滚动轴承故障诊断与寿命预测 王奉涛,苏文胜 著 大中专 文轩网

第1章绪论1
1.1滚动轴承简介1
1.1.1滚动轴承的特点1
1.1.2滚动轴承的结构1
1.2滚动轴承故障诊断2
1.2.1常见失效形式2
1.2.2故障诊断方法4
1.3滚动轴承寿命预测5
1.3.1滚动轴承寿命预测5
1.3.2寿命预测方法5
1.4研究现状7
1.4.1故障诊断研究现状7
1.4.2寿命预测研究现状9
参考文献10
第一部分降噪方法
第2章EMD降噪方法13
2.1EMD的基本原理和性质13
2.1.1EMD的基本原理13
2.1.2EMD的完备性和正交性15
2.2基于阈值处理的EMD降噪16
2.3基于滤波处理的EMD降噪17
2.4两种EMD降噪方法的性能比较19
2.5应用实例21
参考文献23
第3章双树复小波域隐Markov树模型降噪方法25
3.1小波变换的理论基础与性质25
3.1.1离散小波变换25
3.1.2复小波变换26
3.1.3双树复小波变换27
3.1.4DT-CWT的滤波器设计28
3.1.5DT-CWT的平移不变性分析实例30
3.2小波域隐Markov树模型30
3.2.1隐Markov模型31
3.2.2HMT模型的原理32
3.3双树复小波域隐Markov树降噪模型37
3.3.1DTCWT_HMT1法37
3.3.2DTCWT_HMT2法37
3.4应用实例37
3.4.1仿真信号37
3.4.2实际信号42
参考文献43
第4章对偶树复小波流形域降噪方法45
4.1理论基础45
4.2对偶树复小波流形域降噪46
4.2.1对偶树复小波流形域降噪原理46
4.2.2DTCWT_MVU降噪方法步骤47
4.3应用实例48
4.3.1DTCWT_MVU方法仿真验证48
4.3.2DTCWT_MVU方法性能讨论50
4.3.3DTCWT_MVU方法的工程应用55
参考文献56
第二部分特征提取
第5章基于振动信号的特征提取59
5.1时域和频域特征参数提取59
5.1.1时域特征参数提取59
5.1.2频域特征参数提取61
5.2时频域特征参数提取62
5.2.1小波包理论62
5.2.2EMD理论63
5.3样本熵的特征参数提取64
参考文献65
第6章Morlet小波和自相关增强特征提取66
6.1Morlet小波滤波器的优化问题66
6.1.1连续小波变换66
6.1.2Morlet小波滤波器67
6.1.3很优参数选择策略67
6.2遗传算法69
6.2.1染色体表示70
6.2.2初始化种群71
6.2.3适应度函数71
6.2.4遗传操作71
6.3自相关增强算法72
6.3.1自相关运算72
6.3.2自相关包络功率谱72
6.3.3扩展Shannon熵函数72
6.3.4方法73
6.4应用实例73
6.4.1仿真结果73
6.4.2试验台数据结果75
6.4.3实际故障轴承结果78
参考文献80
第7章张量流形特征提取82
7.1理论基础82
7.1.1HHT时频谱82
7.1.2张量流形理论83
7.2张量流形时频故障特征提取85
7.2.1方法的原理及步骤85
7.2.2时频特征参数的定义86
7.3应用实例87
7.3.1故障信号的HHT时频特征87
7.3.2张量流形时频特征参数提取90
参考文献95
第8章小波包样本熵特征提取97
8.1理论基础97
8.1.1熵概念的发展及泛化97
8.1.2样本熵100
8.1.3小波包分解103
8.2小波包样本熵的特征提取104
8.2.1小波包样本熵的特征提取方法104
8.2.2实际信号分析104
参考文献106
第三部分故障诊断
第9章谱峭度故障诊断方法108
9.1谱峭度的定义108
9.2谱峭度故障诊断方法108
9.2.1谱峭度检测轴承故障的物理解释108
9.2.2峭度图109
9.2.3EMD降噪和谱峭度法的滚动轴承故障诊断步骤109
9.3工程实例110
参考文献111
第10章相空间ICA故障诊断方法112
10.1基本理论112
10.2相空间重构ICA方法112
10.2.1相空间重构ICA的详细步骤112
10.2.2相空间重构及参数选择113
10.3应用实例116
10.3.1传统信号处理方法提取早期故障的能力117
10.3.2相空间ICA提取早期故障特征信息118
参考文献121
第11章深度学习故障诊断方法123
11.1理论基础123
11.1.1卷积神经网络123
11.1.2受限玻尔兹曼机124
11.1.3自动编码器模型125
11.1.4深度自动编码网络127
11.2结合核函数与自动编码器的深度学习127
11.2.1基于核函数的自动编码器127
11.2.2核函数选择128
11.2.3方法流程129
11.3航空发动机中介轴承诊断实例130
11.3.1试验台130
11.3.2试验结果分析132
参考文献135
第四部分寿命预测
第12章流形和模糊聚类轴承性能退化监测137
12.1理论基础138
12.1.1模糊C均值聚类138
12.1.2LLE流形算法138
12.2流形和模糊聚类轴承性能退化监测139
12.2.1监测方法的流程及步骤139
12.2.2监测方法的关键问题分析140
12.3仿真验证143
12.3.1滚动轴承性能特征提取143
12.3.2流形特征的本征维数147
12.3.3流形特征的性能讨论147
12.3.4内环性能退化评估150
12.4应用实例150
12.4.1滚动轴承性能退化实验台介绍151
12.4.2滚动轴承全寿命周期时域特征监测结果152
12.4.3基于流形和模糊聚类的滚动轴承性能退化监测153
参考文献155
第13章基于威布尔比例故障率模型的寿命预测156
13.1威布尔比例故障率模型156
13.1.1威布尔比例故障率模型156
13.1.2威布尔比例故障率模型的参数估计156
13.1.3剩余寿命预测157
13.2趋势预测理论158
13.2.1灰色系统理论的原理及应用158
13.2.2GM(1，1)预测模型的建模过程158
13.2.3GM(1，1)模型适用要求160
13.3可靠性评估161
13.4寿命预测162
13.4.1趋势预测方法研究162
13.4.2趋势预测165
13.4.3剩余寿命预测167
13.5应用实例168
13.5.1滚动轴承试验台介绍168
13.5.2滚动轴承性能退化高维特征集构建168
13.5.3滚动轴承核主元的性能退化评估170
13.5.4剩余寿命预测172
参考文献174
第14章基于改进Logistic回归模型的寿命预测175
14.1Logistic回归模型175
14.1.1二项分类Logistic回归模型175
14.1.2多项分类Logistic回归模型176
14.1.3回归参数的估计176
14.1.4改进Logistic回归模型177
14.2改进Logistic回归模型轴承寿命预测177
14.2.1特征量选取178
14.2.2主元分析(PCA)179
14.2.3基本算法流程180
14.3应用实例181
14.3.1试验设备181
14.3.2获取有效特征值和相对特征值181
14.3.3PCA降维与退化趋势分析183
14.3.4可靠性评估与剩余寿命预测184
参考文献186
第15章基于长短期记忆网络的寿命预测187
15.1基础理论187
15.1.1循环神经网络RNN187
15.1.2LSTM神经网络预测模型187
15.2方法步骤188
15.3滚动轴承特征参数集的构建189
15.3.1滚动轴承试验台介绍189
15.3.2轴承特征参数评价指标190
15.3.3轴承特征参数提取190
15.3.4寿命预测结果分析194
参考文献196