舉報 
會員
智能預(yù)測性維護(hù)
最新章節(jié)：
注釋
本書主要介紹了故障診斷與預(yù)測方法、智能預(yù)測性維護(hù)技術(shù)體系與框架、基于IoT的感知資源管理框架與模型、面向復(fù)雜制造環(huán)境的無線路由模型與算法、數(shù)據(jù)采集的協(xié)議集成與設(shè)計案例、數(shù)據(jù)驅(qū)動的故障診斷方法、數(shù)據(jù)驅(qū)動的故障預(yù)測模型與方法、智能工廠的維護(hù)優(yōu)化調(diào)度與決策、大范圍維護(hù)服務(wù)預(yù)測與優(yōu)化配置、基于信息物理系統(tǒng)的運(yùn)行過程控制。本書可作為自動測試、可靠性和預(yù)測性維護(hù)等產(chǎn)品服務(wù)領(lǐng)域的重要參考書。
最新章節(jié)
書友吧
上架時間：2021-12-24 12:51:29
出版社：化學(xué)工業(yè)出版社
上海閱文信息技術(shù)有限公司已經(jīng)獲得合法授權(quán)，并進(jìn)行制作發(fā)行
- 注釋 更新時間：2021-12-24 13:28:43
- 索引
- 參考文獻(xiàn)
- 11.3.3 智能生產(chǎn)優(yōu)化策略
- 11.3.2 系統(tǒng)建模與計算分析
- 11.3.1 數(shù)據(jù)采集與預(yù)處理
- 11.3 數(shù)據(jù)驅(qū)動生產(chǎn)過程參數(shù)優(yōu)化案例分析
- 11.2.3 運(yùn)行過程智能控制模型
- 11.2.2 數(shù)字孿生模型的相關(guān)應(yīng)用
- 11.2.1 數(shù)字孿生模型
- 11.2 基于數(shù)字孿生的運(yùn)行過程智能控制模型
- 11.1.3 CPS架構(gòu)
- 11.1.2 CPS研究現(xiàn)狀
- 11.1.1 CPS的定義
- 11.1 CPS系統(tǒng)
- 第11章 基于信息物理系統(tǒng)的運(yùn)行過程控制
- 參考文獻(xiàn)
- 10.5.3 算例分析
- 10.5.2 模型求解
- 10.5.1 基于模糊隨機(jī)規(guī)劃和利潤共享式的服務(wù)資源配置
- 10.5 基于模糊隨機(jī)規(guī)劃和利潤共享模式的服務(wù)資源配置
- 10.4.3 算例分析
- 10.4.2 模型求解
- 10.4.1 基于改進(jìn)隨機(jī)規(guī)劃的備件管理模型
- 10.4 基于改進(jìn)隨機(jī)規(guī)劃的服務(wù)備件預(yù)測與管理模型
- 10.3.3 基于FAHP賦權(quán)模式的提供商評價方法
- 10.3.2 基于DSSI理論的提供商選擇模型
- 10.3.1 理論背景
- 10.3 基于DSSI理論和FAHP賦權(quán)模式的服務(wù)提供商管理
- 10.2.3 算例分析
- 10.2.2 基于產(chǎn)品劣化狀態(tài)的需求預(yù)測及服務(wù)提供模型
- 10.2.1 生產(chǎn)設(shè)備的加速劣化模型
- 10.2 基于產(chǎn)品劣化狀態(tài)的需求預(yù)測與服務(wù)提供模型
- 10.1 MRO運(yùn)營網(wǎng)絡(luò)的服務(wù)需求預(yù)測與優(yōu)化問題
- 第10章 大范圍維護(hù)服務(wù)預(yù)測與優(yōu)化配置
- 參考文獻(xiàn)
- 9.3.3 基于預(yù)測事件的聯(lián)合優(yōu)化模型
- 9.3.2 基于馬爾科夫決策過程MDP的聯(lián)合優(yōu)化模型
- 9.3.1 基于仿真的聯(lián)合優(yōu)化模型
- 9.3 預(yù)測性維護(hù)與備件庫存聯(lián)合優(yōu)化模型
- 9.2.5 狀態(tài)維護(hù)策略和定期與連續(xù)庫存檢查策略
- 9.2.4 基于役齡的維護(hù)策略和連續(xù)檢查庫存策略
- 9.2.3 基于役齡的維護(hù)策略和定期檢查庫存策略
- 9.2.2 基于塊的維護(hù)策略和連續(xù)檢查庫存策略
- 9.2.1 基于塊的維護(hù)策略和定期檢查庫存策略
- 9.2 維護(hù)與備件庫存的聯(lián)合優(yōu)化策略
- 9.1.2 維護(hù)策略與庫存控制模型的特征分類
- 9.1.1 維護(hù)需求的種類
- 9.1 維護(hù)與庫存的聯(lián)合優(yōu)化問題
- 第9章 智能工廠的維護(hù)優(yōu)化調(diào)度與決策
- 參考文獻(xiàn)
- 8.3.3 算法分析
- 8.3.2 面向多元時間序列數(shù)據(jù)的多種CNN預(yù)測模型
- 8.3.1 卷積神經(jīng)網(wǎng)絡(luò)模型
- 8.3 基于深度學(xué)習(xí)的故障預(yù)測模型
- 8.2.3 算法的驗(yàn)證和測試方法
- 8.2.2 算法的訓(xùn)練、仿真和評估
- 8.2.1 故障預(yù)測建模技術(shù)
- 8.2 基于機(jī)器學(xué)習(xí)的故障預(yù)測模型
- 8.1.4 算法分析
- 8.1.3 基于量子多智能體神經(jīng)網(wǎng)絡(luò)的預(yù)測算法
- 8.1.2 QMA-BPNN算法
- 8.1.1 神經(jīng)網(wǎng)絡(luò)故障預(yù)測模型
- 8.1 基于量子多智能體神經(jīng)網(wǎng)絡(luò)的故障預(yù)測模型
- 第8章 數(shù)據(jù)驅(qū)動的故障預(yù)測模型與方法
- 參考文獻(xiàn)
- 7.4.3 實(shí)驗(yàn)仿真、分析與應(yīng)用驗(yàn)證
- 7.4.2 基于CNN和TL的故障診斷模型
- 7.4.1 遷移學(xué)習(xí)的概念
- 7.4 基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的故障診斷方法
- 7.3.3 實(shí)驗(yàn)仿真、分析與應(yīng)用驗(yàn)證
- 7.3.2 基于多層多尺度深度CNN和RFs的集成學(xué)習(xí)方法
- 7.3.1 多層多尺度特征最優(yōu)配置的CNN模型
- 7.3 基于卷積神經(jīng)網(wǎng)絡(luò)和集成學(xué)習(xí)的故障診斷方法
- 7.2.3 圖像處理與波形處理相結(jié)合的特征提取方法
- 7.2.2 狀態(tài)監(jiān)測信號的特征提取方法
- 7.2.1 產(chǎn)品的故障模式及信號監(jiān)測方法
- 7.2 面向非平穩(wěn)非線性狀態(tài)數(shù)據(jù)的特征提取方法
- 7.1 數(shù)據(jù)驅(qū)動故障診斷方法的研究現(xiàn)狀
- 第7章 數(shù)據(jù)驅(qū)動的故障診斷方法
- 參考文獻(xiàn)
- 6.4.2 ARM控制板程序設(shè)計
- 6.4.1 ZigBee節(jié)點(diǎn)程序設(shè)計
- 6.4 軟件設(shè)計
- 6.3.2 數(shù)據(jù)采集網(wǎng)絡(luò)層設(shè)計
- 6.3.1 傳感器選型
- 6.3 硬件選型與設(shè)計
- 6.2.3 GPRS協(xié)議
- 6.2.2 ZigBee協(xié)議
- 6.2.1 CAN總線協(xié)議
- 6.2 監(jiān)測網(wǎng)絡(luò)的協(xié)議選擇
- 6.1 狀態(tài)監(jiān)測數(shù)據(jù)采集框架
- 第6章 數(shù)據(jù)采集的協(xié)議集成與設(shè)計案例
- 參考文獻(xiàn)
- 5.4 實(shí)驗(yàn)與結(jié)果分析
- 5.3.4 算法性能分析
- 5.3.3 量子蟻群多目標(biāo)路由算法設(shè)計
- 5.3.2 量子蟻群算法
- 5.3.1 蟻群算法和量子進(jìn)化算法優(yōu)化機(jī)理
- 5.3 基于量子蟻群算法的路由優(yōu)化算法
- 5.2.2 具有QoS的網(wǎng)絡(luò)路由協(xié)議與模型
- 5.2.1 QoS的度量參數(shù)
- 5.2 基于QoS的無線傳感器網(wǎng)絡(luò)路由模型
- 5.1 網(wǎng)絡(luò)路由協(xié)議的研究現(xiàn)狀
- 第5章 面向復(fù)雜制造環(huán)境的無線路由模型與算法
- 參考文獻(xiàn)
- 4.4 案例研究
- 4.3 基于區(qū)塊鏈的IoT數(shù)據(jù)共享模型
- 4.2.4 標(biāo)識管理和鏈路協(xié)議
- 4.2.3 基于SMPC的秘密分享機(jī)制和數(shù)據(jù)存儲方法
- 4.2.2 基于區(qū)塊鏈的工業(yè)物聯(lián)網(wǎng)平臺
- 4.2.1 區(qū)塊鏈與物聯(lián)網(wǎng)的關(guān)系
- 4.2 基于區(qū)塊鏈的IoT資源安全管理模型
- 4.1.3 基于IoT的數(shù)據(jù)采集與處理框架
- 4.1.2 基于IoT的感知資源管理框架
- 4.1.1 IoT感知資源模型
- 4.1 基于IoT的感知資源模型及管理框架
- 第4章 基于IoT的感知資源管理框架與模型
- 參考文獻(xiàn)
- 3.4 基于數(shù)據(jù)挖掘的智能預(yù)測性維護(hù)技術(shù)體系與框架
- 3.3.2 面向SPdM網(wǎng)絡(luò)的數(shù)據(jù)獲取與維護(hù)決策
- 3.3.1 設(shè)備運(yùn)營與維護(hù)網(wǎng)絡(luò)
- 3.3 面向設(shè)備運(yùn)營網(wǎng)絡(luò)的智能預(yù)測性維護(hù)策略
- 3.2.2 基于CPS的智能預(yù)測性維護(hù)模型
- 3.2.1 基于5C的預(yù)測性維護(hù)模型
- 3.2 面向設(shè)備的智能預(yù)測性維護(hù)策略
- 3.1 智能制造的參考體系架構(gòu)
- 第3章 智能預(yù)測性維護(hù)技術(shù)體系與框架
- 參考文獻(xiàn)
- 2.6 基于失效樣本的故障預(yù)測方法選擇
- 2.5.3 一種多分類器融合模型
- 2.5.2 融合建模的思路和方法
- 2.5.1 信息融合技術(shù)
- 2.5 融合模型驅(qū)動的故障預(yù)測方法
- 2.4.3 基于深度學(xué)習(xí)的方法
- 2.4.2 基于機(jī)器學(xué)習(xí)的方法
- 2.4.1 基于退化過程模型的方法
- 2.4 數(shù)據(jù)驅(qū)動的故障預(yù)測方法
- 2.3 基于可靠性模型的故障預(yù)測方法
- 2.2 基于物理模型的故障預(yù)測方法
- 2.1.2 故障預(yù)測方法
- 2.1.1 故障診斷方法
- 2.1 故障診斷與預(yù)測方法的一般分類
- 第2章 故障診斷與預(yù)測方法
- 參考文獻(xiàn)
- 1.4 本書內(nèi)容安排
- 1.3 發(fā)展趨勢
- 1.2.6 維護(hù)策略的選擇方法
- 1.2.5 智能預(yù)測性維護(hù)
- 1.2.4 預(yù)測性維護(hù)
- 1.2.3 狀態(tài)維護(hù)
- 1.2.2 預(yù)防性維護(hù)
- 1.2.1 故障維護(hù)
- 1.2 維護(hù)策略
- 1.1.3 面向設(shè)備運(yùn)營網(wǎng)絡(luò)的智能預(yù)測性維護(hù)
- 1.1.2 設(shè)備的智能預(yù)測性維護(hù)
- 1.1.1 基于大數(shù)據(jù)的預(yù)測性分析與決策
- 1.1 引言
- 第1章 緒論
- 前言
- 序
- 《“中國制造2025”出版工程》 編委會
- 內(nèi)容概述
- 版權(quán)頁
- 封面
- 封面
- 版權(quán)頁
- 內(nèi)容概述
- 《“中國制造2025”出版工程》 編委會
- 序
- 前言
- 第1章 緒論
- 1.1 引言
- 1.1.1 基于大數(shù)據(jù)的預(yù)測性分析與決策
- 1.1.2 設(shè)備的智能預(yù)測性維護(hù)
- 1.1.3 面向設(shè)備運(yùn)營網(wǎng)絡(luò)的智能預(yù)測性維護(hù)
- 1.2 維護(hù)策略
- 1.2.1 故障維護(hù)
- 1.2.2 預(yù)防性維護(hù)
- 1.2.3 狀態(tài)維護(hù)
- 1.2.4 預(yù)測性維護(hù)
- 1.2.5 智能預(yù)測性維護(hù)
- 1.2.6 維護(hù)策略的選擇方法
- 1.3 發(fā)展趨勢
- 1.4 本書內(nèi)容安排
- 參考文獻(xiàn)
- 第2章 故障診斷與預(yù)測方法
- 2.1 故障診斷與預(yù)測方法的一般分類
- 2.1.1 故障診斷方法
- 2.1.2 故障預(yù)測方法
- 2.2 基于物理模型的故障預(yù)測方法
- 2.3 基于可靠性模型的故障預(yù)測方法
- 2.4 數(shù)據(jù)驅(qū)動的故障預(yù)測方法
- 2.4.1 基于退化過程模型的方法
- 2.4.2 基于機(jī)器學(xué)習(xí)的方法
- 2.4.3 基于深度學(xué)習(xí)的方法
- 2.5 融合模型驅(qū)動的故障預(yù)測方法
- 2.5.1 信息融合技術(shù)
- 2.5.2 融合建模的思路和方法
- 2.5.3 一種多分類器融合模型
- 2.6 基于失效樣本的故障預(yù)測方法選擇
- 參考文獻(xiàn)
- 第3章 智能預(yù)測性維護(hù)技術(shù)體系與框架
- 3.1 智能制造的參考體系架構(gòu)
- 3.2 面向設(shè)備的智能預(yù)測性維護(hù)策略
- 3.2.1 基于5C的預(yù)測性維護(hù)模型
- 3.2.2 基于CPS的智能預(yù)測性維護(hù)模型
- 3.3 面向設(shè)備運(yùn)營網(wǎng)絡(luò)的智能預(yù)測性維護(hù)策略
- 3.3.1 設(shè)備運(yùn)營與維護(hù)網(wǎng)絡(luò)
- 3.3.2 面向SPdM網(wǎng)絡(luò)的數(shù)據(jù)獲取與維護(hù)決策
- 3.4 基于數(shù)據(jù)挖掘的智能預(yù)測性維護(hù)技術(shù)體系與框架
- 參考文獻(xiàn)
- 第4章 基于IoT的感知資源管理框架與模型
- 4.1 基于IoT的感知資源模型及管理框架
- 4.1.1 IoT感知資源模型
- 4.1.2 基于IoT的感知資源管理框架
- 4.1.3 基于IoT的數(shù)據(jù)采集與處理框架
- 4.2 基于區(qū)塊鏈的IoT資源安全管理模型
- 4.2.1 區(qū)塊鏈與物聯(lián)網(wǎng)的關(guān)系
- 4.2.2 基于區(qū)塊鏈的工業(yè)物聯(lián)網(wǎng)平臺
- 4.2.3 基于SMPC的秘密分享機(jī)制和數(shù)據(jù)存儲方法
- 4.2.4 標(biāo)識管理和鏈路協(xié)議
- 4.3 基于區(qū)塊鏈的IoT數(shù)據(jù)共享模型
- 4.4 案例研究
- 參考文獻(xiàn)
- 第5章 面向復(fù)雜制造環(huán)境的無線路由模型與算法
- 5.1 網(wǎng)絡(luò)路由協(xié)議的研究現(xiàn)狀
- 5.2 基于QoS的無線傳感器網(wǎng)絡(luò)路由模型
- 5.2.1 QoS的度量參數(shù)
- 5.2.2 具有QoS的網(wǎng)絡(luò)路由協(xié)議與模型
- 5.3 基于量子蟻群算法的路由優(yōu)化算法
- 5.3.1 蟻群算法和量子進(jìn)化算法優(yōu)化機(jī)理
- 5.3.2 量子蟻群算法
- 5.3.3 量子蟻群多目標(biāo)路由算法設(shè)計
- 5.3.4 算法性能分析
- 5.4 實(shí)驗(yàn)與結(jié)果分析
- 參考文獻(xiàn)
- 第6章 數(shù)據(jù)采集的協(xié)議集成與設(shè)計案例
- 6.1 狀態(tài)監(jiān)測數(shù)據(jù)采集框架
- 6.2 監(jiān)測網(wǎng)絡(luò)的協(xié)議選擇
- 6.2.1 CAN總線協(xié)議
- 6.2.2 ZigBee協(xié)議
- 6.2.3 GPRS協(xié)議
- 6.3 硬件選型與設(shè)計
- 6.3.1 傳感器選型
- 6.3.2 數(shù)據(jù)采集網(wǎng)絡(luò)層設(shè)計
- 6.4 軟件設(shè)計
- 6.4.1 ZigBee節(jié)點(diǎn)程序設(shè)計
- 6.4.2 ARM控制板程序設(shè)計
- 參考文獻(xiàn)
- 第7章 數(shù)據(jù)驅(qū)動的故障診斷方法
- 7.1 數(shù)據(jù)驅(qū)動故障診斷方法的研究現(xiàn)狀
- 7.2 面向非平穩(wěn)非線性狀態(tài)數(shù)據(jù)的特征提取方法
- 7.2.1 產(chǎn)品的故障模式及信號監(jiān)測方法
- 7.2.2 狀態(tài)監(jiān)測信號的特征提取方法
- 7.2.3 圖像處理與波形處理相結(jié)合的特征提取方法
- 7.3 基于卷積神經(jīng)網(wǎng)絡(luò)和集成學(xué)習(xí)的故障診斷方法
- 7.3.1 多層多尺度特征最優(yōu)配置的CNN模型
- 7.3.2 基于多層多尺度深度CNN和RFs的集成學(xué)習(xí)方法
- 7.3.3 實(shí)驗(yàn)仿真、分析與應(yīng)用驗(yàn)證
- 7.4 基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的故障診斷方法
- 7.4.1 遷移學(xué)習(xí)的概念
- 7.4.2 基于CNN和TL的故障診斷模型
- 7.4.3 實(shí)驗(yàn)仿真、分析與應(yīng)用驗(yàn)證
- 參考文獻(xiàn)
- 第8章 數(shù)據(jù)驅(qū)動的故障預(yù)測模型與方法
- 8.1 基于量子多智能體神經(jīng)網(wǎng)絡(luò)的故障預(yù)測模型
- 8.1.1 神經(jīng)網(wǎng)絡(luò)故障預(yù)測模型
- 8.1.2 QMA-BPNN算法
- 8.1.3 基于量子多智能體神經(jīng)網(wǎng)絡(luò)的預(yù)測算法
- 8.1.4 算法分析
- 8.2 基于機(jī)器學(xué)習(xí)的故障預(yù)測模型
- 8.2.1 故障預(yù)測建模技術(shù)
- 8.2.2 算法的訓(xùn)練、仿真和評估
- 8.2.3 算法的驗(yàn)證和測試方法
- 8.3 基于深度學(xué)習(xí)的故障預(yù)測模型
- 8.3.1 卷積神經(jīng)網(wǎng)絡(luò)模型
- 8.3.2 面向多元時間序列數(shù)據(jù)的多種CNN預(yù)測模型
- 8.3.3 算法分析
- 參考文獻(xiàn)
- 第9章 智能工廠的維護(hù)優(yōu)化調(diào)度與決策
- 9.1 維護(hù)與庫存的聯(lián)合優(yōu)化問題
- 9.1.1 維護(hù)需求的種類
- 9.1.2 維護(hù)策略與庫存控制模型的特征分類
- 9.2 維護(hù)與備件庫存的聯(lián)合優(yōu)化策略
- 9.2.1 基于塊的維護(hù)策略和定期檢查庫存策略
- 9.2.2 基于塊的維護(hù)策略和連續(xù)檢查庫存策略
- 9.2.3 基于役齡的維護(hù)策略和定期檢查庫存策略
- 9.2.4 基于役齡的維護(hù)策略和連續(xù)檢查庫存策略
- 9.2.5 狀態(tài)維護(hù)策略和定期與連續(xù)庫存檢查策略
- 9.3 預(yù)測性維護(hù)與備件庫存聯(lián)合優(yōu)化模型
- 9.3.1 基于仿真的聯(lián)合優(yōu)化模型
- 9.3.2 基于馬爾科夫決策過程MDP的聯(lián)合優(yōu)化模型
- 9.3.3 基于預(yù)測事件的聯(lián)合優(yōu)化模型
- 參考文獻(xiàn)
- 第10章 大范圍維護(hù)服務(wù)預(yù)測與優(yōu)化配置
- 10.1 MRO運(yùn)營網(wǎng)絡(luò)的服務(wù)需求預(yù)測與優(yōu)化問題
- 10.2 基于產(chǎn)品劣化狀態(tài)的需求預(yù)測與服務(wù)提供模型
- 10.2.1 生產(chǎn)設(shè)備的加速劣化模型
- 10.2.2 基于產(chǎn)品劣化狀態(tài)的需求預(yù)測及服務(wù)提供模型
- 10.2.3 算例分析
- 10.3 基于DSSI理論和FAHP賦權(quán)模式的服務(wù)提供商管理
- 10.3.1 理論背景
- 10.3.2 基于DSSI理論的提供商選擇模型
- 10.3.3 基于FAHP賦權(quán)模式的提供商評價方法
- 10.4 基于改進(jìn)隨機(jī)規(guī)劃的服務(wù)備件預(yù)測與管理模型
- 10.4.1 基于改進(jìn)隨機(jī)規(guī)劃的備件管理模型
- 10.4.2 模型求解
- 10.4.3 算例分析
- 10.5 基于模糊隨機(jī)規(guī)劃和利潤共享模式的服務(wù)資源配置
- 10.5.1 基于模糊隨機(jī)規(guī)劃和利潤共享式的服務(wù)資源配置
- 10.5.2 模型求解
- 10.5.3 算例分析
- 參考文獻(xiàn)
- 第11章 基于信息物理系統(tǒng)的運(yùn)行過程控制
- 11.1 CPS系統(tǒng)
- 11.1.1 CPS的定義
- 11.1.2 CPS研究現(xiàn)狀
- 11.1.3 CPS架構(gòu)
- 11.2 基于數(shù)字孿生的運(yùn)行過程智能控制模型
- 11.2.1 數(shù)字孿生模型
- 11.2.2 數(shù)字孿生模型的相關(guān)應(yīng)用
- 11.2.3 運(yùn)行過程智能控制模型
- 11.3 數(shù)據(jù)驅(qū)動生產(chǎn)過程參數(shù)優(yōu)化案例分析
- 11.3.1 數(shù)據(jù)采集與預(yù)處理
- 11.3.2 系統(tǒng)建模與計算分析
- 11.3.3 智能生產(chǎn)優(yōu)化策略
- 參考文獻(xiàn)
- 索引
- 注釋 更新時間：2021-12-24 13:28:43
