第1章 绪论 1
1.1滚动轴承简介 1
1.1.1滚动轴承的特点 1
1.1.2滚动轴承的结构 1
1.2滚动轴承故障诊断 2
1.2.1常见失效形式 2
1.2.2故障诊断方法 4
1.3滚动轴承寿命预测 5
1.3.1滚动轴承寿命预测 5
1.3.2寿命预测方法 5
1.4研究现状 7
1.4.1故障诊断研究现状 7
1.4.2寿命预测研究现状 9
参考文献 10
第一部分 降噪方法 13
第2章EMD降噪方法 13
2.1 EMD的基本原理和性质 13
2.1.1 EMD的基本原理 13
2.1.2 EMD的完备性和正交性 15
2.2基于阈值处理的EMD降噪 16
2.3基于滤波处理的EMD降噪 17
2.4两种EMD降噪方法的性能比较 19
2.5应用实例 21
参考文献 23
第3章 双树复小波域隐Markov树模型降噪方法 25
3.1小波变换的理论基础与性质 25
3.1.1离散小波变换 25
3.1.2复小波变换 26
3.1.3双树复小波变换 27
3.1.4 DT-CWT的滤波器设计 28
3.1.5 DT-CWT的平移不变性分析实例 30
3.2小波域隐Markov树模型 30
3.2.1隐Markov模型 31
3.2.2 HMT模型的原理 32
3.3双树复小波域隐Markov树降噪模型 37
3.3.1 DTCWT HMT1法 37
3.3.2 DTCWT HMT2法 37
3.4应用实例 37
3.4.1仿真信号 37
3.4.2实际信号 42
参考文献 43
第4章 对偶树复小波流形域降噪方法 45
4.1理论基础 45
4.2对偶树复小波流形域降噪 46
4.2.1对偶树复小波流形域降噪原理 46
4.2.2 DTCWT MVU降噪方法步骤 47
4.3应用实例 48
4.3.1 DTCWT MVU方法仿真验证 48
4.3.2 DTCWT MVU方法性能讨论 50
4.3.3 DTCWT MVU方法的工程应用 55
参考文献 56
第二部分 特征提取 59
第5章 基于振动信号的特征提取 59
5.1时域和频域特征参数提取 59
5.1.1时域特征参数提取 59
5.1.2频域特征参数提取 61
5.2时频域特征参数提取 62
5.2.1小波包理论 62
5.2.2 EMD理论 63
5.3样本熵的特征参数提取 64
参考文献 65
第6章Morlet小波和自相关增强特征提取 66
6.1 Morlet小波滤波器的优化问题 66
6.1.1连续小波变换 66
6.1.2 Morlet小波滤波器 67
6.1.3最优参数选择策略 67
6.2遗传算法 69
6.2.1染色体表示 70
6.2.2初始化种群 71
6.2.3适应度函数 71
6.2.4遗传操作 71
6.3自相关增强算法 72
6.3.1自相关运算 72
6.3.2自相关包络功率谱 72
6.3.3扩展Shannon熵函数 72
6.3.4方法 73
6.4应用实例 73
6.4.1仿真结果 73
6.4.2试验台数据结果 75
6.4.3实际故障轴承结果 78
参考文献 80
第7章 张量流形特征提取 82
7.1理论基础 82
7.1.1 HHT时频谱 82
7.1.2张量流形理论 83
7.2张量流形时频故障特征提取 85
7.2.1方法的原理及步骤 85
7.2.2时频特征参数的定义 86
7.3应用实例 87
7.3.1故障信号的HHT时频特征 87
7.3.2张量流形时频特征参数提取 90
参考文献 95
第8章 小波包样本熵特征提取 97
8.1理论基础 97
8.1.1熵概念的发展及泛化 97
8.1.2样本熵 100
8.1.3小波包分解 103
8.2小波包样本熵的特征提取 104
8.2.1小波包样本熵的特征提取方法 104
8.2.2实际信号分析 104
参考文献 106
第三部分 故障诊断 108
第9章 谱峭度故障诊断方法 108
9.1谱峭度的定义 108
9.2谱峭度故障诊断方法 108
9.2.1谱峭度检测轴承故障的物理解释 108
9.2.2峭度图 109
9.2.3 EMD降噪和谱峭度法的滚动轴承故障诊断步骤 109
9.3工程实例 110
参考文献 111
第10章 相空间ICA故障诊断方法 112
10.1基本理论 112
10.2相空间重构ICA方法 112
10.2.1相空间重构ICA的详细步骤 112
10.2.2相空间重构及参数选择 113
10.3应用实例 116
10.3.1传统信号处理方法提取早期故障的能力 117
10.3.2相空间ICA提取早期故障特征信息 118
参考文献 121
第11章 深度学习故障诊断方法 123
11.1理论基础 123
11.1.1卷积神经网络 123
11.1.2受限玻尔兹曼机 124
11.1.3自动编码器模型 125
11.1.4深度自动编码网络 127
11.2结合核函数与自动编码器的深度学习 127
11.2.1基于核函数的自动编码器 127
11.2.2核函数选择 128
11.2.3方法流程 129
11.3航空发动机中介轴承诊断实例 130
11.3.1试验台 130
11.3.2试验结果分析 132
参考文献 135
第四部分 寿命预测 137
第12章 流形和模糊聚类轴承性能退化监测 137
12.1理论基础 138
12.1.1模糊C均值聚类 138
12.1.2 LLE流形算法 138
12.2流形和模糊聚类轴承性能退化监测 139
12.2.1监测方法的流程及步骤 139
12.2.2监测方法的关键问题分析 140
12.3仿真验证 143
12.3.1滚动轴承性能特征提取 143
12.3.2流形特征的本征维数 147
12.3.3流形特征的性能讨论 147
12.3.4内环性能退化评估 150
12.4应用实例 150
12.4.1滚动轴承性能退化实验台介绍 151
12.4.2滚动轴承全寿命周期时域特征监测结果 152
12.4.3基于流形和模糊聚类的滚动轴承性能退化监测 153
参考文献 155
第13章 基于威布尔比例故障率模型的寿命预测 156
13.1威布尔比例故障率模型 156
13.1.1威布尔比例故障率模型 156
13.1.2威布尔比例故障率模型的参数估计 156
13.1.3剩余寿命预测 157
13.2趋势预测理论 158
13.2.1灰色系统理论的原理及应用 158
13.2.2 GM（1，1）预测模型的建模过程 158
13.2.3 GM（1，1）模型适用要求 160
13.3可靠性评估 161
13.4寿命预测 162
13.4.1趋势预测方法研究 162
13.4.2趋势预测 165
13.4.3剩余寿命预测 167
13.5应用实例 168
13.5.1滚动轴承试验台介绍 168
13.5.2滚动轴承性能退化高维特征集构建 168
13.5.3滚动轴承核主元的性能退化评估 170
13.5.4剩余寿命预测 172
参考文献 174
第14章 基于改进Logistic回归模型的寿命预测 175
14.1 Logistic回归模型 175
14.1.1二项分类Logistic回归模型 175
14.1.2多项分类Logistic回归模型 176
14.1.3回归参数的估计 176
14.1.4改进Logistic回归模型 177
14.2改进 Logistic回归模型轴承寿命预测 177
14.2.1特征量选取 178
14.2.2主元分析（PCA） 179
14.2.3基本算法流程 180
14.3应用实例 181
14.3.1试验设备 181
14.3.2获取有效特征值和相对特征值 181
14.3.3 PCA降维与退化趋势分析 183
14.3.4可靠性评估与剩余寿命预测 184
参考文献 186
第15章 基于长短期记忆网络的寿命预测 187
15.1基础理论 187
15.1.1循环神经网络RNN 187
15.1.2 LSTM神经网络预测模型 187
15.2方法步骤 188
15.3滚动轴承特征参数集的构建 189
15.3.1滚动轴承试验台介绍 189
15.3.2轴承特征参数评价指标 190
15.3.3轴承特征参数提取 190
15.3.4寿命预测结果分析 194
参考文献 196