高速滾動軸承故障機理與診斷方法

目錄
第1章 緒論 1
1.1 滾動軸承基礎知識 1
1.1.1 滾動軸承的特點與重要性 1
1.1.2 滾動軸承的主要類型 2
1.1.3 滾動軸承的典型失效形式 4
1.2 滾動軸承故障機理與診斷方法研究現狀 10
1.2.1 故障機理研究現狀 10
1.2.2 穩(wěn)態(tài)信號下的特征提取研究現狀 12
1.2.3 變轉速工況下的故障特征提取研究現狀 14
1.2.4 故障診斷方法研究現狀 17
參考文獻 18
第2章 滾動軸承動力學相關基礎理論 26
2.1 滾動軸承動力學模型 26
2.2 赫茲接觸理論 26
2.3 內部作用力 28
2.4 角接觸球軸承結構特點 29
2.4.1 幾何關系 29
2.4.2 曲率半徑 30
2.4.3 二自由度簡化模型 31
參考文獻 31
第3章 二自由度高速滾動軸承故障動力學建模與分析 33
3.1 故障位移激勵模型 33
3.1.1 傳統(tǒng)故障位移激勵模型 34
3.1.2 滾動體耦合與分段綜合作用故障位移激勵模型 35
3.1.3 樣條插值位移激勵模型 37
3.2 二自由度滾動軸承故障動力學模型 39
3.2.1 滾動體受力分析 39
3.2.2 典型故障模式下高速滾動軸承動力學建模 43
3.3 數值計算與結果分析 44
3.3.1 單個滾動體與滾道間的赫茲接觸力 45
3.3.2 不同故障大小及不同轉速下軸承加速度動態(tài)響應 47
3.4 實驗對比分析 51
參考文獻 56
第4章 多自由度高速滾動軸承故障動力學建模與分析 58
4.1 多自由度高速滾動軸承故障動力學模型 58
4.1.1 滾動體與軸承內/外圈接觸力和接觸變形計算 59
4.1.2 保持架動力學建模 60
4.1.3 滾動體動力學建模 61
4.1.4 內圈動力學建模 62
4.2 數值計算與結果分析 63
4.2.1 不同徑向載荷作用下滾動軸承動態(tài)響應 63
4.2.2 不同轉速下滾動軸承動態(tài)響應 68
4.2.3 不同故障大小下滾動軸承動態(tài)響應 71
4.2.4 保持架動態(tài)響應的實驗驗證 74
4.3 實驗對比分析 75
參考文獻 80
第5章 基于峭度指標的高速滾動軸承故障特征提取方法 81
5.1 傳統(tǒng)指標方法 81
5.1.1 譜峭度圖 81
5.1.2 包絡譜峭度 84
5.1.3 循環(huán)成分比 86
5.2 基于優(yōu)化的Morlet小波和峭度的特征提取方法 88
5.2.1 Morlet小波優(yōu)化 88
5.2.2 特征尺度選取 88
5.2.3 軟閾值降噪與特征重構 89
5.2.4 應用實例與對比分析 91
5.3 基于復合加權特征能量比的特征提取方法 92
5.3.1 特征能量比 92
5.3.2 加權特征能量比 93
5.3.3 復合加權特征能量比 93
5.3.4 應用實例與對比分析 94
5.4 基于自適應諧次峭度的特征提取方法 101
5.4.1 諧次峭度指標 101
5.4.2 相對局部閾值 102
5.4.3 自適應諧次峭度指標 104
5.4.4 基于改進蝙蝠算法的*佳共振頻帶搜索 105
5.4.5 應用實例與對比分析 106
參考文獻 111
第6章 基于稀疏表示的高速滾動軸承故障特征提取方法 113
6.1 稀疏表示基礎理論 113
6.2 振動模型驅動稀疏表示及其在故障特征提取中的應用 114
6.2.1 沖擊小波字典構造 114
6.2.2 稀疏優(yōu)化模型與求解算法 115
6.2.3 應用實例與對比分析 118
6.3 數據驅動稀疏表示及其在故障特征提取中的應用 120
6.3.1 改進的正交匹配追蹤算法 120
6.3.2 具有自適應沖擊字典的一維快速K-SVD算法 122
6.3.3 應用實例與對比分析 125
6.4 近似L1-L0稀疏模型及其在故障特征提取中的應用 127
6.4.1 基于近似L1-L0的非凸正則化稀疏模型 127
6.4.2 模型的字典學習求解算法 128
6.4.3 應用實例與對比分析 131
參考文獻 137
第7章 變轉速下高速滾動軸承故障特征提取方法 138
7.1 基于Vold-Kalman階次分析的故障特征提取方法 138
7.1.1 基于Vold-Kalman的諧波分量自適應提取方法 140
7.1.2 諧波分量的瞬時相位提取與角域重采樣方法 143
7.1.3 應用實例與對比分析 145
7.2 基于改進Viterbi算法的故障特征提取方法 149
7.2.1 Viterbi算法的問題 149
7.2.2 改進Viterbi算法 150
7.2.3 在變轉速故障特征提取中的應用 153
參考文獻 155
第8章 梯度穩(wěn)定的高速滾動軸承故障智能診斷模型 157
8.1 相關理論基礎 157
8.1.1 經典的深度學習神經網絡 157
8.1.2 傳統(tǒng)的激活函數 158
8.2 Isigmoid激活函數及其智能故障診斷模型 162
8.2.1 Isigmoid激活函數構造與分析 162
8.2.2 基于Isigmoid激活函數的DBN 164
8.2.3 應用實例與對比分析 165
8.3 ReLTanh激活函數及其智能診斷模型 168
8.3.1 ReLTanh激活函數的構造與分析 168
8.3.2 基于ReLTanh激活函數的深度學習模型 171
8.3.3 應用實例與對比分析 171
參考文獻 175
第9章 少樣本下高速滾動軸承的故障遷移診斷模型 177
9.1 遷移學習理論基礎 177
9.1.1 遷移學習的應用場景 177
9.1.2 遷移學習分類 177
9.1.3 經典域自適應模型 178
9.2 多尺度遷移投票機制及其在遷移診斷中的應用 179
9.2.1 多尺度遷移機制 179
9.2.2 多遷移投票機制 181
9.2.3 基于多尺度遷移投票機制的深度域混淆模型 182
9.2.4 應用實例與對比分析 184
9.3 參數共享對抗域自適應網絡及其在遷移診斷中的應用 186
9.3.1 參數共享對抗域自適應網絡的結構 186
9.3.2 網絡的損失函數設計 187
9.3.3 不平衡對抗訓練策略 188
9.3.4 應用實例與對比分析 191
9.4 深度聯合分布對齊模型及其在遷移診斷中的應用 193
9.4.1 聯合分布對齊的理論基礎 193
9.4.2 網絡優(yōu)化目標與訓練 195
9.4.3 應用實例與對比分析 197
參考文獻 200