機(jī)械故障信號(hào)的數(shù)學(xué)形態(tài)學(xué)分析及智能分類(lèi)內(nèi)容簡(jiǎn)介

《機(jī)械故障信號(hào)的數(shù)學(xué)形態(tài)學(xué)分析與智能分類(lèi)》以數(shù)學(xué)形態(tài)學(xué)理論為主要分析手段，以機(jī)械設(shè)備中最常見(jiàn)的齒輪、軸承和發(fā)動(dòng)機(jī)故障信號(hào)為研究對(duì)象，研究數(shù)學(xué)形態(tài)學(xué)在機(jī)械故障信號(hào)處理與特征提取中的應(yīng)用途徑，將數(shù)學(xué)形態(tài)學(xué)與小波分析、時(shí)頻分析、非負(fù)矩陣分解以及分形幾何理論等相結(jié)合，建立以數(shù)學(xué)形態(tài)學(xué)為基本理論框架的機(jī)械故障信號(hào)處理與特征參數(shù)提取體系，并在此基礎(chǔ)上進(jìn)行機(jī)械故障特征選擇方法的研究，以提高機(jī)械故障診斷的精度和效率。本書(shū)由李兵、張培林、米雙山等著。

第1章 概論

1.1 機(jī)械故障診斷的概念

1.2 機(jī)械故障信號(hào)處理與特征提取方法

1.2.1 以傅里葉變換為基礎(chǔ)的傳統(tǒng)信號(hào)處理方法

1.2.2 時(shí)頻分析技術(shù)

1.2.3 分形幾何方法

1.3 機(jī)械故障診斷的模式識(shí)別方法

1.3.1 專(zhuān)家系統(tǒng)

1.3.2 模糊推理

1.3.3 人工神經(jīng)網(wǎng)絡(luò)

1.3.4 支持向量機(jī)

1.4 機(jī)械故障診斷的特征參數(shù)選擇

第2章 數(shù)學(xué)形態(tài)學(xué)理論概述

2.1 數(shù)學(xué)形態(tài)學(xué)研究現(xiàn)狀

2.2 數(shù)學(xué)形態(tài)學(xué)基本原理

2.2.1 二值形態(tài)學(xué)

2.2.2 灰值形態(tài)學(xué)

2.3 基于完備格的數(shù)學(xué)形態(tài)學(xué)理論

2.3.1 完備格理論

2.3.2 完備格上的數(shù)學(xué)形態(tài)學(xué)理論

2.4 數(shù)學(xué)形態(tài)學(xué)在機(jī)械故障信號(hào)處理中的應(yīng)用

第3章 機(jī)械故障信號(hào)的自適應(yīng)多尺度形態(tài)梯度分析

3.1 引言

3.2 數(shù)學(xué)形態(tài)學(xué)濾波器

3.2.1 基本形態(tài)濾波器

3.2.2 形態(tài)梯度濾波器

3.2.3 仿真信號(hào)分析

3.3 自適應(yīng)多尺度形態(tài)梯度

3.3.1 多尺度形態(tài)濾波器

3.3.2 自適應(yīng)多尺度形態(tài)梯度(AMMG)

3.4 AMMG在機(jī)械故障信號(hào)處理中的應(yīng)用

3.4.1 齒輪箱故障信號(hào)分析

3.4.2 發(fā)動(dòng)機(jī)故障信號(hào)分析

第4章 機(jī)械故障信號(hào)的自適應(yīng)形態(tài)梯度提升小波分析

4.1 引言

4.2 形態(tài)小波分析

4.2.1 廣義小波分解方案

4.2.2 形態(tài)提升小波

4.3 自適應(yīng)形態(tài)梯度提升小波

4.3.1 自適應(yīng)提升小波

4.3.2 自適應(yīng)形態(tài)梯度提升小波

4.3.3 仿真信號(hào)分析

4.4 AMGLW在機(jī)械故障信號(hào)分析中的應(yīng)用

4.4.1 齒輪箱故障信號(hào)分析

4.4.2 發(fā)動(dòng)機(jī)故障信號(hào)分析

第5章 機(jī)械故障信號(hào)的非負(fù)矩陣分解特征提取方法

5.1 引言

5.2 非負(fù)矩陣分解(NMF)

5.2.1 非負(fù)矩陣分解算法的引出

5.2.2 非負(fù)矩陣分解主要思想

5.2.3 非負(fù)矩陣分解的算法實(shí)現(xiàn)

5.2.4 非負(fù)矩陣分解的初始化和秩的選擇

5.2.5 改進(jìn)非負(fù)矩陣分解(INMF)

5.3 改進(jìn)非負(fù)矩陣分解在齒輪箱故障特征提取中的應(yīng)用

5.3.1 基于AMCLW與INMF的齒輪箱故障信號(hào)特征提取

5.3.2 分類(lèi)效果

5.4 改進(jìn)非負(fù)矩陣分解在發(fā)動(dòng)機(jī)故障特征提取中的應(yīng)用

5.4.1 基于AMGLW與INMF的發(fā)動(dòng)機(jī)故障信號(hào)特征提取

5.4.2 分類(lèi)效果

第6章 機(jī)械故障信號(hào)時(shí)頻分布的數(shù)學(xué)形態(tài)譜特征

6.1 引言

6.2 廣義S變換

6.2.1 S變換的基本概念

6.2.2 廣義S變換

6.2.3 仿真信號(hào)分析

6.3 機(jī)械故障信號(hào)的廣義s變換

6.3.1 齒輪箱故障信號(hào)的廣義s變換

6.3.2 發(fā)動(dòng)機(jī)故障信號(hào)的廣義s變換

6.4 數(shù)學(xué)形態(tài)譜

6.4.1 形態(tài)學(xué)顆粒分析

6.4.2 數(shù)學(xué)形態(tài)譜定義

6.4.3 齒輪箱故障信號(hào)時(shí)頻分布的數(shù)學(xué)形態(tài)譜

6.5 廣義空間數(shù)學(xué)形態(tài)譜

6.5.1 廣義空間數(shù)學(xué)形態(tài)譜

6.5.2 發(fā)動(dòng)機(jī)故障信號(hào)時(shí)頻分布的廣義空間數(shù)學(xué)形態(tài)譜

第7章 機(jī)械故障信號(hào)的數(shù)學(xué)形態(tài)學(xué)分形特征

7.1 引言

7.2 分形的基本概念

7.3 形態(tài)學(xué)分形維數(shù)

7.3.1 Minkowski-Bouligand維數(shù)

7.3.2 基于數(shù)學(xué)形態(tài)學(xué)的分形維數(shù)估計(jì)方法

7.3.3 仿真信號(hào)分析

7.4 機(jī)械故障信號(hào)的形態(tài)學(xué)分形維數(shù)

7.4.1 齒輪箱故障信號(hào)的形態(tài)學(xué)分形維數(shù)

7.4.2 發(fā)動(dòng)機(jī)故障信號(hào)的形態(tài)學(xué)分形維數(shù)

7.5 形態(tài)學(xué)廣義分形維數(shù)

7.5.1 多重分形譜和廣義分形維數(shù)

7.5.2 廣義分形維數(shù)的盒計(jì)數(shù)計(jì)算方法

7.5.3 形態(tài)學(xué)廣義分形維數(shù)

7.5.4 仿真信號(hào)分析

7.6 機(jī)械故障信號(hào)的形態(tài)學(xué)廣義分形維數(shù)

7.6.1 齒輪箱故障信號(hào)的形態(tài)學(xué)廣義分形維數(shù)

7.6.2 發(fā)動(dòng)機(jī)故障信號(hào)的形態(tài)學(xué)廣義分形維數(shù)

第8章 機(jī)械故障信號(hào)的形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)分類(lèi)方法研究

8.1 引言

8.2 形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)

8.2.1 完備格框架下的數(shù)學(xué)形態(tài)學(xué)算子

8.2.2 形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)的格代數(shù)系統(tǒng)

8.3 構(gòu)造性形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)(CMNN)

8.3.1 構(gòu)造性形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)的基本框架

8.3.2 構(gòu)造性形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法

8.3.3 多類(lèi)分類(lèi)構(gòu)造性形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)

8.4 模糊格形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)(FL-CMNN)

8.4.1 模糊格理論

8.4.2 區(qū)間上的模糊格理論

8.4.3 模糊格形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)

8.4.4 仿真數(shù)據(jù)測(cè)試

8.5 基于FL-CMNN的機(jī)械故障信號(hào)分類(lèi)

8.5.1 齒輪箱故障信號(hào)分類(lèi)

8.5.2 發(fā)動(dòng)機(jī)故障信號(hào)分類(lèi)

第9章 面向機(jī)械設(shè)備在線狀態(tài)監(jiān)測(cè)的形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)優(yōu)化策略

9.1 引言

9.2 組合式特征選擇算法

9.2.1 特征選擇概述

9.2.2 基于互信息的最大相關(guān)最小冗余準(zhǔn)則(mRMR)

9.2.3 帶精英策略的非支配排序遺傳算法(NSCA-Ⅱ)

9.3 組合式特征選擇在機(jī)械故障信號(hào)分類(lèi)中的應(yīng)用

9.3.1 組合式特征選擇在齒輪箱故障信號(hào)分類(lèi)診斷中的應(yīng)用

9.3.2 組合式特征選擇在發(fā)動(dòng)機(jī)故障信號(hào)分類(lèi)的應(yīng)用

9.4 基于構(gòu)造性形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)的增量學(xué)習(xí)算法

9.4.1 增量學(xué)習(xí)簡(jiǎn)介

9.4.2 針對(duì)構(gòu)造性形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)的增量學(xué)習(xí)算法

9.4.3 增量學(xué)習(xí)算法在機(jī)械故障信號(hào)分類(lèi)中的應(yīng)用

參考文獻(xiàn)

音頻是多媒體中的一種重要媒體。我們能夠聽(tīng)見(jiàn)的音頻信號(hào)的頻率范圍大約是20Hz-20kHz，其中語(yǔ)音大約分布在200Hz-3kHz之內(nèi)，而音樂(lè)和其他自然聲響是全范圍分布的。聲音經(jīng)過(guò)模擬設(shè)備記錄或再生，成為模擬音頻，再經(jīng)數(shù)字化成為數(shù)字音頻。這里所說(shuō)的音頻分析就是以數(shù)字音頻信號(hào)為分析對(duì)象，以數(shù)字信號(hào)處理為分析手段，提取信號(hào)在時(shí)域、頻域內(nèi)一系列特性的過(guò)程。

各種特定頻率范圍的音頻分析有各自不同的應(yīng)用領(lǐng)域。例如，對(duì)于200－3000Hz之間的語(yǔ)音信號(hào)的分析主要應(yīng)用于語(yǔ)音識(shí)別，其用途是確定語(yǔ)音內(nèi)容或判斷說(shuō)話者的身份；而對(duì)于20－20000Hz之間的全范圍的語(yǔ)音信號(hào)分析則可以用來(lái)衡量各類(lèi)音頻設(shè)備的性能。所謂音頻設(shè)備就是將實(shí)際的聲音拾取到將聲音播放出來(lái)的全部過(guò)程中需要用到的各類(lèi)電子設(shè)備，例如話筒、功率放大器、揚(yáng)聲器等，衡量音頻設(shè)備的主要技術(shù)指標(biāo)有頻率響應(yīng)特性、諧波失真、信噪比、動(dòng)態(tài)范圍等。