該書包括了機械狀態監測和故障診斷的信息原理，監測診斷中用於特徵提取的最新信號處理理論和方法，以及作為監測診斷技術核心的模式識別新理論和方法。在內容上吸收了近年來機械狀態監測和故障診斷中出現的新方法、新技術等前沿研究，體現了機械監測和診斷這一研究方向的最新發展，具有了新穎性、創造性和學科交叉等特點。
基本介紹
- 書名：機械故障診斷理論與方法
- ISBN：7560532454, 9787560532455
- 頁數：312頁
- 出版社：西安交通大學出版社
- 出版時間：2009年12月1日
- 開本：16
基本信息,內容簡介,編輯推薦,目錄,
基本信息
正文語種: 中文
條形碼: 9787560532455
內容簡介
本教材的內容大多來源於近年來作者所在單位承擔的科研項目的最新進展和研究成果，在編寫上兼顧了方法原理的介紹和實際套用舉例，目的在於使讀者在學習基本原理、基本理論的基礎上，掌握如何在實踐中套用，從而達到舉一反三、觸類旁通，有利於研究生創新意識和創新能力的培養。
編輯推薦
《機械故障診斷理論與方法》：西安交通大學研究生創新教育系列教材
目錄
第1章 機械零部件失效信息
1.1 概述
1.2 機械運行信息的獲取
1.2.1 包含零部件失效信息的信號測量
1.2.2 零部件失效信息的提取
1.3 機械運行信息的利用
1.3.1 機械零部件故障的識別
1.3.2 機械設計、製造缺陷的識別
1.4 機械故障診斷的本質第2章 機械故障診斷動力學基礎
2.1 簡諧振動
2.2 單自由度系統的自由振動
2.3 單自由度系統的強迫振動
2.3.1 簡諧激勵下的強迫振動(穩態階段)
2.3.2 簡諧激勵下的強迫振動(過渡階段)
2.4 轉子的不平衡回響和臨界轉速
2.5 機械故障振動頻率特徵及機理分析
2.5.1 迴轉機械典型故障特徵及機理分析
2.5.2 齒輪故障特徵及機理分析
2.5.3 滾動軸承故障特徵及機理分析
第3章 信息熵
3.1 信息熵的定義與性質
3.1.1 熵的定義
3.1.2 熵的性質
3.1.3 信息熵的作用
3.2 信息熵的極值
3.3 複合系統、聯合熵與條件熵
3.4 最小互熵原理
3.4.1 最小互熵原理
3.4.2 最大熵分布
3.4.3 不確定性重要度測度
3.5 信息量的量度
第4章 信號頻域分析基礎及套用
4.1 傅立葉級數與離散頻譜
4.2 傅立葉變換與連續頻譜
4.3 離散傅立葉變換及快速算法
4.4 窗函式與泄漏
4.5 譜校正方法
4.6 信號的頻譜分析
4.6.1 確定性信號的傅立葉譜分析
4.6.2 信號的功率譜分析
4.6.3 信號的相干分析
4.7 頻譜分析的套用
第5章 信號的時頻分析
5.1 時頻分析的基本概念
5.1.1 信號的時頻表示
5.1.2 相平面、視窗和測不準原理
5.1.3 時頻分析方法的分類
5.2 加窗傅立葉變換
5.2.1 加窗傅立葉變換的基本概念
5.2.2 加窗傅立葉變換的特性
5.2.3 加窗傅立葉變換的分析實例
5.3 小波變換
5.3.1 小波變換的基本概念
5.3.2 小波變換的特性
5.3.3 連續小波變換的分析實例
5.4 離散小波變換
5.4.1 二進小波變換
5.4.2 小波函式與尺度函式
5.4.3 離散二進小波變換——Mallat算法
5.4.4 信號重建——二進小波逆變換
5.4.5 二進小波變換的套用
5.5 小波包變換
5.5.1 小波包原理
5.5.2 小波包結構
5.5.3 小波包變換
5.5.4 小波包逆變換
5.5.5 信號的小波包表示
5.5.6 小波包變換的實例
5.6 維格納分布
5.6.1 維格納分布的定義與性質
5.6.2 維格納分布的時頻特性
5.6.3 維格納分布的光滑方法
第6章 希爾伯特-黃變換
6.1 希爾伯特-黃變換中的基本概念
6.1.1 瞬時頻率
6.1.2 固有模式函式
6.2 經驗模式分解
6.2.1 經驗模式分解的基本原理
6.2.2 經驗模式分解算法的完備性與正交性
6.3 希爾伯特譜分析
6. 4希爾伯特-黃變換在非平穩、非線性信號處理中的套用舉例
6.4.1 單周期正弦波的分析
6.4.2 分時餘弦波的分析
6.4.3 一個模擬調頻信號的分析
6.4.4 一個實際機械故障信號的分析
6.5 討論
第7章 全息譜分析技術
7.1 全息譜的構成
7.1.1 全息譜的提出
7.1.2 全息譜對所集成的信號的要求
7.1.3 二維全息譜的構成
7.1.4 全息譜區別故障的能力
7.1.5 三維全息譜的構成
7.1.6 軸心軌跡重構
7.2 全息瀑布圖
7.3 全息動平衡技術
7.3.1 轉頻橢圓
7.3.2 初相點與轉子重點
7.3.3 橢圓運動與等速圓周運動的轉換
7.3.4 移相橢圓
7.3.5 三維全息譜的分解
第8章 主分量分析與核主分量分析
8.1 主分量分析的基本原理
8.1.1 主分量分析的基本原理
8.1.2 主分量分析套用舉例
8.2 主分量分析在噪聲壓縮中的套用
8.2.1 含噪數據序列的統計特徵
8.2.2 噪聲壓縮評價指標
8.2.3 主分量分析壓縮噪聲的原理與實例分析
8.3 核主分量分析
8.3.1 “維數災難”與核函式
8.3.2 核主分量分析的原理
8.3.3 核主分量分析在齒輪故障分類中的套用
第9章 Bootstrap方法的原理及套用
9.1 Bootstrap原理
9.1.1 Bootstrap方法概述
9.1.2 樣本均值的估計
9.1.3 重採樣次數的選擇
9.1.4 樣本數量的擴充方法
9.2 Bootstrap在診斷不確定性定量評判上的套用
9.3 Bootstrap在軸承故障診斷中的套用
9.4 Bootstrap方法在自回歸模型分析中的套用
9.4.1 基於Bootstrap的自回歸模型分析
9.4.2 基於Bootstrap的回歸建模和預報
第10章 盲源分離
10.1 獨立分量分析原理及算法
10.1.1 基本原理
10.1.2 信號間的獨立性度量準則
10.1.3 實現算法
10.1.4 常用獨立分量分析方法介紹
10.2 獨立分量分析在監測診斷中的套用
10.2.1 仿真信號的分離
10.2.2 滾動軸承噪聲信號的分離
10.2.3 語音信號的分離
10.3 獨立分量分析在實踐中尚需解決的幾個問題
第11章 時域平均技術
11.1 時域平均的原理
11.2 時域同步平均
11.2.1 時域同步平均的概念
11.2.2 時域同步平均工作原理
11.2.3 套用實例
11.3 無時標時域平均
11.3.1 周期截斷誤差對時域平均的影響
11.3.2 確定合理的時域平均段數
11.3.3 時域平均處的改進算法
第12章 支持向量機
12.1 機器學習的基本方法
12.1.1 問題的表示
12.1.2 經驗風險最小化原則
12.1.3 複雜性與推廣能力
12.2 統計學習理論
12.2.1 VC維
12.2.2 推廣性的界
12.2.3 結構風險最小化原則
12.3 支持向量機
12.3.1 SVM的基本思想
12.3.2 最優超平面與支持向量機
12.3.3 線性支持向量機
12.3.4 非線性支持向量機
12.3.5 支持向量機的多類算法
12.3.6 支持向量機用於回歸
12.4 支持向量機在機械故障診斷中的套用
12.4.1 支持向量機在滾動軸承故障診斷中的套用
12.4.2 支持向量機在發動機故障診斷中的套用
12.4.3 支持向量機套用總結
第13章 進化計算及其套用
13.1 遺傳算法的產生與發展現狀
13.2 遺傳算法
13.2.1 遺傳算法的原理
13.2.2 遺傳算法的特點
13.2.3 遺傳算法的實現
13.3 遺傳編程
13.3.1 遺傳編程的原理
13.3.2 遺傳編程節點的閉鎖性與自滿性
13.3.3 遺傳編程的主要特點
13.3.4 遺傳編程的實現
13.4 遺傳算法的套用
13.5 遺傳編程的套用
