机械故障信号的数学形态学分析及智能分类内容简介

《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，以机械设备中最常见的齿轮、轴承和发动机故障信号为研究对象，研究数学形态学在机械故障信号处理与特征提取中的应用途径，将数学形态学与小波分析、时频分析、非负矩阵分解以及分形几何理论等相结合，建立以数学形态学为基本理论框架的机械故障信号处理与特征参数提取体系，并在此基础上进行机械故障特征选择方法的研究，以提高机械故障诊断的精度和效率。本书由李兵、张培林、米双山等著。

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变换的基本概念

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

音频是多媒体中的一种重要媒体。我们能够听见的音频信号的频率范围大约是20Hz-20kHz，其中语音大约分布在200Hz-3kHz之内，而音乐和其他自然声响是全范围分布的。声音经过模拟设备记录或再生，成为模拟音频，再经数字化成为数字音频。这里所说的音频分析就是以数字音频信号为分析对象，以数字信号处理为分析手段，提取信号在时域、频域内一系列特性的过程。

各种特定频率范围的音频分析有各自不同的应用领域。例如，对于200－3000Hz之间的语音信号的分析主要应用于语音识别，其用途是确定语音内容或判断说话者的身份；而对于20－20000Hz之间的全范围的语音信号分析则可以用来衡量各类音频设备的性能。所谓音频设备就是将实际的声音拾取到将声音播放出来的全部过程中需要用到的各类电子设备，例如话筒、功率放大器、扬声器等，衡量音频设备的主要技术指标有频率响应特性、谐波失真、信噪比、动态范围等。