慣性測量組閤智能故障診斷及預測技術 [Intelligent Fault Diagnosis and Prognostics Technology for Inertial Measurement U pdf epub mobi txt 電子書 下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

王宏力，何星，陸敬輝，薑偉，馮磊 著

齣版社： 國防工業齣版社

ISBN：9787118112511

版次：1

商品編碼：12225708

包裝：平裝

外文名稱：Intelligent Fault Diagnosis and Prognostics Technology for Inertial Measurement Unit

開本：16開

齣版時間：2017-05-01

用紙：膠版紙

內容簡介

　　《慣性測量組閤智能故障診斷及預測技術》以作者及團隊近10年來在慣性導航和故障診斷等方麵從事學術、科研和教學工作中的成果為基礎。主要針對慣性導航係統關鍵部件一一慣性測量組閤的故障診斷與預測技術總結歸納加工而成。
　　《慣性測量組閤智能故障診斷及預測技術》內容新穎，突齣理論創新和應用，適閤從事慣性測量組閤等復雜機電係統狀態監測與故障診斷、故障預測及健康管理、維護工作的工程技術人員和研究人員參考、閱讀，也可作為高等院校自動化係統工程、可靠性工程等相關專業的研究生教材。

目錄

第1章 緒論
1．1 引言
1．2 故障診斷方法概述
1．2．1 故障診斷的概念
1．2．2 基於多信號模型的故障診斷研究現狀
1．2．3 基於人工智能的模擬電路故障診斷研究現狀
1．3 故障預測方法概述
1．4 剩餘壽命估計方法概述
1．4．1 基於機理模型的剩餘壽命估計方法
1．4．2 數據驅動的剩餘壽命估計方法
1．4．3 剩餘壽命估計在預測維護中的應用
1．5 慣性測量組閤
1．5．1 慣性導航的基本原理
1．5．2 慣性測量組閤的組成
1．5．3 慣性測量組閤的工作原理及功能
1．6 本書結構安排
參考文獻

第2章 多信號模型建模
2．1 引言
2．2 多信號建模理論與建模方法
2．2．1 多信號建模理論
2．2．2 多信號建模方法
2．3 測試性工程與維護係統（TEAMS）
2．3．1 TEAMS的功能與組成
2．3．2 基於TEAMS的測試性分析
2．3．3 基於TEAMS的故障診斷策略
2．4 慣性測量組閤多信號模型的構建
2．4．1 建模原則
2．4．2 本體多信號建模
2．4．3 電子箱多信號建模
2．4．4 二次電源多信號建模
2．4．5 模型閤成及屬性設置
2．5 慣性測量組閤測試性分析與改進
2．5．1 測試點的選取及測試設置
2．5．2 慣性測量組閤固有測試性分析
2．5．3 改進測試性分析
2．6 小結
參考文獻

第3章 基於計算智能的慣性測量組閤診斷策略優化
3．1 引言
3．2 測試集優化方法
3．2．1 測試集優化的數學描述
3．2．2 測試性指標
3．2．3 粒子群優化算法概述
3．2．4 基於多維並行免疫離散粒子群優化算法的IMU測試集優化
3．2．5 基於多維動態翻轉離散粒子群算法的IMU測試集優化
3．3 診斷策略優化方法
3．3．1 慣性測量組閤故障樹的構建
3．3．2 慣性測量組閤故障樹診斷策略優化
3．3．3 基於蟻群算法優化的慣性測量組閤相關矩陣診斷策略
3．4 小結
參考文獻

第4章 基於人工智能方法的慣．陸測量組閤模擬電路故障診斷
4．1 引言
4．2 基於人工神經網絡的模擬電路故障診斷
4．2．1 神經網絡的故障診斷能力
4．2．2 徑嚮基函數神經網絡
4．2．3 基於遺傳RBF網絡的慣性測量組閤模擬電路故障診斷
4．2．4 基於經驗模式分解和神經網絡的IMU模擬電路故障診斷
4．3 基於支持嚮量機的模擬電路故障診斷
4．3．1 支持嚮量機基本理論
4．3．2 層次聚類LSSVM多分類算法
4．3．3 基於層次聚類LSSVM的慣性測量組閤模擬電路故障診斷
4．3．4 基於故障殘差和SVM的慣性測量組閤模擬電路故障診斷
4．4 基於極端學習機的模擬電路故障診斷
4．4．1 ELM基本理論
4．4．2 基於優選小波包和ELM的模擬電路故障診斷
4．4．3 基於固定尺寸序貫極端學習機的模擬電路在綫故障診斷
4．5 基於信息融閤的模擬電路故障診斷
4．5．1 信息融閤的級彆
4．5．2 基於特徵級信息融閤的故障診斷
4．5．3 基於響應麯綫有效點的特徵提取方法
4．5．4 改進的模糊聚類特徵壓縮算法
4．5．5 診斷實例
4．6 小結
參考文獻

第5章 基於數據驅動的慣性測量組閤智能故障預測
5．1 引言
5．2 基於數據驅動的故障預測方法
5．3 基於支持嚮量機的慣性測量組閤故障預測
5．3．1 最小二乘支持嚮量機迴歸
5．3．2 基於EMD-LSSVM的故障預測方法
5．3．3 基於進化交叉驗證與直接支持嚮量機迴歸的故障預測方法
5．4 基於極端學習機的慣性測量組閤故障預測
5．4．1 基於極端學習機的慣性測量組閤多尺度混閤預測方法
5．4．2 基於改進集閤在綫序貫極端學習機的慣性測量組閤故障預測
5．5 基於小樣本條件下的慣性測量組閤故障預測
5．5．1 結構自適應序貫正則極端學習機
5．5．2 實例驗證
5．6 小結
參考文獻

第6章 基於退化過程建模的慣性測量組閤剩餘壽命在綫估計
6．1 引言
6．2 基於半隨機濾波和EM算法的剩餘壽命在綫估計
6．2．1 問題描述
6．2．2 基於半隨機濾波的估計模型
6．2．3 參數在綫估計算法
6．2．4 慣性測量組閤剩餘壽命估計的仿真試驗
6．3 基於隱含綫性退化過程建模的剩餘壽命在綫估計
6．3．1 狀態空間模型與剩餘壽命估計
6．3．2 參數估計
6．3．3 慣性測量組閤剩餘壽命估計的仿真試驗
6．4 基於隱含非綫性退化過程建模的剩餘壽命在綫估計
6．4．1 問題描述與剩餘壽命估計
6．4．2 參數在綫估計算法
6．4．3 慣性測量組閤剩餘壽命預測的仿真試驗
6．5 小結
參考文獻

第7章 基於可變成本的MU實時預測維護與備件訂購
7．1 引言
7．2 第一種基於可變成本的預測維護模型的構建
7．2．1 長期運行成本方差
7．2．2 預測維護決策目標函數
7．3 第二種基於可變成本的預測維護模型的構建
7．3．1 長期運行成本方差
7．3．2 預測維護決策目標函數
7．4 備件訂購模型的構建
7．5 慣性測量組閤預測維護的仿真試驗
7．5．1 問題描述
7．5．2 試驗結果
7．6 小結
參考文獻

精彩書摘

　　1.2 故障診斷方法概述
　　1.2.1 故障診斷的概念
　　故障診斷是根據當前所獲取的狀態信息和曆史數據，確定裝備或係統的故障性質、程度和部位，簡單地說，故障診斷就是尋找故障原因的過程。狹義上的故障診斷主要包括故障的檢測、隔離和識彆等，而廣義上故障診斷還包括故障原因分析、維修決策以及故障趨勢預測等內容。
　　裝備的故障診斷伴隨著工業生産一起齣現，但故障診斷作為一門應用性的綜閤學科是20世紀60年代以後逐漸發展起來的。依據故障診斷的技術特點，其發展過程可分為以下4個階段：
　　（1）原始診斷階段。該階段開始於19世紀末至20世紀中期，這一時期裝備結構相對比較簡單，對發生故障的裝備主要靠專傢或維修技術人員通過感官、經驗以及簡單的測試儀錶進行故障分析、維護和修理。
　　（2）基於傳感器和計算機技術的診斷階段。該階段於20世紀60年代在美國最早齣現，這一時期，由於傳感器技術和動態測試技術的發展，技術人員可以更加容易地獲取到各種診斷信息和數據，加之計算機和信號處理技術的快速發展，極大地提高瞭裝備故障數據的處理效率，使得狀態空間分析診斷、時域診斷、頻域診斷等狀態監測和故障診斷新方法不斷湧現齣來。這一階段裝備故障診斷技術以信號檢測、數據處理和信號分析的方法研究為主要內容。
　　（3）智能化診斷階段。該階段起始於20世紀90年代初期，這一時期，由於電子技術和信息技術的發展，裝備的復雜化、集成化和智能化水平不斷提高，傳統的診斷技術已無法滿足裝備維修保障的需要。隨著模糊理論、神經網絡等人工智能方法以及智能信息處理技術的發展，傳統的以信號檢測和處理為核心的診斷過程，被以知識處理為核心的診斷過程所取代，裝備智能故障診斷實現瞭理論和實際應用相結閤的巨大飛躍，大大提高瞭診斷的效率和可靠性。
　　（4）健康管理階段。到20世紀90年代中期，隨著網絡技術的發展，逐步齣現瞭智能維修係統（IntelligentMaintenanceSystem，IMS）和遠程診斷與維修技術，開始著重於對裝備性能劣化監測、故障預測與智能維修的研究。進入21世紀以來，基於狀態維修發展起來的PHM技術受到西方發達國傢的重視，並逐步在其武器裝備中得到應用。PHM技術的顯著特點就是具備故障預測能力，能夠確定裝備狀態變化趨勢及正常工作時長，從而製定科學的維修保障規劃，降低維修成本，提高裝備的可靠性、戰備完好性和任務成功性。實現裝備的故障預測與健康管理：一方麵需要藉助於先進的傳感器及其網絡；另一方麵依賴於各種智能故障診斷和預測方法。
　　至此，傳統意義上的故障診斷已經逐漸發展到瞭故障診斷與預測並重的新階段，世界上主要國傢都大力開展瞭故障診斷與預測技術相關研究。
　　在國外，美國是最早開展故障診斷技術研究的國傢，早在1967年，在美國航空航天局和海軍研究所的倡導和推動下，就成立瞭美國機械故障預防小組，開始有計劃地對故障診斷技術進行專題研究。隨後，基於故障診斷技術應用産生的巨大經濟和軍事效益，眾多的科研院所、企業及政府部門都投入瞭該項技術的研究，取得瞭諸多的研究成果，如大型飛機的飛行器數據綜閤係統、航天飛機健康監控係統等。目前，美國在全球故障診斷技術應用研究方麵居於領先地位。
　　西歐國傢如英國、德國等受美國故障診斷技術的帶動和影響，從20世紀60年代末到70年代初開始故障診斷技術的研究後，發展迅速。如1971年英國成立瞭機器保健中心，極大地促進瞭該國故障診斷技術的研究和發展，其在飛機發動機監測和診斷方麵處於領先地位。其他國傢如德國西門子公司開發的監測係統、瑞典SPM儀器公司開發的軸承監測技術等都取得瞭很好的效果。
　　日本在20世紀70年代中期開始瞭故障診斷技術的研究工作，其通過跟蹤世界先進國傢的發展動嚮，主要是引進和吸收美國故障診斷技術的研究成果，在此基礎上開展具有自身特色的故障診斷技術研究，如開發瞭機器壽命診斷的專傢係統、汽車機組壽命診斷方法等，並注重研製監控和診斷儀器。
　　在國內，我國從20世紀80年代初期開始故障診斷技術的研究，通過學習和消化吸收國外的先進思想和經驗，逐步形成瞭我國狀態監測與故障診斷的研究體係。之後，隨著計算機和信息處理技術的發展，國內眾多高校和科研機構開展瞭大量卓有成效的研究，研發齣瞭許多實用化的故障診斷係統，如西安交通大學的“大型鏇轉機械計算機狀態監測與故障診斷係統”、哈爾濱工業大學的“機組振動微機監測和故障診斷係統”、中國運載火箭研究院的“長徵二號F運載火箭故障檢測處理係統”等。近年來，在人工智能、智能計算和智能信息處理技術發展的帶動下，我國故障診斷技術逐步走嚮成熟，與國外先進國傢的差距逐步縮小。
　　當前，故障診斷領域中的主要研究方嚮包括故障機理研究、現代信號處理和診斷方法研究、智能綜閤診斷係統與方法研究以及現代故障預測技術的研究等方麵，並齣現瞭多部論述智能故障診斷與預測的專著。智能故障診斷與預測研究已成為裝備故障診斷技術的一個最有前途的發展方嚮。
　　由於現代武器裝備在設計之初就對其測試性進行考慮，因此在後期故障診斷和維護過程中可為技術人員獲取裝備狀態信息提供便利。本書研究的慣性測量組閤外部具有較為豐富的測試接口，能夠滿足標定時的信息需求，而對於故障定位過程中需要的更多信息則可以通過在其內部功能電路闆輸齣端口增加相應測試點的方法獲得。這種基於測試性的故障診斷主要包括測試性建模與分析、測試點優選以及診斷策略生成等主要內容，一般可用於測試接口充足的LRU級或者SRU級的故障診斷；但對於功能闆內部電路中的元件級故障以及係統因失效産生的性能退化型故障因缺乏測試接口而難以診斷，這時就需要藉助基於信息處理技術的智能故障診斷方法。下麵主要就與本書研究相關的基於多信號模型的故障診斷方法和基於人工智能的模擬電路故障診斷方法的研究現狀作以介紹。
　　……

前言/序言

　　慣性導航技術是利用慣性敏感元件（陀螺儀、加速度計）測量載體相對慣性空間的綫運動和角運動參數，在給定的初始條件下，輸齣載體的姿態參數和導航定位參數。慣性導航係統以其完全自主、全天候工作、隱蔽性和實時性好、抗乾擾能力強等獨特優點，在航空、航天領域得到瞭廣泛的應用，特彆是軍事領域，慣性導航技術的發展水平直接反映一個國傢高端武器裝備現代化的程度。
　　自主導航技術的發展對係統可靠性和安全性提齣瞭更高的要求，慣性測量組閤作為慣性導航係統的核心部件，其性能的好壞直接決定導航的精度。但由於受製造工藝、使用壽命及工作條件的影響，慣性測量組閤齣現異常和故障現象非常頻繁，且隨著服役時間的增長，故障率呈逐年升高趨勢。目前，針對慣性測量組閤的故障診斷與維修能力，雖有瞭長足的進步，但由於問題的復雜性，仍然主要依賴交叉試驗等傳統方法和技術專傢的經驗知識，存在故障檢測與隔離相對滯後、對技術人員自身要求高、係統健康狀況判彆睏難等諸多不足。近20年來，隨著傳感器、信號處理、數理統計、模型優化、人工智能等技術或理論的不斷發展，以故障診斷和預測、預測維護等作為關鍵問題的預測與健康管理（Prognostics and Health Management.PHM）技術得到瞭國內外學者的廣泛關注和長足發展。本書正是從這點齣發，以近年來國內外相關方麵的研究成果為基礎，結閤筆者長期從事慣性導航和故障診斷方麵的學術、科研和教學工作中獲得的成果和心得，試圖對慣性測量組閤智能故障診斷、故障預測及預測維護等領域所涉及的主要問題進行理論概括和技術總結，供相關領域的科技工作者閱讀參考。我們深信，本書的齣版對進一步提升我國慣性導航係統維修保障能力的現代化、智能化水平必將起一定的推動作用。
　　全書共分為7章。第1章緒論，主要對智能故障診斷、預測、剩餘壽命估計方法的概念、研究現狀進行介紹；其次，介紹瞭慣性測量組閤的組成、功能、工作原理。第2章多信號建模，主要介紹瞭多信號模型的基本理論和基於TEAMS環境的慣性測量組閤的多信號建模及測試性分析改進設計。第3章基於計算智能的慣性測量組閤（IMU）診斷策略優化，以慣性測量組閤多信號模型為基礎，詳細介紹瞭基於人工智能方法的測試集優化、故障診斷策略優化。第4章基於人工智能方法的慣性測量組閤模擬電路故障診斷，針對返廠維修對象集中在慣性測量組閤內部模擬電路的故障問題，重點討論瞭幾種利用人工智能進行模擬電路元件級故障診斷方法，並應用於慣性測量組閤實際故障診斷中。第5章基於數據驅動的慣性測量組閤智能故障預測，著眼於視情維修需要，重點介紹瞭幾種適用於慣性測量組閤故障離綫預測以及不同樣本情況下在綫預測的算法。第6章基於退化過程建模的慣性測量組閤剩餘壽命在綫估計，對退化過程建模進行瞭介紹，並重點介紹瞭幾種隱含退化過程剩餘壽命在綫估計方法。第7章基於可變成本的慣性測量組閤實時預測維護與備件訂購模型，著眼於降低維護成本以及實現快速維護決策，重點討論瞭兩種可變成本下的預測維護與備件訂購模型的構建。

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆