機械故障特征提取及性能退化評估方法研究

第1章 緒論
1.1 旋轉機械故障診斷研究現(xiàn)狀
1.1.1 機理分析
1.1.2 特征提取
1.1.3 特征壓縮
1.1.4 故障診斷
1.2 非平穩(wěn)信號分析方法研究現(xiàn)狀
1.2.1 非平穩(wěn)信號的自適應分析方法研究現(xiàn)狀
1.2.2 非平穩(wěn)信號的階比跟蹤分析方法研究現(xiàn)狀
1.3 遷移學習方法研究現(xiàn)狀
1.3.1 領域適應學習方法研究現(xiàn)狀
1.3.2 聚類及遷移聚類方法研究現(xiàn)狀
1.4 軸承性能退化評估及預測方法研究現(xiàn)狀及目前存在的問題
1.4.1 退化評估及預測方法研究現(xiàn)狀
1.4.2 目前存在的問題
本章小結
參考文獻
第2章 故障機理及分析
2.1 軸承故障
2.1.1 產生機理
2.1.2 故障形式
2.1.3 特征頻率
2.2 齒輪故障
2.2.1 故障形式
2.2.2 振動特點
2.3 轉子不對中故障
2.3.1 故障形式
2.3.2 振動特點
2.3.3 振動形態(tài)特征
本章小結
參考文獻
第3章 非平穩(wěn)信號的時頻分析及故障特征提取
3.1 時頻分析方法理論
3.1.1 基本概念
3.1.2 基本方法
3.2 小波包分析
3.2.1 小波包□換原理與分析
3.2.2 小波包頻帶能量分解原理
3.3 自適應分析
3.3.1 EMD方法
3.3.2 EEMD方法
3.3.3 EMD與EEMD對比分析
3.4 基于小波包頻帶能量分布的滾動軸承故障特征提取
3.4.1 軸承故障實驗裝置
3.4.2 小波基函數選擇
3.4.3 小波包頻帶能量劃分
3.4.4 實驗結果與分析
3.5 基于EEMD的轉子不對中故障特征提取
3.5.1 不對中故障實驗裝置
3.5.2 基于EEMD-小波包頻帶能量的不對中故障特征提取方法
本章小結
參考文獻
第4章 非平穩(wěn)信號的階比跟蹤分析及故障特征提取
4.1 階比跟蹤分析方法的提出
4.2 階比跟蹤分析方法的實現(xiàn)
4.2.1 硬件階比跟蹤技術
4.2.2 計算階比跟蹤技術
4.2.3 無轉速計階比跟蹤技術
4.3 基于EEMD瞬時頻率估計的無轉速計階比跟蹤分析
4.3.1 角域重采樣
4.3.2 階比譜分析
4.4 不對中故障的階比-小波包頻帶能量特征提取
4.4.1 基于瞬時頻率估計的不對中故障階比跟蹤分析
4.4.2 小波包頻帶能量特征提取
本章小結
參考文獻
第5章 基于LMD能量投影法的故障診斷
5.1 LMD
5.1.1 LMD方法
5.1.2 分解效果的評價
5.1.3 基于加權優(yōu)化的PF分量重構
5.2 基于能量投影法的特征提取
5.3 基于LMD能量投影的滾動軸承故障診斷
5.3.1 特征提取
5.3.2 診斷識別
本章小結
參考文獻
第6章 基于粗糙集屬性約簡的故障特征壓縮
6.1 粗糙集理論
6.1.1 基本概念
6.1.2 連續(xù)屬性的離散化
6.1.3 決策表的約簡
6.2 基于FCM的屬性離散化方法
6.2.1 模糊集與聚類
6.2.2 基于FCM的離散化
6.3 實驗與分析
6.3.1 汽輪機故障特征壓縮
6.3.2 轉子不對中故障特征壓縮
本章小結
參考文獻
第7章 滾動軸承性能退化特征提取與選擇
7.1 LCD
7.1.1 ISC
7.1.2 LCD的分解過程
7.2 多域特征提取
7.2.1 時域特征
7.2.2 頻域特征
7.2.3 時頻域特征
7.2.4 LCD譜熵特征
7.3 混合域特征選擇
7.3.1 特征評價準則
7.3.2 基于Hausdorff距離的特征相似性分析
7.3.3 基于綜合評價準則的特征選擇
7.4 滾動軸承混合域退化特征選擇算法流程
7.5 實驗與分析
7.5.1 仿真分析
7.5.2 不同損傷程度實驗
本章小結
參考文獻
第8章 基于遷移學習的譜聚類
8.1 譜聚類理論
8.1.1 基本理論
8.1.2 經典譜聚類算法框架
8.2 遷移學習理論
8.2.1 基本概念
8.2.2 遷移學習的類型
8.2.3 遷移學習的方法
8.2.4 領域適應學習
8.3 基于遷移學習的譜聚類算法
8.3.1 流形距離度量
8.3.2 基于流形距離的自適應遷移譜聚類方法
8.3.3 實驗與分析
本章小結
參考文獻
第9章 滾動軸承多退化特征融合
9.1 基于遷移譜聚類的退化特征類敏感度評價
9.2 基于類敏感度與重疊趨勢性的特征融合算法
9.3 滾動軸承多退化特征融合算法流程
9.4 多特征融合實驗與分析
9.4.1 仿真分析
9.4.2 實驗驗證
9.5 滾動軸承剩余壽命預測實驗與分析
9.5.1 數學模型仿真數據驗證
9.5.2 全壽命周期實驗數據驗證
本章小結
參考文獻