工程係統診斷與預測 方法與技術 pdf epub mobi txt 電子書 下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

[黎巴嫩] Seifedine Kadry（賽義夫丁·卡德裏） 著，尹明，葉曉惠，陳少昌 等 譯

圖書標籤:

• 工程診斷
• 預測性維護
• 故障診斷
• 係統可靠性
• 數據分析
• 機器學習
• 信號處理
• 狀態監測
• 工業互聯網
• 智能運維

齣版社： 電子工業齣版社

ISBN：9787121290565

版次：1

商品編碼：12015982

包裝：平裝

開本：16開

齣版時間：2016-07-01

用紙：膠版紙

頁數：316

字數：520000

正文語種：中文

編輯推薦

適讀人群 ：本書可作機械工程、電氣工程、電子信息工程專業本科生、研究生的教材和參考書，也可作為機械工程、電子與電氣工程師的參考工具書。

　本書介紹工程係統的診斷與預測方法，是一本論文集形式的著作。全書共13部分19章，內容涉及容錯控製、故障檢測、基於數據驅動方法的故障診斷、基於數據驅動方法的故障預測、故障診斷、故障控製與預測的集成、集成預測、預測與健康管理的生命周期成本與投資迴報、基於物理的診斷、預測、結構預測等。

內容簡介

工業預測使用概率測量對工業係統的全壽命周期進行預報，由此來決定機器的運行方式，尤其需要的是能夠在機器失效前預測。這一點是首要的。因此，為工程係統開發可靠的預測過程，對增加係統性能和提高可靠性是非常重要的。 本書內容主要是介紹係統診斷和預測的基本原理和應用。在診斷和預測係統的方法和技術上開展瞭廣泛討論，內容高度覆蓋瞭SHM/DP學科範圍，包括以實際應用案例來說明方法的有效性，以及未來的發展趨勢和研究。 本書可作為高等學校本科高年級和研究生的參考教材，也可以作為從事故障診斷和預測的工程技術人員的參考書。

作者簡介

海軍工程大學電子工程學院，教授。曾獲得海軍院校教育育纔銀奬、海軍課堂授課質量奬等，負責培訓大學生電子設計競賽獲得多項奬項。“電子綫路係列課程改革”獲全軍教學成果二等奬。 Michael Todd是從杜剋大學機械工程與材料科學係獲得學士（1992），碩士（1993），博士（1996），同時是NSF的一名研究生。1996年成為A.S.E.E的博士後，1988年成為一名研究工程師，後來成為美國海軍研究實驗室光縴智能結構部的領導。2003年又加入瞭加州聖地亞哥的結構工程部，目前是該部的教授兼副主席。共發錶期刊論文75篇，會議集論文170篇，齣版專著5本和授權專利4項。研究方嚮包括：非綫性時間序列應用到結構健康監測、采用*優貝葉斯推理框架進行SHM中的*優決策、為航空航天結構評估開發新型超聲波檢測、開發各種基於SHM性能測量的*優傳感器網絡、為結構評估開發RF傳感器係統、為航空航天及海軍的高靈活結構係統基於有限數據集創造實時形狀重建策略、開發衛星係統振動的評估監測、為國內和海軍結構應用設計和檢測光縴測量係統以及噪聲傳播建模。他是國際期刊《結構健康監測》的編輯委員會委員。

目錄

第1章 在通用離散隨機係統中實現基於輸齣概率密度估計的迭代容錯控製
1．1 引言
1．2 基於ILC的PDF控製
1．3 問題公式化
1．3．1 非綫性動態權重模型
1．4 故障檢測
1．5 故障診斷
1．6 故障容錯控製
1．6．1 問題公式化
1．6．2 控製器設計
1．7 徑嚮基函數的調整
1．8 收斂性分析
1．9 一個演示例子
1．10 結論
參考文獻
第2章 智能係統監測：在綫學習和係統條件狀態
2．1 引言
2．1．1 預測與健康管理
2．1．2 問題公式化
2．1．3 係統退化監測
2．2 傳送帶過程仿真
2．2．1 感應電動機及其控製
2．2．2 標量控製電機建模
2．2．3 矢量控製電機建模
2．2．4 熱模型
2．2．5 傳送帶
2．2．6 退化仿真
2．3 在綫學習自適應建模
2．3．1 感應電動機自適應模型
2．3．2 負載轉矩自適應估計器
2．3．3 轉子電阻參數估計
2．4 退化自動裝置和係統條件狀態
2．5 解決方案和建議
2．6 未來的研究方嚮
2．7 結論
參考文獻
輔助讀物
關鍵術語和定義
附錄
第3章 分類器的原理
3．1 引言
3．2 背景
3．3 分類器
3．3．1 分類器的訓練
3．3．2 分類器的隸屬度
3．3．3 多變量分類器
3．3．4 分類標簽
3．4 數據預處理
3．5 連續學習
3．5．1 概述
3．5．2 初始訓練
3．5．3 預測
3．5．4 再訓練
3．5．5 故障檢測
3．5．6 診斷進程
3．5．7 總結
3．6 預測的置信區間
3．7 通用性
3．8 未來的研究方嚮
3．9 結論
參考文獻
其他閱讀
第4章 綜閤多傳感器信息産生故障診斷指標
4．1 引言
4．2 背景
4．3 為故障級彆診斷産生的一個指標
4．3．1 方法Ⅰ：處理從兩個傳感器采集的信號
4．3．2 方法Ⅱ：分彆從每個傳感器處理采集信號
4．3．3 泥漿泵的葉輪故障診斷應用
4．4 未來的研究方嚮
4．5 結論
4．6 緻謝
參考文獻
補充閱讀
第5章 基於自由參數變換方法對係統進行故障檢測與隔離
5．1 引言
5．2 問題假設
5．2．1 目標
5．2．2 假設
5．2．3 基於數據殘差生成方法的一般原則
5．3 單一模式的傳感器故障檢測和隔離
5．3．1 基於數據的殘差法
5．3．2 殘差對故障的靈敏度
5．3．3 傳感器故障隔離
5．4 僅使用在綫輸入／輸齣數據進行轉換時間估計
5．5 利用在綫和離綫的輸入／輸齣數據進行開關時間估計和當前模式識彆
5．5．1 基於數據的殘差
5．5．2 模式識彆
5．5．3 模式辨彆能力
5．5．4 開關時間估計
5．5．5 轉換的可探測性
5．5．6 示例
5．6 算法
5．7 車輛防側翻實例
5．8 結論
參考文獻
第6章 基於數據驅動的鏇轉機預測
6．1 引言
6．2 狀態監測的狀態指標
6．2．1 特徵提取來提高信噪比
6．2．2 TSA技術和狀態指標
6．2．3 齒輪故障狀態指標
6．3 閾值設置和組件健康
6．3．1 齒輪健康分布函數
6．3．2 狀態指標間的相關性控製
6．3．3 基於瑞利概率密度函數的健康指標
6．4 預測的狀態空間模型
6．4．1 估算係統的剩餘有效壽命
6．4．2 預測及預測中的置信區間
6．4．3 試驗樣品和一個預測實例
6．5 結論
參考文獻
第7章 基於個體預測確定閤適的退化參數
7．1 引言
7．2 背景
7．3 方法
7．3．1 通用路徑模型
7．3．2 利用非貝葉斯更新方法結閤先驗信息
7．3．3 選擇最優預測參數
7．3．4 綜閤監測和預測係統
7．4 應用與結果
7．4．1 數據集描述
7．4．2 通過專傢分析找到一個預測參數
7．4．3 確定一個最佳的預測參數與遺傳算法
7．5 總結
參考文獻
第8章 多狀態設備退化的非齊次連續時間隱半馬爾科夫建模過程
8．1 引言
8．2 背景
8．3 馬爾可夫重建過程的多態退化建模
8．3．1 初級NHCTSMP
8．3．2 轉換類型
8．3．3 使用轉換率函數NHCTSMP建模
8．3．4 轉換類型的選擇
8．3．5 使用NHCTHSMP多狀態設備建模
8．3．6 假設
8．3．7 NHCTHSMP參數
8．4 為多狀態設備的NHCTHSMP參數估計
8．4．1 無監督估計方法
8．5 計算實例
8．6 未來的研究方嚮
8．7 總結
8．8 緻謝
參考文獻
第9章 基於概率變換與有限元法相結閤的機械係統隨機疲勞診斷
9．1 引言
9．2 隨機疲勞
9．2．1 概率變換方法
9．2．2 有限元法
9．2．3 有限元和概率變換方法的新技術
9．2．4 應用：張力下的多孔闆
9．3 總結
參考文獻
第10章 基於狀態分類和預測的鏇轉機退化預測
10．1 引言
10．2 背景
10．3 異常定義和退化檢測
10．4 基於狀態分類的退化過程
10．4．1 學習矢量量化
10．4．2 支持嚮量機
10．5 基於狀態預測的退化
10．5．1 異常狀態分類器的概率估計原理
10．5．2 使用支持嚮量機的異常狀態的概率估計
10．6 鏇轉機狀態分類和預測的案例
10．6．1 訓練和測試樣本
10．6．2 退化狀態分類
10．6．3 退化狀態預測
10．7 未來的研究方嚮
10．7．1 失效發生的概率估計
10．7．2 復雜設備的降維
10．8 結論
10．9 緻謝
參考文獻
補充閱讀
第11章 連續刀具狀態檢測的一種時序預測方法
11．1 引言
11．1．1 隱馬爾可夫模型
11．2 隱半馬氏模型的方法
11．3 前後嚮迭代算法的簡化計算
11．3．1 前後嚮變量
11．3．2 狀態估計
11．4 診斷和預測
11．5 數據集和特徵
11．5．1 統計特徵
11．5．2 小波特徵
11．5．3 特徵選擇
11．6 診斷和預測結果
11．6．1 方麵一：交叉驗證
11．6．2 方麵二：測試診斷能力
11．6．3 方麵三：預測能力測試
11．6．4 非對稱損失函數
11．6．5 方麵一： 非對稱交叉驗證
11．6．6 方麵二： 非對稱診斷
11．7 結論
參考文獻
第12章 集成係統健康狀態的預測與監控
12．1 引言
12．2 背景
12．2．1 故障診斷概述
12．2．2 PHM概述
12．2．3 可靠性與故障容錯控製概述
12．3 集成控製和預測
12．3．1 控製和預測
12．3．2 體係結構描述
12．3．3 數據采集和預處理
12．3．4 狀態監測與故障診斷
12．3．5 預測
12．3．6 決策
12．3．7 對策與建議
12．4 未來研究方嚮
12．5 結論
12．6 緻謝
參考文獻
補充閱讀
第13章 基於粒子濾波的齒輪故障預測方法
13．1 引言
13．2 方法
13．2．1 一維健康指數
13．2．2 基於粒子濾波的RUL預測
13．3 螺鏇傘齒輪的案例研究
13．3．1 實驗裝置和數據收集
13．3．2 結果
13．4 總結
13．5 緻謝
參考文獻
第14章 PHM商業應用案例：投資迴報率和可用性影響
14．1 引言
14．1．1 維修模式
14．1．2 係統和企業級維修價值
14．2 投資迴報(ROI)
14．2．1 ROI的定義
14．2．2 ROI成本規避
14．2．3 將健康管理加入風力發動機的投資迴報
14．3 係統級維修值
14．3．1 定期維修與無維修靈活性PHM的NPV
14．3．2 維修選項分析
14．4 可用性需求
14．4．1 可用性閤同
14．4．2 基於可用性的設計
14．5 結論
參考文獻
第15章 船舶動力機械係統的遠程故障診斷係統
15．1 引言
15．2 基於知識的遠程診斷係統描述
15．2．1 係統的整體設計
15．2．2 MSS的設計
15．2．3 DSLC的設計
15．2．4 遠程知識服務
15．3 案例研究：齒輪泵損壞檢測與診斷
15．3．1 在綫異常報警
15．3．2 離綫故障診斷
15．4 未來研究方嚮
15．5 結論
15．6 緻謝
參考文獻
第16章 磨損條件下節流閥的預測與健康管理：最優維修規劃診斷―預測框架
16．1 引言
16．2 CBM通用指南和標準
16．3 基於狀態維修的節流閥
16．3．1 砂管理與檢測
16．3．2 侵蝕監測
16．4 節流閥侵蝕案例研究
16．5 節流閥狀態監測
16．6 估計節流閥剩餘有效壽命
16．6．1 侵蝕指標的伽馬過程建模
16．6．2 伽馬過程參數的估計
16．6．3 剩餘有效壽命為有條件壽命分布
16．6．4 結果
16．7 結論
參考文獻
第17章 工業設備的故障預測與健康管理
17．1 引言
17．2 預測方法的特徵
17．2．1 快速預測
17．2．2 魯棒性
17．2．3 置信區間估計
17．2．4 適用性
17．2．5 詳細說明
17．2．6 建模和計算負擔
17．2．7 多故障處理
17．3 PHM的信息和數據
17．4 PHM的方法
17．4．1 基於第一原理模型的方法
17．4．2 基於可靠性模型的方法
17．4．3 傳感器數據驅動方法的過程
17．5 案例
17．5．1 利用粒子濾波第一原理模型的方法
17．5．2 一種數據驅動的方法：模式模糊相似
17．6 挑戰與未來研究
17．6．1 混閤信息和數據
17．6．2 預測指標的定義
17．6．3 集成和混閤方法
17．6．4 伴隨不確定性量化的RUL和可靠性評估
17．6．5 驗證與預測方法
17．6．6 儀器儀錶的設計
17．6．7 控製、操作和維護一體化過程的PHM
17．7 總結和結論
參考文獻
第18章 在不確定條件下使用貝葉斯分析和解析近似法進行結構可靠性和響應預測
18．1 引言
18．2 貝葉斯建模和拉普拉斯近似
18．3 使用一階和二階可靠性方法進行估計
18．4 逆FORM方法的係統響應估計
18．5 舉例
18．5．1 復閤梁可靠性實例
18．5．2 使用健康監測數據結構比例更新實例
18．6 結論
參考文獻
第19章 使用間接傳感器測量具有動態 響應重建的疲勞損傷預測和壽命預測
19．1 引言
19．2 經驗模式分解
19．2．1 標準的篩選過程
19．2．2 間歇性標準的篩選過程
19．2．3 變換公式
19．3 時間微分疲勞裂紋擴展模型
19．4 例子
19．5 結論
參考文獻

前言/序言

　　在人類的健康護理中，基於有關健康狀況參數的測量建立醫療分析。收集測量參數的目的是檢測異常、診斷疾病和預測病變。依此類推，健康管理的技術規程，用於從測量參數的曆史記錄中捕捉工業設備的功能狀態。

　　目前，大多數維修方式都是通過預防和糾正方法進行。預防方法是設定固定的維修間隔，來防止部件、子係統或者係統退化。已經發生瞭明顯的錯誤或故障之後進行糾正性維修。在許多應用中使用這兩種方法都錶明是昂貴，主要是由於生産損失、備件存儲、質量缺陷等的費用。

　　基本上，預測性維修或基於狀態維修（CBM）立足於機器實際情況的維修需要，而不像預防性維修預先設定時間錶。預防性維修是基於時間和活動，如基於時間更換潤滑油，如日曆時間或設備的運行時間。例如，大多數人在汽車或吉普車每3000～5000韆米時更換機油，不用考慮到機油的實際狀況和性能。這有點類似於預防性維修任務。在另一方麵，汽車的使用者根據車輛的運行時間和機油的周期性分析，來確定其實際狀況和潤滑性能，可能能夠延長更換機油直到車輛已經行駛到1萬公裏。這就是預測性維修和預防性維修。預測性維修用於定義基於量化的材料或設備狀態所需的維修任務之間的根本區彆。

　　基於狀態維修的目標是在正確的時間保持設備完好運行。CBM是基於使用實時預測與健康管理（PHM）的數據進行優先和優化維修資源。通過觀察係統的狀態（狀態監測），確定係統的健康，並采取行動。隻有當維修實際需要從而減少瞭拋棄設備的剩餘使用壽命。，維修人員利用基於狀態維修能夠決定在適當的時間進行維修。理想情況下CBM將允許維修人員隻做正確的事，最大限度地減少備件成本、係統停機時間和維修時間。

　　智能維修、診斷和預測即機器的CBM主要指工業，航空航天器，軍事和商船，汽車行業等上的復雜係統。工業和軍事領域關注關鍵係統和部件的可靠性和可用性。這些目標都是最大化設備時間，盡量減少維修和運營成本。由於人員水平降低和設備變得越來越復雜，智能維修方案必須取代舊的預先安排和勞動密集型規劃維修係統，保證設備繼續正常運行。機器設備的增長需求使所有設備的服務來適應關鍵任務的執行。故障檢測和故障隔離效果後，係統具有非常低的誤警率，要繼續提高這些新的應用，預測的要求就更加明顯，對係統設計團隊的挑戰也是非常顯著。這些預測的挑戰已經在機械係統上存在並應用瞭一段時間，但在電子係統上還需要積極探索。

　　預測是現代預測與健康管理係統的更具挑戰性的方麵之一。它也是在運營雙方在降低運營、支持成本、全壽命周期的總體成本，以及提高瞭許多機械和復雜係統的安全性方麵有巨大的潛力。復雜係統的診斷監測使人們達到共識，預測在需求和技術上都是可行的。

本書的各章節集閤，可以完全覆蓋結構健康監測和預測健康管理涉及的領域。這些章節包含瞭機械和工業工程、信息技術和控製工程，並卓有成效地介紹SHM和PHM如何被建立、評估、部署在工業機械的實踐中。

第1章 在通用離散隨機係統中實現基於輸齣概率密度估計的迭代容錯控製

本章介紹瞭一種基於迭代學習控製的容錯控製方法。該方法使用一種廣義固定結構的比例積分控製器，應用於通用的非高斯變量隨機係統，受約束的控製器的狀態嚮量導緻平方根概率密度函數的應用結果。將整個控製水平軸劃分為許多等時間間隔的批次。在每個批次內，狀態受約束的廣義比例積分控製器采用綫性矩陣不等式方法使輸齣概率密度函數成形。在任何相鄰的批次之間，優化徑嚮基函數的基本函數。當建立迭代學習控製收斂的充分條件，就可以利用一種P型迭代學習控製實現批次間的優化。

第2章 智能係統監測：在綫學習和係統條件狀態

本章提齣瞭一種新型智能係統狀態監控的通用方法。使用5個連續步驟實現：（1）數據采集。（2）簡化的自適應模型。（3）診斷，並與自適應模型進行數據比較。（4）使用退化模型間的退化混閤自動裝置流來跟蹤係統狀態；（5）在實現對EOL或RUL的預測。本章提齣瞭一種基於簡化自適應模型方法並應用在智能係統監測中，這種方法可應用於在步驟（2）和步驟（4）研究範圍的診斷與預測之外部分。

第3章 分類器的原理

本章描述瞭錶明使用神經網絡開發齣一套連續學習診斷係統是可能的。整套係統將大大地節省分析師在異常和故障檢測上的時間和精力。使原本需要耗費大量時間的任務自動化在分類器上有幾種方式可以提高預測新數據采樣解釋的數據顯示。預測的置信空間可以使用很容易進行估計。

第4章 綜閤多傳感器信息産生故障診斷指標

本章提齣瞭通過綜閤多傳感器上收集的信息産生故障水平指標的兩種方法。第一種方法，將從兩個傳感器在不同健康狀況下收集到的信號作為一個多元信號，使用多元經驗模式分解法將該多元信號分解為一組固有模態函數，該故障敏感的模態函數是由一個基於互信息標準來選擇的，然後得到全範圍的基礎指標。該方法産生的指標顯示瞭平麵振動的運動特徵。第二種方法從每個單獨的傳感器提取特徵，采用全局模糊優先選擇具有近似質量更好的單調關聯故障的水平特徵，並利用PCA組閤信息選擇特徵為一個單一的指標。利用不同傳感器收集到的信息和特徵來生成指標，優於每一個傳感器的特徵。該方法是通用的，而且可以用於多傳感器。但是由於利用PCA綫性變換生成的指標不能保持最初選擇特徵的物理意義。

第5章 基於自由參數變換方法對係統進行故障檢測與隔離

本章提齣瞭一種基於數據轉換方法的轉換檢測與模式識彆。當係統在可識彆模式之間轉換時，這兩個過程都可以使用這兩種方法實現。不同模式間的識彆需要以一個模式相關的馬爾可夫參數作為必要條件。雖然當係統在不容易識彆的模式下轉換時，轉換是可檢測的。但無差彆的條件並不暗示非轉換性檢測並不是一個非轉換檢測充分條件。

第6章 基於數據驅動的鏇轉機預測

概述瞭基於數據驅動預測的全過程。為齒輪故障檢測提供適當的狀態指標；為那些狀態指標設置閾值，並通過融閤成一個組件的健康指標（HI）；使用一個狀態空間過程根據目前組件的健康來估計剩餘有用壽命；使用狀態估計來量化估計剩餘有用壽命的置信空間。

第7章 基於個體預測確定閤適的退化參數

本章提齣瞭一套錶徵預測參數的適應性指標。這些參數的特徵如單調性、預測性和趨勢性，可用於比較候選預測參數；並由此確定哪些是對個體預測非常有用的。單調性錶徵參數潛在正的或負的趨勢，這解決瞭上述常見物理係統不能自行愈閤的假設。預測性實現瞭許多係統或部件退化參數的關鍵失效值方差的測量，從而提高瞭在失效估計的置信。趨勢性錶示許多係統已經發展的衰退參數在某種程度上具有相同的潛在形狀的度量，並且可以通過相同的函數形式進行描述。這三種直觀的度量可以歸一化，從而給齣預測參數適宜性的定量測量。三種措施和適用性的結閤可以用來作為適應度函數優化預測參數的發展。

第8章 多狀態設備退化的非均勻連續時間隱半馬爾可夫建模過程

本章展示瞭使用非均勻連續時間的隱半馬爾可夫建模過程（NHCTHSMP）的一種通用隨機模型，用於一係列無法觀察到的多狀態設備的衰退過程和觀測過程。本章還對與多態設備相關聯的NHCTHSMP的詳細數學結構進行瞭說明，並描述瞭一個基於關聯的內核函數和轉換速率功能的NHCTHSMP的重要措施。在最終的估計方法中，提齣瞭可用於使用狀態監控信息來估計NHCTHSMP的未知參數，提供瞭一個簡單的數值實例來描述NHCTHSMP的應用過程。

第9章 基於隨機轉換機械係統隨機疲勞的技術

本章針對機械係統隨機疲勞提齣一種新技術，即找到一個應力的隨機密度函數。這種技術是基於概率變換與有限元法的結閤，以獲得響應的概率密度函數。這項新技術是通過10000次的Monte�睠arlo模擬來驗證。

第10章 基於狀態分類和預測的鏇轉機退化預測

本章分析瞭在預測學中基於狀態分類和預測方法的退化問題。正常、異常和故障情況的判斷是通過檢測轉換階段的異常來定義的。首先，狀態分類的方法是用退化狀態來進行分析的，然後是在轉換階段討論故障發生的概率，最後，針對鏇轉機的退化過程，通過現場數據得到狀態分類和預測結果。

第11章 連續刀具狀態檢測的一種時序預測方法

介紹瞭一種基於隱半馬爾可夫模型的連續時間診斷和預測方法。同時，描述瞭在連續健康監測中應用的一種HSMM前後嚮算法的計算效率。基於簡化的前後嚮算法，定義瞭診斷和預測過程。對於提齣的HSMM方法和現有的HMM方法進行比較研究。兩種方法在交叉驗證、診斷和預測三個方嚮上進行性能比較。根據實驗結果，HSMM方法在診斷和預測性能上優於HMM方法。提齣的HSMM的預測能力通過方案III進行測試。有趣的是，基於HSMM方法的在10個時間步內的預測錯誤率小於基於HMM方法在平均一個時間步內的預測錯誤率。這錶明相比於HMM，HSMM在捕獲潛在時間信息方麵是多麼的強大。

第12章 集成係統健康狀態的預測與監製

本章將HAC模式引入到集成係統健康監測與控製及預測。在這種模式中，組件係統的健康預測模塊提供的信息應該允許修正控製器，並使控製目標考慮係統的健康。在這種方式中，為瞭滿足控製目標將會産生控製行為，並且同時延長係統組件的壽命。健康意識的控製與容錯控製恰恰相反，甚至當係統處於非故障情況下也能夠調整控製器。預測模塊在特定的操作條件下將估計在綫組件的老化。在非故障情況下，控製基於提齣的健康指標提齣的分配到係統上。貫穿本章使用一個案例用來說明該想法和概念。

第13章 基於粒子濾波的齒輪故障預測方法

介紹瞭一維健康指數的螺鏇傘齒輪受點蝕故障模型的基於粒子濾波的齒輪故障預測方法。該方法集成一對新組件到粒子濾波有效地解決瞭應用粒子濾波到機械組件剩餘壽命故障預測的問題。（1）基於數據挖掘技術有效地定義退化狀態轉換和通過白化變

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆