設(shè)備剩余壽命預(yù)測(cè)與最優(yōu)維修決策

第1章 緒論
1．1 引言
1．2 設(shè)備壽命預(yù)測(cè)
1．2．1 壽命預(yù)測(cè)的基本概念
1．2．2 新研設(shè)備定壽技術(shù)
1．2．3 工作狀態(tài)下設(shè)備剩余壽命預(yù)測(cè)研究現(xiàn)狀
1．2．4 設(shè)備貯存壽命預(yù)測(cè)研究現(xiàn)狀
1．3 設(shè)備維修決策
1．3．1 維修的定義和分類(lèi)
1．3．2 單部件系統(tǒng)維修決策
1．3．3 多部件系統(tǒng)維修決策
參考文獻(xiàn)
第2章 帶非線(xiàn)性漂移的維納退化過(guò)程建模與剩余壽命預(yù)測(cè)
2．1 維納退化過(guò)程的定義
2．2 帶非線(xiàn)性漂移的維納退化過(guò)程模型
2．3 帶非線(xiàn)性漂移的維納退化過(guò)程剩余壽命預(yù)測(cè)
2．4 帶非線(xiàn)性漂移的維納退化過(guò)程模型參數(shù)估計(jì)
2．4．1 估計(jì)共性參數(shù)以及隨機(jī)參數(shù)分布的超參數(shù)
2．4．2 基于貝葉斯更新策略的隨機(jī)參數(shù)實(shí)時(shí)更新
2．5 實(shí)例分析
2．5．1 問(wèn)題描述
2．5．2 結(jié)果與討論
2．6 本章小結(jié)
參考文獻(xiàn)
第3章 含突變點(diǎn)維納性能退化過(guò)程建模與剩余壽命預(yù)測(cè)
3．1 含突變點(diǎn)維納性能退化過(guò)程模型描述
3．1．1 設(shè)備的退化建模與剩余壽命預(yù)測(cè)
3．1．2 性能退化過(guò)程中的變點(diǎn)檢測(cè)
3．1．3 設(shè)備的退化模型——維納過(guò)程
3．1．4 指數(shù)族先驗(yàn)分布的共軛分布
3．2 含突變點(diǎn)維納性能退化過(guò)程突變點(diǎn)檢測(cè)
3．2．1 貝葉斯在線(xiàn)變點(diǎn)檢測(cè)算法
3．2．2 先驗(yàn)分布的經(jīng)驗(yàn)貝葉斯確定方法
3．2．3 EM算法
3．3 基于貝葉斯在線(xiàn)變點(diǎn)檢測(cè)的剩余壽命預(yù)測(cè)方法
3．4 實(shí)例分析
3．5 本章小結(jié)
參考文獻(xiàn)
第4章 伽瑪退化過(guò)程建模與剩余壽命預(yù)測(cè)
4．1 伽瑪退化過(guò)程的定義
4．2 伽瑪退化過(guò)程的參數(shù)估計(jì)
4．2．1 矩估計(jì)法
4．2．2 極大似然估計(jì)法
4．3 基于伽瑪退化過(guò)程的設(shè)備剩余壽命預(yù)測(cè)
4．3．1 壽命分布
4．3．2 剩余壽命分布
4．3．3 可靠度函數(shù)
4．3．4 實(shí)例驗(yàn)證
4．4 存在環(huán)境影響時(shí)伽瑪性能退化過(guò)程建模和維修
4．4．1 問(wèn)題描述
4．4．2 存在外部環(huán)境影響時(shí)伽瑪性能退化過(guò)程剩余壽命分布計(jì)算
4．4．3 存在外部環(huán)境影響時(shí)基于伽瑪性能退化過(guò)程的維修決策
4．5 本章小結(jié)
參考文獻(xiàn)
第5章 逆高斯退化過(guò)程建模與剩余壽命預(yù)測(cè)
5．1 逆高斯退化過(guò)程的定義
5．2 基于ER融合的逆高斯退化模型參數(shù)估計(jì)方法
5．2．1 單個(gè)設(shè)備逆高斯退化過(guò)程參數(shù)估計(jì)
5．2．2 基于證據(jù)推理的固定參數(shù)融合
5．3 剩余壽命分布計(jì)算
5．4 實(shí)驗(yàn)驗(yàn)證
5．5 本章小結(jié)
參考文獻(xiàn)
第6章 基于支持向量機(jī)的性能退化建模與剩余壽命預(yù)測(cè)
6．1 SVR原理
6．1．1 原始問(wèn)題與對(duì)偶問(wèn)題
6．1．2 svR的稀疏性
6．1．3 核函數(shù)
6．2 基于GA優(yōu)化sVR的退化建模和剩余壽命預(yù)測(cè)方法
6．2．1 問(wèn)題描述
6．2．2 基本思路
6．2．3 方法的具體步驟
6．2．4 實(shí)例分析
6．3 基于sVR和FcM聚類(lèi)的實(shí)時(shí)退化建模和剩余壽命預(yù)測(cè)方法
6．3．1 問(wèn)題描述
6．3．2 基本思路與具體步驟
6．3．3 實(shí)例分析
6．4 本章小結(jié)
參考文獻(xiàn)
第7章 基于相關(guān)向量機(jī)模糊模型的性能退化建模與剩余壽命預(yù)測(cè)
7．1 相關(guān)向量機(jī)模糊模型數(shù)學(xué)描述及特性分析
7．1．1 模糊模型數(shù)學(xué)描述
7．1．2 基于相關(guān)向量機(jī)的模糊模型
7．1．3 相關(guān)向量機(jī)模糊模型的一致逼近性
7．2 相關(guān)向量機(jī)模糊模型辨識(shí)
7．2．1 結(jié)構(gòu)辨識(shí)
7．2．2 參數(shù)辨識(shí)
7．2．3 基于相關(guān)向量機(jī)和梯度下降方法的模糊模型辨識(shí)算法
7．3 基于相關(guān)向量機(jī)模糊模型的退化建模與剩余壽命預(yù)測(cè)
7．4 實(shí)驗(yàn)驗(yàn)證
7．4．1 連續(xù)釜式攪拌器仿真系統(tǒng)描述
7．4．2 仿真實(shí)驗(yàn)及其結(jié)果
7．4．3 結(jié)果分析
7．5 本章小結(jié)
參考文獻(xiàn)
第8章 基于證據(jù)推理的性能退化建模與可靠性預(yù)測(cè)
8．1 基于證據(jù)推理的性能退化建模
8．1．1 預(yù)測(cè)模型結(jié)構(gòu)與表達(dá)形式
8．1．2 基于證據(jù)推理的性能退化建模與預(yù)測(cè)
8．1．3 基于效用的數(shù)值型輸出
8．2 基于EM算法在線(xiàn)更新ER模型的可靠性預(yù)測(cè)
8．2．1 基于判斷性輸出的遞歸參數(shù)估計(jì)算法
8．2．2 基于數(shù)值輸出的遞歸參數(shù)估計(jì)算法
8．3 案例研究
8．3．1 問(wèn)題描述
8．3．2 可靠性數(shù)據(jù)的參考點(diǎn)
8．3．3 退化建模與預(yù)測(cè)模型
8．3．4 基于判斷性輸出的仿真結(jié)果
8．3．5 基于數(shù)值輸出的仿真結(jié)果
8．4 本章小結(jié)
參考文獻(xiàn)
第9章 權(quán)值選優(yōu)粒子濾波性能退化建模與剩余壽命預(yù)測(cè)
9．1 權(quán)值選優(yōu)粒子濾波算法
9．1．1 粒子濾波算法及特性分析
9．1．2 權(quán)值選優(yōu)粒子濾波算法
9．2 權(quán)值選優(yōu)粒子濾波性能退化建模
9．2．1 性能退化過(guò)程描述
9．2．2 性能退化過(guò)程參數(shù)估計(jì)
9．3 權(quán)值選優(yōu)粒子濾波剩余壽命預(yù)測(cè)
9．4 仿真研究
9．5 本章小結(jié)
參考文獻(xiàn)
第10章 基于灰色預(yù)測(cè)模型的性能退化建模與剩余壽命預(yù)測(cè)
10．1 灰色預(yù)測(cè)模型
10．1．1 經(jīng)典的灰色預(yù)測(cè)模型GM（1，1）
10．1．2 改進(jìn)的灰色模型
10．2 基于改進(jìn)灰色模型的剩余壽命預(yù)測(cè)
10．3 基于改進(jìn)灰色模型的慣性器件性能退化軌跡建模
10．4 本章小結(jié)
參考文獻(xiàn)
第11章 基于壽命預(yù)測(cè)信息的退化設(shè)備檢測(cè)策略及應(yīng)用
11．1 設(shè)備檢測(cè)策略及其化目標(biāo)函數(shù)
11．2 基于剩余壽命預(yù)測(cè)的退化設(shè)備檢測(cè)策略
11．2．1 G（x）已知時(shí)設(shè)備的檢測(cè)周期
11．2．2 G（x）未知時(shí)設(shè)備的檢測(cè)周期
11．3 基于壽命預(yù)測(cè)信息的慣性平臺(tái)的檢測(cè)策略
11．4 本章小結(jié)
參考文獻(xiàn)
第12章 資源有限情形下兩部件系統(tǒng)的合作預(yù)測(cè)維修
12．1 資源有限情形下兩部件系統(tǒng)合作預(yù)測(cè)維修策略描述
12．1．1 基于壽命預(yù)測(cè)信息的期望失效次數(shù)估計(jì)
12．1．2 資源有限與失效模式相互影響情形下的維修效果建模
12．2 預(yù)測(cè)維修目標(biāo)函數(shù)建立及其優(yōu)化求解
12．2．1 目標(biāo)函數(shù)建立
12．2．2 費(fèi)用率函數(shù)優(yōu)化求解
12．3 數(shù)值仿真
12．4 本章小結(jié)
參考文獻(xiàn)