本書以液壓傳動系統(tǒng)的“動力心臟”——液壓軸向柱塞泵為研究對象，融合數據挖掘、深度學習等智能科學，將機械故障診斷問題轉化為時頻特征圖像智能分類識別問題，重點探究了連續(xù)小波變換、同步壓縮小波變換、S變換、卷積神經網絡、貝葉斯優(yōu)化等基礎理論與關鍵技術，提出多種將時頻變換與改進卷積神經網絡模型相融合的智能故障診斷方法。基于液壓軸向柱塞泵的振動、聲音、壓力等多源異構信號，系統(tǒng)研究和分析了不同融合方法的診斷精度、魯棒性及泛化能力,旨在為液壓軸向柱塞泵的智能故障診斷與健康管理提供理論依據，提升液壓軸向柱塞泵的智能化和可靠性。
本書是作者長期從事液壓元件及系統(tǒng)智能故障診斷研究工作的結晶，適合從事液壓元件及系統(tǒng)智能故障診斷工作的工程技術人員閱讀，也可作為高等學校相關專業(yè)研究生的參考書。
前言
第1章緒論1
1.1研究背景及意義1
1.2國內外研究現狀及分析3
1.2.1傳統(tǒng)故障診斷方法研究現狀3
1.2.2現代智能故障診斷方法研究現狀4
1.2.3泵類旋轉機械故障診斷方法研究現狀7
1.3研究問題的提出10
第2章液壓軸向柱塞泵智能故障診斷方法構建11
2.1引言11
2.2軸向柱塞泵典型故障機理分析11
2.2.1正常狀態(tài)11
2.2.2松靴故障11
2.2.3滑靴與斜盤磨損故障12
2.2.4中心彈簧失效故障12
2.3時頻分析方法12
2.3.1連續(xù)小波變換(CWT)12
2.3.2同步壓縮小波變換(SWT)13
2.3.3S變換(ST)14
2.4卷積神經網絡(CNN)15
2.4.1卷積神經網絡的基本結構15
2.4.2卷積神經網絡的訓練流程17
2.5貝葉斯優(yōu)化算法20
2.6時頻分析與CNN相融合的智能故障診斷方法構建21
2.6.1融合方法構建21
2.6.2故障診斷流程22
2.7本章小結24
第3章液壓軸向柱塞泵試驗數據采集及故障樣本構建25
3.1引言25
3.2試驗系統(tǒng)組成25
3.2.1硬件系統(tǒng)組成25
3.2.2數據采集系統(tǒng)組成26
3.2.3故障元件設置27
3.3試驗數據采集29
3.3.1數據采集方案29
3.3.2振動信號采集30
3.3.3聲音信號采集30
3.3.4壓力信號采集31
3.4試驗數據時頻域變換33
3.4.1振動信號時頻域變換33
3.4.2聲音信號時頻域變換35
3.4.3壓力信號時頻域變換37
3.5故障樣本構建39
3.5.1多源信號時頻特征樣本庫構建39
3.5.2故障樣本劃分及標簽配置43
3.6本章小結44
目錄第4章CWT與改進LeNet 5模型相融合的智能故障診斷方法45
4.1引言45
4.2LeNet 5卷積神經網絡模型的改進45
4.3振動信號CWT時頻特征與改進LeNet 5模型相融合的診斷
結果46
4.3.1學習率對診斷結果的影響46
4.3.2訓練輪次對診斷結果的影響49
4.3.3批量尺寸對診斷結果的影響50
4.3.4卷積核個數對診斷結果的影響52
4.3.5卷積核尺寸對診斷結果的影響53
4.3.6診斷模型訓練參數和結構參數的驗證54
4.3.7診斷模型對比驗證57
4.3.8基于貝葉斯優(yōu)化算法的診斷模型參數優(yōu)化59
4.4聲音信號CWT時頻特征與改進LeNet 5模型相融合的診斷
結果63
4.4.1學習率對診斷結果的影響63
4.4.2訓練輪次對診斷結果的影響66
4.4.3批量尺寸對診斷結果的影響67
4.4.4卷積核個數對診斷結果的影響68
4.4.5卷積核尺寸對診斷結果的影響70
4.4.6診斷模型訓練參數和結構參數的驗證70
4.4.7診斷模型對比驗證72
4.4.8基于貝葉斯優(yōu)化算法的診斷模型參數優(yōu)化74
4.5壓力信號CWT時頻特征與改進LeNet 5模型相融合的診斷
結果78
4.5.1學習率對診斷結果的影響78
4.5.2訓練輪次對診斷結果的影響81
4.5.3批量尺寸對診斷結果的影響81
4.5.4卷積核個數對診斷結果的影響83
4.5.5卷積核尺寸對診斷結果的影響84
4.5.6診斷模型訓練參數和結構參數的驗證84
4.5.7診斷模型對比驗證87
4.5.8基于貝葉斯優(yōu)化算法的診斷模型參數優(yōu)化89
4.6本章小結93
第5章CWT與改進AlexNet模型相融合的智能故障診斷方法95
5.1引言95
5.2AlexNet卷積神經網絡模型的改進95
5.3振動信號CWT時頻特征與改進AlexNet模型相融合的診斷
結果96
5.3.1學習率對診斷結果的影響96
5.3.2訓練輪次對診斷結果的影響99
5.3.3Dropout比率對診斷結果的影響99
5.3.4批量尺寸對診斷結果的影響101
5.3.5卷積核個數對診斷結果的影響102
5.3.6卷積核尺寸對診斷結果的影響104
5.3.7診斷模型訓練參數和結構參數的驗證105
5.3.8診斷模型對比驗證108
5.3.9基于貝葉斯優(yōu)化算法的診斷模型參數優(yōu)化111
5.4聲音信號CWT時頻特征與改進AlexNet模型相融合的診斷
結果116
5.4.1學習率對診斷結果的影響116
5.4.2訓練輪次對診斷結果的影響118
5.4.3Dropout比率對診斷結果的影響119
5.4.4批量尺寸對診斷結果的影響120
5.4.5卷積核個數對診斷結果的影響122
5.4.6卷積核尺寸對診斷結果的影響123
5.4.7診斷模型訓練參數和結構參數的驗證123
5.4.8診斷模型對比驗證126
5.4.9基于貝葉斯優(yōu)化算法的診斷模型參數優(yōu)化130
5.5壓力信號CWT時頻特征與改進AlexNet模型相融合的診斷
結果134
5.5.1學習率對診斷結果的影響134
5.5.2訓練輪次對診斷結果的影響136
5.5.3Dropout比率對診斷結果的影響137
5.5.4批量尺寸對診斷結果的影響138
5.5.5卷積核個數對診斷結果的影響140
5.5.6卷積核尺寸對診斷結果的影響142
5.5.7診斷模型訓練參數和結構參數的驗證142
5.5.8診斷模型對比驗證145
5.5.9基于貝葉斯優(yōu)化算法的診斷模型參數優(yōu)化148
5.6本章小結153
第6章SWT與改進LeNet 5模型相融合的智能故障診斷
方法1546.1引言154
6.2振動信號SWT時頻特征與改進LeNet 5模型相融合的診斷
結果154
6.2.1基于貝葉斯優(yōu)化算法的診斷模型參數優(yōu)化154
6.2.2融合方法對比驗證157
6.3聲音信號SWT時頻特征與改進LeNet 5模型相融合的診斷
結果158
6.3.1基于貝葉斯優(yōu)化算法的診斷模型參數優(yōu)化158
6.3.2融合方法對比驗證161
6.4壓力信號SWT時頻特征與改進LeNet 5模型相融合的診斷
結果162
6.4.1基于貝葉斯優(yōu)化算法的診斷模型參數優(yōu)化162
6.4.2融合方法對比驗證165
6.5本章小結166
第7章SWT與改進AlexNet模型相融合的智能故障診斷方法168
7.1引言168
7.2振動信號SWT時頻特征與改進AlexNet模型相融合的診斷
結果168
7.2.1基于貝葉斯優(yōu)化算法的診斷模型參數優(yōu)化168
7.2.2融合方法對比驗證171
7.3聲音信號SWT時頻特征與改進AlexNet模型相融合的診斷
結果173
7.3.1基于貝葉斯優(yōu)化算法的診斷模型參數優(yōu)化173
7.3.2融合方法對比驗證176
7.4壓力信號SWT時頻特征與改進AlexNet模型相融合的診斷
結果177
7.4.1基于貝葉斯優(yōu)化算法的診斷模型參數優(yōu)化177
7.4.2融合方法對比驗證178
7.5本章小結181
第8章時頻變換與歸一化CNN模型相融合的智能故障診斷
方法1838.1引言183
8.2歸一化CNN模型的構建183
8.3振動信號時頻特征與歸一化CNN模型相融合的故障診斷方法184
8.3.1振動信號CWT時頻特征與歸一化CNN模型相融合的診斷
結果184
8.3.2振動信號SWT時頻特征與歸一化CNN模型相融合的診斷
結果187
8.3.3振動信號ST時頻特征與歸一化CNN模型相融合的診斷
結果189
8.3.4不同融合方法診斷結果的比較192
8.4聲音信號時頻特征與歸一化CNN模型相融合的故障診斷方法195
8.4.1聲音信號CWT時頻特征與歸一化CNN模型相融合的診斷
結果195
8.4.2聲音信號SWT時頻特征與歸一化CNN模型相融合的診斷
結果197
8.4.3聲音信號ST時頻特征與歸一化CNN模型相融合的診斷
結果200
8.4.4不同融合方法診斷結果的比較202
8.5壓力信號時頻特征與歸一化CNN模型相融合的故障診斷方法205
8.5.1壓力信號CWT時頻特征與歸一化CNN模型相融合的診斷
結果205
8.5.2壓力信號SWT時頻特征與歸一化CNN模型相融合的診斷
結果208
8.5.3壓力信號ST時頻特征與歸一化CNN模型相融合的診斷
結果210
8.5.4不同融合方法診斷結果的比較212
8.6本章小結215
參考文獻217
書單推薦
