0去购物车结算
购物车中还没有商品，赶紧选购吧！
当前位置: > 齿轮故障智能诊断技术

相同作者的商品

相同语种的商品

销售排行榜

浏览历史

齿轮故障智能诊断技术


联系编辑
 
标题：
 
内容：
 
联系方式：
 
  
齿轮故障智能诊断技术
  • 书号：9787030587954
    作者：陈志强等
  • 外文书名：
  • 装帧：平装
    开本：16
  • 页数：176
    字数：223000
    语种：zh-Hans
  • 出版社：科学出版社
    出版时间：2018-09-01
  • 所属分类：
  • 定价： ￥78.00元
    售价： ￥61.62元
  • 图书介质:
    按需印刷

  • 购买数量： 件  缺货，请选择其他介质图书！
  • 商品总价：

相同系列
全选

内容介绍

样章试读

用户评论

全部咨询

　　本书基于振动信号和润滑油中颗粒信号，以齿轮箱作为设备维护对象，详细介绍了研究团队在齿轮故障智能诊断技术领域的研究成果。采取实验验证、仿真验证与理论分析相结合的方法，深度剖析了同步挤压变换方法在齿轮故障智能诊断领域的应用，系统评估了深度学习技术在齿轮故障识别中的应用，呈现了基于深度学习模型的齿轮故障智能诊断技术最新成果。
样章试读
  • 暂时还没有任何用户评论
总计 0 个记录，共 1 页。 第一页 上一页 下一页 最末页

全部咨询(共0条问答)

  • 暂时还没有任何用户咨询内容
总计 0 个记录，共 1 页。 第一页 上一页 下一页 最末页
用户名： 匿名用户
E-mail：
咨询内容：

目录

  • 目录
    前言
    第1章 绪论 1
    1.1 齿轮故障智能诊断概述 1
    1.1.1 齿轮故障主要类型 2
    1.1.2 齿轮故障诊断的发展过程 3
    1.2 齿轮故障智能诊断的研究内容 5
    1.2.1 齿轮故障机制研究 6
    1.2.2 信号选择和检测机制研究 6
    1.2.3 齿轮信号分析与处理方法研究 7
    1.2.4 齿轮信号特征选择研究 7
    1.2.5 齿轮故障诊断的智能决策方法研究 7
    1.3 齿轮故障诊断方法 8
    1.3.1 基于解析模型的齿轮故障诊断方法 8
    1.3.2 基于信号分析与处理的齿轮故障诊断方法 8
    1.3.3 基于知识的齿轮故障诊断方法 11
    1.3.4 基于感知行为的齿轮故障诊断方法 15
    1.4 小结 15
    参考文献 15
    第2章 齿轮故障信号的特征提取与选择 20
    2.1 齿轮运行状态信号载体 20
    2.1.1 振动信号 20
    2.1.2 润滑油中颗粒信号 22
    2.1.3 声发射信号 23
    2.1.4 电流信号 24
    2.1.5 温度信号 24
    2.2 故障信号特征提取方法 25
    2.2.1 信号的时域分析方法 25
    2.2.2 信号的频域分析方法 30
    2.2.3 信号的时频分析方法 35
    2.3 齿轮故障信号的特征选择 41
    2.3.1 特征选择概述 42
    2.3.2 过滤式特征选择 44
    2.3.3 封装式特征选择 45
    2.3.4 嵌入式特征选择 48
    2.4 小结 48
    参考文献 48
    第3章 基于广义同步挤压变换的齿轮故障识别 53
    3.1 广义同步挤压变换原理 53
    3.1.1 同步挤压变换 54
    3.1.2 广义同步挤压变换 55
    3.2 广义同步挤压变换在齿轮故障中的应用 56
    3.2.1 基于广义同步挤压变换信号分析的齿轮箱故障诊断原理 56
    3.2.2 仿真案例一 57
    3.2.3 仿真案例二 64
    3.2.4 实验测试 68
    3.3 小结 73
    参考文献 74
    第4章 基于深度学习的齿轮箱故障识别 75
    4.1 深度学习概述 75
    4.1.1 浅层学习 75
    4.1.2 深度学习基本思想 76
    4.1.3 深度学习与神经网络 77
    4.1.4 深度学习训练机制 77
    4.1.5 深度学习的应用 78
    4.2 深度学习的经典模型 79
    4.2.1 自动编码器 79
    4.2.2 稀疏自动编码器 82
    4.2.3 受限玻尔兹曼机 83
    4.2.4 深度信念网络 90
    4.2.5 深度玻尔兹曼机 91
    4.2.6 卷积神经网络 93
    4.3 经典深度学习模型在齿轮箱故障识别中的应用 99
    4.3.1 振动信号特征提取 100
    4.3.2 实验平台 102
    4.3.3 卷积神经网络实验评估 105
    4.3.4 DBN、DBM、RBM和SAE实验评估 108
    4.4 多模态深度支持向量机及其在齿轮箱故障诊断中的应用 116
    4.4.1 高斯-伯努利深度玻尔兹曼机 117
    4.4.2 基于多模态同源特征的高斯-伯努利深度玻尔兹曼机分类 118
    4.4.3 支持向量机多模态融合 119
    4.4.4 振动信号的多模态特征 121
    4.4.5 齿轮箱故障诊断中的应用 123
    4.4.6 实验评估 124
    4.5 小结 127
    参考文献 128
    第5章 基于润滑油中磨损颗粒的齿轮箱故障诊断 132
    5.1 油液中磨损颗粒信号中振动引发的干扰 132
    5.2 颗粒信号中振动信号的分离和应用 133
    5.2.1 基于积分变换的油中颗粒信号增强 134
    5.2.2 基于小波变换的降噪和信号分离 136
    5.2.3 积分和小波联合变换过程 137
    5.2.4 振动信号灵敏度的比较实验 138
    5.2.5 振动监控测试 145
    5.3 基于积分增强经验模式分解和互相关重构的油中颗粒特征提取 147
    5.3.1 经验模态分解 148
    5.3.2 基于EMD和高通滤波器的趋势项去除 149
    5.3.3 基于最大相关系数的信号重构 151
    5.3.4 实验分析 155
    5.4 基于最优分解小波变换的ODM信号增强方法 162
    5.4.1 最优分解小波变换方法 162
    5.4.2 实验测试 168
    5.5 小结 174
    参考文献 174
帮助中心
公司简介
联系我们
常见问题
新手上路
发票制度
积分说明
购物指南
配送方式
配送时间及费用
配送查询说明
配送范围
快递查询
售后服务
退换货说明
退换货流程
投诉或建议
版权声明
经营资质
营业执照
出版社经营许可证

中国科技出版传媒股份有限公司　版权所有

　

京ICP备14028887号-5　 京ICP证150976号 京公网安备 11010102004214号

北京东黄城根北街16号 邮编：100717 Email:webmaster@mail.sciencep.com