滚动轴承故障诊断与寿命预测

目录
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
**部分 降噪方法
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
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 **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
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
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RNN 187
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