基于振动信号的状态监测
①全新正版，现货速发，7天无理由退换货②天津、成都、无锡、广东等多仓就近发货，订单最迟48小时内发出③无法指定快递④可开电子发票，不清楚的请咨询客服。
￥ 96.84 5.8折 ￥ 168 全新
库存4件
浙江嘉兴
认证卖家担保交易快速发货售后保障
作者Hosameldin Ahmed,Asoke K.Nandi|译者:舒海生 王兴国 于妍
出版社国防工业
ISBN9787118131895
出版时间2024-04
装帧平装
开本其他
定价168元
货号32079828
上书时间2024-10-15
- 在售商品 暂无
- 平均发货时间 17小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
舒海生，男，1976.11月出生，教授，博士后，博士生导师，1997年毕业于哈尔滨工程大学机械工程专业，2005年取得工学博士学位。多年来一直承担本科生和研究生的机械振动课程的教学工作，教学效果优良，4次获得优秀主讲教师称号。科研方面，主要从事机械装备设计与开发、声子晶体与超材料、振动噪声控制方面的科学研究。
目录
前言作者介绍缩略词列表第一部分 导论第1章 设备状态监测简介1.1相关背景1.2针对旋转类机械故障的维护方法1.2.1故障检修1.2.2预防保养1.2.2.1定期检修（TBM）1.2.2.2基于状态的检修维护（CBM）1.3MCM的应用1.3.1风力发电机1.3.2油气工业1.3.3 航空和国防工业1.3.4 汽车1.3.5 船用发动机1.3.6 机车1.4 状态监测技术1.4.1 振动监测1.4.2 声发射1.4.3 振动和声的融合1.4.4 电机电流监测1.4.5 机油分析和润滑监测1.4.6 热成像技术1.4.7 视觉检查1.4.8 性能监测1.4.9 趋势监测1.5 相关主题回顾与本书的主要内容1.6 小结参考文献第2章旋转类机械的振动信号相关原理2.1 引言2.2 机械振动的基本原理2.3 旋转类机械的振动信号源2.3.1 转子质量的不平衡2.3.2 不对中2.3.3 带裂纹的轴2.3.4 滚动轴承2.3.5 齿轮2.4 振动信号的类型2.4.1 平稳型2.4.2 非平稳型2.5 振动信号采集2.5.1 位移传感器2.5.2 速度传感器2.5.3 加速度传感器2.6 振动信号监测的优缺点2.7 小结参考文献第二部分 振动信号分析技术第3章时域分析3.1 引言3.1.1 视觉检查3.1.2 基于特征的检查3.2 统计函数3.2.1 峰值振幅3.2.2 平均振幅3.2.3 均方根振幅3.2.4 峰-峰振幅3.2.5 波峰因数（CF）3.2.6 方差和标准差3.2.7 标准误差3.2.8 过零点3.2.9 波长3.2.10 Willison幅值3.2.11 斜率变化3.2.12 脉冲因子3.2.13 边际系数3.2.14 形状因子3.2.15 裕度指标3.2.16 偏度3.2.17 峰度3.2.18 高阶累积量（HOC）3.2.19 直方图3.2.20 标准威布尔负对数似然值3.2.21 熵3.3 时域同步平均（TSA）3.3.1 TSA信号3.3.2 残余信号（RES）3.3.2.1 NA43.3.2.2 NA4*3.3.3 差分信号（DIFS）3.3.3.1 FM43.3.3.2 M6A3.3.3.3 M8A3.4 时间序列回归模型3.4.1 AR模型3.4.2 MA模型3.4.3 ARMA模型3.4.4 ARIMA模型3.5 基于滤波器的方法3.5.1 解调3.5.2 Prony模型3.5.3 自适应噪声消除（ANC）3.6 随机参数技术3.7 盲源分离（BSS）3.8 小结参考文献第4章频域分析4.1 引言4.2 傅里叶分析4.2.1 傅里叶级数4.2.2 离散傅里叶变换4.2.3 快速傅里叶变换（FFT）4.3 包络分析4.4 频谱统计特征4.4.1 数学平均4.4.2 几何平均4.4.3 匹配滤波器RMS4.4.4 频谱差分的RMS4.4.5 平方谱差求和4.4.6 高阶谱技术4.5 小结参考文献第5章时频分析5.1 引言5.2 短时傅里叶变换（STFT）5.3 小波分析5.3.1 小波变换（WT）5.3.1.1 连续小波变换（CWT）5.3.1.2 离散小波变换（DWT）5.3.2 小波包变换（WPT）5.4 经验模式分解（EMD）5.5 希尔伯特-黄变换（HHT）5.6 Wigner-Ville分布5.7 局部均值分解（LMD）5.8 峰度和峰度图5.9 小结参考文献第三部分 利用机器学习技术进行旋转类机械的状态监测第6章利用机器学习技术的振动信号状态监测6.1 引言6.2 振动信号状态监测过程概述6.2.1 故障检测和诊断问题的基本框架6.3 基于振动数据进行学习6.3.1 学习类型6.3.1.1 批量学习和在线学习6.3.1.2 基于事例的学习和基于模型的学习6.3.1.3 有监督的学习和无监督的学习6.3.1.4 半监督学习6.3.1.5 强化学习6.3.1.6 迁移学习6.3.2 基于振动数据进行学习的主要困难6.3.2.1 维度灾难6.3.2.2 无关特征6.3.2.3 旋转类机械的工作环境和工作状态6.3.3 振动数据的准备工作6.3.3.1 归一化6.3.3.2 维数缩减6.4 小结参考文献第7章线性子空间学习7.1 引言7.2 主成分分析（PCA）7.2.1 利用特征值分解进行主成分分析7.2.2 利用SVD进行主成分分析7.2.3 主成分分析在设备故障诊断中的应用7.3 独立成分分析（ICA）7.3.1 互信息最小化7.3.2 似然率最大化7.3.3 ICA在设备故障诊断中的应用7.4 线性判别分析（LDA）7.4.1 LDA在设备故障诊断中的应用7.5 典型相关分析（CCA）7.6 偏最小二乘法（PLS）7.7 小结参考文献第8章非线性子空间学习8.1 引言8.2 核主成分分析（KPCA）8.2.1 KPCA在设备故障诊断中的应用8.3 等距特征映射（ISOMAP）8.3.1 ISOMAP在设备故障诊断中的应用8.4 扩散映射（DM）和扩散距离8.4.1 DM在设备故障诊断中的应用8.5 拉普拉斯特征映射（LE）8.5.1 LE在设备故障诊断中的应用8.6 局部线性嵌入（LLE）8.6.1 LLE在设备故障诊断中的应用8.7 Hessian局部线性嵌入（HLLE）8.7.1 HLLE在设备故障诊断中的应用8.8 局部切空间排列分析（LTSA）8.8.1 LTSA在设备故障诊断中的应用8.9 最大方差展开（MVU）8.9.1 MVU在设备故障诊断中的应用8.10 随机临近嵌入（SPE）8.10.1 SPE在设备故障诊断中的应用8.11 小结参考文献第9章特征选取9.1 引言9.2 基于滤波器模型的特征选取9.2.1 Fisher分值算法（FS）9.2.2 拉普拉斯分值算法（LS）9.2.3 Relief算法和Relief-F算法9.2.3.1 Relief算法9.2.3.2 Relief-F算法9.2.4 皮尔森相关系数（PCC）9.2.5 信息增益（IG）和增益率（GR）9.2.6 互信息（MI）9.2.7 卡方分布（Chi-2）9.2.8 Wilcoxon秩检验9.2.9 特征排序在设备故障诊断中的应用9.3 基于包裹式模型的特征子集选择9.3.1 序列选择算法9.3.2 启发式选择算法9.3.2.1 蚁群优化算法（ACO）9.3.2.2 遗传算法（GA）及其编程9.3.2.3 粒子群优化算法（PSO）9.3.3基于包裹式模型的特征子集选择在设备故障诊断中的应用9.4 基于嵌入式模型的特征选择9.5 小结参考文献第四部分 分类算法第10章决策树和随机森林10.1 引言10.2 决策树10.2.1 单变量离散化准则10.2.1.1 基尼指数10.2.1.2 信息增益10.2.1.3 距离度量10.2.1.4 正交准则（ORT）10.2.2 多变量离散化准则10.2.3 剪枝方法10.2.3.1 错误-复杂度剪枝10.2.3.2 最小错误剪枝10.2.3.3 降低错误剪枝10.2.3.4 临界值剪枝10.2.3.5 悲观剪枝10.2.3.6 最小描述长度（MDL）剪枝10.2.4 决策树诱导器10.2.4.1 CART10.2.4.2 ID310.2.4.3 C4.510.2.4.4 CHAID10.3 决策森林10.4 决策树决策森林在设备故障诊断中的应用10.5 小结参考文献第11章概率分类方法11.1 引言11.2 隐马尔可夫模型11.2.1隐马尔可夫模型在设备故障诊断中的应用11.3 逻辑回归模型11.3.1 逻辑回归正则化11.3.2 多元逻辑回归模型（MLR）11.3.3 逻辑回归在设备故障诊断中的应用11.4 小结参考文献第12章人工神经网络（ANN）12.1 引言12.2 神经网络的基本原理12.2.1 多层感知器12.2.2 径向基函数网络12.2.3 Kohonen网络12.3 人工神经网络在设备故障诊断中的应用12.4 小结参考文献第13章支持向量机（SVM）13.1 引言13.2 多分类SVM13.3 核参数的选择13.4 SVM在设备故障诊断中的应用13.5 小结参考文献第14章深度学习14.1 引言14.2 自编码器14.3 卷积神经网络（CNN）14.4 深度信念网络（DBN）14.5 循环神经网络（RNN）14.6 针对设备状态监测的深度学习概述14.6.1 基于AE的DNN在设备故障诊断中的应用14.6.2 CNN在设备故障诊断中的应用14.6.3 DBN在设备故障诊断中的应用14.6.4 RNN在设备故障诊断中的应用14.7 小结参考文献第15章分类算法验证15.1 引言15.2 保持方法15.2.1 三路数据拆分15.3 随机二次抽样15.4 k-重交叉验证15.5 留一交叉验证15.6 自举法15.7 总体分类精度15.8 混淆矩阵15.9 召回率和精准度15.10 ROC图15.11 小结参考文献第四部分 面向设备状态监测的新型故障诊断框架第16章压缩采样和子空间学习（CS-SL）16.1 引言16.2 针对基于振动信号的设备状态监测的压缩采样16.2.1 压缩采样基本原理16.2.2 针对稀疏频域描述的压缩采样16.2.3 针对稀疏时频描述的压缩采样16.3 设备状态监测中的压缩采样概述16.3.1 测试数据的压缩及此后的完全数据重构16.3.2 测试数据的压缩及此后的非完全数据重构16.3.3 测试数据压缩后作为分类器的输入16.3.4 测试数据的压缩及此后的特征学习16.4 压缩采样和特征排序（CS-FR）16.4.1 具体实现16.4.1.1 CS-LS16.4.1.2 CS-FS16.4.1.3 CS-Relief-F16.4.1.4 CS-PCC16.4.1.5 CS-Chi-216.5 面向故障诊断的基于CS和线性子空间学习的框架16.5.1 具体实现16.5.1.1 CS-PCA16.5.1.2 CS-LDA16.5.1.3 CS-CPDC16.6 面向故障诊断的基于CS和非线性子空间学习的框架16.6.1 具体实现16.6.1.1 CS-KPCA16.6.1.2 CS-KLDA16.6.1.3 CS-CMDS16.6.1.4 CS-SPE16.7 相关应用16.7.1 实例分析116.7.1.1 MMV-CS和若干特征排序技术的联合使用16.7.1.2 MMV-CS和若干线性、非线性子空间学习技术的联合使用16.7.2 实例分析216.7.2.1 MMV-CS和若干特征排序技术的联合使用16.7.2.2 MMV-CS和若干线性、非线性子空间学习技术的联合使用16.8 相关讨论参考文献第17章压缩采样和深度神经网络（CS-DNN）17.1 引言17.2 相关工作介绍17.3 CS-SAE-DNN17.3.1 压缩采样测量17.3.2 利用浏览测试进行CS模型检验17.3.3 基于DNN的无监督稀疏超完备特征学习17.3.4 有监督的微调17.4 相关应用17.4.1 实例分析117.4.2 实例分析217.5 相关讨论参考文献第18章总结18.1 引言18.2 内容总结附录 设备振动数据源及其分析算法参考文献索引
内容摘要
本书主要针对广泛存在于各类旋转类机械场合中的结构健康监测问题，面向系统运行安全和维护保养的实际需求，系统而详尽地阐述了基于振动信号分析的设备状态监测和故障诊断这一极为重要的技术理念。本书深入而透彻地阐述了该技术领域已有的主流方法和理论，以及正在出现的各类最新技术思想，并明确指出了相关领域的最新发展趋势，其内容全面地涵盖了与基于振动分析的设备健康监测相关的各类现代方法及其基本原理，从振动信号的采集到信号处理，从时域分析到频域分析再到时频域分析技术，从传统解决方案到先进的机器学习和压缩采样技术。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价