液压气动系统状态检测与故障诊断技术 ＝ CONDITION MONITORING AND FAULT DIAGNOSIS TECHNOLOGY OF HYDRAULIC AND PNEUMATIC SPDF|Epub|txt|kindle电子书版本网盘下载

液压气动系统状态检测与故障诊断技术 ＝ CONDITION MONITORING AND FAULT DIAGNOSIS TECHNOLOGY OF HYDRAULIC AND PNEUMATIC SPDF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 绪论1

1.1 液压系统故障诊断技术的发展简史1

1.2 液压系统故障诊断技术的发展趋势3

1.3 液压系统故障检测与诊断新方法4

1.3.1 小波理论方法5

1.3.2 频谱细化方法5

1.3.3 混沌分形理论方法6

1.3.4 Lyapunov指数及关联维数方法6

1.3.5 信息熵方法7

1.3.6 贝叶斯网络方法7

1.3.7 Hilbert-Huang变换方法8

1.3.8 神经网络方法8

1.3.9 多源信息融合方法10

1.3.10 人工免疫方法11

1.3.11 灰色系统方法12

1.3.12 核主元分析方法13

1.3.13 支持向量机方法14

1.3.14 证据理论方法15

1.4 本书的主要内容16

本章参考文献17

第2章 气动系统的常见故障与排除方法19

2.1 气动系统使用中的常见故障19

2.1.1 气源质量不良19

2.1.2 气动元件故障20

2.2 气动系统常见故障的排除21

2.2.1 气源质量不良故障的排除方法21

2.2.2 气缸故障的排除方法23

2.2.3 气动控制阀故障的排除方法25

2.2.4 气动辅助元件故障的排除方法26

本章参考文献27

第3章 气动系统的故障诊断技术与工程应用实例28

3.1 气动系统故障的基本特征及常用的诊断方法28

3.1.1 气动系统故障的基本特征28

3.1.2 气动系统常用的诊断方法28

3.2 气动系统故障诊断的基本原理及后处理29

3.2.1 故障诊断的基本原理29

3.2.2 故障诊断的后处理31

3.3 气动系统的故障诊断技术方法31

3.3.1 基于CBM的气动系统故障诊断技术31

3.3.2 基于故障树的气动系统故障诊断技术35

3.4 气动系统故障诊断技术的工程应用实例36

3.4.1 混凝土搅拌站气动系统故障的排除36

3.4.2 热风整平机气动系统常见故障的排除38

本章参考文献41

第4章 液压泵多传感器状态监测系统42

4.1 状态监测试验系统组成42

4.2 轴向柱塞泵典型故障及故障特征频率43

4.2.1 轴向柱塞泵典型故障机理分析43

4.2.2 轴向柱塞泵典型故障的特征频率44

4.3 振动传感器及其测点位置的选择45

4.3.1 振动传感器的选型45

4.3.2 振动传感器的安装方式46

4.3.3 x和y方向测点位置的选取47

4.4 声级计及其测点的选择53

4.4.1 声级计的选型53

4.4.2 声级计测点的确定53

4.5 轴向柱塞泵状态监测系统54

4.6 轴向柱塞泵的故障模拟55

4.7 试验数据采集56

4.7.1 信号采集的参数设置56

4.7.2 故障模式下的试验数据采集56

本章参考文献56

第5章 基于信号多信息域分析的故障特征提取58

5.1 基于小波包滤波消噪及Hilbert包络解调的信号处理58

5.1.1 小波包滤波消噪58

5.1.2 Hilbert变换包络解调方法60

5.1.3 基于小波包滤波消噪及包络解调的信号处理62

5.2 信号的时域特征提取62

5.2.1 有量纲参量62

5.2.2 无量纲参量64

5.2.3 振动和声音信号的时域特征提取64

5.2.4 压力信号的时域特征提取67

5.3 信号的频域特征提取69

5.3.1 频域特征参量69

5.3.2 声音信号的频域特征提取70

5.3.3 压力信号的频域特征提取71

5.4 信号的时频域特征提取72

5.4.1 时频域特征参量72

5.4.2 信号的时频域特征提取73

5.5 信号的多信息域故障特征向量构建75

本章参考文献75

第6章 灰靶理论在液压泵故障等级评估中的应用77

6.1 灰色理论及灰靶理论分析方法77

6.1.1 灰色理论概述77

6.1.2 灰色理论诊断方法78

6.1.3 灰靶理论及灰靶贡献度81

6.2 主分量分析及最大熵谱估计83

6.2.1 信号的谱估计83

6.2.2 主分量分析与故障信息分离86

6.2.3 液压泵故障信号的最大熵谱估计87

6.3 基于灰靶理论的液压泵故障模式识别88

6.3.1 液压泵故障诊断试验系统88

6.3.2 基于灰靶理论的液压泵故障模式识别步骤88

6.3.3 振动信号的预处理90

6.3.4 故障振动信号功率谱分析及特征提取91

6.3.5 基于灰靶理论的故障等级评估94

本章参考文献96

第7章 基于灰色神经网络的故障诊断方法97

7.1 灰色神经网络97

7.1.1 基于知识的故障诊断方法97

7.1.2 灰色理论98

7.1.3 神经网络100

7.1.4 灰色理论与神经网络的结合102

7.2 液压泵状态监测试验104

7.2.1 液压泵的状态监测104

7.2.2 监测数据的采集105

7.3 基于灰色神经网络方法的故障诊断107

7.3.1 信号处理108

7.3.2 特征向量提取112

7.3.3 灰色神经网络故障诊断115

本章参考文献118

第8章 基于混沌神经网络的故障诊断方法119

8.1 混沌神经网络的理论基础119

8.1.1 混沌及其特征119

8.1.2 混沌的判据121

8.1.3 Logistic映射分析122

8.1.4 神经网络概述124

8.1.5 误差反向传播神经网络125

8.1.6 前向混沌神经网络及其学习算法127

8.2 液压泵振动信号的分析与处理131

8.2.1 短时最大熵谱分析131

8.2.2 小波包带通滤波和消噪132

8.2.3 Hilbert包络解调133

8.3 混沌神经网络在液压泵故障诊断中的应用135

8.3.1 基于前向混沌神经网络的故障诊断过程135

8.3.2 液压泵各状态振动信号的采集136

8.3.3 前向混沌神经网络的设计136

8.3.4 液压泵故障诊断及结果分析139

本章参考文献144

第9章 基于联想记忆神经网络的故障诊断方法145

9.1 联想记忆神经网络145

9.1.1 离散Hopfield神经网络145

9.1.2 联想记忆149

9.1.3 联想记忆网络应用举例152

9.2 Hopfield网络的结构改进和学习算法154

9.2.1 反向传播网络154

9.2.2 联想记忆神经网络的结构改进157

9.2.3 粒子群优化算法158

9.2.4 PSO算法对Hopfield网络权值的优化160

9.3 基于联想记忆神经网络的液压泵故障诊断161

9.3.1 振动信号的采集161

9.3.2 信号预处理及故障特征提取162

9.3.3 联想记忆神经网络的参数设置164

9.3.4 基于联想记忆神经网络的液压泵故障识别168

9.3.5 基于联想记忆神经网络的样本交叉循环训练的故障识别172

本章参考文献174

第10章 基于免疫危险理论的故障诊断方法175

10.1 人工免疫系统与免疫危险理论175

10.1.1 生物免疫系统175

10.1.2 人工免疫系统177

10.1.3 人工免疫系统的求解算法178

10.1.4 免疫危险理论180

10.2 液压泵各状态振动信号的采集与预处理182

10.2.1 振动信号的采集182

10.2.2 共振信号的解调183

10.2.3 液压泵故障状态特征信息的提取188

10.3 免疫危险理论在特征降维与故障诊断中的应用191

10.3.1 基于免疫危险理论的液压泵振动信号特征选择算法191

10.3.2 基于免疫危险理论的故障诊断算法197

本章参考文献205

第11章 基于HHT和模糊C均值聚类的故障诊断方法207

11.1 基于Hilbert-Huang变换的轴向柱塞泵振动信号分析207

11.1.1 Hilbert-Huang变换207

11.1.2 轴向柱塞泵状态信号的采集210

11.1.3 滑靴磨损故障振动信号分析211

11.1.4 松靴故障振动信号分析214

11.1.5 中心弹簧失效故障振动信号分析216

11.2 基于Hilbert-Huang变换的轴向柱塞泵压力信号分析219

11.2.1 正常状态压力信号分析219

11.2.2 滑靴磨损故障压力信号分析221

11.2.3 松靴故障压力信号分析224

11.2.4 中心弹簧失效故障压力信号分析226

11.3 基于HHT的故障特征向量提取229

11.3.1 局部边际能量谱及特征能量229

11.3.2 振动信号的特征提取229

11.3.3 压力信号的特征提取233

11.4 基于模糊C均值聚类的模式识别236

11.4.1 模式识别和模糊聚类236

11.4.2 模糊C均值聚类算法237

11.4.3 基于FCMC算法和振动信号的轴向柱塞泵故障识别238

11.4.4 基于FCMC算法和压力信号的轴向柱塞泵故障识别239

本章参考文献242

第12章 信息熵理论在健康状态评估中的应用243

12.1 信号在不同分析域中的信息熵特征243

12.1.1 信息系统的分析模型243

12.1.2 信息熵的概念243

12.1.3 信息熵的性质244

12.1.4 振动信号时域信息熵特征提取245

12.1.5 振动信号的频域信息熵特征提取246

12.1.6 振动信号时频域信息熵特征提取247

12.2 滑靴油膜理论248

12.2.1 滑靴的磨损形式249

12.2.2 油膜的热楔效应249

12.2.3 圆盘的油膜挤压效应250

12.2.4 静压支承油膜理论250

12.2.5 滑靴斜盘摩擦副受力分析253

12.2.6 滑靴偏磨255

12.3 液压泵健康状态评估的试验研究256

12.3.1 液压泵健康评估试验系统256

12.3.2 试验步骤257

12.3.3 试验结果分析257

本章参考文献266

第13章 基于声音信号的核主元分析故障诊断方法268

13.1 PCA的基本原理268

13.1.1 PCA模型268

13.1.2 统计量的确定269

13.2 KPCA的基本原理270

13.2.1 KPCA模型270

13.2.2 核函数的选取271

13.2.3 统计量的确定272

13.3 基于声音信号的KPCA故障诊断方法272

13.3.1 核主元模型的构建步骤272

13.3.2 在线检测的步骤272

13.4 试验研究273

13.4.1 声音信号分析273

13.4.2 声音信号的特征向量提取274

13.4.3 基于声音信号的KPCA故障诊断方法的诊断结果277

13.4.4 基于声音信号的PCA故障诊断方法的诊断结果278

13.4.5 基于振动信号的KPCA故障诊断方法的诊断结果279

13.4.6 诊断结果比较279

本章参考文献280

第14章 指数加权动态核主元分析的故障诊断方法281

14.1 指数加权动态自回归统计模型281

14.1.1 指数加权主元分析模型281

14.1.2 基于滑动时间窗口的数据更新281

14.1.3 指数加权核主元分析模型282

14.1.4 指数加权核主元分析模型的特点282

14.2 指数加权动态核主元分析法的建模与故障诊断283

14.2.1 第1个时间窗口的建模与故障诊断283

14.2.2 第1个时间窗口以后各窗口的建模与故障诊断283

14.3 试验研究285

14.3.1 振动信号分析285

14.3.2 振动信号的特征向量提取286

14.3.3 指数加权动态核主元分析的故障诊断方法的诊断结果287

本章参考文献289

第15章 SVM与证据理论集成的多源信息融合故障诊断方法291

15.1 证据理论291

15.1.1 证据理论中的几个重要概念291

15.1.2 证据区间的描述292

15.1.3 信度函数的融合规则292

15.2 基于矩阵分析的融合算法293

15.2.1 置信度分配矩阵293

15.2.2 算法描述293

15.3 基本概率分配的确定方法294

15.3.1 基于BP神经网络确定基本概率分配294

15.3.2 基于SVM确定基本概率分配295

15.4 基于证据理论的多源信息融合故障诊断方法297

15.4.1 故障特征参量的提取297

15.4.2 故障诊断过程的实现298

15.5 试验研究298

15.5.1 信号处理299

15.5.2 基本概率分配的确定300

15.5.3 试验结果分析303

本章参考文献305