本书围绕滚动轴承故障特征快速提取方法及应用展开研究。首先阐述滚动轴承故障诊断的意义、振动特性分析基础及关键问题研究现状。然后提出三种故障特征提取方法：基于IFNLM和SHO-AEO的方法，先优化NLM降噪算法，推导SHO-AEO算子，经仿真和实验验证其有效性；基于HTFIF和k-SDAEO的方法，介绍HTFIF、L-KCA指标及k-SDAEO算子，通过仿真和实验展示其性能；基于SOSO增强技术的方法，实现IFNLM去噪算法增强，推导SHFWEO算子并验证。还给出振动筛轴承单点和复合故障诊断实例，对比不同诊断方法和能量算子。最后总结成果并对滚动轴承故障诊断方法发展进行探讨，为相关领域研究提供参考。

前言
1 概述
1.1 滚动轴承故障诊断的意义
1.2 滚动轴承振动特性分析基础
1.2.1 滚动轴承振动源及信号特征
1.2.2 滚动轴承故障振动信号特点
1.3 滚动轴承故障诊断中几个关键问题的硏究现状
1.3.1 信号降噪方法的研究现状
1.3.2 特征增强方法的研究现状
1.3.3 解调方法的研究现状
1.3.3 早期微弱故障诊断的研究现状
2 基于IFNLM和SHO-AEO的轴承故障特征快速提取
2.1 NLM降噪算法
2.2 改进的快速NLM 降噪算法
2.2.1 相似性度量标准的优化
2.2.2 改进的核函数
2.2.3 IFNLM基本参数设置
2.2.4 IFNLM算法的性能分析
2.3 基本能量算子回顾
2.3.1 Teager能量算子
2.3.2 对称差分能量算子（SDEO）
2.3.3 解析能量算子（AEO）
2.4 对称高阶差分解析能量算子（SHO-AEO）
2.4.1 SHO-AEO的理论推导
2.4.2 SHO-AEO阶次m的确定
2.4.3 SHO-AEO解调性能
2.5 IFNLM-SHOAEO方法的技术路线
2.6 仿真验证和分析
2.6.1 低噪声水平的轴承故障特征提取
2.6.2 中等噪声水平的轴承故障特征提取
2.6.3 高噪声水平的轴承故障特征提取
2.7 实验验证和分析
2.7.1 内圈故障特征提取
2.7.2 外圈故障特征提取
2.8 本章小结
3 基于HTFIF和k-SDAEO的轴承故障特征快提取
3.1 硬阈值快速迭代滤波HTFIF
3.1.1 HTFIF基本理论
3.1.2 性能比较
3.2 敏感IMF选择的L-KCA指标
3.2.1 L-KCA基本理论
3.2.2 性质讨论
3.3 k值改进的对称差分解析能量算子
3.3.1 k-SDAEO的基本原理
3.3.2 k-SDAEO的信噪比增强
3.4 所提HTFIF-k-SDAEO方法的步骤
3.5 仿真验证和分析
3.5.1 故障轴承的模拟信号
3.5.2 低噪声水平的轴承故障特征提取
3.5.3 高噪声水平的轴承故障特征提取
3.5.4 高噪声水平和谐波干扰并存的故障特征提取
3.6 实验验证和分析
3.6.1 实验装置
3.6.2 外圈故障特征提取
3.6.3 内圈故障特征提取
3.6.4 滚动体故障特征提取
3.7 本章小结
4 基于SOSO增强技术的滚动轴承微弱故障特征提取
4.1 增强算法的技术背景
4.2 IFNLM去噪算法的SOSO增强
4.2.1 SOSO_IFNLM增强算法的实现
4.2.2 SOSO增强算法的性能
4.3 对称高阶频率加权能量算子
4.3.1 SHFWEO理论推导
4.3.2 SHFWEO性质讨论
4.4 SOSO_IFNLM-SHFWEO的技术路线
4.5 仿真验证和分析
4.6 实验验证和分析
4.6.1 实验一
4.6.2 实验二
4.7 本章小结
5 振动筛轴承单点故障诊断案列
5.1 振动筛试验平台
5.1.1 振动筛的结构和工作原理
5.1.2 直线振动筛轴承受力分析
5.1.3 振动信号采集系统
5.2 激振器轴承故障诊断试验
5.2.1 试验内容
5.2.2 数据采集
5.2.3 试验结果分析
5.3 基于激振器故障轴承的算法比较
5.3.1 三种诊断方法的比较
5.3.2 三种能量算子的比较
5.4 本章小结
6 基于振动筛的复合故障诊断实例
6.1 SOSO_IFNLM-HTFIF-SHFWEO复合故障诊断方法
6.2 k-SHFWEO的理论推导
6.3 振动筛轴承复合故障诊断实验
6.4 本章小结
7 滚动轴承故障诊断方法发展探讨
7.1 成果总结
7.2 发展探讨
参考文献