掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
基于振動信號的狀態監測 版權信息
- ISBN：9787118131895
- 條形碼：9787118131895 ; 978-7-118-13189-5
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
基于振動信號的狀態監測 內容簡介
本書主要針對廣泛存在于各類旋轉類機械場合中的結構健康監測問題，面向系統運行安全和維護保養的實際需求，系統而詳盡地闡述了基于振動信號分析的設備狀態監測和故障診斷這一極為重要的技術理念。本書深入而透徹地闡述了該技術領域已有的主流方法和理論，以及正在出現的各類近期新技術思想，并明確指出了相關領域的近期新發展趨勢，其內容全面地涵蓋了與基于振動分析的設備健康監測相關的各類現代方法及其基本原理，從振動信號的采集到信號處理，從時域分析到頻域分析再到時頻域分析技術，從傳統解決方案到優選的機器學習和壓縮采樣技術。
基于振動信號的狀態監測 目錄
前言作者介紹縮略詞列表 **部分 導論第1章 設備狀態監測簡介1.1相關背景1.2針對旋轉類機械故障的維護方法1.2.1故障檢修1.2.2預防保養1.2.2.1定期檢修（TBM）1.2.2.2基于狀態的檢修維護（CBM）1.3MCM的應用1.3.1風力發電機1.3.2油氣工業1.3.3 航空和國防工業1.3.4 汽車1.3.5 船用發動機1.3.6 機車1.4 狀態監測技術1.4.1 振動監測1.4.2 聲發射1.4.3 振動和聲的融合1.4.4 電機電流監測1.4.5 機油分析和潤滑監測1.4.6 熱成像技術1.4.7 視覺檢查1.4.8 性能監測1.4.9 趨勢監測1.5 相關主題回顧與本書的主要內容1.6 小結參考文獻第2章旋轉類機械的振動信號相關原理2.1 引言2.2 機械振動的基本原理2.3 旋轉類機械的振動信號源2.3.1 轉子質量的不平衡2.3.2 不對中2.3.3 帶裂紋的軸2.3.4 滾動軸承2.3.5 齒輪2.4 振動信號的類型2.4.1 平穩型2.4.2 非平穩型2.5 振動信號采集2.5.1 位移傳感器2.5.2 速度傳感器2.5.3 加速度傳感器2.6 振動信號監測的優缺點2.7 小結參考文獻第二部分 振動信號分析技術第3章時域分析3.1 引言3.1.1 視覺檢查3.1.2 基于特征的檢查3.2 統計函數3.2.1 峰值振幅3.2.2 平均振幅3.2.3 均方根振幅3.2.4 峰-峰振幅3.2.5 波峰因數（CF）3.2.6 方差和標準差3.2.7 標準誤差3.2.8 過零點3.2.9 波長3.2.10 Willison幅值3.2.11 斜率變化3.2.12 脈沖因子3.2.13 邊際系數3.2.14 形狀因子3.2.15 裕度指標3.2.16 偏度3.2.17 峰度3.2.18 高階累積量（HOC）3.2.19 直方圖3.2.20 標準威布爾負對數似然值3.2.21 熵3.3 時域同步平均（TSA）3.3.1 TSA信號3.3.2 殘余信號（RES）3.3.2.1 NA43.3.2.2 NA4*3.3.3 差分信號（DIFS）3.3.3.1 FM43.3.3.2 M6A3.3.3.3 M8A3.4 時間序列回歸模型3.4.1 AR模型3.4.2 MA模型3.4.3 ARMA模型3.4.4 ARIMA模型3.5 基于濾波器的方法3.5.1 解調3.5.2 Prony模型3.5.3 自適應噪聲消除（ANC）3.6 隨機參數技術3.7 盲源分離（BSS）3.8 小結參考文獻第4章頻域分析4.1 引言4.2 傅里葉分析4.2.1 傅里葉級數4.2.2 離散傅里葉變換4.2.3 快速傅里葉變換（FFT）4.3 包絡分析4.4 頻譜統計特征4.4.1 數學平均4.4.2 幾何平均4.4.3 匹配濾波器RMS4.4.4 頻譜差分的RMS4.4.5 平方譜差求和4.4.6 高階譜技術4.5 小結參考文獻第5章時頻分析5.1 引言5.2 短時傅里葉變換（STFT）5.3 小波分析5.3.1 小波變換（WT）5.3.1.1 連續小波變換（CWT）5.3.1.2 離散小波變換（DWT）5.3.2 小波包變換（WPT）5.4 經驗模式分解（EMD）5.5 希爾伯特-黃變換（HHT）5.6 Wigner-Ville分布5.7 局部均值分解（LMD）5.8 峰度和峰度圖5.9 小結參考文獻第三部分 利用機器學習技術進行旋轉類機械的狀態監測第6章利用機器學習技術的振動信號狀態監測6.1 引言6.2 振動信號狀態監測過程概述6.2.1 故障檢測和診斷問題的基本框架6.3 基于振動數據進行學習6.3.1 學習類型6.3.1.1 批量學習和在線學習6.3.1.2 基于事例的學習和基于模型的學習6.3.1.3 有監督的學習和無監督的學習6.3.1.4 半監督學習6.3.1.5 強化學習6.3.1.6 遷移學習6.3.2 基于振動數據進行學習的主要困難6.3.2.1 維度災難6.3.2.2 無關特征6.3.2.3 旋轉類機械的工作環境和工作狀態6.3.3 振動數據的準備工作6.3.3.1 歸一化6.3.3.2 維數縮減6.4 小結參考文獻第7章線性子空間學習7.1 引言7.2 主成分分析（PCA）7.2.1 利用特征值分解進行主成分分析7.2.2 利用SVD進行主成分分析7.2.3 主成分分析在設備故障診斷中的應用7.3 獨立成分分析（ICA）7.3.1 互信息 小化7.3.2 似然率 化7.3.3 ICA在設備故障診斷中的應用7.4 線性判別分析（LDA）7.4.1 LDA在設備故障診斷中的應用7.5 典型相關分析（CCA）7.6 偏 小二乘法（PLS）7.7 小結參考文獻第8章非線性子空間學習8.1 引言8.2 核主成分分析（KPCA）8.2.1 KPCA在設備故障診斷中的應用8.3 等距特征映射（ISOMAP）8.3.1 ISOMAP在設備故障診斷中的應用8.4 擴散映射（DM）和擴散距離8.4.1 DM在設備故障診斷中的應用8.5 拉普拉斯特征映射（LE）8.5.1 LE在設備故障診斷中的應用8.6 局部線性嵌入（LLE）8.6.1 LLE在設備故障診斷中的應用8.7 Hessian局部線性嵌入（HLLE）8.7.1 HLLE在設備故障診斷中的應用8.8 局部切空間排列分析（LTSA）8.8.1 LTSA在設備故障診斷中的應用8.9 方差展開（MVU）8.9.1 MVU在設備故障診斷中的應用8.10 隨機臨近嵌入（SPE）8.10.1 SPE在設備故障診斷中的應用8.11 小結參考文獻第9章特征選取9.1 引言9.2 基于濾波器模型的特征選取9.2.1 Fisher分值算法（FS）9.2.2 拉普拉斯分值算法（LS）9.2.3 Relief算法和Relief-F算法9.2.3.1 Relief算法9.2.3.2 Relief-F算法9.2.4 皮爾森相關系數（PCC）9.2.5 信息增益（IG）和增益率（GR）9.2.6 互信息（MI）9.2.7 卡方分布（Chi-2）9.2.8 Wilcoxon秩檢驗9.2.9 特征排序在設備故障診斷中的應用9.3 基于包裹式模型的特征子集選擇9.3.1 序列選擇算法9.3.2 啟發式選擇算法9.3.2.1 蟻群優化算法（ACO）9.3.2.2 遺傳算法（GA）及其編程9.3.2.3 粒子群優化算法（PSO）9.3.3基于包裹式模型的特征子集選擇在設備故障診斷中的應用9.4 基于嵌入式模型的特征選擇9.5 小結參考文獻第四部分 分類算法 0章決策樹和隨機森林10.1 引言10.2 決策樹10.2.1 單變量離散化準則10.2.1.1 基尼指數10.2.1.2 信息增益10.2.1.3 距離度量10.2.1.4 正交準則（ORT）10.2.2 多變量離散化準則10.2.3 剪枝方法10.2.3.1 錯誤-復雜度剪枝10.2.3.2 小錯誤剪枝10.2.3.3 降低錯誤剪枝10.2.3.4 臨界值剪枝10.2.3.5 悲觀剪枝10.2.3.6 小描述長度（MDL）剪枝10.2.4 決策樹誘導器10.2.4.1 CART10.2.4.2 ID310.2.4.3 C4.510.2.4.4 CHAID10.3 決策森林10.4 決策樹決策森林在設備故障診斷中的應用10.5 小結參考文獻 1章概率分類方法11.1 引言11.2 隱馬爾可夫模型11.2.1隱馬爾可夫模型在設備故障診斷中的應用11.3 邏輯回歸模型11.3.1 邏輯回歸正則化11.3.2 多元邏輯回歸模型（MLR）11.3.3 邏輯回歸在設備故障診斷中的應用11.4 小結參考文獻 2章人工神經網絡（ANN）12.1 引言12.2 神經網絡的基本原理12.2.1 多層感知器12.2.2 徑向基函數網絡12.2.3 Kohonen網絡12.3 人工神經網絡在設備故障診斷中的應用12.4 小結參考文獻 3章支持向量機（SVM）13.1 引言13.2 多分類SVM13.3 核參數的選擇13.4 SVM在設備故障診斷中的應用13.5 小結參考文獻 4章深度學習14.1 引言14.2 自編碼器14.3 卷積神經網絡（CNN）14.4 深度信念網絡（DBN）14.5 循環神經網絡（RNN）14.6 針對設備狀態監測的深度學習概述14.6.1 基于AE的DNN在設備故障診斷中的應用14.6.2 CNN在設備故障診斷中的應用14.6.3 DBN在設備故障診斷中的應用14.6.4 RNN在設備故障診斷中的應用14.7 小結參考文獻 5章分類算法驗證15.1 引言15.2 保持方法15.2.1 三路數據拆分15.3 隨機二次抽樣15.4 k-重交叉驗證15.5 留一交叉驗證15.6 自舉法15.7 總體分類精度15.8 混淆矩陣15.9 召回率和精準度15.10 ROC圖15.11 小結參考文獻第四部分 面向設備狀態監測的新型故障診斷框架 6章壓縮采樣和子空間學習（CS-SL）16.1 引言16.2 針對基于振動信號的設備狀態監測的壓縮采樣16.2.1 壓縮采樣基本原理16.2.2 針對稀疏頻域描述的壓縮采樣16.2.3 針對稀疏時頻描述的壓縮采樣16.3 設備狀態監測中的壓縮采樣概述16.3.1 測試數據的壓縮及此后的 數據重構16.3.2 測試數據的壓縮及此后的非 數據重構16.3.3 測試數據壓縮后作為分類器的輸入16.3.4 測試數據的壓縮及此后的特征學習16.4 壓縮采樣和特征排序（CS-FR）16.4.1 具體實現16.4.1.1 CS-LS16.4.1.2 CS-FS16.4.1.3 CS-Relief-F16.4.1.4 CS-PCC16.4.1.5 CS-Chi-216.5 面向故障診斷的基于CS和線性子空間學習的框架16.5.1 具體實現16.5.1.1 CS-PCA16.5.1.2 CS-LDA16.5.1.3 CS-CPDC16.6 面向故障診斷的基于CS和非線性子空間學習的框架16.6.1 具體實現16.6.1.1 CS-KPCA16.6.1.2 CS-KLDA16.6.1.3 CS-CMDS16.6.1.4 CS-SPE16.7 相關應用16.7.1 實例分析116.7.1.1 MMV-CS和若干特征排序技術的聯合使用16.7.1.2 MMV-CS和若干線性、非線性子空間學習技術的聯合使用16.7.2 實例分析216.7.2.1 MMV-CS和若干特征排序技術的聯合使用16.7.2.2 MMV-CS和若干線性、非線性子空間學習技術的聯合使用16.8 相關討論參考文獻 7章壓縮采樣和深度神經網絡（CS-DNN）17.1 引言17.2 相關工作介紹17.3 CS-SAE-DNN17.3.1 壓縮采樣測量17.3.2 利用瀏覽測試進行CS模型檢驗17.3.3 基于DNN的無監督稀疏超完備特征學習17.3.4 有監督的微調17.4 相關應用17.4.1 實例分析117.4.2 實例分析217.5 相關討論參考文獻 8章總結18.1 引言18.2 內容總結附錄 設備振動數據源及其分析算法參考文獻索引
展開全部
基于振動信號的狀態監測 作者簡介
舒海生，男，1976.11月出生，教授，博士后，博士生導師，1997年畢業于哈爾濱工程大學機械工程專業，2005年取得工學博士學位。多年來一直承擔本科生和研究生的機械振動課程的教學工作，教學效果優良，4次獲得優秀主講教師稱號。科研方面，主要從事機械裝備設計與開發、聲子晶體與超材料、振動噪聲控制方面的科學研究。
書友推薦
- >
山海經
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
李白與唐代文化
- >
朝聞道
- >
隨園食單
- >
二體千字文
- >
小考拉的故事-套裝共3冊
本類暢銷
