滾動軸承故障定量分析與智能診斷

目錄
序
前言
第1章 緒論 1
1.1 滾動軸承動力學模型及故障機理 1
1.2 特征提取與定量診斷方法 3
1.3 趨勢分析與預測方法 4
1.4 智能診斷技術 5
參考文獻 7
第2章 動力學模型及故障機理研究 15
2.1 滾動軸承動力學模型 15
2.1.1 軸承動力學模型 15
2.1.2 故障軸承動力學模型 18
2.2 故障軸承動力學響應特性 23
2.2.1 故障軸承單沖擊響應特性 23
2.2.2 故障軸承雙沖擊響應特性 25
2.2.3 故障軸承多沖擊響應特性 27
參考文獻 38
第3章 軸承定量診斷方法 39
3.1 階躍-沖擊字典匹配追蹤算法 39
3.1.1 階躍-沖擊字典的構造 39
3.1.2 階躍-沖擊字典匹配追蹤算法步驟 45
3.1.3 仿真及試驗驗證 46
3.2 級聯(lián)字典匹配追蹤算法 48
3.2.1 級聯(lián)字典的構造 49
3.2.2 級聯(lián)字典匹配追蹤算法步驟 50
3.2.3 仿真及試驗驗證 51
3.3 改進形態(tài)濾波定量診斷算法 57
3.3.1 形態(tài)濾波算法 57
3.3.2 改進沖擊型結構元素 58
3.3.3 試驗驗證 58
3.4 開關卡爾曼濾波算法 62
3.4.1 開關卡爾曼濾波算法步驟 63
3.4.2 基于信號特征的濾波器模型 65
3.4.3 試驗驗證 68
參考文獻 70
第4章 定量趨勢分析與預測方法 72
4.1 基于Lempel-Ziv復雜度的趨勢分析 72
4.1.1 Lempel-Ziv復雜度計算方法 72
4.1.2 基于匹配追蹤算法與Lempel-Ziv復雜度的定量趨勢分析 74
4.1.3 基于Sparsogram與Lempel-Ziv復雜度的定量趨勢分析 81
4.1.4 基于Protrugram與Lempel-Ziv復雜度的定量趨勢分析 86
4.2 基于多尺度排列熵與形態(tài)濾波的趨勢分析 90
4.2.1 多尺度排列熵計算方法 90
4.2.2 基于形態(tài)濾波和AMPE的趨勢診斷 95
4.3 基于卡爾曼濾波的趨勢預測 107
4.3.1 開關無跡卡爾曼濾波算法 107
4.3.2 軸承多狀態(tài)濾波器模型 110
4.3.3 軸承試驗數據分析 112
參考文獻 114
第5章 智能診斷方法 115
5.1 模糊神經網絡智能診斷方法 115
5.1.1 逐次診斷算法 115
5.1.2 基于可能性理論的故障信息提取 118
5.1.3 基于模糊神經網絡的智能診斷模型 120
5.2 多源數據灰度特征圖像智能診斷方法 124
5.2.1 多源數據灰度特征圖像構造算法 124
5.2.2 瓶頸層優(yōu)化的卷積神經網絡模型 125
5.2.3 試驗驗證 127
5.3 多源數據彩色特征圖像智能診斷方法 133
5.3.1 多源數據彩色特征圖像構造算法 133
5.3.2 改進卷積神經網絡故障診斷模型 134
5.3.3 試驗驗證 134
5.4 多源數據一維膨脹卷積智能診斷方法 141
5.4.1 深度學習基本算法 141
5.4.2 FAC-CNN智能診斷模型 144
5.4.3 試驗驗證 146
參考文獻 151