鐵路道岔轉(zhuǎn)轍機故障診斷技術(shù)

定　價：￥158.00

作　者：	黃晉英、羅佳等著
出版社：	化學工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥139.60)

ISBN：	9787122449856	出版時間：	2024-05-01	包裝：	平裝
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　本書面向科學發(fā)展前沿與工程迫切需求，以鐵路道岔電液式轉(zhuǎn)轍機及其關(guān)鍵部件柱塞泵為研究對象，按照“結(jié)構(gòu)-技術(shù)-實例-系統(tǒng)”的邏輯主線，簡要介紹鐵路道岔轉(zhuǎn)轍機故障診斷研究背景、意義及發(fā)展現(xiàn)狀，基本結(jié)構(gòu)原理和故障模式?；谵D(zhuǎn)轍機油壓信號和柱塞泵振動信號，重點研究信號處理、深度學習、遷移學習、連續(xù)學習、多特征信息融合等基礎(chǔ)理論和核心技術(shù)，涵蓋了特征提取、智能故障診斷、壽命預測等主要研究方法，最后形成基于道岔轉(zhuǎn)轍機的故障診斷管理系統(tǒng)。所述內(nèi)容兼具前沿性、創(chuàng)新性與工程實用性。本書結(jié)合了作者團隊在鐵路道岔轉(zhuǎn)轍機故障診斷領(lǐng)域積累的十幾年研究成果與最新進展，適合從事系統(tǒng)智能故障診斷工作的技術(shù)人員閱讀，也可作為高等學校相關(guān)專業(yè)師生的參考用書。

作者簡介

　　黃晉英，中北大學教授/博士生導師，2010年畢業(yè)于北京理工大學兵器發(fā)射理論與技術(shù)專業(yè)獲博士學位，2014年北京理工大學航空科學與技術(shù)專業(yè)博士后出站；2014-2016期間美國康涅狄格大學訪問學者，主要研究方向為動態(tài)故障診斷與智能控制。并兼中國振動工程學會動態(tài)測試專業(yè)委員會理事，山西省振動工程學會常務(wù)理事，太原地區(qū)科技拔尖人才。作為骨干成員完成了3項國防預研項目、1項國防重點項目，作為二完成人完成了國家基金2項，山西省自然科學基金2項。作為項目負責人完成了山西省青年科學基金項目“車輛運動狀態(tài)識別與運動控制研究”和山西省自然科學基金“基于盲源分離的齒輪箱故障信息增強技術(shù)研究”、“基于深度學習的鐵路道岔轉(zhuǎn)轍設(shè)備故障診斷技術(shù)研究”；山西省科技攻關(guān)項目“基于免疫機制與OMAP平臺的嵌入式智能車輛運動控制”，山西省重點研發(fā)項目“大數(shù)據(jù)框架驅(qū)動下鐵路道岔轉(zhuǎn)轍關(guān)鍵設(shè)備智能檢測診斷與健康管理”，并負責完成了20余項橫向科研項目，參與相關(guān)的科研項目10余項。獲提名國家科技進步二等獎1項，山西省科技進步二等獎3項；山西省科技發(fā)明二等獎1項，國防科技進步三等獎2項，發(fā)明專利3項，以一作者發(fā)表論文20余篇，其中SCI收錄4篇，EI收錄14篇。作為副主編編寫教材1部。近三年指導博士畢業(yè)3名，碩士畢業(yè)10名。

圖書目錄

第1章緒論 001
1.1　鐵路道岔轉(zhuǎn)轍機故障診斷研究背景及意義 001
1.2　鐵路道岔轉(zhuǎn)轍機故障診斷技術(shù)研究進展 002
1.2.1　基于解析模型的方法 002
1.2.2　基于信號處理的方法 002
1.2.3　基于人工智能的方法 003
1.3　鐵路道岔轉(zhuǎn)轍機故障診斷存在的問題與發(fā)展方向 003
參考文獻 004
第2章道岔轉(zhuǎn)轍機及關(guān)鍵部件 007
2.1　相關(guān)概念 007
2.1.1　道岔 007
2.1.2　液壓道岔 007
2.2　道岔基本結(jié)構(gòu) 007
2.3　轉(zhuǎn)轍機基本結(jié)構(gòu)及原理 008
2.3.1　基本結(jié)構(gòu) 008
2.3.2　外鎖閉裝置工作原理 010
2.3.3　液壓系統(tǒng)工作原理 011
2.4　柱塞泵基本結(jié)構(gòu)及原理 012
參考文獻 014
第3章轉(zhuǎn)轍機故障診斷實驗及油壓信號特征提取 015
3.1　轉(zhuǎn)轍機工作過程原理分析 015
3.1.1　道岔轉(zhuǎn)轍機敏感參數(shù)分析 015
3.1.2　道岔轉(zhuǎn)轍機工作過程油壓信號分析 016
3.2　非現(xiàn)場道岔轉(zhuǎn)轍機故障模擬實驗 017
3.2.1　道岔轉(zhuǎn)轍機故障模擬實驗平臺介紹 017
3.2.2　模擬故障設(shè)計 017
3.2.3　轉(zhuǎn)轍機油壓數(shù)據(jù)采集 018
3.2.4　轉(zhuǎn)轍機故障油壓信號分析 019
3.3　基于改進集成經(jīng)驗模態(tài)分解的轉(zhuǎn)轍機故障特征提取 021
3.3.1　經(jīng)驗模態(tài)分解算法原理 021
3.3.2　基于信息熵的特征提取方法 027
3.3.3　基于核主成分分析（KPCA）的特征融合 031
3.4　基于ITD-SDP圖像的轉(zhuǎn)轍機特征提取 035
3.4.1　ITD分解算法原理 035
3.4.2　SDP基本原理 035
3.4.3　圖像特征提取 036
3.5　道岔轉(zhuǎn)轍機故障狀態(tài)監(jiān)測 037
3.5.1　道岔轉(zhuǎn)轍機故障狀態(tài)監(jiān)測算法 038
3.5.2　基于AOA-XGBoost道岔轉(zhuǎn)轍機故障狀態(tài)監(jiān)測方法 042
參考文獻 045
第4章柱塞泵故障診斷實驗及振動信號特征提取 047
4.1　柱塞泵故障診斷實驗 047
4.1.1　柱塞泵故障診斷實驗平臺搭建與數(shù)據(jù)采集 047
4.1.2　柱塞泵典型故障及故障機理 052
4.1.3　柱塞泵故障診斷實驗設(shè)計 056
4.2　測點振動信號的故障特征參量提取 056
4.2.1　時頻域特征參量 057
4.2.2　小波能量譜特征提取 063
4.2.3　雙譜特征提取 067
4.3　基于VMD的故障振動信號時頻分析法 070
4.3.1　變分模態(tài)分解VMD 070
4.3.2　VMD分解性能分析 074
4.3.3　VMD重要參數(shù)的選取 078
4.3.4　連續(xù)小波變換CWT 080
4.3.5　二維時頻特征 081
4.4　改進的局部特征尺度分解法 082
4.4.1　局部特征尺度分解LCD 082
4.4.2　改進的局部特征尺度分解DMLCD 084
4.4.3　仿真實例 085
4.4.4　應用實例 089
4.5　基于ICEEMDAN的故障特征提取 090
4.5.1　自適應噪聲的集成經(jīng)驗模態(tài)分解CEEMDAN 090
4.5.2　改進的自適應噪聲完備集成經(jīng)驗模態(tài)分解ICEEMDAN 091
4.5.3　仿真實例 092
4.5.4　應用實例 094
4.6　基于精細復合多尺度散布熵的故障特征提取 098
4.6.1　灰色關(guān)聯(lián)度 098
4.6.2　散布熵優(yōu)化 099
4.6.3　精細復合多尺度散布熵RCMDE 100
4.6.4　應用實例 101
4.7　基于DMLCD與GRCMDE的故障特征提取 103
4.7.1　廣義精細復合多尺度散布熵GRCMDE 103
4.7.2　GRCMDE與RCMDE性能對比分析 104
4.7.3　應用實例 105
參考文獻 110
第5章道岔轉(zhuǎn)轍機及柱塞泵智能故障診斷 113
5.1　基于改進SVM的故障診斷 114
5.1.1　支持向量機算法原理 114
5.1.2　核參數(shù)優(yōu)化 116
5.1.3　應用實例 121
5.2　基于改進KELM的故障診斷 132
5.2.1　極限學習機算法原理 132
5.2.2　核極限學習機算法原理 135
5.2.3　算術(shù)優(yōu)化算法 136
5.2.4　應用實例 138
5.3　基于卷積神經(jīng)網(wǎng)絡(luò)的故障診斷 143
5.3.1　卷積神經(jīng)網(wǎng)絡(luò)模型 143
5.3.2　DSCNN故障診斷 149
5.3.3　DS-ResNet故障診斷 154
5.3.4　CBAM-ResNet故障診斷 157
5.3.5　CNN-LSTM-Attention故障診斷 164
5.3.6　CNN-GRU故障診斷 171
5.3.7　GCN故障診斷 175
5.3.8　CNN預訓練模型故障診斷 189
參考文獻 200
第6章基于信息融合的道岔轉(zhuǎn)轍機故障診斷 204
6.1　信息融合技術(shù) 204
6.1.1　信息融合定義 205
6.1.2　信息融合模型和結(jié)構(gòu) 206
6.1.3　信息融合算法 211
6.1.4　信息融合關(guān)鍵問題 213
6.2　數(shù)據(jù)層信息融合的故障診斷應用實例 214
6.2.1　注意力機制 214
6.2.2　多通道信號集 215
6.2.3　基于注意力機制的多通道CNN模型 215
6.3　特征層信息融合的故障診斷應用實例 220
6.3.1　數(shù)據(jù)不平衡處理方法 221
6.3.2　雙向門控循環(huán)單元 223
6.3.3　雙通道特征融合的故障診斷模型 224
6.4　基于決策層信息融合的故障診斷模型 229
6.4.1　D-S證據(jù)理論 230
6.4.2　基于D-S證據(jù)理論的決策層融合診斷 231
參考文獻 237
第7章基于連續(xù)學習的柱塞泵類增量故障診斷 239
7.1　連續(xù)學習相關(guān)理論 240
7.1.1　連續(xù)學習 240
7.1.2　元學習 241
7.1.3　連續(xù)學習基模型與WKN 242
7.2　基于權(quán)重空間元表示的類增量故障診斷方法 243
7.2.1　類增量故障診斷問題設(shè)置 243
7.2.2　改進WKN的基模型 243
7.2.3　基于權(quán)重空間元表示的連續(xù)學習方法 245
7.2.4　特定于診斷任務(wù)模型的重構(gòu)與集成推理 247
7.3　柱塞泵類增量故障診斷應用實例 249
7.3.1　類增量故障診斷任務(wù)設(shè)置 249
7.3.2　權(quán)重空間元表示實驗結(jié)果分析 252
參考文獻 257
第8章柱塞泵剩余使用壽命預測 260
8.1　剩余使用壽命預測模型 260
8.1.1　多元HI構(gòu)建模塊 261
8.1.2　圖注意力網(wǎng)絡(luò) 262
8.1.3　K 階下三角鄰接矩陣和HI特征圖 264
8.2　應用實例 264
8.2.1　壽命數(shù)據(jù)采集 264
8.2.2　RUL預測區(qū)間劃分 265
8.2.3　健康指標構(gòu)建 266
8.2.4　RUL預測 267
8.3　不同構(gòu)圖法對GAT預測模塊的影響 269
8.4　GAT預測模塊性能評估 270
參考文獻 270
第9章基于知識圖譜的道岔轉(zhuǎn)轍機故障診斷系統(tǒng) 272
9.1　知識圖譜相關(guān)技術(shù)理論 272
9.1.1　知識圖譜概述 272
9.1.2　自然語言處理 273
9.1.3　深度學習 274
9.2　轉(zhuǎn)轍機故障診斷領(lǐng)域知識圖譜的構(gòu)建 274
9.2.1　知識圖譜構(gòu)建流程 274
9.2.2　本體構(gòu)建 275
9.2.3　道岔轉(zhuǎn)轍機故障記錄文本相關(guān)實體抽取 276
9.2.4　實體對齊 281
9.2.5　信息拼接 281
9.2.6　知識圖譜可視化 282
9.3　基于知識圖譜的道岔轉(zhuǎn)轍機故障診斷 283
9.3.1　基于知識圖譜的智能問答 283
9.3.2　基于知識圖譜的故障診斷 288
9.4　道岔轉(zhuǎn)轍機故障診斷管理系統(tǒng)實現(xiàn) 288
9.4.1　系統(tǒng)功能需求 288
9.4.2　系統(tǒng)總體構(gòu)架 289
9.4.3　數(shù)據(jù)庫構(gòu)建 289
9.4.4　系統(tǒng)功能實現(xiàn) 291
參考文獻 296