內容簡介
機械故障信號的數學形態學分析與智慧型分類
《機械故障信號的數學形態學分析與智慧型分類》以數學形態學理論為主要分析手段，以機械故障信號為主要研究對象，深入研究了數學形態學在機械故障信號處理、特徵提取與智慧型分類中的套用途徑。本書將數學形態學理論與小波分析、時頻分析、非負矩陣分解、分形幾何以及神經網路等理論相結合，建立了以數學形態學為基本理論框架的機械故障信號分析與智慧型分類體系，並在此基礎上進行機械故障特徵選擇和增量學習方法的研究，為機械設備線上狀態監測和故障診斷提供了一條嶄新的、有效的技術途徑。《機械故障信號的數學形態學分析與智慧型分類》可作為高等院校信號處理、機械工程等專業研究生教材，也可供相關領域工程技術人員和研究人員參考。本書由李兵、張培林、米雙山等著。
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徵提取方法
1.2.1 以傅立葉變換為基礎的傳統信號處理方法
1.2.2 時頻分析技術
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
1.3.2 模糊推理
1.3.3 人工神經網路
1.3.4 支持向量機
1.4 機械故障診斷的特徵參數選擇
第2章 數學形態學理論概述
2.1 數學形態學研究現狀
2.2 數學形態學基本原理
2.2.1 二值形態學
2.2.2 灰值形態學
2.3 基於完備格的數學形態學理論
2.3.1 完備格理論
2.3.2 完備格上的數學形態學理論
2.4 數學形態學在機械故障信號處理中的套用
第3章 機械故障信號的自適應多尺度形態梯度分析
3.1 引言
3.2 數學形態學濾波器
3.2.1 基本形態濾波器
3.2.2 形態梯度濾波器
3.2.3 仿真信號分析
3.3 自適應多尺度形態梯度
3.3.1 多尺度形態濾波器
3.3.2 自適應多尺度形態梯度(AMMG)
3.4 AMMG在機械故障信號處理中的套用
3.4.1 齒輪箱故障信號分析
3.4.2 發動機故障信號分析
第4章 機械故障信號的自適應形態梯度提升小波分析
4.1 引言
4.2 形態小波分析
4.2.1 廣義小波分解方案
4.2.2 形態提升小波
4.3 自適應形態梯度提升小波
4.3.1 自適應提升小波
4.3.2 自適應形態梯度提升小波
4.3.3 仿真信號分析
4.4 AMGLW在機械故障信號分析中的套用
4.4.1 齒輪箱故障信號分析
4.4.2 發動機故障信號分析
第5章 機械故障信號的非負矩陣分解特徵提取方法
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
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徵提取中的套用
5.3.1 基於AMCLW與INMF的齒輪箱故障信號特徵提取
5.3.2 分類效果
5.4 改進非負矩陣分解在發動機故障特徵提取中的套用
5.4.1 基於AMGLW與INMF的發動機故障信號特徵提取
5.4.2 分類效果
第6章 機械故障信號時頻分布的數學形態譜特徵
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 發動機故障信號的廣義s變換
6.4 數學形態譜
6.4.1 形態學顆粒分析
6.4.2 數學形態譜定義
6.4.3 齒輪箱故障信號時頻分布的數學形態譜
6.5 廣義空間數學形態譜
6.5.1 廣義空間數學形態譜
6.5.2 發動機故障信號時頻分布的廣義空間數學形態譜
第7章 機械故障信號的數學形態學分形特徵
7.1 引言
7.2 分形的基本概念
7.3 形態學分形維數
7.3.1 Minkowski-Bouligand維數
7.3.2 基於數學形態學的分形維數估計方法
7.3.3 仿真信號分析
7.4 機械故障信號的形態學分形維數
7.4.1 齒輪箱故障信號的形態學分形維數
7.4.2 發動機故障信號的形態學分形維數
7.5 形態學廣義分形維數
7.5.1 多重分形譜和廣義分形維數
7.5.2 廣義分形維數的盒計數計算方法
7.5.3 形態學廣義分形維數
7.5.4 仿真信號分析
7.6 機械故障信號的形態學廣義分形維數
7.6.1 齒輪箱故障信號的形態學廣義分形維數
7.6.2 發動機故障信號的形態學廣義分形維數
第8章 機械故障信號的形態學神經網路分類方法研究
8.1 引言
8.2 形態學神經網路的理論基礎
8.2.1 完備格框架下的數學形態學運算元
8.2.2 形態學神經網路的格代數系統
8.3 構造性形態學神經網路(CMNN)
8.3.1 構造性形態學神經網路的基本框架
8.3.2 構造性形態學神經網路訓練算法
8.3.3 多類分類構造性形態學神經網路
8.4 模糊格形態學神經網路(FL-CMNN)
8.4.1 模糊格理論
8.4.2 區間上的模糊格理論
8.4.3 模糊格形態學神經網路
8.4.4 仿真數據測試
8.5 基於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 發動機故障信號分類
第9章 面向機械設備線上狀態監測的形態學神經網路最佳化策略
9.1 引言
9.2 組合式特徵選擇算法
9.2.1 特徵選擇概述
9.2.2 基於互信息的最大相關最小冗餘準則(mRMR)
9.2.3 帶精英策略的非支配排序遺傳算法(NSCA-Ⅱ)
9.3 組合式特徵選擇在機械故障信號分類中的套用
9.3.1 組合式特徵選擇在齒輪箱故障信號分類診斷中的套用
9.3.2 組合式特徵選擇在發動機故障信號分類的套用
9.4 基於構造性形態學神經網路的增量學習算法
9.4.1 增量學習簡介
9.4.2 針對構造性形態學神經網路的增量學習算法
9.4.3 增量學習算法在機械故障信號分類中的套用
參考文獻
