本书主要研究旋转机械故障信号处理与诊断方法,内容包括旋转机械振动信号描述、短时傅里叶变换、小波降噪方法、旋转机械故障信息独立化提取方法、遗传神经网络的旋转机械故障诊断方法以及传感器信息融合方法。作者的主要研究思路是:首先通过传感器获取振动信号,利用小波、双树复小波、EMD、LMD 变换等现代信号处理方法对非线性、非平稳信号进行降噪并重构;然后对获得的混合信号进行盲源分离,提取特征信息;最后应用信息融合技术,包括遗传算法优化神经网络、D-S证据理论等方法,进行旋转机械故障模式识别。为了便于读者参考,还将系统性理论与工程实例相结合,并配有相应的MATLAB 程序。
本书可作为高等院校机械工程、测控技术与仪器以及相关专业高年级本科生、研究生的教材或参考书,也可供从事机械设备故障诊断和检测以及信号处理的广大科研技术人员使用。
- 前辅文
- 第1 章信号描述
- 1.1 信号分类及描述
- 1.1.1 信号分类
- 1.1.2 信号的时域与频域描述
- 1.2 信号分析与处理
- 1.2.1 数字信号处理系统的基本组成
- 1.2.2 模拟信号转换为数字信号
- 1.3 程序仿真
- 参考文献
- 第2 章短时傅里叶变换
- 2.1 傅里叶变换
- 2.1.1 傅里叶变换简介
- 2.1.2 傅里叶变换性质和定理
- 2.1.3 傅里叶变换的不足
- 2.2 短时傅里叶变换
- 2.2.1 连续信号短时傅里叶变换的定义和性质
- 2.2.2 短时傅里叶变换的窗函数
- 2.2.3 短时傅里叶变换的计算
- 2.3 时频分辨率及不确定性原理
- 2.4 程序仿真
- 参考文献
- 第3 章旋转机械振动信号小波降噪方法
- 3.1 小波变换数学基础
- 3.1.1 小波定义
- 3.1.2 离散化与框架
- 3.1.3 多分辨率分析
- 3.1.4 离散小波分解与重构
- 3.2 几种小波滤波降噪方法
- 3.2.1 小波滤波降噪方法
- 3.2.2 小波降噪方法性能比较
- 3.3 旋转机械故障信号小波阈值滤波降噪及分析
- 3.4 双树复小波
- 3.5 程序仿真
- 参考文献
- 第4 章旋转机械故障信息独立化提取方法
- 4.1 信号混合方式的描述
- 4.2 混合信号的分离方法
- 4.2.1 主分量分析
- 4.2.2 奇异值分解方法
- 4.2.3 盲源分离
- 4.3 ICA 理论及其实现
- 4.3.1 ICA 数学模型
- 4.3.2 负熵的概念
- 4.3.3 FastICA 算法及分离过程
- 4.4 EMD 法
- 4.4.1 信号的瞬时频率
- 4.4.2 本征模函数
- 4.4.3 EMD 流程
- 4.5 基于EMD 和FastICA 阈值法的旋转机械故障特征提取
- 4.5.1 旋转机械故障特征提取方法
- 4.5.2 基于EMD 和FastICA 阈值法的仿真实验
- 4.6 程序仿真
- 参考文献
- 第5 章基于遗传神经网络的旋转机械故障诊断方法
- 5.1 神经网络结构和算法
- 5.1.1 神经网络基本描述
- 5.1.2 BP 神经网络算法
- 5.1.3 BP 神经网络算法的不足
- 5.1.4 BP 神经网络算法的改进措施
- 5.1.5 BP 神经网络的设计与分析
- 5.2 遗传算法的基本原理
- 5.2.1 遗传算法的构成
- 5.2.2 遗传算法的基本步骤
- 5.2.3 遗传算法的仿真
- 5.3 旋转机械的FastICA 遗传神经网络算法
- 5.3.1 FastICA 遗传神经网络算法原理
- 5.3.2 源信号各独立分量估计
- 5.3.3 遗传算法优化BP 神经网络流程
- 5.3.4 旋转机械的FastICA 遗传神经网络算法
- 5.4 程序仿真
- 参考文献
- 第6 章旋转机械多传感器信息融合方法
- 6.1 多传感器信息融合基本原理和层次结构
- 6.1.1 多传感器信息融合基本原理
- 6.1.2 多传感器信息融合层次结构
- 6.1.3 多传感器信息融合算法
- 6.2 旋转机械多传感器信息融合的特点
- 6.3 基于D–S 证据理论的决策层融合旋转机械故障诊断方法
- 6.3.1 D–S 证据理论的基本概念
- 6.3.2 多判据证据组合规则
- 6.4 基于伪证据识别的D–S 旋转机械融合诊断实例分析
- 6.4.1 多传感器旋转机械故障诊断识别框架
- 6.4.2 基于伪证据识别的D–S 组合规则在旋转机械故障诊断中的应用
- 6.5 程序仿真
- 参考文献
- 索引