機械故障信號的數(shù)學形態(tài)分析與智能分類

內(nèi)容概要

　　《機械故障信號的數(shù)學形態(tài)學分析與智能分類》以數(shù)學形態(tài)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(shù)學形態(tài)學在機械故障信號處理、特征提取與智能分類中的應用途徑?！稒C械故障信號的數(shù)學形態(tài)學分析及智能分類》將數(shù)學形態(tài)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(jīng)網(wǎng)絡等理論相結(jié)合，建立了以數(shù)學形態(tài)學為基本理論框架的機械故障信號分析與智能分類體系，并在此基礎上進行機械故障特征選擇和增量學習方法的研究，為機械設備在線狀態(tài)監(jiān)測和故障診斷提供了一條嶄新的、有效的技術(shù)途徑?！　　稒C械故障信號的數(shù)學形態(tài)學分析與智能分類》可作為高等院校信號處理、機械工程等專業(yè)研究生教材，也可供相關(guān)領域工程技術(shù)人員和研究人員參考?！稒C械故障信號的數(shù)學形態(tài)學分析及智能分類》由李兵、張培林、米雙山等著。

書籍目錄

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)學形態(tài)學理論概述2.1 數(shù)學形態(tài)學研究現(xiàn)狀2.2 數(shù)學形態(tài)學基本原理2.2.1 二值形態(tài)學2.2.2 灰值形態(tài)學2.3 基于完備格的數(shù)學形態(tài)學理論2.3.1 完備格理論2.3.2 完備格上的數(shù)學形態(tài)學理論2.4 數(shù)學形態(tài)學在機械故障信號處理中的應用第3章 機械故障信號的自適應多尺度形態(tài)梯度分析3.1 引言3.2 數(shù)學形態(tài)學濾波器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 自適應多尺度形態(tài)梯度（AMMG）3.4 AMMG在機械故障信號處理中的應用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 自適應形態(tài)梯度提升小波4.3.1 自適應提升小波4.3.2 自適應形態(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)學形態(tài)譜6.4.1 形態(tài)學顆粒分析6.4.2 數(shù)學形態(tài)譜定義6.4.3 齒輪箱故障信號時頻分布的數(shù)學形態(tài)譜6.5 廣義空間數(shù)學形態(tài)譜6.5.1 廣義空間數(shù)學形態(tài)譜6.5.2 發(fā)動機故障信號時頻分布的廣義空間數(shù)學形態(tài)譜第7章 機械故障信號的數(shù)學形態(tài)學分形特征7.1 引言7.2 分形的基本概念7.3 形態(tài)學分形維數(shù)7.3.1 Minkowski-Bouligand維數(shù)7.3.2 基于數(shù)學形態(tài)學的分形維數(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)學分形維數(shù)7.4.1 齒輪箱故障信號的形態(tài)學分形維數(shù)7.4.2 發(fā)動機故障信號的形態(tài)學分形維數(shù)7.5 形態(tài)學廣義分形維數(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)學廣義分形維數(shù)7.6.1 齒輪箱故障信號的形態(tài)學廣義分形維數(shù)7.6.2 發(fā)動機故障信號的形態(tài)學廣義分形維數(shù)第8章 機械故障信號的形態(tài)學神經(jīng)網(wǎng)絡分類方法研究8.1 引言8.2 形態(tài)學神經(jīng)網(wǎng)絡的理論基礎8.2.1 完備格框架下的數(shù)學形態(tài)學算子8.2.2 形態(tài)學神經(jīng)網(wǎng)絡的格代數(shù)系統(tǒng)8.3 構(gòu)造性形態(tài)學神經(jīng)網(wǎng)絡（CMNN）8.3.1 構(gòu)造性形態(tài)學神經(jīng)網(wǎng)絡的基本框架8.3.2 構(gòu)造性形態(tài)學神經(jīng)網(wǎng)絡訓練算法8.3.3 多類分類構(gòu)造性形態(tài)學神經(jīng)網(wǎng)絡8.4 模糊格形態(tài)學神經(jīng)網(wǎng)絡（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)學神經(jīng)網(wǎng)絡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 面向機械設備在線狀態(tài)監(jiān)測的形態(tài)學神經(jīng)網(wǎng)絡優(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用9.3.2 組合式特征選擇在發(fā)動機故障信號分類的應用9.4 基于構(gòu)造性形態(tài)學神經(jīng)網(wǎng)絡的增量學習算法9.4.1 增量學習簡介9.4.2 針對構(gòu)造性形態(tài)學神經(jīng)網(wǎng)絡的增量學習算法9.4.3 增量學習算法在機械故障信號分類中的應用參考文獻

圖書封面

評論、評分、閱讀與下載

---

    機械故障信號的數(shù)學形態(tài)分析與智能分類 PDF格式下載

---