機(jī)械故障信號的數(shù)學(xué)形態(tài)分析與智能分類

內(nèi)容概要

　　《機(jī)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(jī)械故障信號為主要研究對象，深入研究了數(shù)學(xué)形態(tài)學(xué)在機(jī)械故障信號處理、特征提取與智能分類中的應(yīng)用途徑?！稒C(jī)械故障信號的數(shù)學(xué)形態(tài)學(xué)分析及智能分類》將數(shù)學(xué)形態(tài)學(xué)理論與小波分析、時(shí)頻分析、非負(fù)矩陣分解、分形幾何以及神經(jīng)網(wǎng)絡(luò)等理論相結(jié)合，建立了以數(shù)學(xué)形態(tài)學(xué)為基本理論框架的機(jī)械故障信號分析與智能分類體系，并在此基礎(chǔ)上進(jìn)行機(jī)械故障特征選擇和增量學(xué)習(xí)方法的研究，為機(jī)械設(shè)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(jī)械故障信號的數(shù)學(xué)形態(tài)學(xué)分析與智能分類》可作為高等院校信號處理、機(jī)械工程等專業(yè)研究生教材，也可供相關(guān)領(lǐng)域工程技術(shù)人員和研究人員參考。《機(jī)械故障信號的數(shù)學(xué)形態(tài)學(xué)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(jī)械故障診斷的概念1.2 機(jī)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(shí)頻分析技術(shù)1.2.3 分形幾何方法1.3 機(jī)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(jī)1.4 機(jī)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(jī)械故障信號處理中的應(yīng)用第3章 機(jī)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(jī)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(jī)故障信號分析第4章 機(jī)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(jī)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(jī)故障信號分析第5章 機(jī)械故障信號的非負(fù)矩陣分解特征提取方法5.1 引言5.2 非負(fù)矩陣分解（NMF）5.2.1 非負(fù)矩陣分解算法的引出5.2.2 非負(fù)矩陣分解主要思想5.2.3 非負(fù)矩陣分解的算法實(shí)現(xiàn)5.2.4 非負(fù)矩陣分解的初始化和秩的選擇5.2.5 改進(jìn)非負(fù)矩陣分解（INMF）5.3 改進(jìn)非負(fù)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(jìn)非負(fù)矩陣分解在發(fā)動機(jī)故障特征提取中的應(yīng)用5.4.1 基于AMGLW與INMF的發(fā)動機(jī)故障信號特征提取5.4.2 分類效果第6章 機(jī)械故障信號時(shí)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(jī)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(jī)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(shí)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(jī)故障信號時(shí)頻分布的廣義空間數(shù)學(xué)形態(tài)譜第7章 機(jī)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(jì)方法7.3.3 仿真信號分析7.4 機(jī)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(jī)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(jì)數(shù)計(jì)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(jī)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(jī)故障信號的形態(tài)學(xué)廣義分形維數(shù)第8章 機(jī)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(jī)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(jī)故障信號分類第9章 面向機(jī)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(zhǔn)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(jī)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(jī)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(jī)械故障信號分類中的應(yīng)用參考文獻(xiàn)

圖書封面

評論、評分、閱讀與下載

---

    機(jī)械故障信號的數(shù)學(xué)形態(tài)分析與智能分類 PDF格式下載

---