機(jī)械故障診斷的復(fù)雜性理論與方法

前言第1章 緒論11.1 非線性動力學(xué)方法21.2 基于熵的復(fù)雜性理論發(fā)展歷程31.3 復(fù)雜性理論在機(jī)械故障診斷領(lǐng)域的應(yīng)用現(xiàn)狀5參考文獻(xiàn)8第2章 基于熵的復(fù)雜性理論方法132.1 香農(nóng)熵132.2 近似熵132.3 樣本熵152.4 模糊熵162.5 排列熵172.6 散布熵192.7 仿真試驗(yàn)分析20參考文獻(xiàn)30第3章 基于多尺度模糊熵的機(jī)械故障診斷方法323.1 多尺度模糊熵323.1.1 多尺度熵算法323.1.2 多尺度模糊熵算法333.2 復(fù)合多尺度模糊熵333.2.1 復(fù)合多尺度模糊熵算法333.2.2 仿真試驗(yàn)分析353.2.3 CMFE在滾動軸承故障診斷中的應(yīng)用393.3 廣義精細(xì)復(fù)合多尺度模糊熵463.3.1 廣義精細(xì)復(fù)合多尺度模糊熵算法463.3.2 仿真試驗(yàn)分析473.3.3 GRCMFE在滾動軸承故障診斷中的應(yīng)用513.4 多變量多尺度模糊熵593.4.1 多變量多尺度模糊熵算法603.4.2 仿真試驗(yàn)分析623.4.3 MMFE在行星齒輪箱故障診斷中的應(yīng)用64參考文獻(xiàn)71第4章 基于多尺度排列熵的機(jī)械故障診斷方法734.1 多尺度排列熵734.2 復(fù)合多尺度排列熵744.2.1 復(fù)合多尺度排列熵算法744.2.2 CMPE參數(shù)選取及影響754.2.3 CMPE在滾動軸承故障診斷中的應(yīng)用764.3 廣義復(fù)合多尺度排列熵804.3.1 廣義復(fù)合多尺度排列熵算法804.3.2 GCMPE參數(shù)選取及影響824.3.3 GCMPE在滾動軸承故障診斷中的應(yīng)用844.4 復(fù)合多元多尺度排列熵874.4.1 多元多尺度排列熵算法874.4.2 復(fù)合多元多尺度排列熵算法884.4.3 仿真試驗(yàn)分析884.4.4 CMMPE在滾動軸承故障診斷中的應(yīng)用90參考文獻(xiàn)99第5章 基于多尺度散布熵的機(jī)械故障診斷方法1015.1 多尺度散布熵1015.1.1 多尺度散布熵算法1015.1.2 MDE參數(shù)選取及影響1025.1.3 MDE在滾動軸承故障診斷中的應(yīng)用1035.2 復(fù)合多尺度散布熵1055.3 精細(xì)復(fù)合多尺度散布熵1065.3.1 精細(xì)復(fù)合多尺度散布熵算法1065.3.2 RCMDE在滾動軸承故障診斷中的應(yīng)用1075.4 多元多尺度散布熵1105.4.1 多元散布熵算法1115.4.2 多元多尺度散布熵算法1125.5 精細(xì)復(fù)合多元多尺度散布熵1125.5.1 精細(xì)復(fù)合多元多尺度散布熵算法1125.5.2 仿真試驗(yàn)分析1135.5.3 RCMMDE和MCFS在滾動軸承故障診斷中的應(yīng)用114參考文獻(xiàn)124第6章 基于自適應(yīng)多尺度熵的機(jī)械故障智能診斷方法1266.1 粗粒化與自適應(yīng)多尺度化分析1266.2 自適應(yīng)復(fù)合多尺度模糊熵1276.2.1 基于VMD的自適應(yīng)復(fù)合多尺度模糊熵算法1276.2.2 自適應(yīng)復(fù)合多尺度模糊熵在滾動軸承故障診斷中的應(yīng)用1296.3 自適應(yīng)多尺度散布熵1346.3.1 自適應(yīng)多尺度散步熵算法1356.3.2 仿真試驗(yàn)分析1356.4 改進(jìn)經(jīng)驗(yàn)小波變換與散布熵138參考文獻(xiàn)147第7章 其他復(fù)雜性理論與方法1497.1 余弦相似熵1497.1.1 余弦相似熵算法1507.1.2 CSE參數(shù)選取及影響1517.1.3 CSE與SE、FE對比分析1547.2 微分符號熵1567.2.1 微分符號熵算法1577.2.2 DSE參數(shù)選取及影響1587.2.3 軸承實(shí)測數(shù)據(jù)分析1647.3 多尺度時不可逆1687.3.1 多尺度時不可逆算法1697.3.2 仿真試驗(yàn)分析1707.4 動力學(xué)符號熵1727.5 增量熵1747.6 時頻熵1757.7 反向散布熵175參考文獻(xiàn)177