●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
第一部分降噪方法
第2章EMD降噪方法13
2.1EMD的基本原理和性質13
2.1.1EMD的基本原理13
2.1.2EMD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
3.1.4DT-CWT的濾波器設計28
3.1.5DT-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
3.2.2HMT模型的原理32
3.3雙樹復小波域隱Markov樹降噪模型37
3.3.1DTCWT_HMT1法37
3.3.2DTCWT_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
4.2.2DTCWT_MVU降噪方法步驟47
4.3應用實例48
4.3.1DTCWT_MVU方法仿真驗證48
4.3.2DTCWT_MVU方法性能討論50
4.3.3DTCWT_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
5.2.2EMD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
6.1Morlet小波濾波器的優化問題66
6.1.1連續小波變換66
6.1.2Morlet小波濾波器67
6.1.3很優參數選擇策略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
7.1.1HHT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
9.2.3EMD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
12.1.2LLE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
13.2.2GM(1，1)預測模型的建模過程158
13.2.3GM(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
14.1Logistic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
14.3.3PCA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RNN187
15.1.2LSTM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

《滾動軸承故障診斷與壽命預測》面向現代機械設備故障診斷與維護技術領域發展需求，能滿足重大機械裝備早期故障診斷與剩餘壽命預測技術理論的研究與工程分析需求。《滾動軸承故障診斷與壽命預測》首先介紹了滾動軸承的結構特點和常見失效形式，然後從降噪處理、特征提取、故障診斷和壽命預測四個方面論述了滾動軸承故障診斷與壽命預測技術的原理和方法，並結合仿真信號和工程實例驗證了上述方法的有效性。