齿轮箱故障预测与剩余寿命评估

📚 共计 30 章节

齿轮箱故障预测与剩余寿命评估的工程意义、核心概念与行业痛点。

工程背景痛点分析

齿轮箱基础

典型结构、传动原理与常见失效模式（断齿、点蚀、磨损、胶合）。

机械原理失效模式

信号采集基础

振动传感器选型、安装位置与数据采集系统搭建。

传感器数据采集

均值、方差、均方根值、峰值因子、峭度等统计特征提取。

统计特征时域

傅里叶变换、频谱分析、边频带识别与故障频率计算。

时频域分析

短时傅里叶变换、小波变换与希尔伯特-黄变换的应用。

特征选择、降维（PCA、t-SNE）与特征融合方法。

数据预处理

缺失值处理、异常值检测、去噪与归一化。

清洗归一化

机器学习基础

监督学习、无监督学习、模型评估指标（准确率、召回率、F1-score）。

故障分类模型

支持向量机、随机森林、K近邻在齿轮箱故障诊断中的应用。

SVM随机森林KNN

深度学习基础

神经网络原理、激活函数、反向传播与梯度下降。

卷积神经网络

一维CNN在振动信号故障识别中的实战。

循环神经网络

LSTM与GRU在时序故障预测中的应用。

基于重构误差的异常检测与故障预警。

预训练模型微调与跨工况故障诊断。

剩余寿命预测概述

RUL定义、预测框架与评价指标（MAE、RMSE、Score）。

退化趋势构建

基于健康指标（HI）的退化曲线拟合方法。

传统RUL模型

指数退化模型、Wiener过程与ARIMA时间序列预测。

数据驱动RUL模型

基于LSTM的端到端剩余寿命预测。

LSTM-RUL端到端

注意力机制

自注意力与Transformer在RUL预测中的前沿应用。

Transformer注意力

不确定性量化

贝叶斯神经网络与蒙特卡洛dropout在预测中的应用。

贝叶斯MC-dropout

多传感器融合

数据级、特征级与决策级融合策略。

融合多模态

在线学习与自适应

增量学习、概念漂移检测与模型在线更新。

在线概念漂移

ONNX模型转换、边缘计算与嵌入式部署实战。

ONNX边缘计算

案例实战一

风电齿轮箱高速轴轴承故障诊断全流程。

案例实战二

工业机器人RV减速器剩余寿命预测。

案例实战三

直升机主减速器行星轮系故障预警系统。

直升机行星轮

评估与验证

交叉验证、混淆矩阵、ROC曲线与模型可解释性（SHAP、LIME）。

工程化落地

数据管理平台、模型生命周期管理与A/B测试。

数字孪生、联邦学习与大模型在故障预测中的未来展望。

数字孪生联邦学习大模型