旋转机械故障信号处理与诊断方法

第1章 信号描述 1.1 信号分类及描述 1.1.1 信号分类 1.1.2 信号的时域与频域描述 1.2 信号分析与处理 1.2.1 数字信号处理系统的基本组成 1.2.2 模拟信号转换为数字信号 1.3 程序仿真 参考文献 第2章 短时傅里叶变换 2.1 傅里叶变换 2.1.1 傅里叶变换简介 2.1.2 傅里叶变换性质和定理 2.1.3 傅里叶变换的不足 2.2 短时傅里叶变换 2.2.1 连续信号短时傅里叶变换的定义和性质 2.2.2 短时傅里叶变换的窗函数 2.2.3 短时傅里叶变换的计算 2.3 时频分辨率及不确定性原理 2.4 程序仿真 参考文献 第3章 旋转机械振动信号小波降噪方法 3.1 小波变换数学基础 3.1.1 小波定义 3.1.2 离散化与框架 3.1.3 多分辨率分析 3.1.4 离散小波分解与重构 3.2 几种小波滤波降噪方法 3.2.1 小波滤波降噪方法 3.2.2 小波降噪方法性能比较 3.3 旋转机械故障信号小波阈值滤波降噪及分析 3.4 双树复小波 3.4.1 定义和性质 3.4.2 降噪实例 3.5 程序仿真 参考文献 第4章 旋转机械故障信息独立化提取方法 4.1 信号混合方式的描述 4.2 混合信号的分离方法 4.2.1 主分量分析 4.2.2 奇异值分解方法 4.2.3 盲源分离 4.3 ICA理论及其实现 4.3.1 ICA数学模型 4.3.2 负熵的概念 4.3.3 FastICA算法及分离过程 4.4 EMD法 4.4.1 信号的瞬时频率 4.4.2 本征模函数 4.4.3 EMlD流程 4.5 基于EMD和FastICA阈值法的旋转机械故障特征提取 4.5.1 旋转机械故障特征提取方法 4.5.2 基于EMD和FastICA阈值法的仿真实验 4.6 程序仿真 参考文献 第5章 基于遗传神经网络的旋转机械故障诊断方法 5.1 神经网络结构和算法 5.1.1 神经网络基本描述 5.1.2 BP神经网络算法 5.1.3 BP神经网络算法的不足 5.1.4 BP神经网络算法的改进措施 5.1.5 BP神经网络的设计与分析 5.2 遗传算法的基本原理 5.2.1 遗传算法的构成 5.2.2 遗传算法的基本步骤 5.2.3 遗传算法的仿真 5.3 旋转机械的FastICA遗传神经网络算法 5.3.1 FastICA遗传神经网络算法原理 5.3.2 源信号各独立分量估计 5.3.3 遗传算法优化BP神经网络流程 5.3.4 旋转机械的FastICA遗传神经网络算法 5.4 程序仿真 参考文献 第6章 旋转机械多传感器信息融合方法 6.1 多传感器信息融合基本原理和层次结构 6.1.1 多传感器信息融合基本原理 6.1.2 多传感器信息融合层次结构 6.1.3 多传感器信息融合算法 6.2 旋转机械多传感器信息融合的特点 6.3 基于D-S证据理论的决策层融合旋转机械故障诊断方法 6.3.1 D-S证据理论的基本概念 6.3.2 多判据证据组合规则 6.4 基于伪证据识别的D-S旋转机械融合诊断实例分析 6.4.1 多传感器旋转机械故障诊断识别框架 6.4.2 基于伪证据识别的D-S组合规则在旋转机械故障诊断中的应用 6.5 程序仿真 参考文献 索引