《21世纪液压气动使用维修经典图书系列：液压故障的智能信息诊断与监测》系统地阐述了近年来液压系统故障诊断领域新发展的各种理论及方法，这些理论及方法已经通过了液压系统的故障诊断实验进行了有效的验证。全书共分为13章，深入浅出地介绍了各种新方法及应用。《21世纪液压气动使用维修经典图书系列：液压故障的智能信息诊断与监测》的主要内容包括：基于AR模型最佳阶次选择的功率谱分析方法；对几种常用的频谱细化方法进行了对比分析；基于Hilbert Huang变换的故障特征提取方法；基于Morlet复解析小波簇的带通滤波和包络解调新方法；通过利用轴向柱塞泵出口压力信号的关联维数进行液压泵故障诊断的方法；基于最大Lyapunov指数分析的故障诊断方法；研制了一套基于MCGS组态软件的油液污染度在线监测系统；松散型小波神经网络和紧凑型小波神经网络两种故障诊断方法；证据理论和神经网络相结合的智能故障诊断方法；研究了幅值域和时频域的特征向量提取方法；免疫支持向量机复合的故障诊断方法；基于粗糙集理论的启发式属性约简算法。《21世纪液压气动使用维修经典图书系列：液压故障的智能信息诊断与监测》适用于从事设备状态监测和故障诊断工作的工程技术人员阅读，也可作为高等学校相关专业研究生的教材或参考用书。

前言
第1章 绪论
1.1 液压系统故障诊断技术的发展历程
1.2 液压系统故障诊断技术的研究现状
1.3 液压系统故障诊断技术的发展趋势
1.4 液压系统故障检测与诊断新方法
1.4.1 神经网络技术方法
1.4.2 支持向量机方法
1.4.3 混沌分形理论方法
1.4.4 Lyapunov指数及关联维数方法
1.4.5 信息融合技术方法
1.4.6 人工免疫系统方法
1.4.7 贝叶斯网络方法
1.4.8 小波理论方法
1.4.9 频谱细化分析方法
1.4.10 Hilbert Huang变换方法
1.5 本书的主要内容
参考文献

第2章 基于AR模型的功率谱估计及在故障检测中的应用
2.1 常用频谱估计方法
2.1.1 常用的几种谱估计方法
2.1.2 傅里叶变换技术
2.1.3 自回归模型
2.1.4 Prony复极点模型
2.1.5 最大似然谱估计法
2.2 AR模型参数的计算方法及阶次选择
2.2.1 AR模型参数计算方法
2.2.2 AR模型阶次选择
2.2.3 AR模型阶次功率谱的仿真算例
2.3 干式真空泵及其常见故障
2.3.1 干式真空泵
2.3.2 干式真空泵常见的故障形式
2.3.3 轴承常见故障及其诊断方法
2.4 AR模型功率谱估计方法在干式真空泵故障诊断中的应用
2.4.1 干式真空泵信号采集及故障诊断实验
2.4.2 基于AR模型的功率谱分析法的干式真空泵故障诊断
参考文献

第3章 频谱细化方法及在故障诊断中的应用
3.1 时域和频域分析方法
3.1.1 傅里叶分析
3.1.2 小波分析
3.2 频谱细化分析的理论方法
3.2.1 频谱细化分析方法
3.2.2 几种频谱细化分析方法的比较
3.3 频谱细化方法在真空泵轴承故障诊断中的应用
3.3.1 小波簇变换频谱细化方法的应用
3.3.2 FFT FS频谱细化方法的应用
3.3.3 结果分析
参考文献

第4章 Hilbert Huang变换在故障诊断中的应用
4.1 Hilbert Huang变换的基本原理
4.1.1 Hilbert Huang变换中的基本概念
4.1.2 Hilbert Huang变换算法实现过程
4.1.3 Hilbert Huang变换存在的问题
4.2 EMD算法的改进
4.2.1 采样频率对EMD分解的影响及其改进
4.2.2 EMD筛选算法的改进
4.2.3 EMD的端点效应及其改进方法
4.3 Hilbert Huang变换在真空泵故障诊断中的应用
4.3.1 实验信号采集
4.3.2 传统的Hilbert变换包络解调方法在真空泵故障诊断中的应用
4.3.3 Hilbert Huang变换在真空泵故障诊断中的应用
参考文献

第5章 小波簇包络解调方法在故障诊断中的应用
5.1 包络解调方法的研究现状
5.2 振动监测技术
5.2.1 机械振动监测与分析技术
5.2.2 振动信号的分析与处理
5.3 基于复解析小波的包络解调方法
5.3.1 信号调制技术
5.3.2 解调原理
5.3.3 包络解调方法
5.3.4 复解析小波的带通滤波特性
5.3.5 复解析小波簇的包络解调方法
5.4 小波簇包络解调方法在故障诊断中的应用
5.4.1 小波簇包络解调方法在真空泵故障诊断中的应用
5.4.2 小波簇包络解调方法在液压泵故障诊断中的应用
参考文献

第6章 混沌分形理论在故障诊断中的应用
6.1 混沌及分形
6.1.1 混沌的特征
6.1.2 分形理论
6.2 关联维数分析
6.2.1 关联维数分析方法
6.2.2 几种典型信号的关联维数
6.3 基于分形理论的液压泵故障诊断的实验研究
6.3.1 实验条件
6.3.2 信号的小波消噪与特征提取
6.3.3 关联维数计算
6.3.4 结果分析
参考文献

第7章 基于Lyapunov指数分析的故障诊断方法
7.1 混沌运动及Lyapunov指数
7.1.1 混沌判别方法
7.1.2 Lyapunov指数
7.2 Lyapunov指数算法及其改进
7.2.1 标准QR分解算法
7.2.2 改进的QR分解算法
7.2.3 Lyapunov指数算法的实现
7.2.4 算法的比较
7.3 基于Lyapunov指数的混沌检测
7.3.1 杜芬方程的混沌特性
7.3.2 基于最大Lyapunov指数的微弱信号检测方法
7.4 基于最大Lyapunov指数法的液压泵故障诊断实验
7.4.1 基于杜芬方程的最大Lyapunov指数故障诊断
7.4.2 结果分析
参考文献

第8章 液压油污染度在线监测系统
8.1 油液污染监测技术
8.1.1 油液污染问题概述
8.1.2 油液污染度的评定与测定方法
8.1.3 油液污染检测技术的研究现状和发展趋势
8.2 油液污染控制技术
8.2.1 油液污染度的等级标准
8.2.2 油液的污染分析
8.2.3 油液的污染控制
8.2.4 油液的净化
8.3 在线监测装置研制
8.3.1 过滤的基本原理
8.3.2 过滤介质的选择
8.3.3 淤积法测量原理
8.3.4 恒功率淤积法测量原理
8.3.5 利用阀用直流电磁铁作为动力元件的可行性
8.3.6 颗粒尺寸分布对测量的影响
8.4 在线监测系统的硬件与软件实现
8.4.1 在线监测系统的方案
8.4.2 在线监测系统的功能及原理
8.4.3 硬件系统
8.4.4 在线监测系统的软件实现
8.5 在线监测系统的调试与实验
8.5.1 实验油样的配制
8.5.2 在线监测系统的调试
8.5.3 在线监测系统的实验
8.5.4 实验结果分析
参考文献

第9章 基于小波神经网络的故障诊断方法
9.1 人工神经网络
9.1.1 人工神经元模型应具备的要素
9.1.2 神经元之间的连接形式
9.1.3 BP网络学习算法及隐层的设计
9.1.4 BP神经网络应用实例
9.2 小波神经网络
9.2.1 小波神经网络原理
9.2.2 紧致型小波神经网络的结构
9.2.3 紧致型小波神经网络的学习算法
9.2.4 小波神经网络与传统的BP网络比较
9.2.5 小波神经网络应用实例
9.3 基于小波神经网络的液压泵故障诊断实验
9.3.1 实验条件及数据采集
9.3.2 基于松散型小波神经网络的液压泵故障诊断
9.3.3 基于紧致型小波神经网络的液压泵故障诊断
参考文献

第10章 证据理论和神经网络集成的信息融合故障诊断方法
10.1 数据融合技术
10.1.1 数据融合的基本原理
10.1.2 数据融合的定义
10.1.3 数据融合的层次
10.1.4 融合系统的模型结构
10.1.5 多传感器融合算法
10.2 证据理论和神经网络结合的诊断方法
10.2.1 信度函数
10.2.2 Dempster合成法则
10.2.3 基于证据理论的决策
10.2.4 证据理论的优缺点
10.2.5 证据理论和神经网络集成的数据融合诊断方法
10.3 轴向柱塞泵的故障诊断实验
10.3.1 液压泵的常见故障机理分析
10.3.2 常用信号数据源
10.3.3 神经网络证据理论液压泵诊断模型结构
10.3.4 局部诊断神经网络结构设计
10.3.5 神经网络证据理论液压泵诊断决策方法
10.3.6 基于神经网络和证据理论集成方法的液压泵诊断实验
参考文献

第11章 液压泵的故障特征提取及特征降维
11.1 液压泵的振动和声音信号处理
11.1.1 故障信号的采集方法
11.1.2 基于Hilbert变换的包络解调法
11.1.3 基于小波包带通滤波消噪的包络分析信号处理
11.1.4 柱塞泵松靴故障的信号处理
11.1.5 柱塞泵滑靴磨损故障的信号处理
11.1.6 柱塞泵中心弹簧失效故障的信号处理
11.2 故障特征向量提取方法
11.2.1 信号的幅值域特征提取
11.2.2 基于小波包的时频域特征提取
11.2.3 液压泵振动信号的幅值域特征提取
11.2.4 液压泵振动信号的时频域特征提取
11.3 主元分析在特征降维中的应用
11.3.1 主元分析方法
11.3.2 基于主元分析的故障检测方法
11.3.3 主元分析特征提取及降维实例分析
11.4 主元分析方法在故障检测中的应用
11.4.1 故障检测方法的实现过程
11.4.2 故障检测实例分析
参考文献

第12章 免疫机理与支持向量机复合的故障诊断方法
12.1 人工免疫机理
12.1.1 生物免疫系统
12.1.2 人工免疫系统的阴性选择算法
12.2 支持向量机
12.2.1 支持向量机的基本原理
12.2.2 支持向量机的特点
12.2.3 基于支持向量机故障诊断的基本步骤
12.2.4 支持向量机建立及分析
12.2.5 基于支持向量机的液压泵故障诊断分析
12.3 基于NS机理和SVM复合的故障诊断方法
12.3.1 传统分类算法的局限性
12.3.2 支持向量机的不足
12.3.3 NS与SVM复合故障诊断方法
12.3.4 诊断实例及分析
12.4 基于复合故障诊断方法的液压泵诊断实验及结果分析
12.4.1 基于虚拟仪器的液压泵故障诊断实验系统
12.4.2 斜盘式轴向柱塞泵典型故障分析
12.4.3 液压泵监测信号的采集与处理
12.4.4 轴向柱塞泵故障诊断实验及结果分析
参考文献

第13章 信息融合和贝叶斯网络集成的故障诊断方法
13.1 粗糙集理论在故障诊断中的应用
13.1.1 知识约简
13.1.2 决策表属性约简算法
13.1.3 多变量决策树的诊断规则提取方法
13.2 单传感器多特征信息融合的贝叶斯网络故障诊断方法
13.2.1 多传感器信息融合技术
13.2.2 基于贝叶斯参数估计算法的信息融合数学模型
13.2.3 贝叶斯网络
13.2.4 贝叶斯网络分类器
13.2.5 液压泵振动信号的故障诊断分析
13.3 多源传感器信息融合与贝叶斯网络集成的故障诊断方法
13.3.1 多源传感器信息融合与贝叶斯网络集成的故障诊断方法
13.3.2 液压泵多故障模式诊断的实验研究
参考文献