齿轮故障 智能诊断技术2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

齿轮故障 智能诊断技术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 齿轮故障智能诊断概述1

1.1.1 齿轮故障主要类型2

1.1.2 齿轮故障诊断的发展过程3

1.2 齿轮故障智能诊断的研究内容5

1.2.1 齿轮故障机制研究6

1.2.2 信号选择和检测机制研究6

1.2.3 齿轮信号分析与处理方法研究7

1.2.4 齿轮信号特征选择研究7

1.2.5 齿轮故障诊断的智能决策方法研究7

1.3 齿轮故障诊断方法8

1.3.1 基于解析模型的齿轮故障诊断方法8

1.3.2 基于信号分析与处理的齿轮故障诊断方法8

1.3.3 基于知识的齿轮故障诊断方法11

1.3.4 基于感知行为的齿轮故障诊断方法15

1.4 小结15

参考文献15

第2章 齿轮故障信号的特征提取与选择20

2.1 齿轮运行状态信号载体20

2.1.1 振动信号20

2.1.2 润滑油中颗粒信号22

2.1.3 声发射信号23

2.1.4 电流信号24

2.1.5 温度信号24

2.2 故障信号特征提取方法25

2.2.1 信号的时域分析方法25

2.2.2 信号的频域分析方法30

2.2.3 信号的时频分析方法35

2.3 齿轮故障信号的特征选择41

2.3.1 特征选择概述42

2.3.2 过滤式特征选择44

2.3.3 封装式特征选择45

2.3.4 嵌入式特征选择48

2.4 小结48

参考文献48

第3章 基于广义同步挤压变换的齿轮故障识别53

3.1 广义同步挤压变换原理53

3.1.1 同步挤压变换54

3.1.2 广义同步挤压变换55

3.2 广义同步挤压变换在齿轮故障中的应用56

3.2.1 基于广义同步挤压变换信号分析的齿轮箱故障诊断原理56

3.2.2 仿真案例一57

3.2.3 仿真案例二64

3.2.4 实验测试68

3.3 小结73

参考文献74

第4章 基于深度学习的齿轮箱故障识别75

4.1 深度学习概述75

4.1.1 浅层学习75

4.1.2 深度学习基本思想76

4.1.3 深度学习与神经网络77

4.1.4 深度学习训练机制77

4.1.5 深度学习的应用78

4.2 深度学习的经典模型79

4.2.1 自动编码器79

4.2.2 稀疏自动编码器82

4.2.3 受限玻尔兹曼机83

4.2.4 深度信念网络90

4.2.5 深度玻尔兹曼机91

4.2.6 卷积神经网络93

4.3 经典深度学习模型在齿轮箱故障识别中的应用99

4.3.1 振动信号特征提取100

4.3.2 实验平台102

4.3.3 卷积神经网络实验评估105

4.3.4 DBN、DBM、RBM和SAE实验评估108

4.4 多模态深度支持向量机及其在齿轮箱故障诊断中的应用116

4.4.1 高斯-伯努利深度玻尔兹曼机117

4.4.2 基于多模态同源特征的高斯-伯努利深度玻尔兹曼机分类118

4.4.3 支持向量机多模态融合119

4.4.4 振动信号的多模态特征121

4.4.5 齿轮箱故障诊断中的应用123

4.4.6 实验评估124

4.5 小结127

参考文献128

第5章 基于润滑油中磨损颗粒的齿轮箱故障诊断132

5.1 油液中磨损颗粒信号中振动引发的干扰132

5.2 颗粒信号中振动信号的分离和应用133

5.2.1 基于积分变换的油中颗粒信号增强134

5.2.2 基于小波变换的降噪和信号分离136

5.2.3 积分和小波联合变换过程137

5.2.4 振动信号灵敏度的比较实验138

5.2.5 振动监控测试145

5.3 基于积分增强经验模式分解和互相关重构的油中颗粒特征提取147

5.3.1 经验模态分解148

5.3.2 基于EMD和高通滤波器的趋势项去除149

5.3.3 基于最大相关系数的信号重构151

5.3.4 实验分析155

5.4 基于最优分解小波变换的ODM信号增强方法162

5.4.1 最优分解小波变换方法162

5.4.2 实验测试168

5.5 小结174

参考文献174