书名：时序健康指标驱动的旋转机械剩余寿命智能预测
定价：149.0
ISBN：9787030851109
作者：秦毅
版次：1
出版时间：2026-03

内容提要：

本书根据作者在旋转机械健康指标构建、剩余寿命预测等方面所取得的研究成果撰写而成，书中涵盖了时序健康指标驱动的旋转机械剩余寿命预测领域的前沿研究热点。全书系统地介绍了数据融合健康指标构建方法、基于数据分布差异的健康指标构建方法、变工况健康指标构建方法、基于退化轨迹相似性的剩余寿命预测方法、基于注意力机制的寿命预测网络、门控多分层序信息自适应挖掘剩余寿命预测方法、退化特征增强的剩余寿命预测方法等…新成果。以上内容在航空、航天、交通、能源、制造等领域具有重要的学术价值和工程应用价值。

目录：
目录
第1章 绪论 1
1.1 旋转机械剩余寿命预测的重要性 1
1.2 旋转机械剩余寿命预测方法 3
1.2.1 基于模式识别的剩余寿命预测方法 3
1.2.2 基于健康指标的剩余寿命预测方法 4
1.3 基于健康指标的剩余寿命预测研究现状 6
1.3.1 健康指标构建的研究现状 6
1.3.2 剩余寿命预测模型的研究现状 12
1.4 旋转机械健康指标性能评价指标 15
1.5 旋转机械剩余寿命预测性能评价指标 18
参考文献 21
第2章 机器学习基础知识 29
2.1 常用的机器学习方法 29
2.1.1 主成分分析 29
2.1.2 期望…化算法 30
2.1.3 高斯混合模型 31
2.2 常用的神经网络 32
2.2.1 全连接神经网络 32
2.2.2 自编码器网络 36
2.2.3 卷积神经网络 39
2.2.4 循环神经网络 43
参考文献 48
第3章 数据融合健康指标构建方法 49
3.1 数据层次融合的健康指标构建方法 49
3.1.1 基于二次函数约束的深度卷积自编码器的健康指标构建方法 49
3.1.2 应用实例与对比分析 52
3.1.3 基于幂函数约束的多头自注意力自编码器的健康指标构建方法 56
3.1.4 应用实例与对比分析 60
3.2 特征层次融合的健康指标构建方法 62
3.2.1 变分自编码器的健康指标构建方法 62
3.2.2 退化趋势约束变分自编码器健康指标构建方法 67
3.2.3 应用实例与对比分析 70
参考文献 73
第4章 基于数据分布差异的健康指标构建方法 74
4.1 基于分布重合度的健康指标构建方法 74
4.1.1 分布重合度健康指标 74
4.1.2 分布重合度健康指标构建方法 78
4.1.3 应用实例与对比分析 78
4.2 数据分布特性完备匹配的健康指标构建方法 82
4.2.1 模型分量假设与数据分布特性匹配欠完备问题阐述 82
4.2.2 基于高斯-学生t分布混合模型的健康指标构建方法 85
4.2.3 应用实例与对比分析 86
4.3 多形态数据分布信息融合的健康指标构建方法 89
4.3.1 对数正态-正态混合模型 89
4.3.2 基于对数正态-正态混合模型的健康指标构建方法 92
4.3.3 应用实例与对比分析 93
参考文献 98
第5章 变工况健康指标构建方法 99
5.1 特征分布适配的跨恒定工况健康指标构建方法 99
5.1.1 二次函数约束的多尺度深度卷积自编码器模型 99
5.1.2 基于特征分布适配的健康指标迁移构建框架 100
5.1.3 应用实例与对比分析 101
5.2 基准转换神经网络的时变工况健康指标构建方法 103
5.2.1 基准转换神经网络的构建 103
5.2.2 基准转换神经网络的健康指标构建流程 106
5.2.3 应用实例与对比分析 108
5.3 退化特征解耦自编码器的时变工况健康指标构建方法 110
5.3.1 退化特征解耦损失函数 110
5.3.2 退化特征解耦自编码器 114
5.3.3 退化特征解耦学习网络的健康指标构建与异常检查流程 115
5.3.4 应用实例与对比分析 116
5.4 时变转速多项式归一化健康指标构建方法 120
5.4.1 指数混合模型 120
5.4.2 多项式转速归一化方法 121
5.4.3 时变转速下融合时域与频域分布信息的健康指标构建方法 123
5.4.4 应用实例与对比分析 124
参考文献 127
第6章 基于退化轨迹相似性的剩余寿命预测方法 129
6.1 基于相似性的剩余使用寿命预测方法原理及优化策略 129
6.1.1 基于相似性的剩余使用寿命预测方法原理 129
6.1.2 优化的相似性匹配规则 130
6.2 基于退化轨迹相似性的剩余寿命预测流程 134
6.3 应用实例与对比分析 134
6.3.1 涡扇发动机剩余寿命预测 134
6.3.2 风电齿轮箱轴承剩余寿命预测 139
参考文献 141
第7章 基于注意力机制的寿命预测网络 143
7.1 融合注意力机制的长短期记忆网络预测模型 143
7.1.1 偏心长短期记忆神经网络 143
7.1.2 基于宏微观注意力机制的长短期神经网络 146
7.1.3 时序健康指标驱动的剩余寿命预测流程 150
7.1.4 应用实例与对比分析 151
7.2 融合注意力机制的门控循环单元预测模型 154
7.2.1 门控注意力单元神经网络 154
7.2.2 门控双注意力单元神经网络 155
7.2.3 应用实例与对比分析 157
参考文献 159
第8章 门控多分层序信息自适应挖掘剩余寿命预测方法 160
8.1 基于注意力引导有序神经元的序信息挖掘剩余寿命预测方法 160
8.1.1 注意力引导有序神经元的长短期记忆神经网络 160
8.1.2 应用实例与对比分析 163
8.2 门控注意力自适应分层的机械传动部件剩余寿命预测方法 165
8.2.1 门控自适应分层注意力单元预测模型 166
8.2.2 应用实例与对比分析 169
8.3 门控信息多分层记忆增强的机械传动部件剩余寿命预测方法 172
8.3.1 门控信息多分层长期记忆增强网络模型 172
8.3.2 应用实例与对比分析 175
参考文献 177
第9章 退化特征增强的剩余寿命预测方法 178
9.1 强化记忆门控循环单元的剩余寿命预测方法 178
9.1.1 强化记忆门控循环单元预测模型 178
9.1.2 应用实例与对比分析 180
9.2 双线程门控循环单元的剩余寿命预测方法 184
9.2.1 双线程门控循环单元网络模型 184
9.2.2 应用实例与对比分析 186
参考文献 193