機(jī)械傳動(dòng)部件故障診斷與性能退化評(píng)估方法研究

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(hào)去噪的故障診斷方法

1.2.2基于流形學(xué)習(xí)的故障診斷方法

1.2.3基于深度學(xué)習(xí)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(cè)與性能退化評(píng)估方法

第2章滾動(dòng)軸承與齒輪振動(dòng)機(jī)理與故障特征分析

2.1引言

2.2滾動(dòng)軸承振動(dòng)機(jī)理與故障特征分析

2.2.1滾動(dòng)軸承振動(dòng)機(jī)理及類(lèi)型

2.2.2滾動(dòng)軸承特征頻率計(jì)算

2.2.3滾動(dòng)軸承故障振動(dòng)數(shù)學(xué)模型

2.2.4滾動(dòng)軸承振動(dòng)信號(hào)特性分析

2.2.5滾動(dòng)軸承損傷故障的包絡(luò)譜特征

2.3齒輪振動(dòng)機(jī)理與故障特征分析

2.3.1齒輪振動(dòng)機(jī)理

2.3.2齒輪故障振動(dòng)數(shù)學(xué)模型

2.3.3齒輪故障的邊頻帶特征和包絡(luò)譜特征

2.4軸振動(dòng)機(jī)理與故障特征分析

2.4.1軸振動(dòng)機(jī)理

2.4.2軸振動(dòng)故障特征

第3章振動(dòng)信號(hào)特征提取

3.1引言

3.2多域特征構(gòu)造方法

3.2.1時(shí)域特征

3.2.2頻域特征





3.2.3時(shí)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(jīng)驗(yàn)?zāi)B(tài)分解

3.4特征選擇方法

3.5基于流形學(xué)習(xí)的特征提取方法

3.5.1最大方差展開(kāi)

3.5.2局部線性嵌入

3.6基于深度學(xué)習(xí)的特征提取方法

3.6.1深度自動(dòng)編碼器

3.6.2深度信念網(wǎng)絡(luò)

3.6.3卷積神經(jīng)網(wǎng)絡(luò)

3.6.4長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)

第4章基于Teager能量譜多尺度信號(hào)分解的故障診斷方法

4.1引言

4.2集成經(jīng)驗(yàn)?zāi)B(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(shí)現(xiàn)方法

4.4Teager能量算子解調(diào)

4.4.1能量算子

4.4.2能量算子解調(diào)

4.5基于多尺度信號(hào)分析的故障診斷

4.5.1診斷流程

4.5.2實(shí)驗(yàn)與分析

第5章基于雙樹(shù)復(fù)小波包主流形重構(gòu)的故障診斷方法

5.1引言

5.2雙樹(shù)復(fù)小波包變換

5.2.1雙樹(shù)復(fù)小波包變換基本原理

5.2.2雙樹(shù)復(fù)小波包變換頻帶錯(cuò)位與重疊缺陷分析

5.2.3雙樹(shù)復(fù)小包變換缺陷的改進(jìn)

5.3基于雙樹(shù)復(fù)小波包主流形重構(gòu)的去噪方法

5.3.1閾值量化處理

5.3.2雙樹(shù)復(fù)小波包閾值去噪準(zhǔn)則

5.3.3t分布隨機(jī)近鄰嵌入算法

5.3.4主流形重構(gòu)

5.3.5基于雙樹(shù)復(fù)小波包主流形重構(gòu)的去噪流程

5.4基于雙樹(shù)復(fù)小波包主流形重構(gòu)的故障診斷

5.4.1故障診斷流程

5.4.2實(shí)驗(yàn)與分析

第6章基于自適應(yīng)流形學(xué)習(xí)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(yīng)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(yīng)鄰域參數(shù)的選擇

6.3.3實(shí)驗(yàn)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(shí)驗(yàn)與分析

第7章基于深度卷積變分自動(dòng)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(dòng)編碼的故障診斷

7.2.1變分自動(dòng)編碼理論

7.2.2深度卷積變分自動(dòng)編碼網(wǎng)絡(luò)結(jié)構(gòu)

7.2.3基于DCVAEN的故障診斷流程

7.2.4實(shí)驗(yàn)與分析

7.3基于遷移學(xué)習(xí)深度卷積變分自動(dòng)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(biāo)簽傳遞的無(wú)監(jiān)督模型遷移

7.4基于選擇性集成學(xué)習(xí)的深度卷積變分自動(dòng)編碼的故障診斷

7.4.1構(gòu)建模型

7.4.2選擇性集成學(xué)習(xí)方法流程

7.4.3實(shí)驗(yàn)與分析

第8章基于流形特征增強(qiáng)的狀態(tài)監(jiān)測(cè)與性能退化評(píng)估方法

8.1引言

8.2典型狀態(tài)監(jiān)測(cè)與性能退化評(píng)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(biāo)函數(shù)

8.3.2基于NLKOPE算法的狀態(tài)監(jiān)測(cè)與性能退化評(píng)估

8.4自適應(yīng)k參數(shù)非局部核正交保持投影算法

8.4.1目標(biāo)函數(shù)

8.4.2基于AkNLKOPP算法的狀態(tài)監(jiān)測(cè)與性能退化評(píng)估

8.5實(shí)驗(yàn)與分析

8.5.1故障檢測(cè)

8.5.2降維效果評(píng)估

8.5.3軸承性能退化評(píng)估

第9章總結(jié)與展望

9.1全書(shū)內(nèi)容總結(jié)

9.2展望

參考文獻(xiàn)