第1章 绪论 1
1.1直升机齿轮箱故障诊断技术的研究意义和研究现状 1
1.1.1研究意义 1
1.1.2研究现状 1
1.2机械故障诊断技术的研究意义和研究现状 3
1.2.1研究意义 3
1.2.2研究现状 5
1.3基于信号分析和处理技术的机械故障诊断方法 6
1.3.1短时傅里叶变换 7
1.3.2Winger-Ville分布 7
1.3.3小波变换 8
1.3.4经验模式分解 8
1.3.5局部均值分解 9
1.3.6盲源分离 9
1.3.7循环平稳信号分析 10
1.4基于模型的机械故障诊断方法 11
1.4.1时间序列模型 11
1.4.2隐Markov模型 11
1.4.3协整理论模型 12
1.5基于人工智能的机械故障诊断方法 12
1.5.1神经网络 12
1.5.2专家系统 13
1.5.3模糊理论 13
1.5.4粗糙集理论 14
1.5.5支持向量机 14
1.6基于非线性理论的机械故障诊断方法 15
1.6.1随机共振 15
1.6.2流形 16
1.6.3混沌和分形 17
1.6.4去趋势波动分析 17
第2章 复杂系统的标度行为及其动力学机制 19
2.1复杂系统的标度行为 19
2.2复杂标度行为的动力学机制 20
2.2.1Barabasi-Albert模型 20
2.2.2自组织临界理论 21
2.2.3高度最优化容限理论 22
2.3分形 23
2.3.1分形的定义 23
2.3.2分形产生的物理机制 24
2.3.3复杂系统的自相似性和标度不变性 25
2.3.4分形维数 25
2.3.5多重分形 26
2.4传统的标度分析方法 28
2.4.1相关函数分析法 28
2.4.2功率谱密度分析法 28
2.4.3重标极差分析法 29
2.4.4小波变换和经验模式分解分析法 30
第3章 基于时间序列多标度指数特征的机械故障特征提取 31
3.1去趋势波动分析 32
3.1.1去趋势波动分析方法 32
3.1.2标度指数的物理意义 33
3.2基于时间序列多标度指数特征的机械故障特征提取方法 34
3.3实验验证 34
3.3.1齿轮箱故障诊断 34
3.3.2滚动轴承故障诊断 43
3.3.3滚动轴承损伤程度识别 48
第4章 基于增量序列标度特征的机械故障诊断 55
4.1增量序列的动力学特征 56
4.1.1增量序列与原序列的波动特征之间的关系 56
4.1.2数据的重排和替代 57
4.1.3增量序列的符号分量和幅值分量及其动力学特征 58
4.2基于增量序列标度特征的机械故障诊断方法 61
4.3实验验证 62
4.3.1齿轮箱故障诊断及其“故障线” 62
4.3.2滚动轴承故障诊断及其“故障线” 69
4.4“故障线”现象及其成因研究 72
第5章 基于时间序列多重分形特征的齿轮箱故障特征提取 81
5.1多重分形去趋势波动分析 82
5.1.1多重分形去趋势波动分析方法 82
5.1.2多重分形去趋势波动分析方法与经典多重分形理论的关系 83
5.1.3时间序列多重分形类型的确定方法 85
5.2基于时间序列多重分形特征的齿轮箱故障特征提取方法 86
5.3实验验证 86
5.4齿轮箱振动数据出现多重分形的原因 98
第6章 基于多重分形去趋势波动分析方法和马氏距离判别法的滚动轴承故障诊断 102
6.1基于多重分形去趋势波动分析方法和马氏距离判别法的滚动轴承故障诊断方法 103
6.1.1马氏距离判别法 103
6.1.2基于多重分形去趋势波动分析方法和马氏距离判别法的机械故障诊断方法 104
6.2实验验证 105
6.3滚动轴承振动数据出现多重分形的原因 116
6.4多重分形去趋势波动分析方法与其他故障特征提取方法的比较 119
6.5马氏距离判别法和神经网络在轴承故障特征分类中的性能比较 124
参考文献 125