机械故障信号的数学形态学分析与智能分类2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

机械故障信号的数学形态学分析与智能分类PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 概论1

1.1 机械故障诊断的概念2

1.2 机械故障信号处理与特征提取方法3

1.2.1 以傅里叶变换为基础的传统信号处理方法3

1.2.2 时频分析技术4

1.2.3 分形几何方法8

1.3 机械故障诊断的模式识别方法9

1.3.1 专家系统10

1.3.2 模糊推理11

1.3.3 人工神经网络11

1.3.4 支持向量机13

1.4 机械故障诊断的特征参数选择14

第2章 数学形态学理论概述16

2.1 数学形态学研究现状16

2.2 数学形态学基本原理17

2.2.1 二值形态学18

2.2.2 灰值形态学21

2.3 基于完备格的数学形态学理论24

2.3.1 完备格理论25

2.3.2 完备格上的数学形态学理论26

2.4 数学形态学在机械故障信号处理中的应用28

第3章 机械故障信号的自适应多尺度形态梯度分析30

3.1 引言30

3.2 数学形态学滤波器30

3.2.1 基本形态滤波器30

3.2.2 形态梯度滤波器32

3.2.3 仿真信号分析33

3.3 自适应多尺度形态梯度39

3.3.1 多尺度形态滤波器39

3.3.2 自适应多尺度形态梯度（AMMG）40

3.4 AMMG在机械故障信号处理中的应用43

3.4.1 齿轮箱故障信号分析43

3.4.2 发动机故障信号分析51

第4章 机械故障信号的自适应形态梯度提升小波分析54

4.1 引言54

4.2 形态小波分析55

4.2.1 广义小波分解方案55

4.2.2 形态提升小波63

4.3 自适应形态梯度提升小波65

4.3.1 自适应提升小波65

4.3.2 自适应形态梯度提升小波66

4.3.3 仿真信号分析67

4.4 AMGLW在机械故障信号分析中的应用70

4.4.1 齿轮箱故障信号分析70

4.4.2 发动机故障信号分析75

第5章 机械故障信号的非负矩阵分解特征提取方法78

5.1 引言78

5.2 非负矩阵分解（NMF）78

5.2.1 非负矩阵分解算法的引出78

5.2.2 非负矩阵分解主要思想80

5.2.3 非负矩阵分解的算法实现81

5.2.4 非负矩阵分解的初始化和秩的选择82

5.2.5 改进非负矩阵分解（INMF）83

5.3 改进非负矩阵分解在齿轮箱故障特征提取中的应用83

5.3.1 基于AMGLW与INMF的齿轮箱故障信号特征提取84

5.3.2 分类效果84

5.4 改进非负矩阵分解在发动机故障特征提取中的应用88

5.4.1 基于AMGLW与INMF的发动机故障信号特征提取89

5.4.2 分类效果89

第6章 机械故障信号时频分布的数学形态谱特征94

6.1 引言94

6.2 广义S变换95

6.2.1 S变换的基本概念95

6.2.2 广义S变换97

6.2.3 仿真信号分析98

6.3 机械故障信号的广义S变换100

6.3.1 齿轮箱故障信号的广义S变换100

6.3.2 发动机故障信号的广义S变换103

6.4 数学形态谱105

6.4.1 形态学颗粒分析105

6.4.2 数学形态谱定义106

6.4.3 齿轮箱故障信号时频分布的数学形态谱106

6.5 广义空间数学形态谱111

6.5.1 广义空间数学形态谱111

6.5.2 发动机故障信号时频分布的广义空间数学形态谱112

第7章 机械故障信号的数学形态学分形特征116

7.1 引言116

7.2 分形的基本概念117

7.3 形态学分形维数118

7.3.1 Minkowski-Bouligand维数119

7.3.2 基于数学形态学的分形维数估计方法119

7.3.3 仿真信号分析121

7.4 机械故障信号的形态学分形维数124

7.4.1 齿轮箱故障信号的形态学分形维数124

7.4.2 发动机故障信号的形态学分形维数126

7.5 形态学广义分形维数127

7.5.1 多重分形谱和广义分形维数127

7.5.2 广义分形维数的盒计数计算方法128

7.5.3 形态学广义分形维数129

7.5.4 仿真信号分析131

7.6 机械故障信号的形态学广义分形维数132

7.6.1 齿轮箱故障信号的形态学广义分形维数132

7.6.2 发动机故障信号的形态学广义分形维数134

第8章 机械故障信号的形态学神经网络分类方法研究136

8.1 引言136

8.2 形态学神经网络的理论基础137

8.2.1 完备格框架下的数学形态学算子137

8.2.2 形态学神经网络的格代数系统137

8.3 构造性形态学神经网络（CMNN）139

8.3.1 构造性形态学神经网络的基本框架139

8.3.2 构造性形态学神经网络训练算法141

8.3.3 多类分类构造性形态学神经网络142

8.4 模糊格形态学神经网络（FL-CMNN）144

8.4.1 模糊格理论144

8.4.2 区间上的模糊格理论145

8.4.3 模糊格形态学神经网络146

8.4.4 仿真数据测试148

8.5 基于FL-CMNN的机械故障信号分类152

8.5.1 齿轮箱故障信号分类152

8.5.2 发动机故障信号分类154

第9章 面向机械设备在线状态监测的形态学神经网络优化策略157

9.1 引言157

9.2 组合式特征选择算法158

9.2.1 特征选择概述158

9.2.2 基于互信息的最大相关最小冗余准则（mRMR）159

9.2.3 带精英策略的非支配排序遗传算法（NSGA-Ⅱ）161

9.3 组合式特征选择在机械故障信号分类中的应用166

9.3.1 组合式特征选择在齿轮箱故障信号分类诊断中的应用166

9.3.2 组合式特征选择在发动机故障信号分类的应用170

9.4 基于构造性形态学神经网络的增量学习算法173

9.4.1 增量学习简介173

9.4.2 针对构造性形态学神经网络的增量学习算法174

9.4.3 增量学习算法在机械故障信号分类中的应用177

参考文献179