齿轮故障 智能诊断技术pdf电子书版本下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页 直链下载[便捷但速度慢]   [在线试读本书]   [在线获取解压码]

齿轮故障 智能诊断技术PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数 要大于 标注页数，上中下等多册电子书除外）

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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 174