123,123

內(nèi)容簡(jiǎn)介

　　齒輪箱工作中受外部環(huán)境干擾時(shí)，其故障特征易被噪聲淹沒。因此對(duì)故障信號(hào)進(jìn)行特征提取是齒輪箱故障診斷的重點(diǎn)和難點(diǎn)。本書從三個(gè)方面闡述故障特征的處理方法。在降噪算法上，通過對(duì)原有方法的自適應(yīng)改進(jìn)，分別提出自適應(yīng)基于短時(shí)傅里葉變換的維納（AWT-STFT）濾波器方法、自回歸滑動(dòng)平均模型和多點(diǎn)最優(yōu)最小反褶積調(diào)整（ARMA-MOMEDA）方法及自適應(yīng)奇異譜分解（ASSD）方法。針對(duì)時(shí)頻分析技術(shù)中存在模態(tài)混疊的問題，優(yōu)化奇異譜分解方法，提出基于多目標(biāo)粒子群優(yōu)化算法的自適應(yīng)變分模態(tài)分解（VMD）方法、基于自適應(yīng)混沌灰狼優(yōu)化（CGWO）算法、SG濾波器和改進(jìn)的拉普拉斯高斯（SGMLoG）濾波器算法。在智能故障診斷方面，提出基于復(fù)合多尺度極差熵的軸承故障特征提取方法及基于多局部均值的零階自主學(xué)習(xí)多模型分類器（MLMALMMo-0）的滾動(dòng)軸承故障識(shí)別方法。此外，還基于自適應(yīng)稀疏譜分解變分模態(tài)分解（ASSD-VMD）方法對(duì)滾動(dòng)軸承的早期故障進(jìn)行診斷與分析、基于自適應(yīng)濾波短時(shí)傅里葉變換（AWF-STFT）與自適應(yīng)奇異譜分解方法（SSD）對(duì)齒輪箱故障進(jìn)行診斷與分析。本書可供從事齒輪箱設(shè)計(jì)、使用和維護(hù)等相關(guān)領(lǐng)域工作的技術(shù)人員學(xué)習(xí)參考，也可供相關(guān)技術(shù)人員在日常齒輪箱設(shè)計(jì)、實(shí)驗(yàn)、維護(hù)等工作中使用，還可作為從事齒輪箱應(yīng)用技術(shù)工作的工程師的工作指導(dǎo)書。

作者簡(jiǎn)介

暫缺《齒輪箱新型故障診斷技術(shù)及案例分析》作者簡(jiǎn)介

圖書目錄

第1章齒輪箱故障類型及振動(dòng)機(jī)理
1.1 齒輪箱故障類型
1.2 齒輪的振動(dòng)特征分析
1.3 滾動(dòng)軸承的失效形式和振動(dòng)特性
1.3.1 滾動(dòng)軸承的基本結(jié)構(gòu)與失效形式
1.3.2 滾動(dòng)軸承的故障特征頻率
1.4 信號(hào)處理方法簡(jiǎn)述
1.4.1 時(shí)域處理法
1.4.2 頻域處理法
1.4.3 時(shí)頻域處理法
1.5 本章小結(jié)
第2章 AMADE在信號(hào)識(shí)別及AWF-STFT濾波器中的應(yīng)用研究
2.1 基于短時(shí)傅里葉變換的自適應(yīng)維納濾波器
2.1.1 維納濾波器原理
2.1.2 基于短時(shí)傅里葉變換的自適應(yīng)維納濾波器的特點(diǎn)
2.2 AMADE目標(biāo)函數(shù)
2.3 目標(biāo)函數(shù)確定
2.3.1 白噪聲
2.3.2 白噪聲和Chirp信號(hào)
2.3.3 白噪聲、Chirp信號(hào)和調(diào)制信號(hào)
2.4 生成樹算法
2.4.1 生成樹算法的優(yōu)化理論
2.4.2 種群數(shù)量的確定
2.5 目標(biāo)函數(shù)應(yīng)用
2.5.1 目標(biāo)函數(shù)在AWF-STFT中的應(yīng)用
2.5.2 目標(biāo)函數(shù)在信號(hào)識(shí)別中的應(yīng)用
2.6 本章小結(jié)
第3章基于ARMA模型的多點(diǎn)最優(yōu)最小反褶積調(diào)整的齒輪箱故障診斷
3.1 多點(diǎn)最優(yōu)最小反褶積調(diào)整方法的基本原理
3.1.1 MOMEDA基本原理
3.1.2 MOMEDA方法的局限性
3.1.3 ARMA算法原理
3.2 基于自回歸滑動(dòng)平均模型和多點(diǎn)最少最優(yōu)反褶積調(diào)整的齒輪箱故障診斷
3.3 仿真驗(yàn)證
3.4 實(shí)驗(yàn)驗(yàn)證
3.5 本章小結(jié)
第4章自適應(yīng)稀疏脈沖反褶積算法及其應(yīng)用
4.1 稀疏脈沖反褶積算法
4.1.1 稀疏脈沖反褶積理論基礎(chǔ)
4.1.2 仿真信號(hào)分析
4.2 基于量子行為粒子群優(yōu)化算法的自適應(yīng)SSD算法研究
4.2.1 量子行為粒子群優(yōu)化算法理論
4.2.2 量子行為粒子群優(yōu)化算法對(duì)L1范數(shù)正則化參數(shù)的優(yōu)化
4.3 仿真信號(hào)分析
4.4 滾動(dòng)軸承故障實(shí)驗(yàn)信號(hào)分析
4.5 本章小結(jié)
第5章優(yōu)化的奇異譜分解方法
5.1 奇異譜分解原理
5.2 停止準(zhǔn)則
5.3 仿真驗(yàn)證
5.3.1 齒輪故障信號(hào)仿真
5.3.2 不同分解方法對(duì)比
5.4 多尺度樣本熵
5.5 尺度因子Q
5.6 不同閾值比較
5.6.1 閾值取最小值
5.6.2 閾值取平均值
5.7 優(yōu)化的SSD方法
5.8 本章小結(jié)
第6章自適應(yīng)變分模態(tài)分解方法
6.1 變分模態(tài)分解方法
6.1.1 變分模態(tài)分解方法的基本概念與研究現(xiàn)狀
6.1.2 變分模態(tài)分解方法的理論基礎(chǔ)
6.1.3 仿真信號(hào)分析
6.2 基于多目標(biāo)粒子群優(yōu)化算法的自適應(yīng)VMD方法研究
6.2.1 多目標(biāo)粒子群優(yōu)化算法
6.2.2 基于多目標(biāo)粒子群優(yōu)化算法的VMD參數(shù)優(yōu)化
6.2.3 仿真信號(hào)分析
6.3 本章小結(jié)
第7章基于自適應(yīng)混沌灰狼優(yōu)化算法和SGMLoG濾波器的齒輪箱故障診斷
7.1 MLoG濾波器的基本原理
7.2 混沌灰狼優(yōu)化算法基本原理
7.3 基于自適應(yīng)混沌灰狼優(yōu)化算法和SGMLoG濾波器的齒輪箱故障診斷
7.3.1 邊際包絡(luò)譜熵
7.3.2 自適應(yīng)SGMLoG濾波器
7.3.3 仿真驗(yàn)證
7.3.4 齒輪箱實(shí)測(cè)信號(hào)分析
7.4 本章小結(jié)
第8章基于復(fù)合多尺度極差熵的軸承故障特征提取方法
8.1 多尺度極差熵
8.2 復(fù)合多尺度極差熵
8.3 仿真分析
8.3.1 關(guān)于嵌入維度的影響分析
8.3.2 關(guān)于相似容差的影響分析
8.3.3 關(guān)于信號(hào)幅值的影響分析
8.3.4 關(guān)于信號(hào)長(zhǎng)度的影響分析
8.4 案例分析
8.5 本章小結(jié)
第9章基于MLMALMMo-0的滾動(dòng)軸承故障識(shí)別
9.1 零階自主學(xué)習(xí)多模型分類器
9.1.1 訓(xùn)練階段
9.1.2 測(cè)試階段
9.2 基于多局部均值的零階自主學(xué)習(xí)多模型分類器（MLMALMMo-0）
9.3 基于CMRE與MLMALMMo-0的故障診斷方法
9.4 案例分析
9.5 本章小結(jié)
第10章基于自適應(yīng)稀疏脈沖反褶積和變分模態(tài)分解的新型滾動(dòng)軸承早期故障診斷方法
10.1 ASSD-VMD方法的流程
10.2 仿真信號(hào)分析
10.3 實(shí)驗(yàn)驗(yàn)證和分析
10.3.1 實(shí)驗(yàn)臺(tái)設(shè)計(jì)
10.3.2 實(shí)驗(yàn)信號(hào)分析
10.4 本章小結(jié)
第11章基于AWF-STFT與SSD的齒輪箱故障診斷方法應(yīng)用
11.1 案例分析
11.2 本章小結(jié)
參考文獻(xiàn)