本著作面向学科发展前沿与工程迫切需求，围绕机械装备智能运维面临的新挑战：数据大而不全呈"碎片化”、诊断与预测受制于专家经验、智能诊断依赖充足可用数据等，凝练出大数据背景下智能运维领域的科学问题与应用难题，按照"问题-理论-技术-实例”的逻辑主线，详细介绍了监测大数据质量保障、机械装备故障深度智能诊断、机械装备故障迁移智能诊断、数据驱动的机械装备剩余寿命预测等基础理论与核心技术，所述内容兼具前沿性、创新性与工程实用性。旨在将作者团队在智能运维领域的长期经验积累与最新研究成果分享给广大读者，为其开展相关学术研究、解决应用难题提供参考。

雷亚国，西安交通大学机械工程学院教授、博士生导师。现担任陕西省振动工程学会副理事长、中国机械工程学会可靠性工程分会常务委员、中国运筹学会可靠性分会常务理事、中国现场统计研究会大数据统计分会常务理事、Mechanical Systems and Signal Processing、Measurement Science & Technology、Neural Computing & Applications等13种国际期刊副主编或编委。研究方向包括大数据智能故障诊断与寿命预测、机械系统建模与动态信号处理、机械状态健康监测与智能维护。主持国家自然科学基金重点项目等纵向课题10余项。以唯一作者出版英文专著1部，以第一作者或通讯作者发表SCI收录的论文40余篇；11篇入选ESI高引论文（1%），1篇入选ESI热点论文（0.1%），2篇入选中国百篇最具影响国际学术论文。曾获国家技术发明二等奖（第二完成人）、教育部青年科学奖（全国每年最多10人）、教育部自然科学一等奖（第一完成人）、霍英东教育基金会青年教师二等奖，以及陕西青年五四奖章、德国洪堡学者、中组部"万人计划”青年拔尖人才、首批国家优秀青年科学基金、教育部"长江学者奖励计划”青年学者等荣誉。

第1章 绪论 1
1.1 机械监测大数据的形成因素与领域特点 3
1.1.1 机械监测大数据的形成因素 3
1.1.2 机械监测大数据的领域特点 4
1.2　机械装备智能运维的相关概念与研究现状 5
1.2.1 机械装备运行维护的定义 5
1.2.2 机械装备智能运维的定义 6
1.2.2 机械装备智能运维的研究现状 7
1.3 大数据下智能运维面临的机遇与挑战 14
参考文献 17
第2章 机械监测大数据质量保障 21
2.1　基于无迹卡尔曼滤波的流数据异常检测 21
2.1.1　无迹卡尔曼滤波基本原理 22
2.1.2 基于无迹卡尔曼滤波的流数据异常检测方法 24
2.1.3 滚动轴承流数据的异常检测 26
2.2 基于核密度异常因子的离线历史数据异常检测 29
2.2.1 局部异常因子基本原理 29
2.2.2 基于核密度异常因子的异常数据检测方法 31
2.2.3 风机主传动系统异常数据检测 35
2.3 基于张量Tucker分解的缺失数据恢复 37
2.3.1 张量分解理论 38
2.3.2 基于张量Tucker分解的缺失数据恢复方法 43
2.3.3 齿轮箱缺失数据恢复 46
本章小结 50
参考文献 51
第3章 基于传统机器学习的机械装备智能故障诊断 53
3.1 基于人工神经网络的智能故障诊断 54
3.1.1 人工神经网络基本原理 55
3.1.2 机车轮对轴承智能故障诊断 57
3.2 基于支持向量机的智能故障诊断 59
3.2.1 支持向量机基本原理 60
3.2.2 行星齿轮箱智能故障诊断 62
3.3 混合智能故障诊断 66
3.3.1 混合智能诊断基本原理 66
3.3.2 混合智能诊断模型 67
3.3.3 电动机滚动轴承智能故障诊断 73
本章小结 75
参考文献 75
第4章 基于深度学习的机械装备智能故障诊断 77
4.1 深度置信网络智能故障诊断 78
4.1.1 受限玻尔兹曼机基本原理 78
4.1.2 深度置信网络智能诊断模型 80
4.1.3 电动机滚动轴承智能故障诊断 82
4.2 堆叠自编码机智能故障诊断 84
4.2.1 自编码机基本原理 84
4.2.2 堆叠自编码机智能诊断模型 86
4.2.3 行星齿轮箱智能故障诊断 88
4.3 加权卷积神经网络智能故障诊断 91
4.3.1 卷积神经网络基本原理 92
4.3.2 加权卷积网络智能诊断模型 94
4.3.3 机车轮对轴承智能故障诊断 98
4.4 残差网络智能故障诊断 101
4.4.1 残差单元基本原理 101
4.4.2 基于残差网络的智能诊断模型 102
4.4.3 行星齿轮箱智能故障诊断 103
本章小结 106
参考文献 106
第5章 机械装备故障迁移智能诊断 109
5.1 迁移诊断问题 110
5.1.1 领域与诊断任务 110
5.1.2 迁移诊断任务类型 110
5.1.3 迁移智能诊断方法分类 111
5.2 基于实例加权的迁移智能诊断 113
5.2.1 TrAdaboost算法描述 113
5.2.2 基于TrAdaboost算法的迁移诊断策略 114
5.2.3 行星齿轮箱的跨工况迁移故障诊断 116
5.3 基于特征分布适配的迁移智能诊断 118
5.3.1 特征分布适配基本原理 119
5.3.2 基于特征分布适配的迁移诊断策略 120
5.3.3 跨装备轴承间的迁移故障诊断 122
5.4 多核特征空间适配的深度迁移智能诊断 125
5.4.1 多核植入的最大均值差异 126
5.4.2 多核特征空间适配的深度迁移诊断模型 127
5.4.3　跨装备轴承间的迁移故障诊断 130
5.5 特征分布对抗适配的深度迁移智能诊断 132
5.5.1 生成对抗网络基本原理 132
5.5.2 特征分布对抗适配的深度迁移诊断模型 133
5.5.3 跨工况与跨装备迁移故障诊断 135
本章小结 139
参考文献 140
第6章 数据驱动的机械装备剩余寿命预测 143
6.1 基于循环神经网络的健康指标构建方法 145
6.1.1 多域特征提取 146
6.1.2 特征评价与选择 148
6.1.3 健康指标构建 149
6.1.4 滚动轴承健康指标构建 151
6.2 自适应多核组合相关向量机剩余寿命预测方法 155
6.2.1 相关向量机基本原理 155
6.2.2 基于自适应多核组合相关向量机的剩余寿命预测方法 157
6.2.3 齿轮剩余寿命预测 159
6.3 深度可分卷积网络构建及剩余寿命预测 163
6.3.1 可分卷积模块构建 163
6.3.2 网络结构与剩余寿命预测 167
6.3.3 滚动轴承剩余寿命预测 168
6.4 循环卷积神经网络构建及剩余寿命预测 173
6.4.1 循环卷积神经网络构建 173
6.4.2 预测不确定性量化 176
6.4.3 数控机床刀具剩余寿命预测 178
本章小结 182
参考文献