機械故障信號的數(shù)學(xué)形態(tài)學(xué)分析及智能分類圖書目錄

第1章 概論

1.1 機械故障診斷的概念

1.2 機械故障信號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)信號處理方法

1.2.2 時頻分析技術(shù)

1.2.3 分形幾何方法

1.3 機械故障診斷的模式識別方法

1.3.1 專家系統(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

1.4 機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)在機械故障信號處理中的應(yīng)用

第3章 機械故障信號的自適應(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在機械故障信號處理中的應(yīng)用

3.4.1 齒輪箱故障信號分析

3.4.2 發(fā)動機故障信號分析

第4章 機械故障信號的自適應(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 仿真信號分析

4.4 AMGLW在機械故障信號分析中的應(yīng)用

4.4.1 齒輪箱故障信號分析

4.4.2 發(fā)動機故障信號分析

第5章 機械故障信號的非負矩陣分解特征提取方法

5.1 引言

5.2 非負矩陣分解(NMF)

5.2.1 非負矩陣分解算法的引出

5.2.2 非負矩陣分解主要思想

5.2.3 非負矩陣分解的算法實現(xiàn)

5.2.4 非負矩陣分解的初始化和秩的選擇

5.2.5 改進非負矩陣分解(INMF)

5.3 改進非負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的齒輪箱故障信號特征提取

5.3.2 分類效果

5.4 改進非負矩陣分解在發(fā)動機故障特征提取中的應(yīng)用

5.4.1 基于AMGLW與INMF的發(fā)動機故障信號特征提取

5.4.2 分類效果

第6章 機械故障信號時頻分布的數(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 仿真信號分析

6.3 機械故障信號的廣義s變換

6.3.1 齒輪箱故障信號的廣義s變換

6.3.2 發(fā)動機故障信號的廣義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 齒輪箱故障信號時頻分布的數(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)動機故障信號時頻分布的廣義空間數(shù)學(xué)形態(tài)譜

第7章 機械故障信號的數(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)估計方法

7.3.3 仿真信號分析

7.4 機械故障信號的形態(tài)學(xué)分形維數(shù)

7.4.1 齒輪箱故障信號的形態(tài)學(xué)分形維數(shù)

7.4.2 發(fā)動機故障信號的形態(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)的盒計數(shù)計算方法

7.5.3 形態(tài)學(xué)廣義分形維數(shù)

7.5.4 仿真信號分析

7.6 機械故障信號的形態(tài)學(xué)廣義分形維數(shù)

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

7.6.2 發(fā)動機故障信號的形態(tài)學(xué)廣義分形維數(shù)

第8章 機械故障信號的形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)分類方法研究

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 多類分類構(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)測試

8.5 基于FL-CMNN的機械故障信號分類

8.5.1 齒輪箱故障信號分類

8.5.2 發(fā)動機故障信號分類

第9章 面向機械設(shè)備在線狀態(tài)監(jiān)測的形態(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械故障信號分類中的應(yīng)用

9.3.1 組合式特征選擇在齒輪箱故障信號分類診斷中的應(yīng)用

9.3.2 組合式特征選擇在發(fā)動機故障信號分類的應(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)簡介

9.4.2 針對構(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)算法在機械故障信號分類中的應(yīng)用

參考文獻

《機械故障信號的數(shù)學(xué)形態(tài)學(xué)分析與智能分類》以數(shù)學(xué)形態(tài)學(xué)理論為主要分析手段，以機械設(shè)備中最常見的齒輪、軸承和發(fā)動機故障信號為研究對象，研究數(shù)學(xué)形態(tài)學(xué)在機械故障信號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、時頻分析、非負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械故障信號處理與特征參數(shù)提取體系，并在此基礎(chǔ)上進行機械故障特征選擇方法的研究，以提高機械故障診斷的精度和效率。本書由李兵、張培林、米雙山等著。

音頻是多媒體中的一種重要媒體。我們能夠聽見的音頻信號的頻率范圍大約是20Hz-20kHz，其中語音大約分布在200Hz-3kHz之內(nèi)，而音樂和其他自然聲響是全范圍分布的。聲音經(jīng)過模擬設(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。這里所說的音頻分析就是以數(shù)字音頻信號為分析對象，以數(shù)字信號處理為分析手段，提取信號在時域、頻域內(nèi)一系列特性的過程。

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，對于200－3000Hz之間的語音信號的分析主要應(yīng)用于語音識別，其用途是確定語音內(nèi)容或判斷說話者的身份；而對于20－20000Hz之間的全范圍的語音信號分析則可以用來衡量各類音頻設(shè)備的性能。所謂音頻設(shè)備就是將實際的聲音拾取到將聲音播放出來的全部過程中需要用到的各類電子設(shè)備，例如話筒、功率放大器、揚聲器等，衡量音頻設(shè)備的主要技術(shù)指標有頻率響應(yīng)特性、諧波失真、信噪比、動態(tài)范圍等。