柴油机振动信号分析与故障诊断研究作者：吴定海等出版时间：2012年版内容简介 《柴油机振动信号分析与故障诊断研究》在广泛参考国内外文献、总结国内外最新研究成果的基础上，结合科研实践，以柴油机为研究对象，以测试技术、信号处理、小波分析、粒子群优化算法和支持向量机等为理论基础，围绕柴油机在线异常检测的目的，研究了大功率柴油机振动信号产生机理及数学模型、振动信号的降噪、多角度特征提取、异常检测模型的优化和训练更新等问题，构建了一套完整的柴油机动态异常检测的方法，大大提高了异常检测的精度和效率，为柴油机状态监测提供了一条新的、完整的、有效的技术途径。目录第1章 柴油机故障诊断概述1.1 故障诊断发展历程1.2 柴油机故障分类1.3 柴油机诊断常用信息1.4 柴油机动态故障检测技术1.4.1 状态参数法1.4.2 油液分析法1.4.3 声学检测法1.4.4 振动检测法1.4.5 多源信息融合诊断法1.5 柴油机振动信号处理与特征提取方法1.5.1 基于小波分析的柴油机信号处理与特征提取方法1.5.2 双树复小波变换及其在机械信号处理中的应用1.6 基于支持向量机的柴油机异常检测1.6.1 单类支持向量机的研究与应用1.6.2 单类支持向量机在机械异常检测中的应用第2章 双树复小波分析2.1 小波分析理论基础2.1.1 从傅里叶分析到小波变换2.1.2 多分辨率分析与Mallat算法2.1.3 小波包变换的定义2.1.4 小波包变换的Mallat算法2.2 双树复小波变换2.2.1 传统离散小波变换的平移变动性2.2.2 双树复小波包变换2.2.3 双树复小波包Hilbert变换对滤波器设计2.2.4 双树复小波包快速Mallat算法2.3 基于小波变换的基本降噪方法分析对比2.3.1 基于模极大值重构的小波降噪方法2.3.2 基于信号尺度间相关性的空域相关降噪方法2.3.3 基于小波变换解相关特性的小波阈值降噪方法2.4 本章小结第3章 柴油机振动分析与双树复小波包降噪研究3.1 柴油机振动信号采集方法3.1.1 等角度域采样原理分析3.1.2 柴油机整循环同步采样的实现3.1.3 柴油机试验工况3.2 柴油机振动信号特性分析3.2.1 缸盖系统振动动力学模型3.2.2 柴油机振动信号特性分析3.3 双树复小波包仿真信号分析3.3.1 阶梯信号的平移不变性测试3.3.2 小波包分解频率混叠测试3.4 双树复小波包自适应邻域分块阈值降噪方法3.4.1 分块阈值降噪3.4.2 自适应分块阈值降噪方法3.4.3 计算机仿真信号分析3.5 柴油机缸盖振动信号降噪实例3.6 本章小结第4章 基于双树复小波包的柴油机故障特征提取4.1 基于双树复小波包的时域特征提取4.1.1 振动信号的统计特征参数4.1.2 多分辨率：Hilbert包络熵4.2 基于双树复小波包的频域特征提取4.2.1 归一化相对能量特征4.2.2 基于互熵的相对能量特征评价指标4.2.3 实测信号分析4.3 基于双树复小波包的时频域特征提取4.3.1 双树复小波包时频分布4.3.2 奇异值分解和奇异谱分析4.3.3 实测信号分析4.4 基于双树复小波包变换的特征参数集提取过程4.5 本章小结第5章 单类支持向量机5.1 支持向量机理论5.1.1 分类超平面5.1.2 支持向量机5.2 单类支持向量机模型5.2.1 One—Class SVM模型5.2.2 支持向量描述模型5.2.3 参数设置与优化分析5.3 单类支持向量机模型理论分析5.3.1 两种单类支持向量机模型的区别和联系5.3.2 模型局限性分析5.3.3 模型性能评价指标5.4 单类支持向量机研究进展5.5 本章小结第6章 基于单类支持向量机的柴油机异常检测模型研究6.1 最大间隔超球分类器异常检测模型6.1.1 最优分类超平面思想6.1.2 最大间隔超球分类器异常检测模型的建立6.1.3 模型参数分析6.1.4 实例分析与应用6.2 基于贝叶斯的三层阈值异常检测模型6.2.1 特征空间与混叠域6.2.2 基于贝叶斯的三层阈值分界面6.2.3 实测信号分析6.3 基于多核映射的支持向量异常检测模型6.3.1 多核空间描述6.3.2 多核支持向量描述模型6.3.3 柴油机实测信号应用6.4 本章小结第7章 基于粒子群的异常检测模型多目标优化研究7.1 粒子群优化算法7.1.1 粒子群优化算法基本原理7.1.2 粒子群优化算法控制参数分析7.1.3 标准微粒群算法的局限性7.2 自适应混沌双粒子群优化7.2.1 双种群协同进化7.2.2 混沌变异全局搜索种群7.2.3 自适应邻域局部搜索种群7.2.4 仿真对比测试7.3 基于粒子群的柴油机异常检测多目标优化7.3.1 非支配排序微粒群多目标优化7.3.2 数据分析与验证7.4 本章小结第8章 柴油机异常检测动态更新与故障类型识别8.1 柴油机异常检测模型的动态更新8.1.1 异常检测模型增量学习与KKT条件8.1.2 新增样本对支持向量集的影响分析8.1.3 异常检测模型更新法则8.1.4 异常检测模型增量式SMO快速训练算法8.1.5 柴油机在线检测性能分析8.2 柴油机在线检测动态多故障类型识别方法8.2.1 动态多故障识别模型的建立8.2.2 测试样本点与各超球体的位置关系分析8.2.3 柴油机多故障诊断应用8.3 本章小结参考文献 上一篇: 机械故障信号的广义解调时频分析 下一篇: 数控机床编程、操作与加工实训 第二版
