本书主要介绍工业装备健康状态诊断方法，重点放在基于各种数据驱动技术的轴承健康状态诊断方法。其中第 2 章给出了一种有效的轴承振动信号预处理方法；第3～10章介绍了一些工业装备健康状态诊断方法；最后两章还介绍了在监测数据不完整情况下，解决健康状态诊断的有效途径。

第 2 章提出了一种基于灰色粗糙集的二阶段数据预处理方法。使用二阶段数据预处理算法对轴承的故障特征属性进行约简，简化故障的特征，为简化诊断模型奠定基础。

第 3 章结合遗传算法和神经网络两种计算建立一种遗传神经网络健康状态诊断模型。使用遗传神经网络诊断模型对轴承振动信号进行诊断，实验结果验证了该模型在轴承故障识别方面的有效性。

第 4 章运用粒子群算法对神经网络进行优化，建立一种粒子群优化神经网络的健康状态诊断模型。基于该模型进行了验证实验，结果表明优化后的神经网络对轴承故障的分类具有很好的效果 ^[37] 。

第 5 章将模糊集与两种机器学习方法结合，建立两种健康状态诊断模型。通过实验对比两种诊断模型性能，实验证明每种模型对于不同细节的处理都有各自的优缺点。

第 6 章通过蚁群算法对支持向量机的两个输入参数做优化，建立一种蚁群优化支持向量机的故障分类模型。使用该模型对轴承信号进行故障分类，结果表明该模型在轴承故障分类应用中的有效性 ^[38] 。

第 7 章对设备的健康度进行定义，结合神经网络建立一种概率神经网络的健康状态诊断模型。使用概率神经网络算法对轴承故障信号做健康度评价，进一步细化轴承故障类别，实验结果表明该模型对轴承故障分类效果较传统方法有很大的提升[39]。

第8章根据小波的满足条件，提出一种新型小波——脉冲小波，论证了它在健康状态诊断方面的可靠性，并结合轴承故障识别实验对脉冲小波在故障识别应用中的有效性做了分析，结果表明它能较准确地识别轴承的各个故障状态[40]。

第 9 章将势能函数引入数据驱动分析中，并在此基础上建立一种基于势能函数故障识别模型。使用该模型对轴承信号做了故障分类，结果表明势能函数在数据驱动分析中的可行性，但也同时表明该方法具有一定的改善空间。

第10章介绍了一种可以在监测数据不完整的情况下，识别设备故障的有效方法。由于缺少标准不完整数据，实验并未针对不完整数据进行分类，而是将该方法应用到完整的轴承故障数据，实验结果验证了该方法识别故障的有效性[41]。

第11章介绍了一种不完整数据重构的方法，基于该方法第12章混合各种分类算法，建立一种混杂健康状态诊断模型对监测到的不完整数据做分类，结果表明在对不完整数据重构后，也能通过一些分类算法有效地对数据进行准确分类。 XZNlnZqU+oi7Ci4yWrYJoUXe5mqZXyUPhNimU7GKLa8pteZYMNE89Wk5PR6gOzh6