前言

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 1742100433B