本書是一本學術著作, 針對滾動軸承的故障診斷、性能退化評估及剩余壽命預測問題, 結合作者團隊多年的研究成果及最新研究進展, 既有國內外對于此問題的研究發(fā)展歷程與現(xiàn)狀綜述, 也闡釋了振動信號故障特征、診斷與評估機理。結合時頻圖像與卷積神經網(wǎng)絡、支持向量機、支持向量機數(shù)據(jù)描述、異常檢測算法、RBF和WIENER優(yōu)化模型、CAN-LSTM、深度學習等理論構建了滾動軸承的多類故障診斷及性能退化評估模型, 介紹了性能退化評估及剩余壽命預測方法。結合大量仿真實驗及典型試驗數(shù)據(jù)進行了典型故障案例分析。
第1章 緒論
1.1 滾動軸承振動信號的特征提取
1.2 滾動軸承故障的智能診斷
1.3 性能退化評估技術
1.4 剩余使用壽命(RUL)預測技術
本章參考文獻
第2章 滾動軸承振動機理及動力學特性研究
2.1 引言
2.2 滾動軸承故障振動機理及故障特征分析
2.3 滾動軸承滑移接觸下振動特性研究
本章參考文獻
第3章 基于振動信息的特征提取
3.1 引言
3.2 多域特征指標
3.3 多尺度特征提取
3.4 特征降維與選擇
3.5 基于深度學習的特征提取方法
本章參考文獻
第4章 基于時頻圖像與卷積神經網(wǎng)絡的滾動軸承故障診斷方法
4.1 引言
4.2 基于時頻圖像與VGGNet的滾動軸承故障診斷方法
4.3 基于遷移學習的深度殘差網(wǎng)絡的滾動軸承故障診斷方法
4.4 基于數(shù)據(jù)驅動的改進生成對抗網(wǎng)絡的滾動軸承故障診斷方法
本章參考文獻
第5章 基于支持向量機的滾動軸承性能退化評估方法
5.1 引言
5.2 基于GA-SVM的滾動軸承性能退化評估方法
5.3 基于SDAE-OCSVM的滾動軸承性能退化評估方法
5.4 基于PSO-OCSVM的滾動軸承性能退化評估方法
本章參考文獻
第6章 基于支持向量數(shù)據(jù)描述的滾動軸承性能退化評估方法
6.1 引言
6.2 支持向量數(shù)據(jù)描述方法
6.3 基于自適應SVDD的滾動軸承性能退化評估方法
6.4 結合VMD符號熵與SVDD方法的滾動軸承性能退化評估方法
本章參考文獻
第7章 融合概率建模與邊界距離的滾動軸承性能退化評估方法
7.1 引言
7.2 基于概率建模的性能退化評估方法
7.3 基于邊界距離的性能退化評估方法
7.4 融合概率建模與邊界距離的滾動軸承性能退化評估方法
本章參考文獻
第8章 基于徑向基的軸承性能退化評估與壽命預測方法
8.1 引言
8.2 RBF神經網(wǎng)絡
8.3 基于RBF模型的性能退化評估
8.4 基于RBF模型與優(yōu)化Wiener模型的軸承壽命預測
本章參考文獻
第9章 基于卷積注意力長短時記憶網(wǎng)絡的軸承壽命預測方法
9.1 引言
9.2 CAN模型
9.3 LSTM神經網(wǎng)絡
9.4 基于CAN-LSTM模型的剩余壽命預測方法
9.5 實驗結果與分析
本章參考文獻
書單推薦
