滾動(dòng)軸承故障定量分析與智能診斷

目錄
序
前言
第1章 緒論 1
1.1 滾動(dòng)軸承動(dòng)力學(xué)模型及故障機(jī)理 1
1.2 特征提取與定量診斷方法 3
1.3 趨勢(shì)分析與預(yù)測(cè)方法 4
1.4 智能診斷技術(shù) 5
參考文獻(xiàn) 7
第2章 動(dòng)力學(xué)模型及故障機(jī)理研究 15
2.1 滾動(dòng)軸承動(dòng)力學(xué)模型 15
2.1.1 軸承動(dòng)力學(xué)模型 15
2.1.2 故障軸承動(dòng)力學(xué)模型 18
2.2 故障軸承動(dòng)力學(xué)響應(yīng)特性 23
2.2.1 故障軸承單沖擊響應(yīng)特性 23
2.2.2 故障軸承雙沖擊響應(yīng)特性 25
2.2.3 故障軸承多沖擊響應(yīng)特性 27
參考文獻(xiàn) 38
第3章 軸承定量診斷方法 39
3.1 階躍-沖擊字典匹配追蹤算法 39
3.1.1 階躍-沖擊字典的構(gòu)造 39
3.1.2 階躍-沖擊字典匹配追蹤算法步驟 45
3.1.3 仿真及試驗(yàn)驗(yàn)證 46
3.2 級(jí)聯(lián)字典匹配追蹤算法 48
3.2.1 級(jí)聯(lián)字典的構(gòu)造 49
3.2.2 級(jí)聯(lián)字典匹配追蹤算法步驟 50
3.2.3 仿真及試驗(yàn)驗(yàn)證 51
3.3 改進(jìn)形態(tài)濾波定量診斷算法 57
3.3.1 形態(tài)濾波算法 57
3.3.2 改進(jìn)沖擊型結(jié)構(gòu)元素 58
3.3.3 試驗(yàn)驗(yàn)證 58
3.4 開關(guān)卡爾曼濾波算法 62
3.4.1 開關(guān)卡爾曼濾波算法步驟 63
3.4.2 基于信號(hào)特征的濾波器模型 65
3.4.3 試驗(yàn)驗(yàn)證 68
參考文獻(xiàn) 70
第4章 定量趨勢(shì)分析與預(yù)測(cè)方法 72
4.1 基于Lempel-Ziv復(fù)雜度的趨勢(shì)分析 72
4.1.1 Lempel-Ziv復(fù)雜度計(jì)算方法 72
4.1.2 基于匹配追蹤算法與Lempel-Ziv復(fù)雜度的定量趨勢(shì)分析 74
4.1.3 基于Sparsogram與Lempel-Ziv復(fù)雜度的定量趨勢(shì)分析 81
4.1.4 基于Protrugram與Lempel-Ziv復(fù)雜度的定量趨勢(shì)分析 86
4.2 基于多尺度排列熵與形態(tài)濾波的趨勢(shì)分析 90
4.2.1 多尺度排列熵計(jì)算方法 90
4.2.2 基于形態(tài)濾波和AMPE的趨勢(shì)診斷 95
4.3 基于卡爾曼濾波的趨勢(shì)預(yù)測(cè) 107
4.3.1 開關(guān)無跡卡爾曼濾波算法 107
4.3.2 軸承多狀態(tài)濾波器模型 110
4.3.3 軸承試驗(yàn)數(shù)據(jù)分析 112
參考文獻(xiàn) 114
第5章 智能診斷方法 115
5.1 模糊神經(jīng)網(wǎng)絡(luò)智能診斷方法 115
5.1.1 逐次診斷算法 115
5.1.2 基于可能性理論的故障信息提取 118
5.1.3 基于模糊神經(jīng)網(wǎng)絡(luò)的智能診斷模型 120
5.2 多源數(shù)據(jù)灰度特征圖像智能診斷方法 124
5.2.1 多源數(shù)據(jù)灰度特征圖像構(gòu)造算法 124
5.2.2 瓶頸層優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)模型 125
5.2.3 試驗(yàn)驗(yàn)證 127
5.3 多源數(shù)據(jù)彩色特征圖像智能診斷方法 133
5.3.1 多源數(shù)據(jù)彩色特征圖像構(gòu)造算法 133
5.3.2 改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型 134
5.3.3 試驗(yàn)驗(yàn)證 134
5.4 多源數(shù)據(jù)一維膨脹卷積智能診斷方法 141
5.4.1 深度學(xué)習(xí)基本算法 141
5.4.2 FAC-CNN智能診斷模型 144
5.4.3 試驗(yàn)驗(yàn)證 146
參考文獻(xiàn) 151