机械传动部件故障诊断与性能退化评估方法研究

　　《机械传动部件故障诊断与性能退化评估方法研究》针对多工况机械系统旋转部件的运行状态监测与故障诊断问题，通过采集机械设备的振动信号作为数据源，围绕振动信号的去噪、多域特征提取、状态监测以及故障识别方法开展了详细的理论及应用研究。本书详细阐述了小波理论、流形学习以及深度学习理论在机械故障诊断中的应用现状，介绍了这些方法在实际故障诊断中存在的问题。本书立足于状态监测和故障诊断技术的研究，通过对上述方法进行改进，提高诊断的精确性。

　　佘博，2012年于北京理工大学获得学士学位，2015年于海军大连舰艇学院获得硕士学位，现为海军工程大学兵器工程学院博士研究生，主要研究方向为机械设备状态监测与故障诊断。发表及录用论文9篇，国家发明专利1项，其中SCI1篇EI5篇，中文核心3篇。 梁伟阁，分别在2003年、2009年、2013年于海军工程大学获得学士、硕士和博士学位，现为海军工程大学兵器工程学院讲师，主要研究方向为信号处理及武器系统故障诊断。发表论文10余篇，其中EI收录7篇。 田福庆，分别在1982年、1987年、2006年于海军工程大学获得学士、硕士和博士学位，现为海军工程大学兵器工程学院教授、博士研究生导师，主要研究方向为信号处理及武器系统故障诊断。在国内外期刊发表论文40余篇，其中EI收录14篇，授权国家发明专利2项，获得军队科技进步二等奖1项和三等奖5项。

目录


第1章绪论

1.1背景概述

1.2智能诊断方法研究现状

1.2.1基于非平稳信号去噪的故障诊断方法

1.2.2基于流形学习的故障诊断方法

1.2.3基于深度学习的故障诊断方法

1.2.4决策融合诊断方法

1.2.5状态监测与性能退化评估方法

第2章滚动轴承与齿轮振动机理与故障特征分析

2.1引言

2.2滚动轴承振动机理与故障特征分析

2.2.1滚动轴承振动机理及类型

2.2.2滚动轴承特征频率计算

2.2.3滚动轴承故障振动数学模型

2.2.4滚动轴承振动信号特性分析

2.2.5滚动轴承损伤故障的包络谱特征

2.3齿轮振动机理与故障特征分析

2.3.1齿轮振动机理

2.3.2齿轮故障振动数学模型

2.3.3齿轮故障的边频带特征和包络谱特征

2.4轴振动机理与故障特征分析

2.4.1轴振动机理

2.4.2轴振动故障特征

第3章振动信号特征提取

3.1引言

3.2多域特征构造方法

3.2.1时域特征

3.2.2频域特征





3.2.3时频域特征

3.3多尺度特征提取方法

3.3.1小波分析

3.3.2经验模态分解

3.4特征选择方法

3.5基于流形学习的特征提取方法

3.5.1最大方差展开

3.5.2局部线性嵌入

3.6基于深度学习的特征提取方法

3.6.1深度自动编码器

3.6.2深度信念网络

3.6.3卷积神经网络

3.6.4长短时记忆神经网络

第4章基于Teager能量谱多尺度信号分解的故障诊断方法

4.1引言

4.2集成经验模态分解

4.2.1EEMD基本原理

4.2.2本征模函数的选择

4.2.3IMF分量阈值去噪

4.3最小熵解卷积

4.3.1基本概念

4.3.2实现方法

4.4Teager能量算子解调

4.4.1能量算子

4.4.2能量算子解调

4.5基于多尺度信号分析的故障诊断

4.5.1诊断流程

4.5.2实验与分析

第5章基于双树复小波包主流形重构的故障诊断方法

5.1引言

5.2双树复小波包变换

5.2.1双树复小波包变换基本原理

5.2.2双树复小波包变换频带错位与重叠缺陷分析

5.2.3双树复小包变换缺陷的改进

5.3基于双树复小波包主流形重构的去噪方法

5.3.1阈值量化处理

5.3.2双树复小波包阈值去噪准则

5.3.3t分布随机近邻嵌入算法

5.3.4主流形重构

5.3.5基于双树复小波包主流形重构的去噪流程

5.4基于双树复小波包主流形重构的故障诊断

5.4.1故障诊断流程

5.4.2实验与分析

第6章基于自适应流形学习的故障诊断方法

6.1引言

6.2多域特征提取方法

6.2.1故障特征

6.2.2故障特征选择方法

6.3自适应邻域参数选择的局部切空间排列算法

6.3.1局部切空间排列算法

6.3.2自适应邻域参数的选择

6.3.3实验与分析

6.4增量式监督局部切空间排列算法

6.4.1监督局部切空间排列算法

6.4.2增量式局部切空间排列算法

6.4.3增量式监督局部切空间排列算法步骤

6.4.4实验与分析

第7章基于深度卷积变分自动编码的故障诊断方法

7.1引言

7.2基于深度卷积变分自动编码的故障诊断

7.2.1变分自动编码理论

7.2.2深度卷积变分自动编码网络结构

7.2.3基于DCVAEN的故障诊断流程

7.2.4实验与分析

7.3基于迁移学习深度卷积变分自动编码的故障诊断

7.3.1基于小样本的监督模型迁移

7.3.2基于标签传递的无监督模型迁移

7.4基于选择性集成学习的深度卷积变分自动编码的故障诊断

7.4.1构建模型

7.4.2选择性集成学习方法流程

7.4.3实验与分析

第8章基于流形特征增强的状态监测与性能退化评估方法

8.1引言

8.2典型状态监测与性能退化评估方法

8.2.1核主成分分析

8.2.2局部保持投影算法

8.2.3正交邻域保持嵌入算法

8.3非局部核正交保持嵌入算法

8.3.1目标函数

8.3.2基于NLKOPE算法的状态监测与性能退化评估

8.4自适应k参数非局部核正交保持投影算法

8.4.1目标函数

8.4.2基于AkNLKOPP算法的状态监测与性能退化评估

8.5实验与分析

8.5.1故障检测

8.5.2降维效果评估

8.5.3轴承性能退化评估

第9章总结与展望

9.1全书内容总结

9.2展望

参考文献