CONDITION MONITORING WITH VIBRATION SIGNALS : compressive sampling and learning algorithms ... for rotating machines.

CONDITION MONITORING WITH VIBRATION SIGNALS : compressive sampling and learning algorithms ... for rotating machines.

Saved in:
Bibliographic Details
Main Author: NANDI, ASOKE K. AHMED, HOSAMELDIN
Corporate Author: ProQuest (Firm)
Format: Electronic eBook
Language:English
Published: HOBOKEN : WILEY-BLACKWELL, 2019.
Online Access:Connect to this title online (unlimited simultaneous users allowed; 325 uses per year)

MARC

LEADER 00000nam a2200000Mi 4500
001 b3597611
003 CStclU
005 20191219152940.0
006 m o d
007 cr |||||||||||
008 191027s2019 xx o 000 0 eng d
020 |a 1119544637  |q (electronic bk.) 
020 |a 9781119544630  |q (electronic bk.) 
035 |a (NhCcYBP)ebc5964413 
040 |a NhCcYBP  |c NhCcYBP 
100 1 |a NANDI, ASOKE K. AHMED, HOSAMELDIN. 
245 1 0 |a CONDITION MONITORING WITH VIBRATION SIGNALS :  |b compressive sampling and learning algorithms ... for rotating machines. 
260 |a HOBOKEN :  |b WILEY-BLACKWELL,  |c 2019. 
300 |a 1 online resource. 
336 |a text  |b txt  |2 rdacontent 
337 |a computer  |b c  |2 rdamedia 
338 |a online resource  |b cr  |2 rdacarrier 
505 0 0 |a Machine generated contents note:   |g pt. I   |t Introduction --   |g 1.  |t Introduction to Machine Condition Monitoring --   |g 1.1.  |t Background --   |g 1.2.  |t Maintenance Approaches for Rotating Machines Failures --   |g 1.2.1.  |t Corrective Maintenance --   |g 1.2.2.  |t Preventive Maintenance --   |g 1.2.2.1.  |t Time-Based Maintenance (TBM) --   |g 1.2.2.2.  |t Condition-Based Maintenance (CBM) --   |g 1.3.  |t Applications of MCM --   |g 1.3.1.  |t Wind Turbines --   |g 1.3.2.  |t Oil and Gas --   |g 1.3.3.  |t Aerospace and Defence Industry --   |g 1.3.4.  |t Automotive --   |g 1.3.5.  |t Marine Engines --   |g 1.3.6.  |t Locomotives --   |g 1.4.  |t Condition Monitoring Techniques --   |g 1.4.1.  |t Vibration Monitoring --   |g 1.4.2.  |t Acoustic Emission --   |g 1.4.3.  |t Fusion of Vibration and Acoustic --   |g 1.4.4.  |t Motor Current Monitoring --   |g 1.4.5.  |t Oil Analysis and Lubrication Monitoring --   |g 1.4.6.  |t Thermography --   |g 1.4.7.  |t Visual Inspection --   |g 1.4.8.  |t Performance Monitoring --   |g 1.4.9.  |t Trend Monitoring --   |g 1.5.  |t Topic Overview and Scope of the Book --   |g 1.6.  |t Summary --   |t References --   |g 2.  |t Principles of Rotating Machine Vibration Signals --   |g 2.1.  |t Introduction --   |g 2.2.  |t Machine Vibration Principles --   |g 2.3.  |t Sources of Rotating Machines Vibration Signals --   |g 2.3.1.  |t Rotor Mass Unbalance --   |g 2.3.2.  |t Misalignment --   |g 2.3.3.  |t Cracked Shafts --   |g 2.3.4.  |t Rolling Element Bearings --   |g 2.3.5.  |t Gears --   |g 2.4.  |t Types of Vibration Signals --   |g 2.4.1.  |t Stationary --   |g 2.4.2.  |t Nonstationary --   |g 2.5.  |t Vibration Signal Acquisition --   |g 2.5.1.  |t Displacement Transducers --   |g 2.5.2.  |t Velocity Transducers --   |g 2.5.3.  |t Accelerometers --   |g 2.6.  |t Advantages and Limitations of Vibration Signal Monitoring --   |g 2.7.  |t Summary --   |t References --   |g pt. II   |t Vibration Signal Analysis Techniques --   |g 3.  |t Time Domain Analysis --   |g 3.1.  |t Introduction --   |g 3.1.1.  |t Visual Inspection --   |g 3.1.2.  |t Features-Based Inspection --   |g 3.2.  |t Statistical Functions --   |g 3.2.1.  |t Peak Amplitude --   |g 3.2.2.  |t Mean Amplitude --   |g 3.2.3.  |t Root Mean Square Amplitude --   |g 3.2.4.  |t Peak-to-Peak Amplitude --   |g 3.2.5.  |t Crest Factor (CF) --   |g 3.2.6.  |t Variance and Standard Deviation --   |g 3.2.7.  |t Standard Error --   |g 3.2.8.  |t Zero Crossing --   |g 3.2.9.  |t Wavelength --   |g 3.2.10.  |t Willison Amplitude --   |g 3.2.11.  |t Slope Sign Change --   |g 3.2.12.  |t Impulse Factor --   |g 3.2.13.  |t Margin Factor --   |g 3.2.14.  |t Shape Factor --   |g 3.2.15.  |t Clearance Factor --   |g 3.2.16.  |t Skewness --   |g 3.2.17.  |t Kurtosis --   |g 3.2.18.  |t Higher-Order Cumulants (HOCs) --   |g 3.2.19.  |t Histograms --   |g 3.2.20.  |t Normal/Weibull Negative Log-Likelihood Value --   |g 3.2.21.  |t Entropy --   |g 3.3.  |t Time Synchronous Averaging --   |g 3.3.1.  |t TSA Signals --   |g 3.3.2.  |t Residual Signal (RES) --   |g 3.3.2.1.  |t NA4 --   |g 3.3.2.2.  |t NA4* --   |g 3.3.3.  |t Difference Signal (DIFS) --   |g 3.3.3.1.  |t FM4 --   |g 3.3.3.2.  |t M6A --   |g 3.3.3.3.  |t M8A --   |g 3.4.  |t Time Series Regressive Models --   |g 3.4.1.  |t AR Model --   |g 3.4.2.  |t MA Model --   |g 3.4.3.  |t ARMA Model --   |g 3.4.4.  |t ARIMA Model --   |g 3.5.  |t Filter-Based Methods --   |g 3.5.1.  |t Demodulation --   |g 3.5.2.  |t Prony Model --   |g 3.5.3.  |t Adaptive Noise Cancellation (ANC) --   |g 3.6.  |t Stochastic Parameter Techniques --   |g 3.7.  |t Blind Source Separation (BSS) --   |g 3.8.  |t Summary --   |t References --   |g 4.  |t Frequency Domain Analysis --   |g 4.1.  |t Introduction --   |g 4.2.  |t Fourier Analysis --   |g 4.2.1.  |t Fourier Series --   |g 4.2.2.  |t Discrete Fourier Transform --   |g 4.2.3.  |t Fast Fourier Transform (FFT) --   |g 4.3.  |t Envelope Analysis --   |g 4.4.  |t Frequency Spectrum Statistical Features --   |g 4.4.1.  |t Arithmetic Mean --   |g 4.4.2.  |t Geometric Mean --   |g 4.4.3.  |t Matched Filter RMS --   |g 4.4.4.  |t RMS of Spectral Difference --   |g 4.4.5.  |t Sum of Squares Spectral Difference --   |g 4.4.6.  |t High-Order Spectra Techniques --   |g 4.5.  |t Summary --   |t References --   |g 5.  |t Time-Frequency Domain Analysis --   |g 5.1.  |t Introduction --   |g 5.2.  |t Short-Time Fourier Transform (STFT) --   |g 5.3.  |t Wavelet Analysis --   |g 5.3.1.  |t Wavelet Transform (WT) --   |g 5.3.1.1.  |t Continuous Wavelet Transform (CWT) --   |g 5.3.1.2.  |t Discrete Wavelet Transform (DWT) --   |g 5.3.2.  |t Wavelet Packet Transform (WPT) --   |g 5.4.  |t Empirical Mode Decomposition (EMD) --   |g 5.5.  |t Hilbert-Huang Transform (HHT) --   |g 5.6.  |t Wigner-Ville Distribution --   |g 5.7.  |t Local Mean Decomposition (LMD) --   |g 5.8.  |t Kurtosis and Kurtograms --   |g 5.9.  |t Summary --   |t References --   |g pt. III   |t Rotating Machine Condition Monitoring Using Machine Learning --   |g 6.  |t Vibration-Based Condition Monitoring Using Machine Learning --   |g 6.1.  |t Introduction --   |g 6.2.  |t Overview of the Vibration-Based MCM Process --   |g 6.2.1.  |t Fault-Detection and Diagnosis Problem Framework --   |g 6.3.  |t Learning from Vibration Data --   |g 6.3.1.  |t Types of Learning --   |g 6.3.1.1.  |t Batch vs. Online Learning --   |g 6.3.1.2.  |t Instance-Based vs. Model-Based Learning --   |g 6.3.1.3.  |t Supervised Learning vs. Unsupervised Learning --   |g 6.3.1.4.  |t Semi-Supervised Learning --   |g 6.3.1.5.  |t Reinforcement Learning --   |g 6.3.1.6.  |t Transfer Learning --   |g 6.3.2.  |t Main Challenges of Learning from Vibration Data --   |g 6.3.2.1.  |t Curse of Dimensionality --   |g 6.3.2.2.  |t Irrelevant Features --   |g 6.3.2.3.  |t Environment and Operating Conditions of a Rotating Machine --   |g 6.3.3.  |t Preparing Vibration Data for Analysis --   |g 6.3.3.1.  |t Normalisation --   |g 6.3.3.2.  |t Dimensionality Reduction --   |g 6.4.  |t Summary --   |t References --   |g 7.  |t Linear Subspace Learning --   |g 7.1.  |t Introduction --   |g 7.2.  |t Principal Component Analysis (PCA) --   |g 7.2.1.  |t PCA Using Eigenvector Decomposition --   |g 7.2.2.  |t PCA Using SVD --   |g 7.2.3.  |t Application of PCA in Machine Fault Diagnosis --   |g 7.3.  |t Independent Component Analysis (ICA) --   |g 7.3.1.  |t Minimisation of Mutual Information --   |g 7.3.2.  |t Maximisation of the Likelihood --   |g 73.3.  |t Application of ICA in Machine Fault Diagnosis --   |g 7.4.  |t Linear Discriminant Analysis (LDA) --   |g 7.4.1.  |t Application of LDA in Machine Fault Diagnosis --   |g 7.5.  |t Canonical Correlation Analysis (CCA) --   |g 7.6.  |t Partial Least Squares (PLS) --   |g 7.7.  |t Summary --   |t References --   |g 8.  |t Nonlinear Subspace Learning --   |g 8.1.  |t Introduction --   |g 8.2.  |t Kernel Principal Component Analysis (KPCA) --   |g 8.2.1.  |t Application of KPCA in Machine Fault Diagnosis --   |g 8.3.  |t Isometric Feature Mapping (ISOMAP) --   |g 8.3.1.  |t Application of ISOMAP in Machine Fault Diagnosis --   |g 8.4.  |t Diffusion Maps (DMs) and Diffusion Distances --   |g 8.4.1.  |t Application of DMs in Machine Fault Diagnosis --   |g 8.5.  |t Laplacian Eigenmap (LE) --   |g 8.5.1.  |t Application of the LE in Machine Fault Diagnosis --   |g 8.6.  |t Local Linear Embedding (LLE) --   |g 8.6.1.  |t Application of LLE in Machine Fault Diagnosis --   |g 8.7.  |t Hessian-Based LLE --   |g 8.7.1.  |t Application of HLLE in Machine Fault Diagnosis --   |g 8.8.  |t Local Tangent Space Alignment Analysis (LTSA) --   |g 8.8.1.  |t Application of LTSA in Machine Fault Diagnosis --   |g 8.9.  |t Maximum Variance Unfolding (MVU) --   |g 8.9.1.  |t Application of MVU in Machine Fault Diagnosis --   |g 8.10.  |t Stochastic Proximity Embedding (SPE) --   |g 8.10.1.  |t Application of SPE in Machine Fault Diagnosis --   |g 8.11.  |t Summary --   |t References --   |g 9.  |t Feature Selection --   |g 9.1.  |t Introduction --   |g 9.2.  |t Filter Model-Based Feature Selection --   |g 9.2.1.  |t Fisher Score (FS) --   |g 9.2.2.  |t Laplacian Score (LS) --   |g 9.2.3.  |t Relief and Relief-F Algorithms --   |g 9.2.3.1.  |t Relief Algorithm --   |g 9.2.3.2.  |t Relief-F Algorithm --   |g 9.2.4.  |t Pearson Correlation Coefficient (PCC) --   |g 9.2.5.  |t Information Gain (IG) and Gain Ratio (GR) --   |g 9.2.6.  |t Mutual Information (MI) --   |g 9.2.7.  |t Chi-Squared (Chi-2) --   |g 9.2.8.  |t Wilcoxon Ranking --   |g 9.2.9.  |t Application of Feature Ranking in Machine Fault Diagnosis --   |g 9.3.  |t Wrapper Model-Based Feature Subset Selection --   |g 9.3.1.  |t Sequential Selection Algorithms --   |g 9.3.2.  |t Heuristic-Based Selection Algorithms --   |g 9.3.2.1.  |t Ant Colony Optimisation (ACO) --   |g 9.3.2.2.  |t Genetic Algorithms (GAs) and Genetic Programming --   |g 9.3.2.3.  |t Particle Swarm Optimisation (PSO) --   |g 9.3.3.  |t Application of Wrapper Model-Based Feature Subset Selection in Machine Fault Diagnosis --   |g 9.4.  |t Embedded Model-Based Feature Selection --   |g 9.5.  |t Summary --   |t References --   |g pt. IV   |t Classification Algorithms --   |g 10.  |t Decision Trees and Random Forests --   |g 10.1.  |t Introduction --   |g 10.2.  |t Decision Trees --   |g 10.2.1.  |t Univariate Splitting Criteria --   |g 10.2.1.1.  |t Gini Index --   |g 10.2.1.2.  |t Information Gain --   |g 10.2.1.3.  |t Distance Measure --   |g 10.2.1.4.  |t Orthogonal Criterion (ORT) --   |g 10.2.2.  |t Multivariate Splitting Criteria --   |g 10.2.3.  |t Tree-Pruning Methods --   |g 10.2.3.1.  |t Error-Complexity Pruning --   |g 10.2.3.2.  |t Minimum-Error Pruning --   |g 10.2.3.3.  |t Reduced-Error Pruning --   |g 10.2.3.4.  |t Critical-Value Pruning --   |g 10.2.3.5.  |t Pessimistic Pruning --   |g 10.2.3.6.  |t Minimum Description Length (MDL) Pruning --   |g 10.2.4.  |t Decision Tree Inducers --   |g 10.2.4.1.  |t CART --   |g 10.2.4.2.  |t ID3 --   |g 10.2.4.3.  |t C4.5 --   |g 10.2.4.4.  |t CHAID --   |g 10.3.  |t Decision Forests --   |g 10.4.  |t Application of Decision Trees/Forests in Machine Fault Diagnosis --   |g 10.5.  |t Summary --   |t References --   |g 11.  |t Probabilistic Classification Methods --   |g 11.1.  |t Introduction --   |g 11.2.  |t Hidden Markov Model --   |g 11.2.1.  |t Application of Hidden Markov Models in Machine Fault Diagnosis --   |g 11.3.  |t Logistic Regression Model --   |g 11.3.1.  |t Logistic Regression Regularisation --   |g 11.3.2.  |t Multinomial Logistic Regression Model (MLR) --   |g 11.3.3.  |t Application of Logistic Regression in Machine Fault Diagnosis --   |g 11.4.  |t Summary --   |t References --   |g 12.  |t Artificial Neural Networks (ANNs) --   |g 12.1.  |t Introduction --   |g 12.2.  |t Neural Network Basic Principles --   |g 12.2.1.  |t Multilayer Perceptron --   |g 12.2.2.  |t Radial Basis Function Network --   |g 12.2.3.  |t Kohonen Network --   |g 12.3.  |t Application of Artificial Neural Networks in Machine Fault Diagnosis --   |g 12.4.  |t Summary --   |t References --   |g 13.  |t Support Vector Machines (SVMs) --   |g 13.1.  |t Introduction --   |g 13.2.  |t Multiclass SVMs --   |g 13.3.  |t Selection of Kernel Parameters --   |g 13.4.  |t Application of SVMs in Machine Fault Diagnosis --   |g 13.5.  |t Summary --   |t References --   |g 14.  |t Deep Learning --   |g 14.1.  |t Introduction --   |g 14.2.  |t Autoencoders -- 
505 0 0 |a Contents note continued:   |g 14.3.  |t Convolutional Neural Networks (CNNs) --   |g 14.4.  |t Deep Belief Networks (DBNs) --   |g 14.5.  |t Recurrent Neural Networks (RNNs) --   |g 14.6.  |t Overview of Deep Learning in MCM --   |g 14.6.1.  |t Application of AE-based DNNs in Machine Fault Diagnosis --   |g 14.6.2.  |t Application of CNNs in Machine Fault Diagnosis --   |g 14.6.3.  |t Application of DBNs in Machine Fault Diagnosis --   |g 14.6.4.  |t Application of RNNs in Machine Fault Diagnosis --   |g 14.7.  |t Summary --   |t References --   |g 15.  |t Classification Algorithm Validation --   |g 15.1.  |t Introduction --   |g 15.2.  |t Hold-Out Technique --   |g 15.2.1.  |t Three-Way Data Split --   |g 15.3.  |t Random Subsampling --   |g 15.4.  |t K-Fold Cross-Validation --   |g 15.5.  |t Leave-One-Out Cross-Validation --   |g 15.6.  |t Bootstrapping --   |g 15.7.  |t Overall Classification Accuracy --   |g 15.8.  |t Confusion Matrix --   |g 15.9.  |t Recall and Precision --   |g 15.10.  |t ROC Graphs --   |g 15.11.  |t Summary --   |t References --   |g pt. V   |t New Fault Diagnosis Frameworks Designed for MCM --   |g 16.  |t Compressive Sampling and Subspace Learning (CS-SL) --   |g 16.1.  |t Introduction --   |g 16.2.  |t Compressive Sampling for Vibration-Based MCM --   |g 16.2.1.  |t Compressive Sampling Basics --   |g 16.2.2.  |t CS for Sparse Frequency Representation --   |g 16.2.3.  |t CS for Sparse Time-Frequency Representation --   |g 16.3.  |t Overview of CS in Machine Condition Monitoring --   |g 16.3.1.  |t Compressed Sensed Data Followed by Complete Data Construction --   |g 16.3.2.  |t Compressed Sensed Data Followed by Incomplete Data Construction --   |g 16.3.3.  |t Compressed Sensed Data as the Input of a Classifier --   |g 16.3.4.  |t Compressed Sensed Data Followed by Feature Learning --   |g 16.4.  |t Compressive Sampling and Feature Ranking (CS-FR) --   |g 16.4.1.  |t Implementations --   |g 16.4.1.1.  |t CS-LS --   |g 16.4.1.2.  |t CS-FS --   |g 16.4.1.3.  |t CS-Relief-F --   |g 16.4.1.4.  |t CS-PCC --   |g 16.4.1.5.  |t CS-Chi-2 --   |g 16.5.  |t CS and Linear Subspace Learning-Based Framework for Fault Diagnosis --   |g 16.5.1.  |t Implementations --   |g 16.5.1.1.  |t CS-PCA --   |g 16.5.1.2.  |t CS-LDA --   |g 16.5.1.3.  |t CS-CPDC --   |g 16.6.  |t CS and Nonlinear Subspace Learning-Based Framework for Fault Diagnosis --   |g 16.6.1.  |t Implementations --   |g 16.6.1.1.  |t CS-KPCA --   |g 16.6.1.2.  |t CS-KLDA --   |g 16.6.1.3.  |t CS-CMDS --   |g 16.6.1.4.  |t CS-SPE --   |g 16.7.  |t Applications --   |g 16.7.1.  |t Case Study 1 --   |g 16.7.1.1.  |t Combination of MMV-CS and Several Feature-Ranking Techniques --   |g 16.7.1.2.  |t Combination of MMV-CS and Several Linear and Nonlinear Subspace Learning Techniques --   |g 16.7.2.  |t Case Study 2 --   |g 16.7.2.1.  |t Combination of MMV-CS and Several Feature-Ranking Techniques --   |g 16.7.2.2.  |t Combination of MMV-CS and Several Linear and Nonlinear Subspace Learning Techniques --   |g 16.8.  |t Discussion --   |t References --   |g 17.  |t Compressive Sampling and Deep Neural Network (CS-DNN) --   |g 17.1.  |t Introduction --   |g 17.2.  |t Related Work --   |g 17.3.  |t CS-SAE-DNN --   |g 17.3.1.  |t Compressed Measurements Generation --   |g 17.3.2.  |t CS Model Testing Using the Flip Test --   |g 17.3.3.  |t DNN-Based Unsupervised Sparse Overcomplete Feature Learning --   |g 17.3.4.  |t Supervised Fine Tuning --   |g 17.4.  |t Applications --   |g 17.4.1.  |t Case Study 1 --   |g 17.4.2.  |t Case Study 2 --   |g 17.5.  |t Discussion --   |t References --   |g 18.  |t Conclusion --   |g 18.1.  |t Introduction --   |g 18.2.  |t Summary and Conclusion --   |t Appendix Machinery Vibration Data Resources and Analysis Algorithms --   |t References. 
533 |a Electronic reproduction.  |b Ann Arbor, MI  |n Available via World Wide Web. 
710 2 |a ProQuest (Firm) 
856 4 0 |u https://ebookcentral.proquest.com/lib/santaclara/detail.action?docID=5964413  |z Connect to this title online (unlimited simultaneous users allowed; 325 uses per year)  |t 0 
907 |a .b35976111  |b 200401  |c 200224 
998 |a uww  |b    |c m  |d z   |e l  |f eng  |g xx   |h 0 
917 |a YBP DDA 
919 |a .ulebk  |b 2017-02-14 
999 f f |i 6b33e831-0d52-5e9d-9f52-939871617649  |s dbce943b-24cd-5028-a3ae-510d324cf6b3  |t 0 

Similar Items