智能運維方法、技術與應用
王藝瑋,鄭聯語
- 出版商: 電子工業
- 出版日期: 2026-04-01
- 售價: $948
- 語言: 簡體中文
- 頁數: 308
- ISBN: 712152578X
- ISBN-13: 9787121525780
-
相關分類:
Machine Learning
下單後立即進貨 (約4週~6週)
商品描述
本書圍繞智能運維的內涵、外延、技術體系及工程應用展開敘述，對其技術棧進行了詳細闡述，包括數據采集、基於信號處理的故障診斷、數據驅動的故障診斷、基於機理的預測、數據驅動的預測、機理與數據融合驅動的預測等，對部分算法給出了詳細的代碼解釋。最後結合工程項目應用，從軟件系統開發角度介紹了基於雲計算的機械設備遠程智能運維系統、知識數據融合的機電設備故障診斷與混合現實輔助維修、基於邊緣計算的便攜式機械設備故障診斷等。 本書可供智能制造、智能運維領域的學生、科研人員或技術開發人員參考，也可作為智能制造工程本科專業及其他相關專業研究生的教材。
目錄大綱
第1章 緒論 001
1.1 工業智能與智能運維概述 001
1.2 智能運維研究內容及技術體系 004
1.3 國內外智能運維發展現狀 008
1.3.1 智能運維系統在工業中的研究與應用 008
1.3.2 退化與壽命預測方法 010
1.3.3 設備故障診斷方法 013
1.3.4 國內外智能運維系統研究現狀與發展趨勢 020
1.4 本章小結 022
參考文獻 023
第2章 設備狀態數據感知 032
2.1 數據來源與標準協議 032
2.1.1 OPC-UA協議 034
2.1.2 質量信息框架標準 038
2.1.3 可編程邏輯控制器 039
2.1.4 消息隊列遙測傳輸 040
2.2 異構數據存儲 041
2.3 數據處理 044
2.3.1 數據預處理 045
2.3.2 數據特征提取 045
2.3.3 小樣本數據增強 047
2.4 基於標準協議的大型構件制造系統數據采集 051
2.4.1 基於OPC-UA協議的設備監測數據的語義模型 051
2.4.2 基於QIF協議的加工質量數據語義模型 053
2.4.3 基於標準語義模型的多源數據采集 054
2.5 本章小結 059
參考文獻 059
第3章 設備故障診斷方法 061
3.1 基於信號處理的故障診斷 061
3.1.1 典型旋轉機械部件故障建模 062
3.1.2 基於共振稀疏分解的多故障源耦合信號解耦 065
3.1.3 共振稀疏分解在多源耦合信號解耦上的應用 072
3.1.4 基於盲解卷積的微弱故障特征信號增強 078
3.1.5 盲解卷積在微弱故障信號增強中的應用 083
3.2 數據驅動的故障診斷 087
3.2.1 所用數據集描述 088
3.2.2 深度學習基礎及Pytorch實現 095
3.2.3 基於深度學習的故障診斷 100
3.2.4 基於遷移學習的跨設備故障診斷 105
3.2.5 基於神經結構搜索的故障診斷模型自動建模 114
3.3 基於知識的故障診斷 123
3.3.1 工程背景 123
3.3.2 傳統知識抽取與推理方法 125
3.3.3 基於大模型的知識抽取與檢索 129
3.4 本章小節 132
參考文獻 132
第4章 退化與壽命預測方法 136
4.1 工業領域全壽命數據集介紹 137
4.1.1 XJTU-SY軸承數據集 138
4.1.2 FMETO軸承全壽命數據集 140
4.1.3 PHM2010刀具全壽命數據集 142
4.1.4 ETT變壓器油溫數據集 144
4.2 基於機理的預測 146
4.2.1 疲勞裂紋擴展問題描述與建模 147
4.2.2 基於機理預測中的不確定度問題 151
4.2.3 貝葉斯理論相關知識 152
4.2.4 采樣算法及Matlab代碼 167
4.2.5 基於貝葉斯推理的預測及Matlab代碼 174
4.2.6 基於粒子濾波的預測及Matlab代碼 181
4.2.7 基於擴展卡爾曼濾波的預測及Matlab代碼 187
4.2.8 基於非線性最小二乘的預測及Matlab代碼 194
4.2.9 基於機理的預測綜合實例及Matlab代碼 198
4.3 數據驅動的預測 203
4.3.1 常用的深度學習預測模型及其局限性分析 204
4.3.2 基於改進卷積網絡的剩余壽命預測 206
4.4 機理與數據融合驅動的預測 217
4.4.1 問題描述與建模 219
4.4.2 Phyformer整體框架 219
4.4.3 構建局部機理 221
4.4.4 構建預測基模型 222
4.4.5 構造損失函數 224
4.4.6 間接數據到退化階段間的映射 225
4.4.7 Phyformer在機械設備退化預測中的應用 226
4.5 本章小節 232
參考文獻 233
第5章 智能運維工程應用案例 238
5.1 智能運維系統架構 238
5.1.1 OSA-CBM體系架構 238
5.1.2 雲邊協同的體系架構 240
5.2 基於雲計算的機械設備遠程智能運維系統 241
5.2.1 遠程PHM系統需求分析 242
5.2.2 遠程PHM系統架構設計 242
5.3 航天機電伺服系統健康管理 244
5.4 知識數據融合的機電設備故障診斷與混合現實輔助維修 249
5.4.1 機電設備故障知識本體構建 252
5.4.2 基於大模型提示詞的三元組抽取 254
5.4.3 圖譜與RAG融合的知識檢索 256
5.4.4 混合現實輔助機電設備維修 258
5.5 基於邊緣計算的便攜式機械設備故障診斷 262
5.6 飛控液壓伺服舵機傳感器優化布局 268
5.7 加工過程中刀具的剩余切削次數預測 276
5.8 本章小結 280
參考文獻 280
第6章 智能運維未來展望 282
6.1 基於生成式大規模基座模型的智能運維 282
6.2 知識數據融合的故障分層診斷 287
6.3 混合現實輔助的現場維修 290
6.4 融入力/觸覺等物性反饋的混合現實維修 294
6.5 本章小節 296
參考文獻 297
