●前言
第1章緒論1
1.1研究背景及意義1
1.2國內外研究現狀及分析3
1.2.1傳統故障診斷方法研究現狀3
1.2.2現代智能故障診斷方法研究現狀4
1.2.3泵類旋轉機械故障診斷方法研究現狀7
1.3研究問題的提出10
第2章液壓軸向柱塞泵智能故障診斷方法構建11
2.1引言11
2.2軸向柱塞泵典型故障機理分析11
2.2.1正常狀態11
2.2.2松靴故障11
2.2.3滑靴與斜盤磨損故障12
2.2.4中心彈簧失效故障12
2.3時頻分析方法12
2.3.1連續小波變換(CWT)12
2.3.2同步壓縮小波變換(SWT)13
2.3.3S變換(ST)14
2.4卷積神經網絡(CNN)15
2.4.1卷積神經網絡的基本結構15
2.4.2卷積神經網絡的訓練流程17
2.5貝葉斯優化算法20
2.6時頻分析與CNN相融合的智能故障診斷方法構建21
2.6.1融合方法構建21
2.6.2故障診斷流程22
2.7本章小結24
第3章液壓軸向柱塞泵試驗數據采集及故障樣本構建25
3.1引言25
3.2試驗繫統組成25
3.2.1硬件繫統組成25
3.2.2數據采集繫統組成26
3.2.件設置27
3.3試驗數據采集29
3.3.1數據采集方案29
3.3.2振動信號采集30
3.3.3聲音信號采集30
3.3.4壓力信號采集31
3.4試驗數據時頻域變換33
3.4.1振動信號時頻域變換33
3.4.2聲音信號時頻域變換35
3.4.3壓力信號時頻域變換37
3.5故障樣本構建39
3.5.1多源信號時頻特征樣本庫構建39
3.5.2故障樣本劃分及標簽配置43
3.6本章小結44
第4章CWT與改進LeNet 5模型相融合的智能故障診斷方法45
4.1引言45
4.2LeNet 5卷積神經網絡模型的改進45
4.3振動信號CWT時頻特征與改進LeNet 5模型相融合的診斷結果46
4.3.1學習率對診斷結果的影響46
4.3.2訓練輪次對診斷結果的影響49
4.3.3批量尺寸對診斷結果的影響50
4.3.4卷積核個數對診斷結果的影響52
4.3.5卷積核尺寸對診斷結果的影響53
4.3.6診斷模型訓練參數和結構參數的驗證54
4.3.7診斷模型對比驗證57
4.3.8基於貝葉斯優化算法的診斷模型參數優化59
4.4聲音信號CWT時頻特征與改進LeNet 5模型相融合的診斷結果63
4.4.1學習率對診斷結果的影響63
4.4.2訓練輪次對診斷結果的影響66
4.4.3批量尺寸對診斷結果的影響67
4.4.4卷積核個數對診斷結果的影響68
4.4.5卷積核尺寸對診斷結果的影響70
4.4.6診斷模型訓練參數和結構參數的驗證70
4.4.7診斷模型對比驗證72
4.4.8基於貝葉斯優化算法的診斷模型參數優化74
4.5壓力信號CWT時頻特征與改進LeNet 5模型相融合的診斷結果78
4.5.1學習率對診斷結果的影響78
4.5.2訓練輪次對診斷結果的影響81
4.5.3批量尺寸對診斷結果的影響81
4.5.4卷積核個數對診斷結果的影響83
4.5.5卷積核尺寸對診斷結果的影響84
4.5.6診斷模型訓練參數和結構參數的驗證84
4.5.7診斷模型對比驗證87
4.5.8基於貝葉斯優化算法的診斷模型參數優化89
4.6本章小結93
第5章CWT與改進AlexNet模型相融合的智能故障診斷方法95
5.1引言95
5.2AlexNet卷積神經網絡模型的改進95
5.3振動信號CWT時頻特征與改進AlexNet模型相融合的診斷結果96
5.3.1學習率對診斷結果的影響96
5.3.2訓練輪次對診斷結果的影響99
5.3.3Dropout比率對診斷結果的影響99
5.3.4批量尺寸對診斷結果的影響101
5.3.5卷積核個數對診斷結果的影響102
5.3.6卷積核尺寸對診斷結果的影響104
5.3.7診斷模型訓練參數和結構參數的驗證105
5.3.8診斷模型對比驗證108
……
本書以液壓傳動繫統的“動力心髒”——液壓軸向柱塞泵為研究對像,融合數據挖掘、深度學習等智能科學,將機械故障診斷問題轉化為時頻特征圖像智能分類識別問題,重點探究了連續小波變換、同步壓縮小波變換、S變換、卷積神經網絡、貝葉斯優化等基礎理論與關鍵技術,提出多種將時頻變換與改進卷積神經網絡模型相融合的智能故障診斷方法。基於液壓軸向柱塞泵的振動、聲音、壓力等多源異構信號,繫統研究和分析了不同融合方法的診斷精度、魯棒性及泛化能力,旨在為液壓軸向柱塞泵的智能故障診斷與健康管理提供理論依據,提升液壓軸向柱塞泵的智能化和可靠性。本書是作者長期從件及繫統智能故障診斷研究工作的結晶,適合從件及繫統智能故障診斷工作的工程技術人員閱讀,也可作為高等學校相關專業研究生的參考書。