本书是一本学术著作, 针对滚动轴承的故障诊断、性能退化评估及剩余寿命预测问题, 结合作者团队多年的研究成果及最新研究进展, 既有国内外对于此问题的研究发展历程与现状综述, 也阐释了振动信号故障特征、诊断与评估机理。结合时频图像与卷积神经网络、支持向量机、支持向量机数据描述、异常检测算法、RBF和WIENER优化模型、CAN-LSTM、深度学习等理论构建了滚动轴承的多类故障诊断及性能退化评估模型, 介绍了性能退化评估及剩余寿命预测方法。结合大量仿真实验及典型试验数据进行了典型故障案例分析。
第1章 绪论
1.1 滚动轴承振动信号的特征提取
1.2 滚动轴承故障的智能诊断
1.3 性能退化评估技术
1.4 剩余使用寿命(RUL)预测技术
本章参考文献
第2章 滚动轴承振动机理及动力学特性研究
2.1 引言
2.2 滚动轴承故障振动机理及故障特征分析
2.3 滚动轴承滑移接触下振动特性研究
本章参考文献
第3章 基于振动信息的特征提取
3.1 引言
3.2 多域特征指标
3.3 多尺度特征提取
3.4 特征降维与选择
3.5 基于深度学习的特征提取方法
本章参考文献
第4章 基于时频图像与卷积神经网络的滚动轴承故障诊断方法
4.1 引言
4.2 基于时频图像与VGGNet的滚动轴承故障诊断方法
4.3 基于迁移学习的深度残差网络的滚动轴承故障诊断方法
4.4 基于数据驱动的改进生成对抗网络的滚动轴承故障诊断方法
本章参考文献
第5章 基于支持向量机的滚动轴承性能退化评估方法
5.1 引言
5.2 基于GA-SVM的滚动轴承性能退化评估方法
5.3 基于SDAE-OCSVM的滚动轴承性能退化评估方法
5.4 基于PSO-OCSVM的滚动轴承性能退化评估方法
本章参考文献
第6章 基于支持向量数据描述的滚动轴承性能退化评估方法
6.1 引言
6.2 支持向量数据描述方法
6.3 基于自适应SVDD的滚动轴承性能退化评估方法
6.4 结合VMD符号熵与SVDD方法的滚动轴承性能退化评估方法
本章参考文献
第7章 融合概率建模与边界距离的滚动轴承性能退化评估方法
7.1 引言
7.2 基于概率建模的性能退化评估方法
7.3 基于边界距离的性能退化评估方法
7.4 融合概率建模与边界距离的滚动轴承性能退化评估方法
本章参考文献
第8章 基于径向基的轴承性能退化评估与寿命预测方法
8.1 引言
8.2 RBF神经网络
8.3 基于RBF模型的性能退化评估
8.4 基于RBF模型与优化Wiener模型的轴承寿命预测
本章参考文献
第9章 基于卷积注意力长短时记忆网络的轴承寿命预测方法
9.1 引言
9.2 CAN模型
9.3 LSTM神经网络
9.4 基于CAN-LSTM模型的剩余寿命预测方法
9.5 实验结果与分析
本章参考文献
书单推荐
