本教材是根据教育部《“十四五”国家战略性新兴产业发展规划》的要求，重点在高端装备制造等战略性新兴领域开展“十四五”高等教育教材体系建设工作的背景下编著而成的。面向高端装备制造领域对装备高性能、高可靠、长寿命发展方向的迫切需求，系统性地介绍了智能诊断与预测的基本原理、方法与案例，涵盖了基于深度学习的智能诊断、迁移智能诊断以及数据驱动的寿命预测方法等前沿理论与方法，并辅以丰富的应用案例，涉及轨道交通、新能源、智能制造等诸多领域。所述内容兼具前沿性、学科交叉性与工程实用性，旨在教授学生高端装备故障智能诊断与预测的基本知识，使他们了解领域内的学术前沿与近期新技术，并掌握工程实际中解决装备诊断与预测问题的一般思路，最终培养学生综合考虑安全、环境、社会影响的工程思维与责任担当，以及通过跨学科思考解决复杂问题的能力。本教材既可作为高等院校智能制造、机械工程、自动化、仪器仪表等专业的参考教材，也可用于从事高端装备故障诊断研究和实践的科技人员的参考书。

第1章 绪论\t001
1.1 高端装备监测大数据的形成因素与领域特点\t003
1.1.1 高端装备监测大数据的形成因素\t003
1.1.2 高端装备监测大数据的领域特点\t004
1.2 高端装备智能诊断与预测的相关概念与研究现状\t005
1.2.1 故障诊断与运行维护的关系\t005
1.2.2 故障智能诊断与预测的定义及运维基本框架\t006
1.2.3 故障智能诊断与预测的研究现状\t007
1.3 大数据下智能诊断与预测面临的机遇与挑战\t015
参考文献\t017
第2章 基于传统机器学习的高端装备故障智能诊断\t022
2.1 基于K-means算法的故障智能诊断\t023
2.1.1 K-means算法基本原理\t024
2.1.2 锥齿轮传动箱故障智能诊断\t026
2.2 基于人工神经网络的故障智能诊断\t028
2.2.1 人工神经网络基本原理\t029
2.2.2 机车轮对轴承故障智能诊断\t036
2.3 基于支持向量机的故障智能诊断\t039
2.3.1 支持向量机基本原理\t039
2.3.2 行星齿轮箱故障智能诊断\t045
2.4 混合智能故障诊断\t049
2.4.1 混合智能诊断基本原理\t049
2.4.2 混合智能诊断模型\t050
2.4.3 电动机滚动轴承故障智能诊断\t055
本章小结\t057
习题\t057
参考文献\t058
第3章 基于深度学习的高端装备故障智能诊断\t060
3.1 深度置信网络故障智能诊断\t061
3.1.1 受限玻尔兹曼机基本原理\t061
3.1.2 深度置信网络智能诊断模型\t063
3.1.3 电动机滚动轴承故障智能诊断\t065
3.2 堆叠自编码机故障智能诊断\t066
3.2.1 自编码机基本原理\t067
3.2.2 堆叠自编码机智能诊断模型\t068
3.2.3 行星齿轮箱故障智能诊断\t071
3.3 加权卷积神经网络故障智能诊断\t073
3.3.1 卷积神经网络基本原理\t074
3.3.2 加权卷积网络智能诊断模型\t077
3.3.3 机车轮对轴承故障智能诊断\t080
3.4 残差网络故障智能诊断\t082
3.4.1 残差单元基本原理\t083
3.4.2 基于残差网络的智能诊断模型\t085
3.4.3 行星齿轮箱故障智能诊断\t086
本章小结\t088
习题\t089
参考文献\t089
第4章 高端装备故障迁移智能诊断\t092
4.1 迁移诊断问题\t093
4.1.1 领域与诊断任务\t093
4.1.2 迁移诊断任务类型\t093
4.1.3 迁移智能诊断方法分类\t094
4.2 基于实例加权的迁移智能诊断\t095
4.2.1 TrAdaboost算法描述\t096
4.2.2 基于TrAdaboost算法的迁移诊断策略\t097
4.2.3 行星齿轮箱的跨工况故障迁移智能诊断\t098
4.3 基于特征分布适配的迁移智能诊断\t100
4.3.1 特征分布适配基本原理\t100
4.3.2 基于特征分布适配的迁移智能诊断策略\t101
4.3.3 跨装备轴承间的故障迁移智能诊断\t103
4.4 多核特征空间适配的深度迁移智能诊断\t106
4.4.1 多核植入的优选均值差异\t106
4.4.2 多核特征空间适配的深度迁移智能诊断模型\t107
4.4.3 跨装备轴承间的故障迁移智能诊断\t110
4.5 特征分布对抗适配的深度迁移智能诊断\t112
4.5.1 生成对抗网络基本原理\t112
4.5.2 特征分布对抗适配的深度迁移智能诊断模型\t114
4.5.3 跨工况与跨装备故障迁移智能诊断\t115
本章小结\t119
习题\t120
参考文献\t120
第5章 数据驱动的高端装备剩余寿命预测\t123
5.1 基于循环神经网络的健康指标构建方法\t124
5.1.1 多域特征提取\t126
5.1.2 特征评价与选择\t128
5.1.3 健康指标构建\t129
5.1.4 滚动轴承健康指标构建\t130
5.2 基于粒子滤波的剩余寿命预测\t134
5.2.1 粒子滤波状态评估算法\t134
5.2.2 模型粒子滤波更新与剩余寿命预测\t138
5.2.3 滚动轴承剩余寿命预测\t142
5.3 自适应多核组合相关向量机剩余寿命预测\t145
5.3.1 相关向量机基本原理\t145
5.3.2 基于自适应多核组合相关向量机的剩余寿命预测方法\t147
5.3.3 齿轮剩余寿命预测\t149
5.4 深度可分卷积网络构建及剩余寿命预测\t152
5.4.1 可分卷积模块构建\t153
5.4.2 网络结构与剩余寿命预测\t156
5.4.3 滚动轴承剩余寿命预测\t157
5.5 循环卷积神经网络构建及剩余寿命预测\t161
5.5.1 循环卷积神经网络构建\t161
5.5.2 预测不确定性量化\t164
5.5.3 数控机床刀具剩余寿命预测\t166
本章小结\t169
习题\t169
参考文献\t170