齒輪箱新型故障診斷技術及案例分析

第1章 齒輪箱故障類型及振動機理
1.1 齒輪箱故障類型
1.2 齒輪的振動特征分析
1.3 滾動軸承的失效形式和振動特性
1.3.1 滾動軸承的基本結構與失效形式
1.3.2 滾動軸承的故障特征頻率
1.4 信號處理方法簡述
1.4.1 時域處理法
1.4.2 頻域處理法
1.4.3 時頻域處理法
1.5 本章小結
第2章 AMADE在信號識別及AWF-STFT濾波器中的應用研究
2.1 基于短時傅里葉變換的自適應維納濾波器
2.1.1 維納濾波器原理
2.1.2 基于短時傅里葉變換的自適應維納濾波器的特點
2.2 AMADE目標函數(shù)
2.3 目標函數(shù)確定
2.3.1 白噪聲
2.3.2 白噪聲和Chirp信號
2.3.3 白噪聲、Chirp信號和調制信號
2.4 生成樹算法
2.4.1 生成樹算法的優(yōu)化理論
2.4.2 種群數(shù)量的確定
2.5 目標函數(shù)應用
2.5.1 目標函數(shù)在AWF-STFT中的應用
2.5.2 目標函數(shù)在信號識別中的應用
2.6 本章小結
第3章 基于ARMA模型的多點最優(yōu)最小反褶積調整的齒輪箱故障診斷
3.1 多點最優(yōu)最小反褶積調整方法的基本原理
3.1.1 MOMEDA基本原理
3.1.2 MOMEDA方法的局限性
3.1.3 ARMA算法原理
3.2 基于自回歸滑動平均模型和多點最少最優(yōu)反褶積調整的齒輪箱故障診斷
3.3 仿真驗證
3.4 實驗驗證
3.5 本章小結
第4章 自適應稀疏脈沖反褶積算法及其應用
4.1 稀疏脈沖反褶積算法
4.1.1 稀疏脈沖反褶積理論基礎
4.1.2 仿真信號分析
4.2 基于量子行為粒子群優(yōu)化算法的自適應SSD算法研究
4.2.1 量子行為粒子群優(yōu)化算法理論
4.2.2 量子行為粒子群優(yōu)化算法對L1范數(shù)正則化參數(shù)的優(yōu)化
4.3 仿真信號分析
4.4 滾動軸承故障實驗信號分析
4.5 本章小結
第5章 優(yōu)化的奇異譜分解方法
5.1 奇異譜分解原理
5.2 停止準則
5.3 仿真驗證
5.3.1 齒輪故障信號仿真
5.3.2 不同分解方法對比
5.4 多尺度樣本熵
5.5 尺度因子Q
5.6 不同閾值比較
5.6.1 閾值取最小值
5.6.2 閾值取平均值
5.7 優(yōu)化的SSD方法
5.8 本章小結
第6章 自適應變分模態(tài)分解方法
6.1 變分模態(tài)分解方法
6.1.1 變分模態(tài)分解方法的基本概念與研究現(xiàn)狀
6.1.2 變分模態(tài)分解方法的理論基礎
6.1.3 仿真信號分析
6.2 基于多目標粒子群優(yōu)化算法的自適應VMD方法研究
6.2.1 多目標粒子群優(yōu)化算法
6.2.2 基于多目標粒子群優(yōu)化算法的VMD參數(shù)優(yōu)化
6.2.3 仿真信號分析
6.3 本章小結
第7章 基于自適應混沌灰狼優(yōu)化算法和SGMLoG濾波器的齒輪箱故障診斷
7.1 MLoG濾波器的基本原理
7.2 混沌灰狼優(yōu)化算法基本原理
7.3 基于自適應混沌灰狼優(yōu)化算法和SGMLoG濾波器的齒輪箱故障診斷
7.3.1 邊際包絡譜熵
7.3.2 自適應SGMLoG濾波器
7.3.3 仿真驗證
7.3.4 齒輪箱實測信號分析
7.4 本章小結
第8章 基于復合多尺度極差熵的軸承故障特征提取方法
8.1 多尺度極差熵
8.2 復合多尺度極差熵
8.3 仿真分析
8.3.1 關于嵌入維度的影響分析
8.3.2 關于相似容差的影響分析
8.3.3 關于信號幅值的影響分析
8.3.4 關于信號長度的影響分析
8.4 案例分析
8.5 本章小結
第9章 基于MLMALMMo-0的滾動軸承故障識別
9.1 零階自主學習多模型分類器
9.1.1 訓練階段
9.1.2 測試階段
9.2 基于多局部均值的零階自主學習多模型分類器（MLMALMMo-0）
9.3 基于CMRE與MLMALMMo-0的故障診斷方法
9.4 案例分析
9.5 本章小結
第10章 基于自適應稀疏脈沖反褶積和變分模態(tài)分解的新型滾動軸承早期故障診斷方法
10.1 ASSD-VMD方法的流程
10.2 仿真信號分析
10.3 實驗驗證和分析
10.3.1 實驗臺設計
10.3.2 實驗信號分析
10.4 本章小結
第11章 基于AWF-STFT與SSD的齒輪箱故障診斷方法應用
11.1 案例分析
11.2 本章小結
參考文獻