滚动轴承故障定量分析与智能诊断

目录
序
前言
第1章 绪论 1
1.1 滚动轴承动力学模型及故障机理 1
1.2 特征提取与定量诊断方法 3
1.3 趋势分析与预测方法 4
1.4 智能诊断技术 5
参考文献 7
第2章 动力学模型及故障机理研究 15
2.1 滚动轴承动力学模型 15
2.1.1 轴承动力学模型 15
2.1.2 故障轴承动力学模型 18
2.2 故障轴承动力学响应特性 23
2.2.1 故障轴承单冲击响应特性 23
2.2.2 故障轴承双冲击响应特性 25
2.2.3 故障轴承多冲击响应特性 27
参考文献 38
第3章 轴承定量诊断方法 39
3.1 阶跃-冲击字典匹配追踪算法 39
3.1.1 阶跃-冲击字典的构造 39
3.1.2 阶跃-冲击字典匹配追踪算法步骤 45
3.1.3 仿真及试验验证 46
3.2 级联字典匹配追踪算法 48
3.2.1 级联字典的构造 49
3.2.2 级联字典匹配追踪算法步骤 50
3.2.3 仿真及试验验证 51
3.3 改进形态滤波定量诊断算法 57
3.3.1 形态滤波算法 57
3.3.2 改进冲击型结构元素 58
3.3.3 试验验证 58
3.4 开关卡尔曼滤波算法 62
3.4.1 开关卡尔曼滤波算法步骤 63
3.4.2 基于信号特征的滤波器模型 65
3.4.3 试验验证 68
参考文献 70
第4章 定量趋势分析与预测方法 72
4.1 基于Lempel-Ziv复杂度的趋势分析 72
4.1.1 Lempel-Ziv复杂度计算方法 72
4.1.2 基于匹配追踪算法与Lempel-Ziv复杂度的定量趋势分析 74
4.1.3 基于Sparsogram与Lempel-Ziv复杂度的定量趋势分析 81
4.1.4 基于Protrugram与Lempel-Ziv复杂度的定量趋势分析 86
4.2 基于多尺度排列熵与形态滤波的趋势分析 90
4.2.1 多尺度排列熵计算方法 90
4.2.2 基于形态滤波和AMPE的趋势诊断 95
4.3 基于卡尔曼滤波的趋势预测 107
4.3.1 开关无迹卡尔曼滤波算法 107
4.3.2 轴承多状态滤波器模型 110
4.3.3 轴承试验数据分析 112
参考文献 114
第5章 智能诊断方法 115
5.1 模糊神经网络智能诊断方法 115
5.1.1 逐次诊断算法 115
5.1.2 基于可能性理论的故障信息提取 118
5.1.3 基于模糊神经网络的智能诊断模型 120
5.2 多源数据灰度特征图像智能诊断方法 124
5.2.1 多源数据灰度特征图像构造算法 124
5.2.2 瓶颈层优化的卷积神经网络模型 125
5.2.3 试验验证 127
5.3 多源数据彩色特征图像智能诊断方法 133
5.3.1 多源数据彩色特征图像构造算法 133
5.3.2 改进卷积神经网络故障诊断模型 134
5.3.3 试验验证 134
5.4 多源数据一维膨胀卷积智能诊断方法 141
5.4.1 深度学习基本算法 141
5.4.2 FAC-CNN智能诊断模型 144
5.4.3 试验验证 146
参考文献 151