本書論述人工智能與機器學習的基礎知識、振動信號處理基礎知識、機器學習在振動信號處理中應用的基本理論和方法,提供各種應用實例,并闡述實現(xiàn)振動信號測試、分析、處理的軟硬件系統(tǒng),給出基于機器學習的振動信號測試、分析、處理的算法。全書共10章,主要包括:振動測試傳感器、振動測試系統(tǒng)、振動信號處理基礎、振動信號時域處理、振動信號頻域處理、基于虛擬儀器的振動信號測試與處理、機器學習基礎、基于機器學習的振動信號識別原理與方法、基于機器學習的機械故障診斷等。
楊宏暉,博士,西北工業(yè)大學航海學院副教授,中船重工第***研究所國防科技重點實驗室客座專家、電子學會會員,獲得西北工業(yè)大學教育教學先進個人、獎教金等,主要著作方向為信號與信息處理、自動測試測控、模式識別、環(huán)境工程等相關領域。
目 錄
第1章 緒論 1
第2章 振動測試傳感器 3
2.1 振動的描述 3
2.2 質點振動系統(tǒng) 4
2.2.1 無阻尼振動系統(tǒng)的自由振動 4
2.2.2 有阻尼振動系統(tǒng)的衰減振動 5
2.2.3 質點的受迫振動 6
2.3 工程中的振動測試方法 7
2.4 常用的振動測試傳感器 8
2.4.1 電動式傳感器 8
2.4.2 電渦流式位移傳感器 8
2.4.3 電感式傳感器 9
2.4.4 電容式傳感器 9
2.4.5 壓電式加速度傳感器 9
2.4.6 壓電式力傳感器 10
2.4.7 阻抗頭 10
2.4.8 電阻應變式傳感器 10
2.4.9 激光測振儀 11
2.5 本章小結 11
第3章 振動測試系統(tǒng) 12
3.1 激振系統(tǒng) 12
3.1.1 激振信號分類 12
3.1.2 激振器 13
3.1.3 沖擊錘 14
3.2 壓電式加速度傳感器測量系統(tǒng) 15
3.3 電渦流位移傳感器測量系統(tǒng) 15
3.4 傳感器的安裝方式 16
3.5 振動測試儀器校準 17
3.5.1 分部校準與系統(tǒng)校準方法 17
3.5.2 絕對校準法 18
3.5.3 相對校準法 19
3.6 振動測試系統(tǒng)中的常見問題 19
3.6.1 系統(tǒng)噪聲與抑制 19
3.6.2 信號的隔離與屏蔽 20
3.6.3 信號失真問題 20
3.7 本章小結 21
第4章 振動信號處理基礎 22
4.1 振動信號的定義與分類 22
4.1.1 振動信號的定義 22
4.1.2 振動信號的特性與分類 22
4.2 振動信號處理的一般方法 24
4.2.1 信號預處理常用方法 24
4.2.2 振動信號的時域處理方法 24
4.2.3 振動信號的頻域處理方法 24
4.3 高級振動信號處理方法 24
4.4 軸承振動信號數(shù)據 25
4.4.1 凱斯西儲大學軸承數(shù)據采集實驗 25
4.4.2 軸承振動數(shù)據介紹 26
4.5 本章小結 29
第5章 振動信號時域處理 30
5.1 時域統(tǒng)計分析 30
5.1.1 時域統(tǒng)計分析的概述 30
5.1.2 時域統(tǒng)計分析常用參數(shù)及指標 30
5.2 相關分析 31
5.2.1 自相關分析的原理、算法及實現(xiàn) 32
5.2.2 自相關消噪和周期提取仿真實驗 34
5.2.3 自相關消噪和周期提取實測實驗 37
5.2.4 互相關分析的原理、算法及實現(xiàn) 41
5.2.5 互相關實測實驗 42
5.3 積分和微分變換 43
5.3.1 積分和微分的基本原理 44
5.3.2 積分和微分在振動信號處理中的應用 44
5.4 本章小結 44
第6章 振動信號頻域處理 45
6.1 頻域處理簡介 45
6.2 傅里葉變換 45
6.3 功率譜密度函數(shù) 46
6.3.1 自功率譜分析的原理、算法及實例 47
6.3.2 互功率譜分析的原理及算法 49
6.4 頻率響應函數(shù)與相干函數(shù) 50
6.4.1 頻率響應函數(shù)分析的原理及算法 50
6.4.2 相干函數(shù)分析的原理及算法 51
6.5 窗函數(shù)在振動信號處理中的應用 53
6.5.1 加窗對振動信號處理的影響 53
6.5.2 常用窗函數(shù)的特性分析與對比 53
6.5.3 窗函數(shù)的選擇原則 55
6.5.4 窗函數(shù)選擇實驗 55
6.6 三分之一倍頻程分析的原理、算法、實現(xiàn)與應用 57
6.6.1 三分之一倍頻程分析的原理 57
6.6.2 三分之一倍頻程分析的算法 57
6.6.3 高斯白噪聲的三分之一倍頻程分析實驗 58
6.7 倒頻譜分析的原理、算法、實現(xiàn)與應用 60
6.7.1 實倒譜分析的原理、算法與實現(xiàn) 61
6.7.2 復倒譜分析的原理及算法 61
6.7.3 倒頻譜分析進行故障檢測的仿真實驗 62
6.7.4 實測軸承振動信號的倒頻譜分析實驗 64
6.8 本章小結 66
第7章 基于虛擬儀器的振動信號測試與處理 67
7.1 虛擬儀器 67
7.1.1 虛擬儀器的概念 67
7.1.2 實驗室虛擬儀器工程平臺 68
7.2 基于虛擬儀器的振動信號時域處理 69
7.2.1 時域統(tǒng)計分析 69
7.2.2 相關分析 71
7.3 基于虛擬儀器的振動信號頻域處理 79
7.3.1 加窗處理 79
7.3.2 三分之一倍頻程處理 82
7.3.3 倒譜處理 85
7.4 阻抗參數(shù)測試 88
7.4.1 機械阻抗理論 88
7.4.2 隔振器阻抗參數(shù)測試原理 88
7.4.3 隔振器阻抗參數(shù)測試系統(tǒng)及振動信號采集 89
7.4.4 基于虛擬儀器的隔振器阻抗測試平臺 91
7.5 阻尼測試 98
7.5.1 阻尼測試原理 98
7.5.2 阻尼測試系統(tǒng)及振動信號采集 99
7.5.3 穩(wěn)態(tài)方法的信號處理 101
7.5.4 瞬態(tài)方法的信號處理 104
7.6 本章小結 108
第8章 機器學習基礎 110
8.1 機器學習概念 110
8.1.1 機器學習問題 110
8.1.2 機器學習算法的分類 110
8.2 回歸分析的含義、分類及應用 110
8.3 一元線性回歸 111
8.3.1 一元線性回歸模型 111
8.3.2 損失函數(shù) 111
8.3.3 一元線性回歸算法及分析 112
8.4 梯度下降法 114
8.4.1 隨機梯度下降法 114
8.4.2 批量梯度下降法 115
8.4.3 小批量梯度下降法 115
8.5 多元線性回歸 116
8.5.1 多元線性回歸原理 116
8.5.2 多元線性回歸應用實例 117
8.6 邏輯回歸 118
8.6.1 邏輯回歸原理 118
8.6.2 邏輯回歸分類算法應用實例 120
8.7 本章小結 121
第9章 基于機器學習的振動信號識別原理與方法 122
9.1 基于機器學習的振動信號識別原理 122
9.2 支持向量機 122
9.2.1 線性支持向量機 122
9.2.2 非線性支持向量機 124
9.2.3 SVM多類分類算法 125
9.2.4 SVM分類器的分類性能估計 125
9.3 淺層神經網絡 126
9.3.1 神經網絡概述 126
9.3.2 BP神經網絡算法 129
9.4 深度學習神經網絡 132
9.4.1 深度置信網絡 132
9.4.2 深度卷積神經網絡 136
9.5 本章小結 139
第10章 基于機器學習的機械故障診斷 140
10.1 機械故障診斷 140
10.1.1 建立機械故障診斷需求 140
10.1.2 機械故障診斷調查的步驟 140
10.1.3 故障模式癥狀分析 141
10.1.4 評級指南 141
10.1.5 用于診斷的數(shù)據與信息 144
10.1.6 機器故障診斷方法 145
10.2 滾動軸承概述 150
10.2.1 軸承的分類 150
10.2.2 滾動軸承的基本結構 150
10.2.3 滾動軸承的主要振動來源 151
10.3 軸承振動信號特性 153
10.3.1 時域特性 153
10.3.2 頻域特性 158
10.3.3 軸承狀態(tài)的簡易診斷 163
10.4 基于CNN的軸承故障類型的診斷 165
10.4.1 CNN基本結構分析 165
10.4.2 診斷流程 166
10.4.3 故障軸承數(shù)據預處理 166
10.4.4 CNN結構設計 167
10.4.5 診斷結果與分析 167
10.5 本章小結 168
附錄A 振動測試相關標準 169
附錄B 阻尼材料 阻尼性能測試方法GB/T 18258―2000 171
附錄C 振動與沖擊 機械導納的實驗確定 178
附錄D 聲學與振動 彈性元件振動――聲傳遞特性實驗室測量方法 192
參考文獻 210