本书以液压传动系统的“动力心脏”——液压轴向柱塞泵为研究对象，融合数据挖掘、深度学习等智能科学，将机械故障诊断问题转化为时频特征图像智能分类识别问题，重点探究了连续小波变换、同步压缩小波变换、S变换、卷积神经网络、贝叶斯优化等基础理论与关键技术，提出多种将时频变换与改进卷积神经网络模型相融合的智能故障诊断方法。基于液压轴向柱塞泵的振动、声音、压力等多源异构信号，系统研究和分析了不同融合方法的诊断精度、鲁棒性及泛化能力,旨在为液压轴向柱塞泵的智能故障诊断与健康管理提供理论依据，提升液压轴向柱塞泵的智能化和可靠性。 本书是作者长期从事液压元件及系统智能故障诊断研究工作的结晶，适合从事液压元件及系统智能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参考书。

前言
第1章绪论1
1.1研究背景及意义1
1.2国内外研究现状及分析3
1.2.1传统故障诊断方法研究现状3
1.2.2现代智能故障诊断方法研究现状4
1.2.3泵类旋转机械故障诊断方法研究现状7
1.3研究问题的提出10
第2章液压轴向柱塞泵智能故障诊断方法构建11
2.1引言11
2.2轴向柱塞泵典型故障机理分析11
2.2.1正常状态11
2.2.2松靴故障11
2.2.3滑靴与斜盘磨损故障12
2.2.4中心弹簧失效故障12
2.3时频分析方法12
2.3.1连续小波变换(CWT)12
2.3.2同步压缩小波变换(SWT)13
2.3.3S变换(ST)14
2.4卷积神经网络(CNN)15
2.4.1卷积神经网络的基本结构15
2.4.2卷积神经网络的训练流程17
2.5贝叶斯优化算法20
2.6时频分析与CNN相融合的智能故障诊断方法构建21
2.6.1融合方法构建21
2.6.2故障诊断流程22
2.7本章小结24
第3章液压轴向柱塞泵试验数据采集及故障样本构建25
3.1引言25
3.2试验系统组成25
3.2.1硬件系统组成25
3.2.2数据采集系统组成26
3.2.3故障元件设置27
3.3试验数据采集29
3.3.1数据采集方案29
3.3.2振动信号采集30
3.3.3声音信号采集30
3.3.4压力信号采集31
3.4试验数据时频域变换33
3.4.1振动信号时频域变换33
3.4.2声音信号时频域变换35
3.4.3压力信号时频域变换37
3.5故障样本构建39
3.5.1多源信号时频特征样本库构建39
3.5.2故障样本划分及标签配置43
3.6本章小结44
目录第4章CWT与改进LeNet 5模型相融合的智能故障诊断方法45
4.1引言45
4.2LeNet 5卷积神经网络模型的改进45
4.3振动信号CWT时频特征与改进LeNet 5模型相融合的诊断
结果46
4.3.1学习率对诊断结果的影响46
4.3.2训练轮次对诊断结果的影响49
4.3.3批量尺寸对诊断结果的影响50
4.3.4卷积核个数对诊断结果的影响52
4.3.5卷积核尺寸对诊断结果的影响53
4.3.6诊断模型训练参数和结构参数的验证54
4.3.7诊断模型对比验证57
4.3.8基于贝叶斯优化算法的诊断模型参数优化59
4.4声音信号CWT时频特征与改进LeNet 5模型相融合的诊断
结果63
4.4.1学习率对诊断结果的影响63
4.4.2训练轮次对诊断结果的影响66
4.4.3批量尺寸对诊断结果的影响67
4.4.4卷积核个数对诊断结果的影响68
4.4.5卷积核尺寸对诊断结果的影响70
4.4.6诊断模型训练参数和结构参数的验证70
4.4.7诊断模型对比验证72
4.4.8基于贝叶斯优化算法的诊断模型参数优化74
4.5压力信号CWT时频特征与改进LeNet 5模型相融合的诊断
结果78
4.5.1学习率对诊断结果的影响78
4.5.2训练轮次对诊断结果的影响81
4.5.3批量尺寸对诊断结果的影响81
4.5.4卷积核个数对诊断结果的影响83
4.5.5卷积核尺寸对诊断结果的影响84
4.5.6诊断模型训练参数和结构参数的验证84
4.5.7诊断模型对比验证87
4.5.8基于贝叶斯优化算法的诊断模型参数优化89
4.6本章小结93
第5章CWT与改进AlexNet模型相融合的智能故障诊断方法95
5.1引言95
5.2AlexNet卷积神经网络模型的改进95
5.3振动信号CWT时频特征与改进AlexNet模型相融合的诊断
结果96
5.3.1学习率对诊断结果的影响96
5.3.2训练轮次对诊断结果的影响99
5.3.3Dropout比率对诊断结果的影响99
5.3.4批量尺寸对诊断结果的影响101
5.3.5卷积核个数对诊断结果的影响102
5.3.6卷积核尺寸对诊断结果的影响104
5.3.7诊断模型训练参数和结构参数的验证105
5.3.8诊断模型对比验证108
5.3.9基于贝叶斯优化算法的诊断模型参数优化111
5.4声音信号CWT时频特征与改进AlexNet模型相融合的诊断
结果116
5.4.1学习率对诊断结果的影响116
5.4.2训练轮次对诊断结果的影响118
5.4.3Dropout比率对诊断结果的影响119
5.4.4批量尺寸对诊断结果的影响120
5.4.5卷积核个数对诊断结果的影响122
5.4.6卷积核尺寸对诊断结果的影响123
5.4.7诊断模型训练参数和结构参数的验证123
5.4.8诊断模型对比验证126
5.4.9基于贝叶斯优化算法的诊断模型参数优化130
5.5压力信号CWT时频特征与改进AlexNet模型相融合的诊断
结果134
5.5.1学习率对诊断结果的影响134
5.5.2训练轮次对诊断结果的影响136
5.5.3Dropout比率对诊断结果的影响137
5.5.4批量尺寸对诊断结果的影响138
5.5.5卷积核个数对诊断结果的影响140
5.5.6卷积核尺寸对诊断结果的影响142
5.5.7诊断模型训练参数和结构参数的验证142
5.5.8诊断模型对比验证145
5.5.9基于贝叶斯优化算法的诊断模型参数优化148
5.6本章小结153
第6章SWT与改进LeNet 5模型相融合的智能故障诊断
方法1546.1引言154
6.2振动信号SWT时频特征与改进LeNet 5模型相融合的诊断
结果154
6.2.1基于贝叶斯优化算法的诊断模型参数优化154
6.2.2融合方法对比验证157
6.3声音信号SWT时频特征与改进LeNet 5模型相融合的诊断
结果158
6.3.1基于贝叶斯优化算法的诊断模型参数优化158
6.3.2融合方法对比验证161
6.4压力信号SWT时频特征与改进LeNet 5模型相融合的诊断
结果162
6.4.1基于贝叶斯优化算法的诊断模型参数优化162
6.4.2融合方法对比验证165
6.5本章小结166
第7章SWT与改进AlexNet模型相融合的智能故障诊断方法168
7.1引言168
7.2振动信号SWT时