智慧預測性維護 (電子書)-FindBook 找書網 ISBN:9786263941595

內容簡介

　　隨著資訊、機械、系統工程和管理等學科的發展，特別是以行動互聯網、大數據、人工智慧等為代表的新一代資訊技術，推進了智慧製造的快速發展。

　　在設備的營運維護領域，為解決設備營運與維護服務的異地化、即時化和及時性等問題，設備製造或營運企業透過採集設備運行資料，並上傳至企業資料中心（或企業雲端），使系統軟體能夠對設備進行即時線上監測、控制，並經過資料分析進行預測性維護，逐漸形成了基於（行動）互聯網的維護、維修和營運（Maintenance Repair & Operation, MRO）技術服務網路和相應的資料支援環境，如產品狀態、設備狀態、環境狀態、業務營運狀態、人員狀態、社交網路資料以及客戶回饋資料等大數據資訊，並體現出全球性（互聯網連接）、即時性（工業互聯網支援的狀態檢測）和及時性（行動終端調度）的特性，使得設備全生命週期的知識能被高效和自發地產生和利用。然而，由於MRO 技術服務網路中裝備系統故障的高隨機性和維護需求的高不確定性，面向大範圍MRO 網路環境中多個不確定性的合作主體和高隨機性的設備故障，如何可靠地獲取、建模、推理和挖掘來自產品狀態、環境狀態、設備運行狀態、人員狀態、業務營運資料、社交網路資料以及客戶產品回饋資料等裝備全生命週期中的異構大數據資訊？如何利用上述資訊準確地預測設備故障和維護需求，制定合適的維護和優化策略？如何在有限服務資源下，充分利用互聯網環境下廣泛存在的共用服務資源，最大限度地回應網路維護需求，建立與客戶長期全面的合作關係？更進一步，如何透過資訊物理系統（Cyber Physical System, CPS）將維護決策回饋給製造系統，實現誤差補償、調節和回饋控制？這些問題成了智慧製造環境下MRO 技術服務網路中各個參與主體的共同訴求，需要研究面向智慧營運環境的多源異構資料高品質獲取與融合理論與方法、資料驅動的裝備及部件故障預測理論和方法、面向裝備營運網路的大規模維護決策理論、基於CPS的回饋控制方法等大數據環境下面向MRO技術服務網路的智慧預測性維護（Smart Predictive Maintenance, SPdM）理論、技術和方法。

　　本書系統地介紹了新一代資訊技術環境對製造業的影響、智慧製造模式下的設備維護問題，以及各種維護策略，如預防性維護、預測性維護和智慧預測性維護等；詳細地介紹了故障預測的方法體系，包括基於物理模型的故障預測、基於可靠性模型的故障預測、資料驅動的故障預測、融合模型驅動的故障預測等內容；結合智慧製造的參考體系結構，系統地介紹了智慧預測性維護的技術體系與框架，如面向智慧工廠的智慧預測性維護、面向智慧工廠營運網路的智慧預測性維護框架等；注重智慧預測性維護的關鍵理論、方法和技術，例如，基於IoT的感知資源管理與車間無線路由技術、大數據驅動的故障預測理論和方法、維護決策和優化方法、網路決策和優化方法以及基於CPS的虛擬控制技術等，較全面系統地闡述了設備維護領域正在興起的理論、技術和方法，涉及面廣，內容豐富。

　　本書具體內容安排為：第1章對智慧製造模式下智慧預測性維護、設備維護策略與發展趨勢進行綜述，並為全書內容的展開進行鋪墊；第2章介紹故障診斷與預測方法；第3章結合智慧製造的參考體系架構，系統地介紹智慧預測性維護技術體系與框架；第4章介紹基於IoT的感知資源管理框架與模型；第5章介紹面向複雜製造環境的無線路由模型與演算法；第6章給出資料獲取的協定集成與設計案例；第7章討論資料驅動的故障診斷方法；第8章介紹資料驅動的故障預測模型與方法；第9章討論智慧工廠的維護優化調度與決策；第10章介紹大範圍維護服務預測與優化配置；第11章討論基於資訊物理系統的運行程序控制。

作者介紹

劉敏，工學博士，研究員，博士生指導教授。長期從事大數據分析與預測、智慧預測性維護、智慧製造系統等基礎理論、方法和技術的研發。先後赴美國加州大學洛杉磯分校、佛羅里達大學，加拿大麥基爾大學、國家研究院、西安大略大學，德國杜伊斯堡埃森大學等國外知名大學和研究機構訪問交流。

李玲，副教授，控制科學與工程博士。

鄢鋒，科研學者。

第1章緒論
　　1.1 引言
　　　　1.1.1 基於大數據的預測性分析與決策
　　　　1.1.2 設備的智慧預測性維護
　　　　1.1.3 面向設備營運網路的智慧預測性維護
　　1.2 維護策略
　　　　1.2.1 故障檢修
　　　　1.2.2 預防性維護
　　　　1.2.3 狀態維護
　　　　1.2.4 預測性維護
　　　　1.2.5 智慧預測性維護
　　　　1.2.6 維護策略的選擇方法
　　1.3 發展趨勢
　　1.4 本書內容安排
　　參考文獻
第2章故障診斷與預測方法
　　2.1 故障診斷與預測方法的一般分類
　　　　2.1.1 故障診斷方法
　　　　2.1.2 故障預測方法
　　2.2 基於物理模型的故障預測方法
　　2.3 基於可靠性模型的故障預測方法
　　2.4 數據驅動的故障預測方法
　　　　2.4.1 基於退化過程模型的方法
　　　　2.4.2 基於機器學習的方法
　　　　2.4.3 基於深度學習的方法
　　2.5 融合模型驅動的故障預測方法
　　　　2.5.1 資訊融合技術
　　　　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 基於失效樣本的故障預測方法選擇
　　參考文獻
第3章智慧預測性維護技術體系與框架
　　3.1 智慧製造的參考體系架構
　　3.2 面向設備的智慧預測性維護策略
　　　　3.2.1 基於5C 的預測性維護模型
　　　　3.2.2 基於CPS的智慧預測性維護模型
　　3.3 面向設備營運網路的智慧預測性維護策略
　　　　3.3.1 設備營運與維護網路
　　　　3.3.2 面向 SPdM網路的數據獲取與維護決策
　　3.4 基於資料探勘的智慧預測性維護技術體系與框架
　　參考文獻
第4章基於IoT的感知資源管理框架與模型
　　4.1 基於LoT的感知資源模型及管理框架
　　　　4.1.1 LoT感知資源模型
　　　　4.1.2 基於LoT的感知資源管理框架
　　　　4.1.3 基於LoT的數據採集與處理框架
　　4.2 基於區塊鏈的LoT資源安全管理模型
　　　　4.2.1 區塊鏈與物聯網的關係
　　　　4.2.2 基於區塊鏈的工業物聯網平臺
　　　　4.2.3 基於SMPC的祕密分享機制和數據儲存方法
　　　　4.2.4 標識管理和鏈路協定
　　4.3 基於區塊鏈的LoT數據共享模型
　　4.4 案例研究
　　參考文獻
第5章面向複雜製造環境的無線路由模型與演算法
　　5.1 網路路由協定的研究現狀
　　5.2 基於QoS的無線感測器網路路由模型
　　　　5.2.1 QoS的度量參數
　　　　5.2.2 具有QoS的網路路由協定與模型
　　5.3 基於量子蟻群演算法的路由最佳化演算法
　　　　5.3.1 蟻群演算法和量子進化演算法最佳化機理
　　　　5.3.2 量子蟻群演算法
　　　　5.3.3 量子蟻群多目標路由演算法設計
　　　　5.3.4 演算法性能分析
　　5.4 實驗與結果分析
　　參考文獻
第6章數據採集的協定集成與設計案例
　　6.1 狀態監測數據採集框架
　　6.2 監測網路的協定選擇
　　　　6.2.1 CAN總線協定
　　　　6.2.2 ZigBee協定
　　　　6.2.3 GPRS協定
　　6.3 硬體選型與設計
　　　　6.3.1 感測器選型
　　　　6.3.2 數據採集網路層設計
　　6.4 軟體設計
　　　　6.4.1 ZigBee節點程式設計
　　　　6.4.2 ARM控制板程式設計
　　參考文獻
第7章數據驅動的故障診斷方法
　　7.1 數據驅動故障診斷方法的研究現狀
　　7.2 面向非平穩非線性狀態數據的特徵提取方法
　　　　7.2.1 產品的故障模式及信號監測方法
　　　　7.2.2 狀態監測信號的特徵提取方法
　　　　7.2.3 影像處理與波形處理相結合的特徵提取方法
　　7.3 基於卷積人工類神經網路和集成學習的故障診斷方法
　　　　7.3.1 多層多尺度特徵最佳配置的CNN模型
　　　　7.3.2 基於多層多尺度深度CNN和RFs的集成學習方法
　　　　7.3.3 實驗仿真、分析與應用驗證
　　7.4 基於卷積人工類神經網路和轉移學習的故障診斷方法
　　　　7.4.1 轉移學習的概念
　　　　7.4.2 基於CNN和 TL的故障診斷模型
　　　　7.4.3 實驗仿真、分析與應用驗證
　　參考文獻
第8章數據驅動的故障預測模型與方法
　　8.1 基於量子多代理人工類神經網路的故障預測模型
　　　　8.1.1 人工類神經網路故障預測模型
　　　　8.1.2 QMA-BPNB演算法
　　　　8.1.3 基於量子多代理人工類神經網路的預測演算法
　　　　8.1.4 演算法分析
　　8.2 基於機器學習的故障預測模型
　　　　8.2.1 故障預測建模技術
　　　　8.2.2 演算法的訓練、仿真和評估
　　　　8.2.3 演算法的驗證和測試方法
　　8.3 基於深度學習的故障預測模型
　　　　8.3.1 卷積人工類神經網路模型
　　　　8.3.2 面向多元時間序列數據的多種CNN預測模型
　　　　8.3.3 演算法分析
　　參考文獻
第9章智慧工廠的維護最佳化調度與決策
　　9.1 維護與庫存的聯合最佳化問題
　　　　9.1.1 維護需要的種類
　　　　9.1.2 維護策略與庫存控制模型的特徵分類
　　9.2 維護與備件庫存的聯合最佳化策略
　　　　9.2.1 基於塊的維護策略和定期檢查庫存策略
　　　　9.2.2 基於塊的維護策略和連續檢查庫存策略
　　　　9.2.3 基於役齡的維護策略和定期檢查庫存策略
　　　　9.2.4 基於役齡的維護策略和連續檢查庫存策略
　　　　9.2.5 狀態維護策略和定期與連續庫存檢查策略
　　9.3 預測性維護與備件庫存聯合最佳化模型
　　　　9.3.1 基於仿真的聯合最佳化模型
　　　　9.3.2 基於馬爾科夫決策過程MDP的聯合最佳化模型
　　　　9.3.3 基於預測事件的聯合最佳化模型
　　參考文獻
第10章大範圍維護服務預測與最佳化配置
　　10.1 MRO營運網路的服務需要預測與最佳化問題
　　10.2 基於產品劣化狀態的需要預測與服務提供模型
　　　　10.2.1 生產設備的加速劣化模型
　　　　10.2.2 基於產品劣化狀態的需要預測及服務提供模型
　　　　10.2.3 算例分析
　　10.3 基於 DSSI 理論和 FAHP賦權模式的服務提供商管理
　　　　10.3.1 理論背景
　　　　10.3.2 基於 DSSI理論的提供商選擇模型
　　　　10.3.3 基於FAHP賦權模式的提供商評價方法
　　10.4 基於改進隨機規劃的服務備件預測與管理模型
　　　　10.4.1 基於改進隨機規劃的備件管理模型
　　　　10.4.2 模型求解
　　　　10.4.3 算例分析
　　10.5 基於模糊隨機規劃和利潤共享模式的服務資源配置
　　　　10.5.1 基於模糊隨機規劃和利潤共享式的服務資源配置
　　　　10.5.2 模型求解
　　　　10.5.3 算例分析
　　參考文獻
第11章基於網路實體系統的運行過程控制
　　11.1 CPS系統
　　　　11.1.1 CPS的定義
　　　　11.1.2 CPS研究現狀
　　　　11.1.3 CPS架構
　　11.2 基於數位孿生的運行過程智慧控制模型
　　　　11.2.1 數位孿生模型
　　　　11.2.2 數位孿生模型的相關應用
　　　　11.2.3 運行過程智慧控制模型
　　11.3 數據驅動生產過程參數最佳化案例分析
　　　　11.3.1 數據採集與預處理
　　　　11.3.2 系統建模與運算分析
　　　　11.3.3 智慧生產最佳化策略
　　參考文獻