第1章 绪论 1
1.1液压系统故障诊断技术的发展历程 2
1.2液压系统故障诊断技术的研究现状 4
1.3液压系统故障诊断技术的发展趋势 5
1.4液压系统故障检测与诊断新方法 6
1.4.1神经网络技术方法 6
1.4.2支持向量机方法 7
1.4.3混沌分形理论方法 8
1.4.4 Lyapunov指数及关联维数方法 9
1.4.5信息融合技术方法 10
1.4.6人工免疫系统方法 11
1.4.7贝叶斯网络方法 12
1.4.8小波理论方法 12
1.4.9频谱细化分析方法 13
1.4.10 Hilbert-Huang变换方法 13
1.5本书的主要内容 14
参考文献 16
第2章 基于AR模型的功率谱估计及在故障检测中的应用 18
2.1常用频谱估计方法 18
2.1.1常用的几种谱估计方法 18
2.1.2傅里叶变换技术 18
2.1.3自回归模型 19
2.1.4 Prony复极点模型 23
2.1.5最大似然谱估计法 24
2.2 AR模型参数的计算方法及阶次选择 24
2.2.1 AR模型参数计算方法 25
2.2.2 AR模型阶次选择 30
2.2.3 AR模型阶次功率谱的仿真算例 33
2.3干式真空泵及其常见故障 34
2.3.1干式真空泵 34
2.3.2干式真空泵常见的故障形式 38
2.3.3轴承常见故障及其诊断方法 39
2.4 AR模型功率谱估计方法在干式真空泵故障诊断中的应用 44
2.4.1干式真空泵信号采集及故障诊断实验 44
2.4.2基于AR模型的功率谱分析法的干式真空泵故障诊断 46
参考文献 50
第3章 频谱细化方法及在故障诊断中的应用 52
3.1时域和频域分析方法 52
3.1.1傅里叶分析 52
3.1.2小波分析 53
3.2频谱细化分析的理论方法 57
3.2.1频谱细化分析方法 58
3.2.2几种频谱细化分析方法的比较 64
3.3频谱细化方法在真空泵轴承故障诊断中的应用 67
3.3.1小波簇变换频谱细化方法的应用 67
3.3.2 FFT-FS频谱细化方法的应用 70
3.3.3结果分析 71
参考文献 71
第4章Hilbert-Huang变换在故障诊断中的应用 73
4.1 Hilbert-Huang变换的基本原理 73
4.1.1 Hilbert-Huang变换中的基本概念 74
4.1.2 Hilbert-Huang变换算法实现过程 79
4.1.3 Hilbert-Huang变换存在的问题 82
4.2 EMD算法的改进 84
4.2.1采样频率对EMD分解的影响及其改进 85
4.2.2 EMD筛选算法的改进 89
4.2.3 EMD的端点效应及其改进方法 92
4.3 Hilbert-Huang变换在真空泵故障诊断中的应用 103
4.3.1实验信号采集 103
4.3.2传统的Hilbert变换包络解调方法在真空泵故障诊断中的应用 104
4.3.3 Hilbert-Huang变换在真空泵故障诊断中的应用 105
参考文献 106
第5章 小波簇包络解调方法在故障诊断中的应用 108
5.1包络解调方法的研究现状 108
5.2振动监测技术 109
5.2.1机械振动监测与分析技术 109
5.2.2振动信号的分析与处理 111
5.3基于复解析小波的包络解调方法 116
5.3.1信号调制技术 116
5.3.2解调原理 118
5.3.3包络解调方法 119
5.3.4复解析小波的带通滤波特性 122
5.3.5复解析小波簇的包络解调方法 124
5.4小波簇包络解调方法在故障诊断中的应用 132
5.4.1小波簇包络解调方法在真空泵故障诊断中的应用 132
5.4.2小波簇包络解调方法在液压泵故障诊断中的应用 135
参考文献 138
第6章 混沌分形理论在故障诊断中的应用 140
6.1混沌及分形 140
6.1.1混沌的特征 140
6.1.2分形理论 142
6.2关联维数分析 143
6.2.1关联维数分析方法 143
6.2.2几种典型信号的关联维数 146
6.3基于分形理论的液压泵故障诊断的实验研究 147
6.3.1实验条件 147
6.3.2信号的小波消噪与特征提取 148
6.3.3关联维数计算 149
6.3.4结果分析 152
参考文献 152
第7章 基于Lyapunov指数分析的故障诊断方法 154
7.1混沌运动及Lyapunov指数 154
7.1.1混沌判别方法 154
7.1.2 Lyapunov指数 155
7.2Lyapunov指数算法及其改进 159
7.2.1标准QR分解算法 159
7.2.2改进的QR分解算法 160
7.2.3 Lyapunov指数算法的实现 164
7.2.4算法的比较 166
7.3基于Lyapunov指数的混沌检测 168
7.3.1杜芬方程的混沌特性 168
7.3.2基于最大Lyapunov指数的微弱信号检测方法 171
7.4基于最大Lyapunov指数法的液压泵故障诊断实验 177
7.4.1基于杜芬方程的最大Lyapunov指数故障诊断 178
7.4.2结果分析 180
参考文献 180
第8章 液压油污染度在线监测系统 182
8.1油液污染监测技术 182
8.1.1油液污染问题概述 182
8.1.2油液污染度的评定与测定方法 183
8.1.3油液污染检测技术的研究现状和发展趋势 184
8.2油液污染控制技术 185
8.2.1油液污染度的等级标准 185
8.2.2油液的污染分析 188
8.2.3油液的污染控制 190
8.2.4油液的净化 191
8.3在线监测装置研制 193
8.3.1过滤的基本原理 193
8.3.2过滤介质的选择 194
8.3.3淤积法测量原理 195
8.3.4恒功率淤积法测量原理 197
8.3.5利用阀用直流电磁铁作为动力元件的可行性 199
8.3.6颗粒尺寸分布对测量的影响 200
8.4在线监测系统的硬件与软件实现 202
8.4.1在线监测系统的方案 202
8.4.2在线监测系统的功能及原理 202
8.4.3硬件系统 203
8.4.4在线监测系统的软件实现 206
8.5在线监测系统的调试与实验 210
8.5.1实验油样的配制 210
8.5.2在线监测系统的调试 211
8.5.3在线监测系统的实验 213
8.5.4实验结果分析 217
参考文献 218
第9章 基于小波神经网络的故障诊断方法 219
9.1人工神经网络 219
9.1.1人工神经元模型应具备的要素 219
9.1.2神经元之间的连接形式 219
9.1.3 BP网络学习算法及隐层的设计 220
9.1.4 BP神经网络应用实例 222
9.2小波神经网络 223
9.2.1小波神经网络原理 224
9.2.2紧致型小波神经网络的结构 224
9.2.3紧致型小波神经网络的学习算法 225
9.2.4小波神经网络与传统的BP网络比较 227
9.2.5小波神经网络应用实例 228
9.3基于小波神经网络的液压泵故障诊断实验 228
9.3.1实验条件及数据采集 228
9.3.2基于松散型小波神经网络的液压泵故障诊断 229
9.3.3基于紧致型小波神经网络的液压泵故障诊断 232
参考文献 233
第10章 证据理论和神经网络集成的信息融合故障诊断方法 235
10.1数据融合技术 235
10.1.1数据融合的基本原理 235
10.1.2数据融合的定义 236
10.1.3数据融合的层次 237
10.1.4融合系统的模型结构 237
10.1.5多传感器融合算法 238
10.2证据理论和神经网络结合的诊断方法 241
10.2.1信度函数 241
10.2.2 Dempster合成法则 243
10.2.3基于证据理论的决策 245
10.2.4证据理论的优缺点 246
10.2.5证据理论和神经网络集成的数据融合诊断方法 247
10.3轴向柱塞泵的故障诊断实验 250
10.3.1液压泵的常见故障机理分析 250
10.3.2常用信号数据源 250
10.3.3神经网络证据理论液压泵诊断模型结构 251
10.3.4局部诊断神经网络结构设计 252
10.3.5神经网络证据理论液压泵诊断决策方法 254
10.3.6基于神经网络和证据理论集成方法的液压泵诊断实验 254
参考文献 261
第11章 液压泵的故障特征提取及特征降维 263
11.1液压泵的振动和声音信号处理 263
11.1.1故障信号的采集方法 263
11.1.2基于Hilbert变换的包络解调法 265
11.1.3基于小波包带通滤波消噪的包络分析信号处理 266
11.1.4柱塞泵松靴故障的信号处理 266
11.1.5柱塞泵滑靴磨损故障的信号处理 271
11.1.6柱塞泵中心弹簧失效故障的信号处理 275
11.2故障特征向量提取方法 278
11.2.1信号的幅值域特征提取 278
11.2.2基于小波包的时频域特征提取 282
11.2.3液压泵振动信号的幅值域特征提取 282
11.2.4液压泵振动信号的时频域特征提取 287
11.3主元分析在特征降维中的应用 289
11.3.1主元分析方法 289
11.3.2基于主元分析的故障检测方法 291
11.3.3主元分析特征提取及降维实例分析 292
11.4主元分析方法在故障检测中的应用 295
11.4.1故障检测方法的实现过程 296
11.4.2故障检测实例分析 296
参考文献 301
第12章 免疫机理与支持向量机复合的故障诊断方法 303
12.1人工免疫机理 303
12.1.1生物免疫系统 303
12.1.2人工免疫系统的阴性选择算法 303
12.2支持向量机 310
12.2.1支持向量机的基本原理 310
12.2.2支持向量机的特点 313
12.2.3基于支持向量机故障诊断的基本步骤 315
12.2.4支持向量机建立及分析 315
12.2.5基于支持向量机的液压泵故障诊断分析 318
12.3基于NS机理和SVM复合的故障诊断方法 319
12.3.1传统分类算法的局限性 319
12.3.2支持向量机的不足 320
12.3.3 NS与SVM复合故障诊断方法 320
12.3.4诊断实例及分析 323
12.4基于复合故障诊断方法的液压泵诊断实验及结果分析 326
12.4.1基于虚拟仪器的液压泵故障诊断实验系统 327
12.4.2斜盘式轴向柱塞泵典型故障分析 327
12.4.3液压泵监测信号的采集与处理 328
12.4.4轴向柱塞泵故障诊断实验及结果分析 334
参考文献 337
第13章 信息融合和贝叶斯网络集成的故障诊断方法 340
13.1粗糙集理论在故障诊断中的应用 340
13.1.1知识约简 340
13.1.2决策表属性约简算法 342
13.1.3多变量决策树的诊断规则提取方法 345
13.2单传感器多特征信息融合的贝叶斯网络故障诊断方法 351
13.2.1多传感器信息融合技术 352
13.2.2基于贝叶斯参数估计算法的信息融合数学模型 353
13.2.3贝叶斯网络 354
13.2.4贝叶斯网络分类器 356
13.2.5液压泵振动信号的故障诊断分析 360
13.3多源传感器信息融合与贝叶斯网络集成的故障诊断方法 365
13.3.1多源传感器信息融合与贝叶斯网络集成的故障诊断方法 365
13.3.2液压泵多故障模式诊断的实验研究 367
参考文献 381