一、课程简介
教材及主要参考书
教材：
[1] 陈雪峰，訾艳阳. 智能运维与健康管理，机械工程出版社，2018
参考书：加英文图书
[1] 钟秉林, 黄仁. 机械故障诊断学[M]. 北京: 机械工业出版社, 2006.
[2] 褚福磊. 机械故障诊断中的现代信号处理方法[M]. 北京: 科学出版社, 2009.
[3] 何正嘉, 陈进, 王太勇, 等. 机械故障诊断理论及应用[M]. 北京: 高等教育出
版社, 2010.
[4] 高金吉. 机器故障诊治与自愈化[M]. 北京: 高等教育出版社, 2012
[5] 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016.
[6] 杨申仲等. 现代设备管理[M]. 北京：机械工业出版社，2012.
[7] 李斌，李曦. 数控技术[M]. 华中科技大学出版社, 2010.
[8] 托马斯·保尔汉森, 米夏埃尔·腾·洪佩尔, 布里吉特·福格尔-霍尔泽. 实
施工业4.0[M]. 工业和信息化部电子科学技术情报研究所, 译. 北京: 电子工业出版社, 2015.
[9] Pecht M. Prognostics and Health Management of Electronics[M]: John Wiley
& Sons, Ltd, 2009.
[10] Mobley R K. An Introduction to Predictive Maintenance[M]. 2nd edition.
Elsevier Butterworth-Heinemann: Burlington, MA, 2002.
[11] Mallat Stphane. A Wavelet Tour of Signal Processing, Third Edition: The
Sparse Way[M]: Academic Press, 2008.
[12] Goodfellow I., Bengio Y., Courville A., al et. Deep learning[M]. Cambridge:
MIT press, 2016.
[13] Isermann R. Fault Diagnosis Systems: An Introduction from Fault Detection to
Fault Tolerance[M]. Germany: Springer-Verlag Berlin Heidelberg, 2006.
二、课程内容及学时分配
绪论（2学时）（讲授，对应课程目标1）
1.1引言：介绍发展智能运维与健康管理技术的国内外背景与重要意义；（1.1与1.2 共0.5学时）
1.2机械状态监测与故障诊断：当前机械状态监测与故障诊断技术的发展水平与存在问题；（1.1与1.2 共0.5学时）
1.3智能运维与健康管理：PHM核心技术的概念内涵与体系结构、资产管理方法及智能运维方法；（1学时）
1.4培养目标与新工科计划、高等工程教育专业认证的关系。
（0.5学时）
要求：
1）了解本课程研究的背景、对象、意义与内容。
2）了解机械状态监测与故障诊断技术的发展现状与存在问题。
3）了解智能运维与健康管理技术的体系结构与实现流程。
重点：智能运维与健康管理技术的体系结构与实现流程。
课外学习（4学时）（课外，对应课程目标2）
1）了解重大装备健康管理技术的最新发展动态。
2）重点了解一项健康管理系统并开展深入调研。
要求：学生通过资料查找了解最新重大装备健康管理系统动态及发展趋势。
第2章典型故障机理分析方法（4学时）（对应课程目标1、2）
2.1重大装备典型故障：重大装备故障类型与产生原因简介；（2.1与2.2共2学时）
2.2故障机理分析的动力学基础；（2.1与2.2共2学时）
2.3典型故障动力学分析及实例。
（2学时）
要求：
1）了解几种重大装备的典型故障定义、故障机理，发展重大装备故障机理分析的重大意义。
2）了解故障机理分析的动力学基础理论。
3）掌握典型故障的动力学分析方法。
重点：动力学分析的基础内容，主要包括无粘性阻尼的单自由度系统的自由振动，有粘性阻尼的单自由度系统自由振动和受迫振动。
故障机理分析的一般过程，单盘转子偏心质量的动力学分析、单盘转子裂纹故障机理分析、单盘转子碰摩故障机理分析。
难点：
1）不同阻尼状态对单自由度系统自由振动相应的影响。
2）单自由度系统强迫振动的过渡阶段和稳态阶段的区别与联系。
3）单盘转子三类故障的动力学机理分析中，不同故障模式的动态载荷的合理假设与理解；多元二阶非齐次微分方程或方程组的求解。
第3章基于特征提取的故障诊断（4学时）（对应课程目标1、2）
3.1 引言：介绍故障诊断中信号特征提取技术的必要性与作用、本章的内容概要；（3.1与3.2总计1学时）
3.2故障诊断内积匹配诊断原理：介绍傅里叶变换、短时傅里叶变换、小波变换等典型信号特征提取方法；（3.1与3.2总计1学时）
3.3基于小波的特征提取方法：基于小波的特征提取方法与典型故障实例分析；（1.5学时）
3.4基于小波的稀疏特征提取：基于小波的稀疏特征提取方法与诊断案例。
（1.5学时）
要求：
1）了解机械故障诊断的内积变换原理。
2）掌握基于小波的特征提取方法的机械故障诊断流程。
重点：
1）各种信号处理方法的基函数及内积表述，以及内积匹配评价准则。
2）小波变换的内积变换原理，理解内积变换原理的关键特性和相关性质。
3）稀疏特征提取技术的基本理论、基于小波变换的稀疏特征提取技术
难点：
1）内积分析中对基函数的理解和选取。
2）在碰摩故障识别中，Morlet小波和Hermitian小波基函数对振动信号分析的差异。
3）信号稀疏特征提取基本理论。
第4章大数据驱动的智能故障诊断（4学时）（对应课程目标1、2）
4.1引言：工业大数据背景、概念与特点，工业大数据驱动的智能故障诊断框架；（4.1与4.2共1学时）
4.2工业大数据质量改善：数据质量定义与成因、评价指标、流程方法与关键技术；（4.1与4.2共1学时）
4.3大数据健康监测：基于故障阈值与基于智能模型的两类大数据健康监测的流程方法与关键技术；（1.5学时）
4.4大数据智能诊断：基于浅层模型与基于深度学习的智能诊断；（4.4与
4.5共1.5学时）
4.5大数据健康管理案例：新能源诊断平台介绍。
（4.4与4.5共1.5学时）
要求：
1）了解工业大数据的背景、概念与特点，以及工业大数据驱动的智能故障诊断框架。
2）掌握大数据质量改善、大数据健康监测和智能诊断的基本流程和典型方法。
重点：
1）工业大数据驱动的智能故障诊断框架。
2）工业大数据质量改善的流程步骤。
3）大数据健康监测的基本流程和典型方法。
4）大数据智能诊断的基本流程和典型方法。
难点：
1）基于故障阈值的健康监测与基于智能模型的健康监测在健康监测输出与技术框架方面区别和联系的理解与掌握。
2）大数据智能诊断中浅层模型与深度学习方法的理解与应用。
第5章融入新一代人工智能的智能运维（4学时）（对应课程目标1、2）
5.1新一代人工智能概述：新一代人工智能技术的定义与特点；（5.1与5.2共2学时）
5.2深度神经网络：卷积神经网络、深度置信网络、堆栈自编码网络、循环神经网络4种典型深度学习网络结构与方法介绍与案例；（5.1与5.2共2学时）
5.3 迁移学习：典型迁移学习方法与案例；（1学时）
5.4 深度迁移学习及其特征挖掘：深度迁移学习模型与案例；（1学时）
要求：
1）了解新一代人工智能技术的特点。
2）掌握典型的深度学习模型、迁移学习方法的基本原理与实现流程。
重点：
1）人工智能的定义与特点。
2）4种典型的深度神经网络的网络结构、特点与诊断流程。
3）迁移学习与机器学习的异同、4种迁移学习方法的特点。