轴承寿命预测模型实验
5.3.1轴承寿命预测数据源
5.3.2基于DBN SVR的轴承寿命预测模型构建实验
5.3.3基于DBN SVR的轴承寿命预测模型验证实验
第6章基于双向门控循环单元神经网络的轴承寿命预测
6.1循环神经网络寿命预测原理
6.1.1循环神经网络预测结构
6.1.2循环神经网络轴承寿命预测
6.1.3循环神经网络改进及变型
6.2基于PBiGRU网络的寿命预测模型构建
6.2.1基于PBiGRU网络的轴承寿命预测模型的
构建流程
6.2.2基于PBiGRU网络的轴承寿命预测模型
构建算法
6.3基于PBiGRU网络的寿命预测模型实验
6.3.1轴承寿命预测模型实验数据源及预处理
6.3.2基于PBiGRU的轴承寿命预测模型构建实验
6.3.3循环神经网络的轴承寿命预测模型对比验证实验
第7章基于多尺度堆叠深度残差收缩网络的轴承寿命预测
7.1基于集成学习的轴承寿命预测原理
7.1.1集成学习方法与Stacking算法
7.1.2基于Stacking算法的轴承寿命预测流程及算法
7.2多尺度堆叠深度残差收缩网络的轴承寿命预测结构
7.3多尺度堆叠深度残差收缩网络的轴承寿命预测模型实验
7.3.1轴承寿命预测数据源
7.3.2轴承寿命预测模型构建流程
7.3.3轴承寿命预测模型构建实验
7.3.4轴承寿命预测模型验证对比实验
第8章变负载下的轴承寿命预测
8.1变负载下的轴承寿命预测原理
8.1.1变负载下的轴承寿命预测方法
8.1.2一种基于KLIC和PPMCC的轴承寿命预测方法
8.2变负载下轴承寿命预测模型的构建
8.2.1变负载下轴承寿命预测模型的构建流程
8.2.2变负载下轴承寿命预测模型的构建算法
8.3基于变负载的轴承寿命预测模型实验
8.3.1变负载轴承寿命预测数据源
8.3.2变负载轴承寿命预测模型实验
第9章基于Hadoop平台的轴承寿命预测
9.1大数据Hadoop平台的核心构成
9.1.1Hadoop平台架构
9.1.2Hadoop分布式文件系统HDFS
9.1.3Hadoop分布式计算MapReduce
9.1.4Hadoop资源管理器YARN
9.2基于Hadoop平台的轴承寿命预测框架设计
9.2.1基于Hadoop平台的轴承寿命预测框架
9.2.2基于Hadoop平台的轴承寿命预测框架测试
9.3基于Hadoop平台的轴承寿命预测实验验证
9.3.1基于Hadoop分布式存储的轴承寿命预测实验
9.3.2基于Hadoop分布式计算的轴承寿命预测实验
第10章轨道交通轴承寿命预测系统设计与实现
10.1轨道交通轴承寿命预测系统平台功能设计
10.1.1寿命预测系统平台框架
10.1.2寿命预测系统平台功能设计
10.2轨道轴承寿命预测系统实现
10.2.1轴承寿命预测系统实现所用的技术框架
10.2.2轴承寿命预测系统核心模块
附录A英文缩略词及术语
参考文献
|
| 內容試閱：
|
前言
伴随着快速发展的轨道交通产业，人们越来越重视交通工具的健康管理。剩余寿命预测作为故障预测与健康管理(PHM)技术的一项重要应用，需要进行深入的研究。轴承作为机械工程中至关重要的组成部分，在各种机械设备中承担着传递载荷、减少摩擦以及支撑旋转部件等关键功能。因此，轴承对象的性能和可靠性对于机械设备的工作效率和寿命具有重要影响。因轴承故障而导致的车辆的失控或者停止，可能会造成重大的人身伤害和财产损失。由于传统的故障预测技术存在局限性，我们引入了智能模型在轴承对象研究中的应用，包括机器学习、深度学习和大数据等技术。通过这些模型的高效应用，可以更准确地对轴承进行寿命预测，以提前采取必要的维护和保养措施，最大限度地减少设备故障带来的损失。本书详细介绍了不同类型的智能模型，并提供了实际系统应用。通过掌握这些技术，读者可以更好地分析和评估轴承的寿命预测情况，为设备运行和维护管理提供科学依据。为了系统总结在这一领域取得的研究成果，作者特撰写本书，以满足广大相关领域研究人员学习和研究的需求。
本书结合深度学习和大数据技术等领域最新成果进而提升轨道交通轴承寿命预测的准确性和高效性，系统地介绍了轨道交通轴承寿命智能预测模型构建的方法和技术。本书优点在于融合面向深度学习和大数据技术的寿命预测智能方法，从而优化轴承寿命预测智能技术应用。将寿命预测概念、深度学习、大数据技术及寿命预测应用融合在一起，便于读者能够更好地掌握深度学习基本方法、理解轴承寿命预测的前沿技术及其应用。
第1章主要介绍轨道交通轴承寿命预测的意义与内容、轴承寿命预测方法及其发展，以及基于振动信号分析和基于数据驱动的两种轨道交通轴承寿命预测方法。
第2章主要介绍轨道交通滚动轴承，包括轨道交通轴承分类、轴承结构分析、轴承性能退化表现与性能退化原因，以及轨道交通轴承振动机理，包括滚动轴承的固有振动、强迫振动、冲击振动3种类型的振动，以及滚动轴承的振动频率。
第3章主要介绍轨道交通轴承振动信号采集和信号数据预处理技术、轨道交通轴承性能退化特征提取技术与特征选择技术，以及轨道交通轴承寿命预测技术。
第4章提出一种基于卷积神经网络与支持向量回归的轴承寿命预测方法，具体包括基于卷积神经网络与支持向量回归轴承寿命预测的网络结构、寿命预测建模机理与建模策略，并结合美国辛辛那提数据集，完成基于卷积神经网络与支持向量回归的轴承寿命预测模型构建实验与模型验证实验。
第5章提出一种基于深度信念网络与支持向量回归的轴承寿命预测方法，具体包括基于深度信念网络与支持向量回归的轴承寿命预测网络结构与寿命预测建模机理、基于深度信念网络与支持向量回归的轴承寿命预测模型构建流程与构建算法，并结合法国FEMTO?ST研究所提供的PRONOSTIA轴承数据集，完成基于深度信念网络与支持向量回归的轴承寿命预测模型实验。
第6章提出一种基于循环神经网络的轴承寿命预测方法，具体内容包括基于循环神经网络的轴承寿命预测网络结构与寿命预测的模型构建、长短期记忆网络LSTM工作原理、门限循环单元GRU网络工作原理以及BiGRU的工作原理、基于PBiGRU网络的轴承寿命预测模型构建流程与构建算法，并结合法国FEMTO?ST研究所提供的轴承数据集，完成基于循环神经网络的轴承寿命预测模型构建实验与模型验证实验。
第7章提出一种基于集成学习的轴承寿命预测方法，具体包括基于集成学习的轴承寿命预测工作原理与寿命预测网络结构、基于集成学习的轴承寿命预测模型构建方法与构建流程，并结合法国FEMTO?ST研究所提供的PRONOSTIA轴承数据集，完成基于集成学习的轴承寿命预测模型实验。
第8章提出一种基于变负载的轴承寿命预测方法，具体包括基于变工况轴承寿命预测网络结构和一种基于KLIC和PPMCC的轴承寿命预测方法、基于变工况轴承寿命预测模型构建流程与构建算法，并结合美国辛辛那提大学智能维护系统中心提供的IMS轴承数据集和法国FEMTO?ST研究所提供的PRONOSTIA轴承数据集，完成基于变负载下的轴承寿命预测模型构建实验与模型验证实验。
第9章提出一种基于Hadoop平台的轴承寿命智能预测方法，具体包括大数据Hadoop平台框架、Hadoop分布式文件系统HDFS、Hadoop分布式计算MapReduce、Hadoop资源管理器Yarn，并给出了基于Hadoop的轴承故障诊断平台设计与实现，以及基于Hadoop的轴承寿命预测实验。
第10章集成前面提出的各种轴承寿命预测模型，采用信息系统开发方法及大数据技术，构建基于大数据平台的轨道交通轴承寿命预测系统，具体包括寿命预测系统平台框架设计与功能设计、寿命预测系统实现技术框架与核心模块功能展示。
本书由大连交通大学李常贤教授和宋旭东教授撰写。在本书撰写过程中，刘毅洋、吕欣然、张旗、袁一鸣、李帅阳、陈煜、许瀚文等研究生做了大量辅助工作。在此，一并表示衷心的感谢。在本书的撰写过程中，参考了大量的国内外著作、论文，以及技术论坛，在此向参考文献的作者表示感谢。
由于作者水平有限，书中不足之处在所难免，敬请广大读者批评指正。
作者2025年2月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
