目 錄
第1章 緒論 1
1.1 滾動軸承簡介 1
1.1.1 滾動軸承的特點 1
1.1.2 滾動軸承的結構 1
1.2 滾動軸承故障診斷 2
1.2.1 常見失效形式 2
1.2.2 故障診斷方法 4
1.3 滾動軸承壽命預測 5
1.3.1 滾動軸承壽命預測 5
1.3.2 壽命預測方法 5
1.4 研究現狀 7
1.4.1 故障診斷研究現狀 7
1.4.2 壽命預測研究現狀 9
參考文獻 10
**部分 降 噪 方 法
第2章 EMD降噪方法 13
2.1 EMD的基本原理和性質 13
2.1.1 EMD的基本原理 13
2.1.2 EMD的完備性和正交性 15
2.2 基於閾值處理的EMD降噪 16
2.3 基於濾波處理的EMD降噪 17
2.4 兩種EMD降噪方法的性能比較 19
2.5 應用實例 21
參考文獻 23
第3章 雙樹復小波域隱Markov樹模型降噪方法 25
3.1 小波變換的理論基礎與性質 25
3.1.1 離散小波變換 25
3.1.2 復小波變換 26
3.1.3 雙樹復小波變換 27
3.1.4 DT-CWT的濾波器設計 28
3.1.5 DT-CWT的平移不變性分析實例 30
3.2 小波域隱Markov樹模型 30
3.2.1 隱Markov模型 31
3.2.2 HMT 模型的原理 32
3.3 雙樹復小波域隱Markov樹降噪模型 37
3.3.1 DTCWT_HMT1 法 37
3.3.2 DTCWT_HMT2 法 37
3.4 應用實例 37
3.4.1 仿真信號 37
3.4.2 實際信號 42
參考文獻 43
第4章 對偶樹復小波流形域降噪方法 45
4.1 理論基礎 45
4.2 對偶樹復小波流形域降噪 46
4.2.1 對偶樹復小波流形域降噪原理 46
4.2.2 DTCWT_MVU降噪方法步驟 47
4.3 應用實例 48
4.3.1 DTCWT_MVU方法仿真驗證 48
4.3.2 DTCWT_MVU方法性能討論 50
4.3.3 DTCWT_MVU方法的工程應用 55
參考文獻 56
第二部分 特 征 提 取
第5章 基於振動信號的特征提取 59
5.1 時域和頻域特征參數提取 59
5.1.1 時域特征參數提取 59
5.1.2 頻域特征參數提取 61
5.2 時頻域特征參數提取 62
5.2.1 小波包理論 62
5.2.2 EMD理論 63
5.3 樣本熵的特征參數提取 64
參考文獻 65
第6章 Morlet小波和自相關增強特征提取 66
6.1 Morlet小波濾波器的優化問題 66
6.1.1 連續小波變換 66
6.1.2 Morlet小波濾波器 67
6.1.3 **參數選擇策略 67
6.2 遺傳算法 69
6.2.1 染色體表示 70
6.2.2 初始化種群 71
6.2.3 適應度函數 71
6.2.4 遺傳操作 71
6.3 自相關增強算法 72
6.3.1 自相關運算 72
6.3.2 自相關包絡功率譜 72
6.3.3 擴展Shannon 熵函數 72
6.3.4 方法 73
6.4 應用實例 73
6.4.1 仿真結果 73
6.4.2 試驗臺數據結果 75
6.4.3 實際故障軸承結果 78
參考文獻 80
第7章 張量流形特征提取 82
7.1 理論基礎 82
7.1.1 HHT時頻譜 82
7.1.2 張量流形理論 83
7.2 張量流形時頻故障特征提取 85
7.2.1 方法的原理及步驟 85
7.2.2 時頻特征參數的定義 86
7.3 應用實例 87
7.3.1 故障信號的HHT時頻特征 87
7.3.2 張量流形時頻特征參數提取 90
參考文獻 95
第8章 小波包樣本熵特征提取 97
8.1 理論基礎 97
8.1.1 熵概念的發展及泛化 97
8.1.2 樣本熵 100
8.1.3 小波包分解 103
8.2 小波包樣本熵的特征提取 104
8.2.1 小波包樣本熵的特征提取方法 104
8.2.2 實際信號分析 104
參考文獻 106
第三部分 故 障 診 斷
第9章 譜峭度故障診斷方法 108
9.1 譜峭度的定義 108
9.2 譜峭度故障診斷方法 108
9.2.1 譜峭度檢測軸承故障的物理解釋 108
9.2.2 峭度圖 109
9.2.3 EMD降噪和譜峭度法的滾動軸承故障診斷步驟 109
9.3 工程實例 110
參考文獻 111
第10章 相空間ICA故障診斷方法 112
10.1 基本理論 112
10.2 相空間重構ICA方法 112
10.2.1 相空間重構ICA的詳細步驟 112
10.2.2 相空間重構及參數選擇 113
10.3 應用實例 116
10.3.1 傳統信號處理方法提取早期故障的能力 117
10.3.2 相空間ICA提取早期故障特征信息 118
參考文獻 121
第11章 深度學習故障診斷方法 123
11.1 理論基礎 123
11.1.1 卷積神經網絡 123
11.1.2 受限玻爾茲曼機 124
11.1.3 自動編碼器模型 125
11.1.4 深度自動編碼網絡 127
11.2 結合核函數與自動編碼器的深度學習 127
11.2.1 基於核函數的自動編碼器 127
11.2.2 核函數選擇 128
11.2.3 方法流程 129
11.3 航空發動機中介軸承診斷實例 130
11.3.1 試驗臺 130
11.3.2 試驗結果分析 132
參考文獻 135
第四部分 壽 命 預 測
第12章 流形和模糊聚類軸承性能退化監測 137
12.1 理論基礎 138
12.1.1 模糊C均值聚類 138
12.1.2 LLE流形算法 138
12.2 流形和模糊聚類軸承性能退化監測 139
12.2.1 監測方法的流程及步驟 139
12.2.2 監測方法的關鍵問題分析 140
12.3 仿真驗證 143
12.3.1 滾動軸承性能特征提取 143
12.3.2 流形特征的本征維數 147
12.3.3 流形特征的性能討論 147
12.3.4 內環性能退化評估 150
12.4 應用實例 150
12.4.1 滾動軸承性能退化實驗臺介紹 151
12.4.2 滾動軸承全壽命周期時域特征監測結果 152
12.4.3 基於流形和模糊聚類的滾動軸承性能退化監測 153
參考文獻 155
第13章 基於威布爾比例故障率模型的壽命預測 156
13.1 威布爾比例故障率模型 156
13.1.1 威布爾比例故障率模型 156
13.1.2 威布爾比例故障率模型的參數估計 156
13.1.3 剩餘壽命預測 157
13.2 趨勢預測理論 158
13.2.1 灰色繫統理論的原理及應用 158
13.2.2 GM(1，1)預測模型的建模過程 158
13.2.3 GM(1，1)模型適用要求 160
13.3 可靠性評估 161
13.4 壽命預測 162
13.4.1 趨勢預測方法研究 162
13.4.2 趨勢預測 165
13.4.3 剩餘壽命預測 167
13.5 應用實例 168
13.5.1 滾動軸承試驗臺介紹 168
13.5.2 滾動軸承性能退化高維特征集構建 168
13.5.3 滾動軸的性能退化評估 170
13.5.4 剩餘壽命預測 172
參考文獻 174
第14章 基於改進Logistic回歸模型的壽命預測 175
14.1 Logistic回歸模型 175
14.1.1 二項分類Logistic回歸模型 175
14.1.2 多項分類Logistic回歸模型 176
14.1.3 回歸參數的估計 176
14.1.4 改進Logistic回歸模型 177
14.2 改進Logistic回歸模型軸承壽命預測 177
14.2.1 特征量選取 178
14.2.分析(PCA) 179
14.2.3 基本算法流程 180
14.3 應用實例 181
14.3.1 試驗設備 181
14.3.2 獲取有效特征值和相對特征值 181
14.3.3 PCA降維與退化趨勢分析 183
14.3.4 可靠性評估與剩餘壽命預測 184
參考文獻 186
第15章 基於長短期記憶網絡的壽命預測 187
15.1 基礎理論 187
15.1.1 循環神經網絡RNN 187
15.1.2 LSTM神經網絡預測模型 187
15.2 方法步驟 188
15.3 滾動軸承特征參數集的構建 189
15.3.1 滾動軸承試驗臺介紹 189
15.3.2 軸承特征參數評價指標 190
15.3.3 軸承特征參數提取 190
15.3.4 壽命預測結果分析 194
參考文獻 196