机械设备混合智能故障诊断与预测

　　第1章 绪论1
　　1.1 混合智能故障诊断与预测的概念1
　　1.2 混合智能故障诊断与预测的意义3
　　1.3 混合智能故障诊断与预测的研究内容3
　　1.4 混合智能故障诊断与预测的研究现状5
　　1.5 本书的结构体系与特点9
　　第2章 无监督混合智能故障诊断方法13
　　2.1 无监督混合智能故障诊断方法概述13
　　2.2 基于ART模糊相似性聚类的无监督故障诊断方法14
　　2.3 基于软竞争ART模糊相似性聚类的无监督故障诊断方法27
　　2.4 集成软竞争ART模糊相似性聚类的无监督故障诊断方法35
　　2.5 本章小结41
　　第3章 有监督混合智能故障诊断方法43
　　3.1 有监督混合智能故障诊断方法概述43
　　3.2 加权FuzzyARTMAP智能诊断方法44
　　3.3 混合竞争的FuzzyARTMAP有监督故障诊断方法55
　　3.4 选择性集成FuzzyARTMAP智能诊断方法61
　　3.5 本章小结75
　　第4章 混合深度学习故障诊断方法77
　　4.1 混合深度学习故障诊断方法概述77
　　4.2 集成模糊相似性深度度量学习的故障诊断方法78
　　4.3 多元信息决策融合的胶囊网络故障诊断方法100
　　4.4 多尺度特征融合的ViT故障诊断方法115
　　4.5 本章小结130
　　第5章 基于迁移学习的故障诊断方法132
　　5.1 混合迁移学习诊断方法概述132
　　5.2 选择性集成迁移的支持向量机故障诊断方法133
　　5.3 基于组合核函数半监督迁移成分的深度迁移诊断方法143
　　5.4 本章小结162
　　第6章 设备故障混合智能预测方法163
　　6.1 设备故障混合智能预测方法概述163
　　6.2 改进的灰色模型故障预测方法163
　　6.3 基于ARTRBF混合智能故障预测方法171
　　6.4 设备剩余寿命的深度迁移预测方法182
　　6.5 本章小结199
　　第7章 总结与展望201
　　7.1 总结201
　　7.2 展望202

　　徐增丙，副教授，博士研究生。1998.9—2002.6，本科毕业于武汉科技大学；2002.9—2005.6，硕士毕业于武汉科技大学；2005.9—2009.9，博士毕业于华中科技大学；2009.10—2013.11，三一重工股份有限公司；2013.11至今，武汉科技大学。主持国家自然科学基金青年项目和面上项目各1项、国家重点实验室开放项目1项、国防预研项目1项、企业横向课题6项；参与国家自然科学基金4项、973项目和863项目各1项；发表文章30余篇，SCI/EI收录20余篇；获省科技进步二等奖1项。已发表文章：[1]Ensemble Capsule Network with an Attention Mechanism for the Fault Diagnosis of Bearings from Imbalanced Data Samples,Zengbing Xu, Carman Ka Man Lee,Yaqiong Lv,sensors,2022,22,5543.[2]A Novel Fault Diagnosis Method of Rolling Bearing Based on Integrated Vision Transformer Model,Xinyu Tang,Zengbing Xu,and Zhigang Wang,sensors,2022,22,3878.[3]A Novel Attentional Feature Fusion with Inception Based on Capsule Network and Application to the Fault Diagnosis of Bearing with Small Data Samples,Zengbing Xu,Ying Wang,Wen Xiong and Zhigang Wang,machines,2022,10,789.

　　本书面向机械设备的安全运行和预测维护，系统的开展了阐述了基于数据驱动的设备故障智能诊断与预测的理论与方法。基于机器学习、深度学习、迁移学习的故障诊断与预测的原理和方法，从模式识别的角度，重点阐述了基于无监督混合智能诊断、有监督混合智能诊断、混合深度智能诊断、迁移诊断、故障预测等，涵盖了机械设备从传统的浅层机器学习到深度学习的故障诊断的新方法及新技术。本书可供高等院校、科研机构及企业中从事机械设备故障诊断、预测及维护等相关领域研究人员使用参考，也可作为高等院校机械工程、控制工程、自动化及系统工程等专业教师、研究生和高年级本科生教材或教学参考书。