广义时频分析理论在旋转机械故障诊断中的应用
全新正版 极速发货
￥ 41.04 4.6折 ￥ 89 全新
库存2件
广东广州
认证卖家担保交易快速发货售后保障
作者张云强//王怀光//吴定海//范红波//黄欣鑫|责编:周敏文
出版社国防工业
ISBN9787118121261
出版时间2020-08
装帧平装
开本其他
定价89元
货号1202134508
上书时间2024-06-18
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
张云强，博士，2017年01月-2019年01月，73151部队（工程师）；2019年02月-至今，陆军工程大学石家庄校区（讲师）。发表学术论文20余篇，出版学术专著1部。
目录
第1章 绪论1.1 旋转机械故障诊断技术研究现状1.1.1 旋转机械振动信号处理方法研究现状1.1.2 旋转机械振动信号特征提取研究现状1.1.3 旋转机械振动信号特征降维研究现状1.1.4 旋转机械故障智能分类方法研究现状1.2 广义时频分析理论研究及应用现状1.2.1 分数阶傅里叶变换1.2.2 自适应时频变换1.2.3 分数阶时频变换1.3 本书主要研究内容第2章 旋转机械振动信号采集与预处理方法2.1 旋转机械振动信号采集2.1.1 滚动轴承信号2.1.2 齿轮箱齿轮信号2.1.3 柴油机滑动轴承信号2.2基于分数阶傅里叶变换稀疏分解的振动信号滤波2.2.1 分数阶傅里叶变换及其特性2.2.2 基于分数阶傅里叶变换稀疏分解的信号滤波方法2.2.3 仿真信号分析2.2.4 信号稀疏分解滤波方法在振动信号滤波中的应用2.3 基于集合经验模式分解的振动信号的处理2.3.1 EMD方法的基本原理2.3.2 基于EEMD方法的模态混叠分析2.3.3 基于K-S检验的伪分量识别2.3.4 基于奇异值差分谱的振动信号预处理2.3.5 基于EEMD方法的齿轮箱振动信号处理流程2.3.6 EEMD方法在振动信号处理中的应用2.4基于双时域变换的微弱故障特征增强2.4.1 结合傅里叶逆变换和广义S变换的双时域变换2.4.2 基于双时域变换的微弱特征增强方法2.4.3 仿真信号分析2.4.4 双时域变换在振动信号微弱故障特征增强中的应用2.5 本章小结第3章 基于正交变分模式分解的振动信号特征提取方法3.1 正交变分模式分解3.1.1 变分模式分解3.1.2 正交变分模式分解3.1.3 OVMD最优参数确定方法3.1.4 仿真信号分析3.2 旋转机械振动信号的正交变分模式分解3.2.1 滚动轴承信号3.2.2 柴油机滑动轴承信号3.3基于OVMD的振动信号相对频谱能量矩特征提取3.3.1 相对频谱能量矩的定义3.3.2 相对频谱能量矩特征提取结果及性能分析3.3.3 振动信号分类效果3.4 基于OVMD的振动信号Volterra模型特征提取3.4.1 基于相空间重构的Volterra预测模型3.4.2 基于OVMD的Volterra模型特征提取方法3.4.3 Volterra模型特征取结果及性能分析3.4.4 振动信号分类效果3.5 基于OVMD的振动信号双标度分形维数估计3.5.1 基于OVMD的信号分形维数估计方法3.5.2 振动信号的双标度分形维数估计3.5.3双标度分形维数提取结果及性能分析3.5.4 振动信号分类效果3.6 本章小结第4章 基于EEMD的振动信号多尺度特征提取方法4.1 基于EEMD的多尺度模糊熵特征提取4.1.1 模糊隶属度函数的构造4.1.2 模糊熵理论4.1.3 多尺度模糊熵特征提取结果及性能分析4.1.4 振动信号分类效果4.2 基于EEMD的多尺度AR模型参数提取4.2.1 AR模型理论4.2.2 多尺度AR模型参数提取结果与性能分析4.2.3 振动信号分类效果4.3 本章小结第5章 基于分数阶S变换时频谱的振动信号特征提取方法5.1分数阶S变换5.1.1 S变换5.1.2 分数阶S变换5.1.3 分数阶S变换参数选择方法5.1.4 仿真信号分析5.2 振动信号的分数阶S变换5.2.1 齿轮箱齿轮信号5.2.2 滚动轴承信号5.3 基于分数阶S变换时频谱的PCNN谱特征提取5.3.1 脉冲耦合神经网络5.3.2 时频谱的PCNN谱特征5.3.3 PCNN谱特征提取结果及性能分析5.3.4 振动信号分类效果5.4 基于分数阶S变换时频谱的CSLBP纹理谱特征提取5.4.1 中心对称局部二值模式5.4.2 时频谱的CSLBP纹理谱特征5.4.3CSLBP纹理谱特征提取结果及性能分析5.4.4 振动信号分类效果5.5 基于分数阶S变换时频谱的加权多重分形特征提取5.5.1 加权多重分形理论5.5.2 振动信号多重分形特性分析5.5.3 时频谱的加权多重分形特征5.5.4 时频谱加权多重分形特征提取与分析5.5.5 振动信号分类效果5.6 本章小结第6章 旋转机械振动信号的组合式特征降维方法6.1 流形学习理论6.2 核空间类内-类间距准则6.2.1类内-类间距准则6.2.2核空间类内-类间距准则6.3 自适应半监督局部保持投影算法6.3.1 局部保持投影算法6.3.2自适应半监督局部保持投影算法6.3.3 仿真实验与分析6.4旋转机械振动信号的组合式特征降维方法及其应用6.4.1 组合式特征降维方法原理6.4.2 组合式特征降维方法在旋转机械振动信号特征降维中的应用6.5 本章小结第7章 旋转机械故障的支持向量机智能分类优化策略7.1 支持向量机原理简介7.2 基于SEOA的支持向量机模型优化方法7.2.1 社会情感优化算法7.2.2 基于SEOA的SVM训练优化模型7.2.3 基于SEOA的SVM参数优化模型7.2.4 仿真实验与分析7.3 支持向量机的集成学习7.3.1支持向量机多类分类集成学习框架7.3.2 差异性Multi-SVM构造方法7.3.3 SVM多类分类集成学习的组合策略7.3.4 仿真实验与分析7.4 支持向量机智能分类优化策略在故障诊断中的应用7.4.1 基于特征降维的旋转机械振动信号SVM智能分类模型7.4.2 SVM智能分类优化策略在旋转机械故障诊断中的应用7.5 本章小结第8章 结束语参考文献
内容摘要
本书以旋转机械设备为研究对象，针对传统时频分析理论在非线性非平稳振动信号分析中的不足，引入分数阶傅里叶变换、变分模式分解、集合经验模式分解和分数阶S变换等广义时频分析理论，系统研究了旋转机械故障诊断中振动信号预处理、特征提取、特征降维和智能分类优化策略等问题。具体内容包括：旋转机械振动信号预处理方法、基于正交变分模式分解的振动信号特征提取方法、基于EEMD的振动信号多尺度特征提取方法、基于分数阶S变换时频谱的振动信号特征提取方法、旋转机械振动信号的组合式特征降维方法和旋转机械故障的支持向量机智能分类优化策略。
— 没有更多了 —
以下为对购买帮助不大的评价