●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

本書結合作者團隊在滾動軸承故障分析與診斷方面積累多年的研究成果和近期新研究進展，在仿真、試驗及工程應用的基礎上，介紹軸承故障分析與診斷的基礎理論與關鍵技術。本書以工程中常見的基礎部件滾動軸承為研究對像，重點介紹滾動軸承動力學模型及故障機理、定量分析與趨勢預測以及智能診斷方法，結合試驗數據和現場數據進行典型故障案例分析。本書適合作為機械工程相關專業高年級本科生和研究生的參考書，也可供相關行業的科研人員與工程技術人員參考。