局部特征尺度分解方法及其应用PDF电子书下载

查看更多关于的内容

第1章 绪论 1

1.1 旋转机械故障诊断技术研究的意义 1

1.2 时频分析方法 1

1.2.1 小波变换 2

1.2.2 希尔伯特-黄变换 3

1.2.3 局部均值分解 4

1.3 主要研究内容 5

第2章 局部特征尺度分解（LCD）方法 8

2.1 引言 8

2.2 经验模态分解 9

2.3 LCD方法 10

2.3.1 ISC定义 10

2.3.2 LCD过程 11

2.4 LCD与EMD比较分析 12

第3章 基于均值曲线改进的LCD方法及理论 18

3.1 引言 18

3.2 基于分段多项式的改进局部特征尺度分解（ILCD） 19

3.2.1 ILCD过程 19

3.2.2 EMD、LCD与ILCD对比分析 20

3.2.3 ILCD在转子碰摩故障诊断中的应用 22

3.3 广义经验模态分解（GEMD） 25

3.3.1 均值曲线的选择 25

3.3.2 GIMF分量的定义 26

3.3.3 GEMD方法 28

3.3.4 仿真分析 28

3.3.5 GIMF判断依据及GEMD分解能力研究 31

第4章 LCD模态混叠解决方法 33

4.1 引言 33

4.2 模态混叠与基于噪声辅助的数据分析方法 33

4.3 完备总体平均局部特征尺度分解方法 35

4.3.1 CELCD方法 35

4.3.2 CEEMDAN与CELCD比较分析 37

4.3.3 CELCD在转子碰摩故障诊断中的应用 42

4.4 部分集成局部特征尺度分解方法 45

4.4.1 集成局部特征尺度分解（ELCD） 45

4.4.2 PELCD算法 46

4.4.3 仿真与实测信号分析 46

4.5 基于伪极值点假设的经验模态分解 52

4.5.1 基于伪极值点假设的经验模态分解（PEMD） 52

4.5.2 仿真分析 54

4.5.3 应用分析 56

4.6 部分集成经验模态分解 59

4.6.1 PEEMD方法 60

4.6.2 仿真分析 60

4.6.3 应用实例 65

第5章 内禀尺度分量瞬时频率估计与解调方法研究 67

5.1 引言 67

5.2 瞬时频率估计方法 67

5.2.1 希尔伯特变换与标准希尔伯特变换 68

5.2.2 能量算子解调 69

5.2.3 经验包络法（EE） 70

5.2.4 直接正交法（DQ） 72

5.2.5 归一化正交（NQ） 72

5.2.6 仿真信号对比分析 73

5.3 基于LCD的经验包络解调在机械故障诊断中的应用 76

5.3.1 滚动轴承试验数据分析 77

5.3.2 齿轮试验数据分析 80

5.4 基于GEMD与归一化正交解调方法在故障诊断中的应用 81

5.4.1 改进的经验调幅调频分解（IEAD） 81

5.4.2 仿真信号分析 82

5.4.3 试验信号分析 85

第6章 基于LCD和熵理论的旋转机械故障振动信号特征提取方法 89

6.1 引言 89

6.2 熵与复杂性理论 89

6.3 样本熵与多尺度熵 91

6.3.1 样本熵的定义 91

6.3.2 参数的选取 92

6.3.3 多尺度熵 92

6.3.4 基于多尺度熵的滚动轴承故障诊断 93

6.3.5 多尺度熵在转子故障诊断中的应用 95

6.4 模糊熵与多尺度模糊熵 97

6.4.1 模糊熵算法 97

6.4.2 多尺度模糊熵 98

6.4.3 参数的选取与性质 99

6.4.4 滚动轴承故障诊断的多尺度模糊熵分析方法 101

6.5 排列熵与多尺度排列熵 107

6.5.1 排列熵算法 108

6.5.2 PE参数的选取及对结果的影响 108

6.5.3 多尺度排列熵定义 110

6.5.4 多尺度排列熵在滚动轴承故障诊断中的应用 110

6.5.5 基于LCD和排列熵的滚动轴承故障诊断 112

第7章 基于LCD和模式识别的旋转机械智能故障诊断方法 116

7.1 引言 116

7.2 基于变量预测模型的模式识别方法 117

7.3 基于LCD、奇异值分解和VPMCD的机械故障诊断方法 118

7.3.1 基于LCD、SVD和VPMCD的滚动轴承故障诊断方法 118

7.3.2 基于LCD、SVD和VPMCD的齿轮故障诊断方法 119

7.4 基于PELCD、拉普拉斯分值和VPMCD的滚动轴承故障诊断模型 120

7.4.1 部分集成局部特征尺度分解方法 121

7.4.2 特征量的提取、选择与识别 124

7.4.3 基于PELCD、LS和VPMCD的滚动轴承故障诊断模型 127

7.5 基于MFE、LS和VPMCD的滚动轴承故障诊断 130

参考文献 137

查看更多关于的内容