齒輪故障智能診斷技術

基於振動信號和潤滑油中顆粒信號，以齒輪箱作為設備維護物件，詳細介紹了研究團隊在齒輪故障智慧診斷技術領域的研究成果。採取實驗驗證、模擬驗證與理論分析相結合的方法，深度剖析了同步擠壓變換方法在齒輪故障智慧診斷領域的應用，系統評估了深度學習技術在齒輪故障識別中的應用，呈現了基於深度學習模型的齒輪故障智慧診斷技術新成果。

前言

第1章 緒論 1
1.1 齒輪故障智慧診斷概述 1
1.1.1 齒輪故障主要類型 2
1.1.2 齒輪故障診斷的發展過程 3
1.2 齒輪故障智慧診斷的研究內容 5
1.2.1 齒輪故障機制研究 6
1.2.2 信號選擇和檢測機制研究 6
1.2.3 齒輪信號分析與處理方法研究 7
1.2.4 齒輪信號特徵選擇研究 7
1.2.5 齒輪故障診斷的智慧決策方法研究 7
1.3 齒輪故障診斷方法 8
1.3.1 基於解析模型的齒輪故障診斷方法 8
1.3.2 基於信號分析與處理的齒輪故障診斷方法 8
1.3.3 基於知識的齒輪故障診斷方法 11
1.3.4 基於感知行為的齒輪故障診斷方法 15
1.4 小結 15
參考文獻 15

第2章 齒輪故障信號的特徵提取與選擇 20
2.1 齒輪運行狀態信號載體 20
2.1.1 振動信號 20
2.1.2 潤滑油中顆粒信號 22
2.1.3 聲發射信號 23
2.1.4 電流信號 24
2.1.5 溫度信號 24
2.2 故障信號特徵提取方法 25
2.2.1 信號的時域分析方法 25
2.2.2 信號的頻域分析方法 30
2.2.3 信號的時頻分析方法 35
2.3 齒輪故障信號的特徵選擇 41
2.3.1 特徵選擇概述 42
2.3.2 過濾式特徵選擇 44
2.3.3 封裝式特徵選擇 45
2.3.4 嵌入式特徵選擇 48
2.4 小結 48
參考文獻 48

第3章 基於廣義同步擠壓變換的齒輪故障識別 53
3.1 廣義同步擠壓變換原理 53
3.1.1 同步擠壓變換 54
3.1.2 廣義同步擠壓變換 55
3.2 廣義同步擠壓變換在齒輪故障中的應用 56
3.2.1 基於廣義同步擠壓變換信號分析的齒輪箱故障診斷原理 56
3.2.2 模擬案例一 57
3.2.3 模擬案例二 64
3.2.4 實驗測試 68
3.3 小結 73
參考文獻 74

第4章 基於深度學習的齒輪箱故障識別 75
4.1 深度學習概述 75
4.1.1 淺層學習 75
4.1.2 深度學習基本思想 76
4.1.3 深度學習與神經網路 77
4.1.4 深度學習訓練機制 77
4.1.5 深度學習的應用 78
4.2 深度學習的經典模型 79
4.2.1 自動編碼器 79
4.2.2 稀疏自動編碼器 82
4.2.3 受限玻爾茲曼機 83
4.2.4 深度信念網路 90
4.2.5 深度玻爾茲曼機 91
4.2.6 卷積神經網路 93
4.3 經典深度學習模型在齒輪箱故障識別中的應用 99
4.3.1 振動信號特徵提取 100
4.3.2 實驗平臺 102
4.3.3 卷積神經網路實驗評估 105
4.3.4 DBN、DBM、RBM和SAE實驗評估 108
4.4 多模態深度支持向量機及其在齒輪箱故障診斷中的應用 116
4.4.1 高斯-伯努利深度玻爾茲曼機 117
4.4.2 基於多模態同源特徵的高斯-伯努利深度玻爾茲曼機分類 118
4.4.3 支持向量機多模態融合 119
4.4.4 振動信號的多模態特徵 121
4.4.5 齒輪箱故障診斷中的應用 123
4.4.6 實驗評估 124
4.5 小結 127
參考文獻 128

第5章 基於潤滑油中磨損顆粒的齒輪箱故障診斷 132
5.1 油液中磨損顆粒信號中振動引發的干擾 132
5.2 顆粒信號中振動信號的分離和應用 133
5.2.1 基於積分變換的油中顆粒信號增強 134
5.2.2 基於小波變換的降噪和信號分離 136
5.2.3 積分和小波聯合變換過程 137
5.2.4 振動信號靈敏度的比較實驗 138
5.2.5 振動監控測試 145
5.3 基於積分增強經驗模式分解和互相關重構的油中顆粒特徵提取 147
5.3.1 經驗模態分解 148
5.3.2 基於EMD和高通濾波器的趨勢項去除 149
5.3.3 基於最大相關係數的信號重構 151
5.3.4 實驗分析 155
5.4 基於最優分解小波變換的ODM信號增強方法 162
5.4.1 最優分解小波變換方法 162
5.4.2 實驗測試 168
5.5 小結 174
參考文獻 174