滚动轴承性能退化评估与剩余寿命预测

　　本书共分9章。第1章为绪论，简要介绍国内外关于滚动轴承的特征提取、智能故障诊断、性能退化评估以及剩余使用寿命预测技术等方法；第2章主要针对滚动轴承进行了振动机理分析、故障特征分析，并对滚动轴承的动力学特性进行了研究；第3章介绍滚动轴承振动信号的时域、频域、时频域特征提取方法，特征优选方法，以及基于深度学习的特征学习方法；第4章介绍将振动信号转换为图像信号后，使用VGGNetl6、迁移学习、WGAN等方法的滚动轴承故障诊断方法；第5章介绍基于支持向量机与单分类支持向量机等优化模型后的滚动轴承性能退化评估方法；第6章介绍基于支持向量数据描述方法的滚动轴承性能退化评估方法；第7章介绍基于概率建模、基于边界距离和基于融合概率建模边界距离的三种滚动轴承性能退化评估方法；第8章介绍基于径向基神经网络的滚动轴承性能退化评估方法与剩余寿命预测方法；第9章介绍结合卷积注意力与长短时记忆网络的滚动轴承剩余寿命预测方法。

暂缺《滚动轴承性能退化评估与剩余寿命预测》作者简介

第1章 绪论
1.1 滚动轴承振动信号的特征提取
1.2 滚动轴承故障的智能诊断
1.3 性能退化评估技术
1.4 剩余使用寿命(RUL)预测技术
本章参考文献
第2章 滚动轴承振动机理及动力学特性研究
2.1 引言
2.2 滚动轴承故障振动机理及故障特征分析
2.3 滚动轴承滑移接触下振动特性研究
本章参考文献
第3章 基于振动信息的特征提取
3.1 引言
3.2 多域特征指标
3.3 多尺度特征提取
3.4 特征降维与选择
3.5 基于深度学习的特征提取方法
本章参考文献
第4章 基于时频图像与卷积神经网络的滚动轴承故障诊断方法
4.1 引言
4.2 基于时频图像与VGGNet的滚动轴承故障诊断方法
4.3 基于迁移学习的深度残差网络的滚动轴承故障诊断方法
4.4 基于数据驱动的改进生成对抗网络的滚动轴承故障诊断方法
本章参考文献
第5章 基于支持向量机的滚动轴承性能退化评估方法
5.1 引言
5.2 基于GA-SVM的滚动轴承性能退化评估方法
5.3 基于SDAE-OCSVM的滚动轴承性能退化评估方法
5.4 基于PSO-OCSVM的滚动轴承性能退化评估方法
本章参考文献
第6章 基于支持向量数据描述的滚动轴承性能退化评估方法
6.1 引言
6.2 支持向量数据描述方法
6.3 基于自适应SVDD的滚动轴承性能退化评估方法
6.4 结合VMD符号熵与SVDD方法的滚动轴承性能退化评估方法
本章参考文献
第7章 融合概率建模与边界距离的滚动轴承性能退化评估方法
7.1 引言
7.2 基于概率建模的性能退化评估方法
7.3 基于边界距离的性能退化评估方法
7.4 融合概率建模与边界距离的滚动轴承性能退化评估方法
本章参考文献
第8章 基于径向基的轴承性能退化评估与寿命预测方法
8.1 引言
8.2 RBF神经网络
8.3 基于RBF模型的性能退化评估
8.4 基于RBF模型与优化Wiener模型的轴承寿命预测
本章参考文献
第9章 基于卷积注意力长短时记忆网络的轴承寿命预测方法
9.1 引言
9.2 CAN模型
9.3 LSTM神经网络
9.4 基于CAN-LSTM模型的剩余寿命预测方法
9.5 实验结果与分析
本章参考文献