●序
前言
第1章緒論
1.1滾動軸承動力學模型及故障機理
1.2特征提取與定量診斷方法
1.3趨勢分析與預測方法
1.4智能診斷技術
參考文獻
第2章動力學模型及故障機理研究
2.1滾動軸承動力學模型
2.1.1軸承動力學模型
2.1.2故障軸承動力學模型
2.2故障軸承動力學響應特性
2.2.1故障軸承單衝擊響應特性
2.2.2故障軸承雙衝擊響應特性
2.2.3故障軸承多衝擊響應特性
參考文獻
第3章軸承定量診斷方法
3.1階躍-衝擊字典匹配追蹤算法
3.1.1階躍-衝擊字典的構造
3.1.2階躍-衝擊字典匹配追蹤算法步驟
3.1.3仿真及試驗驗證
3.2級聯字典匹配追蹤算法
3.2.1級聯字典的構造
3.2.2級聯字典匹配追蹤算法步驟
3.2.3仿真及試驗驗證
3.3改進形態濾波定量診斷算法
3.3.1形態濾波算法
3.3.2改進衝擊素
3.3.3試驗驗證
3.4開關卡爾曼濾波算法
3.4.1開關卡爾曼濾波算法步驟
3.4.2基於信號特征的濾波器模型
3.4.3試驗驗證
參考文獻
第4章定量趨勢分析與預測方法
4.1基於Lempel-Ziv復雜度的趨勢分析
4.1.1Lempel-Ziv復雜度計算方法
4.1.2基於匹配追蹤算法與Lempel-Ziv復雜度的定量趨勢分析
4.1.3基於Sparsogram與Lempel-Ziv復雜度的定量趨勢分析
4.1.4基於Protrugram與Lempel-Ziv復雜度的定量趨勢分析
4.2基於多尺度排列熵與形態濾波的趨勢分析
4.2.1多尺度排列熵計算方法
4.2.2基於形態濾波和AMPE的趨勢診斷
4.3基於卡爾曼濾波的趨勢預測
4.3.1開關無跡卡爾曼濾波算法
4.3.2軸承多狀態濾波器模型
4.3.3軸承試驗數據分析
參考文獻
第5章智能診斷方法
5.1模糊神經網絡智能診斷方法
5.1.1逐次診斷算法
5.1.2基於可能性理論的故障信息提取
5.1.3基於模糊神經網絡的智能診斷模型
5.2多源數據灰度特征圖像智能診斷方法
5.2.1多源數據灰度特征圖像構造算法
5.2.2瓶頸層優化的卷積神經網絡模型
5.2.3試驗驗證
5.3多源數據彩色特征圖像智能診斷方法
5.3.1多源數據彩色特征圖像構造算法
5.3.2改進卷積神經網絡故障診斷模型
5.3.3試驗驗證
5.4多源數據一維膨脹卷積智能診斷方法
5.4.1深度學習基本算法
5.4.2FAC-CNN智能診斷模型
5.4.3試驗驗證
參考文獻