机械故障信号的数学形态分析与智能分类

出版时间：2011-10  出版社：国防工业出版社  作者：李兵  页数：182  

内容概要

　　《机械故障信号的数学形态学分析与智能分类》以数学形态学理论为主要分析手段，以机械故障信号为主要研究对象，深入研究了数学形态学在机械故障信号处理、特征提取与智能分类中的应用途径。《机械故障信号的数学形态学分析及智能分类》将数学形态学理论与小波分析、时频分析、非负矩阵分解、分形几何以及神经网络等理论相结合，建立了以数学形态学为基本理论框架的机械故障信号分析与智能分类体系，并在此基础上进行机械故障特征选择和增量学习方法的研究，为机械设备在线状态监测和故障诊断提供了一条崭新的、有效的技术途径。　　《机械故障信号的数学形态学分析与智能分类》可作为高等院校信号处理、机械工程等专业研究生教材，也可供相关领域工程技术人员和研究人员参考。《机械故障信号的数学形态学分析及智能分类》由李兵、张培林、米双山等著。

书籍目录

第1章 概论1.1 机械故障诊断的概念1.2 机械故障信号处理与特征提取方法1.2.1 以傅里叶变换为基础的传统信号处理方法1.2.2 时频分析技术1.2.3 分形几何方法1.3 机械故障诊断的模式识别方法1.3.1 专家系统1.3.2 模糊推理1.3.3 人工神经网络1.3.4 支持向量机1.4 机械故障诊断的特征参数选择第2章 数学形态学理论概述2.1 数学形态学研究现状2.2 数学形态学基本原理2.2.1 二值形态学2.2.2 灰值形态学2.3 基于完备格的数学形态学理论2.3.1 完备格理论2.3.2 完备格上的数学形态学理论2.4 数学形态学在机械故障信号处理中的应用第3章 机械故障信号的自适应多尺度形态梯度分析3.1 引言3.2 数学形态学滤波器3.2.1 基本形态滤波器3.2.2 形态梯度滤波器3.2.3 仿真信号分析3.3 自适应多尺度形态梯度3.3.1 多尺度形态滤波器3.3.2 自适应多尺度形态梯度（AMMG）3.4 AMMG在机械故障信号处理中的应用3.4.1 齿轮箱故障信号分析3.4.2 发动机故障信号分析第4章 机械故障信号的自适应形态梯度提升小波分析4.1 引言4.2 形态小波分析4.2.1 广义小波分解方案4.2.2 形态提升小波4.3 自适应形态梯度提升小波4.3.1 自适应提升小波4.3.2 自适应形态梯度提升小波4.3.3 仿真信号分析4.4 AMGLW在机械故障信号分析中的应用4.4.1 齿轮箱故障信号分析4.4.2 发动机故障信号分析第5章 机械故障信号的非负矩阵分解特征提取方法5.1 引言5.2 非负矩阵分解（NMF）5.2.1 非负矩阵分解算法的引出5.2.2 非负矩阵分解主要思想5.2.3 非负矩阵分解的算法实现5.2.4 非负矩阵分解的初始化和秩的选择5.2.5 改进非负矩阵分解（INMF）5.3 改进非负矩阵分解在齿轮箱故障特征提取中的应用5.3.1 基于AMCLW与INMF的齿轮箱故障信号特征提取5.3.2 分类效果5.4 改进非负矩阵分解在发动机故障特征提取中的应用5.4.1 基于AMGLW与INMF的发动机故障信号特征提取5.4.2 分类效果第6章 机械故障信号时频分布的数学形态谱特征6.1 引言6.2 广义S变换6.2.1 S变換的基本概念6.2.2 广义S变换6.2.3 仿真信号分析6.3 机械故障信号的广义s变换6.3.1 齿轮箱故障信号的广义s变换6.3.2 发动机故障信号的广义s变换6.4 数学形态谱6.4.1 形态学颗粒分析6.4.2 数学形态谱定义6.4.3 齿轮箱故障信号时频分布的数学形态谱6.5 广义空间数学形态谱6.5.1 广义空间数学形态谱6.5.2 发动机故障信号时频分布的广义空间数学形态谱第7章 机械故障信号的数学形态学分形特征7.1 引言7.2 分形的基本概念7.3 形态学分形维数7.3.1 Minkowski-Bouligand维数7.3.2 基于数学形态学的分形维数估计方法7.3.3 仿真信号分析7.4 机械故障信号的形态学分形维数7.4.1 齿轮箱故障信号的形态学分形维数7.4.2 发动机故障信号的形态学分形维数7.5 形态学广义分形维数7.5.1 多重分形谱和广义分形维数7.5.2 广义分形维数的盒计数计算方法7.5.3 形态学广义分形维数7.5.4 仿真信号分析7.6 机械故障信号的形态学广义分形维数7.6.1 齿轮箱故障信号的形态学广义分形维数7.6.2 发动机故障信号的形态学广义分形维数第8章 机械故障信号的形态学神经网络分类方法研究8.1 引言8.2 形态学神经网络的理论基础8.2.1 完备格框架下的数学形态学算子8.2.2 形态学神经网络的格代数系统8.3 构造性形态学神经网络（CMNN）8.3.1 构造性形态学神经网络的基本框架8.3.2 构造性形态学神经网络训练算法8.3.3 多类分类构造性形态学神经网络8.4 模糊格形态学神经网络（FL-CMNN）8.4.1 模糊格理论8.4.2 区间上的模糊格理论8.4.3 模糊格形态学神经网络8.4.4 仿真数据测试8.5 基于FL-CMNN的机械故障信号分类8.5.1 齿轮箱故障信号分类8.5.2 发动机故障信号分类第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9.1 引言9.2 组合式特征选择算法9.2.1 特征选择概述9.2.2 基于互信息的最大相关最小冗余准则（mRMR）9.2.3 带精英策略的非支配排序遗传算法（NSCA-Ⅱ）9.3 组合式特征选择在机械故障信号分类中的应用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9.3.2 组合式特征选择在发动机故障信号分类的应用9.4 基于构造性形态学神经网络的增量学习算法9.4.1 增量学习简介9.4.2 针对构造性形态学神经网络的增量学习算法9.4.3 增量学习算法在机械故障信号分类中的应用参考文献

用户评论 (总计2条)

•   内容很好，就是要的这本书
•   应该算是一般吧，不过印刷还可以，内容上就是论文集