第1章 故障特征提取基础
1.1 机械故障振动机理
1.1.1 滚动轴承故障振动机理和故障信号特征
1.1.2 齿轮故障振动机理和振动信号特征
1.2 振动分析诊断技术的研究现状
第2章 振动故障稀疏特征提取技术
2.1 信号稀疏表示理论
2.1.1 稀疏系数求解算法
2.1.2 字典构造方式
2.2 基于稀疏表示的机械故障特征提取方法
2.2.1 特征提取原理
2.2.2 改进型K-SVD字典学习算法
2.2.3 特征提取步骤
2.3 滚动轴承振动故障特征提取应用实践
第3章 振动故障量子化稀疏特征提取技术
3.1 量子进化理论
3.1.1 量子进化算法
3.1.2 改进版量子进化理论
3.2 基于量子进化的振动故障稀疏特征提取方法
3.2.1 基于量子进化算法的信号稀疏分解流程
3.2.2 基于IQEA的稀疏特征提取
3.3 滚动轴承振动故障的量子化稀疏特征提取应用实践
3.3.1 数值仿真实验
3.3.2 故障轴承振动信号的稀疏分解实验
第4章 基于可调品质因子小波变换的振动故障特征提取技术
4.1 可调品质因子小波变换理论
4.1.1 Q因子概述
4.1.2 TQWT基本理论
4.1.3 TQWT的滤波原理
4.2 基于可调品质因子小波变换的振动故障特征提取方法
4.2.1 提取指标的选取—谱峭度
4.2.2 特征提取步骤
4.2.3 仿真分析
4.3 滚动轴承振动故障特征提取应用实践
第5章 基于集合经验模态分解的振动故障特征提取技术
5.1 集合经验模态分解理论
5.2 基于集合经验模态分解的振动故障特征提取方法
5.2.1 自相关函数及其能量集中比
5.2.2 分界点K值和软阈值函数的确
5.2.3 仿真实验
5.3 滚动轴承振动故障特征提取应用实践
第6章 基于组稀疏分类的智能诊断技术
6.1 信号组稀疏分类理论
6.1.1 稀疏分类(SRC)
6.1.2 SRC对机械振动信号分类的不足
6.1.3 组稀疏分类(GSRC)
6.1.4 快速求解算法
6.2 基于组稀疏分类的故障诊断方法
6.2.1 诊断原理
6.2.2 诊断步骤
6.2.3 仿真分析
6.3 滚动轴承故障诊断应用实践
6.3.1 轴承诊断分析
6.3.2 齿轮诊断分析
6.3.3 讨论
第7章 基于变换域组稀疏分类的智能诊断技术
7.1 信号变换域组稀疏分类理论
7.1.1 基于稀疏表示分类(SRC)及其变
7.1.2 基于变换域稀疏表示的分类(TDSRC)
7.2 基于频域组稀疏分类的滚动轴承故障诊断方法
7.3 滚动轴承故障诊断应用实践
7.4 基于小波域组稀疏分类的齿轮箱故障诊断方法
7.4.1 小波包变换原理
7.4.2 基于小波包系数稀疏分类的复合故障诊断方法
7.4.3 性能测试
7.5 齿轮箱复合故障诊断应用实践
第8章 基于卷积神经网络的智能诊断技术
8.1 卷积神经网络理论
8.1.1 全谱傅里叶变换
8.1.2 阶谱
8.1.3 1D-CNN
8.2 基于一维卷积神经网络的智能诊断方法
8.2.1 原始数据预处理
8.2.2 阶谱特征的构建
8.2.3 1D-CNN的构建
8.2.4 网络的训练
8.3 基于一维卷积经网络的滚动轴承智能诊断应用实践
8.3.1 实验设置
8.3.2 构建实验数据集
8.3.3 实验结果及讨论
8.3.4 对比其他方法
参考文献
展开
