機械傳動部件故障診斷與性能退化評估方法研究

定　價：￥89.00

作　者：	佘博，梁偉閣，田福慶著
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787302559337	出版時間：	2020-12-01	包裝：	平裝
開本：	16	頁數(shù)：	220	字數(shù)：

內容簡介

　　《機械傳動部件故障診斷與性能退化評估方法研究》針對多工況機械系統(tǒng)旋轉部件的運行狀態(tài)監(jiān)測與故障診斷問題，通過采集機械設備的振動信號作為數(shù)據(jù)源，圍繞振動信號的去噪、多域特征提取、狀態(tài)監(jiān)測以及故障識別方法開展了詳細的理論及應用研究。本書詳細闡述了小波理論、流形學習以及深度學習理論在機械故障診斷中的應用現(xiàn)狀，介紹了這些方法在實際故障診斷中存在的問題。本書立足于狀態(tài)監(jiān)測和故障診斷技術的研究，通過對上述方法進行改進，提高診斷的精確性。

作者簡介

　　佘博，2012年于北京理工大學獲得學士學位，2015年于海軍大連艦艇學院獲得碩士學位，現(xiàn)為海軍工程大學兵器工程學院博士研究生，主要研究方向為機械設備狀態(tài)監(jiān)測與故障診斷。發(fā)表及錄用論文9篇，國家發(fā)明專利1項，其中SCI1篇EI5篇，中文核心3篇。梁偉閣，分別在2003年、2009年、2013年于海軍工程大學獲得學士、碩士和博士學位，現(xiàn)為海軍工程大學兵器工程學院講師，主要研究方向為信號處理及武器系統(tǒng)故障診斷。發(fā)表論文10余篇，其中EI收錄7篇。田福慶，分別在1982年、1987年、2006年于海軍工程大學獲得學士、碩士和博士學位，現(xiàn)為海軍工程大學兵器工程學院教授、博士研究生導師，主要研究方向為信號處理及武器系統(tǒng)故障診斷。在國內外期刊發(fā)表論文40余篇，其中EI收錄14篇，授權國家發(fā)明專利2項，獲得軍隊科技進步二等獎1項和三等獎5項。

圖書目錄

目錄

第1章緒論

1.1背景概述

1.2智能診斷方法研究現(xiàn)狀

1.2.1基于非平穩(wěn)信號去噪的故障診斷方法

1.2.2基于流形學習的故障診斷方法

1.2.3基于深度學習的故障診斷方法

1.2.4決策融合診斷方法

1.2.5狀態(tài)監(jiān)測與性能退化評估方法

第2章滾動軸承與齒輪振動機理與故障特征分析

2.1引言

2.2滾動軸承振動機理與故障特征分析

2.2.1滾動軸承振動機理及類型

2.2.2滾動軸承特征頻率計算

2.2.3滾動軸承故障振動數(shù)學模型

2.2.4滾動軸承振動信號特性分析

2.2.5滾動軸承損傷故障的包絡譜特征

2.3齒輪振動機理與故障特征分析

2.3.1齒輪振動機理

2.3.2齒輪故障振動數(shù)學模型

2.3.3齒輪故障的邊頻帶特征和包絡譜特征

2.4軸振動機理與故障特征分析

2.4.1軸振動機理

2.4.2軸振動故障特征

第3章振動信號特征提取

3.1引言

3.2多域特征構造方法

3.2.1時域特征

3.2.2頻域特征

3.2.3時頻域特征

3.3多尺度特征提取方法

3.3.1小波分析

3.3.2經驗模態(tài)分解

3.4特征選擇方法

3.5基于流形學習的特征提取方法

3.5.1最大方差展開

3.5.2局部線性嵌入

3.6基于深度學習的特征提取方法

3.6.1深度自動編碼器

3.6.2深度信念網絡

3.6.3卷積神經網絡

3.6.4長短時記憶神經網絡

第4章基于Teager能量譜多尺度信號分解的故障診斷方法

4.1引言

4.2集成經驗模態(tài)分解

4.2.1EEMD基本原理

4.2.2本征模函數(shù)的選擇

4.2.3IMF分量閾值去噪

4.3最小熵解卷積

4.3.1基本概念

4.3.2實現(xiàn)方法

4.4Teager能量算子解調

4.4.1能量算子

4.4.2能量算子解調

4.5基于多尺度信號分析的故障診斷

4.5.1診斷流程

4.5.2實驗與分析

第5章基于雙樹復小波包主流形重構的故障診斷方法

5.1引言

5.2雙樹復小波包變換

5.2.1雙樹復小波包變換基本原理

5.2.2雙樹復小波包變換頻帶錯位與重疊缺陷分析

5.2.3雙樹復小包變換缺陷的改進

5.3基于雙樹復小波包主流形重構的去噪方法

5.3.1閾值量化處理

5.3.2雙樹復小波包閾值去噪準則

5.3.3t分布隨機近鄰嵌入算法

5.3.4主流形重構

5.3.5基于雙樹復小波包主流形重構的去噪流程

5.4基于雙樹復小波包主流形重構的故障診斷

5.4.1故障診斷流程

5.4.2實驗與分析

第6章基于自適應流形學習的故障診斷方法

6.1引言

6.2多域特征提取方法

6.2.1故障特征

6.2.2故障特征選擇方法

6.3自適應鄰域參數(shù)選擇的局部切空間排列算法

6.3.1局部切空間排列算法

6.3.2自適應鄰域參數(shù)的選擇

6.3.3實驗與分析

6.4增量式監(jiān)督局部切空間排列算法

6.4.1監(jiān)督局部切空間排列算法

6.4.2增量式局部切空間排列算法

6.4.3增量式監(jiān)督局部切空間排列算法步驟

6.4.4實驗與分析

第7章基于深度卷積變分自動編碼的故障診斷方法

7.1引言

7.2基于深度卷積變分自動編碼的故障診斷

7.2.1變分自動編碼理論

7.2.2深度卷積變分自動編碼網絡結構

7.2.3基于DCVAEN的故障診斷流程

7.2.4實驗與分析

7.3基于遷移學習深度卷積變分自動編碼的故障診斷

7.3.1基于小樣本的監(jiān)督模型遷移

7.3.2基于標簽傳遞的無監(jiān)督模型遷移

7.4基于選擇性集成學習的深度卷積變分自動編碼的故障診斷

7.4.1構建模型

7.4.2選擇性集成學習方法流程

7.4.3實驗與分析

第8章基于流形特征增強的狀態(tài)監(jiān)測與性能退化評估方法

8.1引言

8.2典型狀態(tài)監(jiān)測與性能退化評估方法

8.2.1核主成分分析

8.2.2局部保持投影算法

8.2.3正交鄰域保持嵌入算法

8.3非局部核正交保持嵌入算法

8.3.1目標函數(shù)

8.3.2基于NLKOPE算法的狀態(tài)監(jiān)測與性能退化評估

8.4自適應k參數(shù)非局部核正交保持投影算法

8.4.1目標函數(shù)

8.4.2基于AkNLKOPP算法的狀態(tài)監(jiān)測與性能退化評估

8.5實驗與分析

8.5.1故障檢測

8.5.2降維效果評估

8.5.3軸承性能退化評估

第9章總結與展望

9.1全書內容總結

9.2展望

參考文獻