滚动轴承故障诊断与寿命预测【2025|PDF下载-Epub版本|mobi电子书|kindle百度云盘下载】

滚动轴承故障诊断与寿命预测PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1滚动轴承简介1

1.1.1滚动轴承的特点1

1.1.2滚动轴承的结构1

1.2滚动轴承故障诊断2

1.2.1常见失效形式2

1.2.2故障诊断方法4

1.3滚动轴承寿命预测5

1.3.1滚动轴承寿命预测5

1.3.2寿命预测方法5

1.4研究现状7

1.4.1故障诊断研究现状7

1.4.2寿命预测研究现状9

参考文献10

第一部分 降噪方法13

第2章EMD降噪方法13

2.1 EMD的基本原理和性质13

2.1.1 EMD的基本原理13

2.1.2 EMD的完备性和正交性15

2.2基于阈值处理的EMD降噪16

2.3基于滤波处理的EMD降噪17

2.4两种EMD降噪方法的性能比较19

2.5应用实例21

参考文献23

第3章 双树复小波域隐Markov树模型降噪方法25

3.1小波变换的理论基础与性质25

3.1.1离散小波变换25

3.1.2复小波变换26

3.1.3双树复小波变换27

3.1.4 DT-CWT的滤波器设计28

3.1.5 DT-CWT的平移不变性分析实例30

3.2小波域隐Markov树模型30

3.2.1隐Markov模型31

3.2.2 HMT模型的原理32

3.3双树复小波域隐Markov树降噪模型37

3.3.1 DTCWT HMT1法37

3.3.2 DTCWT HMT2法37

3.4应用实例37

3.4.1仿真信号37

3.4.2实际信号42

参考文献43

第4章 对偶树复小波流形域降噪方法45

4.1理论基础45

4.2对偶树复小波流形域降噪46

4.2.1对偶树复小波流形域降噪原理46

4.2.2 DTCWT MVU降噪方法步骤47

4.3应用实例48

4.3.1 DTCWT MVU方法仿真验证48

4.3.2 DTCWT MVU方法性能讨论50

4.3.3 DTCWT MVU方法的工程应用55

参考文献56

第二部分 特征提取59

第5章 基于振动信号的特征提取59

5.1时域和频域特征参数提取59

5.1.1时域特征参数提取59

5.1.2频域特征参数提取61

5.2时频域特征参数提取62

5.2.1小波包理论62

5.2.2 EMD理论63

5.3样本熵的特征参数提取64

参考文献65

第6章Morlet小波和自相关增强特征提取66

6.1 Morlet小波滤波器的优化问题66

6.1.1连续小波变换66

6.1.2 Morlet小波滤波器67

6.1.3最优参数选择策略67

6.2遗传算法69

6.2.1染色体表示70

6.2.2初始化种群71

6.2.3适应度函数71

6.2.4遗传操作71

6.3自相关增强算法72

6.3.1自相关运算72

6.3.2自相关包络功率谱72

6.3.3扩展Shannon熵函数72

6.3.4方法73

6.4应用实例73

6.4.1仿真结果73

6.4.2试验台数据结果75

6.4.3实际故障轴承结果78

参考文献80

第7章 张量流形特征提取82

7.1理论基础82

7.1.1 HHT时频谱82

7.1.2张量流形理论83

7.2张量流形时频故障特征提取85

7.2.1方法的原理及步骤85

7.2.2时频特征参数的定义86

7.3应用实例87

7.3.1故障信号的HHT时频特征87

7.3.2张量流形时频特征参数提取90

参考文献95

第8章 小波包样本熵特征提取97

8.1理论基础97

8.1.1熵概念的发展及泛化97

8.1.2样本熵100

8.1.3小波包分解103

8.2小波包样本熵的特征提取104

8.2.1小波包样本熵的特征提取方法104

8.2.2实际信号分析104

参考文献106

第三部分 故障诊断108

第9章 谱峭度故障诊断方法108

9.1谱峭度的定义108

9.2谱峭度故障诊断方法108

9.2.1谱峭度检测轴承故障的物理解释108

9.2.2峭度图109

9.2.3 EMD降噪和谱峭度法的滚动轴承故障诊断步骤109

9.3工程实例110

参考文献111

第10章 相空间ICA故障诊断方法112

10.1基本理论112

10.2相空间重构ICA方法112

10.2.1相空间重构ICA的详细步骤112

10.2.2相空间重构及参数选择113

10.3应用实例116

10.3.1传统信号处理方法提取早期故障的能力117

10.3.2相空间ICA提取早期故障特征信息118

参考文献121

第11章 深度学习故障诊断方法123

11.1理论基础123

11.1.1卷积神经网络123

11.1.2受限玻尔兹曼机124

11.1.3自动编码器模型125

11.1.4深度自动编码网络127

11.2结合核函数与自动编码器的深度学习127

11.2.1基于核函数的自动编码器127

11.2.2核函数选择128

11.2.3方法流程129

11.3航空发动机中介轴承诊断实例130

11.3.1试验台130

11.3.2试验结果分析132

参考文献135

第四部分 寿命预测137

第12章 流形和模糊聚类轴承性能退化监测137

12.1理论基础138

12.1.1模糊C均值聚类138

12.1.2 LLE流形算法138

12.2流形和模糊聚类轴承性能退化监测139

12.2.1监测方法的流程及步骤139

12.2.2监测方法的关键问题分析140

12.3仿真验证143

12.3.1滚动轴承性能特征提取143

12.3.2流形特征的本征维数147

12.3.3流形特征的性能讨论147

12.3.4内环性能退化评估150

12.4应用实例150

12.4.1滚动轴承性能退化实验台介绍151

12.4.2滚动轴承全寿命周期时域特征监测结果152

12.4.3基于流形和模糊聚类的滚动轴承性能退化监测153

参考文献155

第13章 基于威布尔比例故障率模型的寿命预测156

13.1威布尔比例故障率模型156

13.1.1威布尔比例故障率模型156

13.1.2威布尔比例故障率模型的参数估计156

13.1.3剩余寿命预测157

13.2趋势预测理论158

13.2.1灰色系统理论的原理及应用158

13.2.2 GM（1，1）预测模型的建模过程158

13.2.3 GM（1，1）模型适用要求160

13.3可靠性评估161

13.4寿命预测162

13.4.1趋势预测方法研究162

13.4.2趋势预测165

13.4.3剩余寿命预测167

13.5应用实例168

13.5.1滚动轴承试验台介绍168

13.5.2滚动轴承性能退化高维特征集构建168

13.5.3滚动轴承核主元的性能退化评估170

13.5.4剩余寿命预测172

参考文献174

第14章 基于改进Logistic回归模型的寿命预测175

14.1 Logistic回归模型175

14.1.1二项分类Logistic回归模型175

14.1.2多项分类Logistic回归模型176

14.1.3回归参数的估计176

14.1.4改进Logistic回归模型177

14.2改进 Logistic回归模型轴承寿命预测177

14.2.1特征量选取178

14.2.2主元分析（PCA）179

14.2.3基本算法流程180

14.3应用实例181

14.3.1试验设备181

14.3.2获取有效特征值和相对特征值181

14.3.3 PCA降维与退化趋势分析183

14.3.4可靠性评估与剩余寿命预测184

参考文献186

第15章 基于长短期记忆网络的寿命预测187

15.1基础理论187

15.1.1循环神经网络RNN187

15.1.2 LSTM神经网络预测模型187

15.2方法步骤188

15.3滚动轴承特征参数集的构建189

15.3.1滚动轴承试验台介绍189

15.3.2轴承特征参数评价指标190

15.3.3轴承特征参数提取190

15.3.4寿命预测结果分析194

参考文献196