液壓軸向柱塞泵智能故障診斷理論與技術(shù)

定　價(jià)：￥99.00

作　者：	湯勝楠，朱勇著
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：	制造業(yè)先進(jìn)技術(shù)系列
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787111716563	出版時(shí)間：	2023-02-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	231	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)以液壓傳動(dòng)系統(tǒng)的“動(dòng)力心臟”——液壓軸向柱塞泵為研究對(duì)象，融合數(shù)據(jù)挖掘、深度學(xué)習(xí)等智能科學(xué)，將機(jī)械故障診斷問(wèn)題轉(zhuǎn)化為時(shí)頻特征圖像智能分類(lèi)識(shí)別問(wèn)題，重點(diǎn)探究了連續(xù)小波變換、同步壓縮小波變換、S變換、卷積神經(jīng)網(wǎng)絡(luò)、貝葉斯優(yōu)化等基礎(chǔ)理論與關(guān)鍵技術(shù)，提出多種將時(shí)頻變換與改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型相融合的智能故障診斷方法。基于液壓軸向柱塞泵的振動(dòng)、聲音、壓力等多源異構(gòu)信號(hào)，系統(tǒng)研究和分析了不同融合方法的診斷精度、魯棒性及泛化能力，旨在為液壓軸向柱塞泵的智能故障診斷與健康管理提供理論依據(jù)，提升液壓軸向柱塞泵的智能化和可靠性。本書(shū)是作者長(zhǎng)期從事液壓元件及系統(tǒng)智能故障診斷研究工作的結(jié)晶，適合從事液壓元件及系統(tǒng)智能故障診斷工作的工程技術(shù)人員閱讀，也可作為高等學(xué)校相關(guān)專(zhuān)業(yè)研究生的參考書(shū)。

作者簡(jiǎn)介

暫缺《液壓軸向柱塞泵智能故障診斷理論與技術(shù)》作者簡(jiǎn)介

圖書(shū)目錄

前言
第1章緒論1
1.1研究背景及意義1
1.2國(guó)內(nèi)外研究現(xiàn)狀及分析3
1.2.1傳統(tǒng)故障診斷方法研究現(xiàn)狀3
1.2.2現(xiàn)代智能故障診斷方法研究現(xiàn)狀4
1.2.3泵類(lèi)旋轉(zhuǎn)機(jī)械故障診斷方法研究現(xiàn)狀7
1.3研究問(wèn)題的提出10
第2章液壓軸向柱塞泵智能故障診斷方法構(gòu)建11
2.1引言11
2.2軸向柱塞泵典型故障機(jī)理分析11
2.2.1正常狀態(tài)11
2.2.2松靴故障11
2.2.3滑靴與斜盤(pán)磨損故障12
2.2.4中心彈簧失效故障12
2.3時(shí)頻分析方法12
2.3.1連續(xù)小波變換(CWT)12
2.3.2同步壓縮小波變換(SWT)13
2.3.3S變換(ST)14
2.4卷積神經(jīng)網(wǎng)絡(luò)(CNN)15
2.4.1卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)15
2.4.2卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練流程17
2.5貝葉斯優(yōu)化算法20
2.6時(shí)頻分析與CNN相融合的智能故障診斷方法構(gòu)建21
2.6.1融合方法構(gòu)建21
2.6.2故障診斷流程22
2.7本章小結(jié)24
第3章液壓軸向柱塞泵試驗(yàn)數(shù)據(jù)采集及故障樣本構(gòu)建25
3.1引言25
3.2試驗(yàn)系統(tǒng)組成25
3.2.1硬件系統(tǒng)組成25
3.2.2數(shù)據(jù)采集系統(tǒng)組成26
3.2.3故障元件設(shè)置27
3.3試驗(yàn)數(shù)據(jù)采集29
3.3.1數(shù)據(jù)采集方案29
3.3.2振動(dòng)信號(hào)采集30
3.3.3聲音信號(hào)采集30
3.3.4壓力信號(hào)采集31
3.4試驗(yàn)數(shù)據(jù)時(shí)頻域變換33
3.4.1振動(dòng)信號(hào)時(shí)頻域變換33
3.4.2聲音信號(hào)時(shí)頻域變換35
3.4.3壓力信號(hào)時(shí)頻域變換37
3.5故障樣本構(gòu)建39
3.5.1多源信號(hào)時(shí)頻特征樣本庫(kù)構(gòu)建39
3.5.2故障樣本劃分及標(biāo)簽配置43
3.6本章小結(jié)44
目錄第4章CWT與改進(jìn)LeNet 5模型相融合的智能故障診斷方法45
4.1引言45
4.2LeNet 5卷積神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)45
4.3振動(dòng)信號(hào)CWT時(shí)頻特征與改進(jìn)LeNet 5模型相融合的診斷
結(jié)果46
4.3.1學(xué)習(xí)率對(duì)診斷結(jié)果的影響46
4.3.2訓(xùn)練輪次對(duì)診斷結(jié)果的影響49
4.3.3批量尺寸對(duì)診斷結(jié)果的影響50
4.3.4卷積核個(gè)數(shù)對(duì)診斷結(jié)果的影響52
4.3.5卷積核尺寸對(duì)診斷結(jié)果的影響53
4.3.6診斷模型訓(xùn)練參數(shù)和結(jié)構(gòu)參數(shù)的驗(yàn)證54
4.3.7診斷模型對(duì)比驗(yàn)證57
4.3.8基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化59
4.4聲音信號(hào)CWT時(shí)頻特征與改進(jìn)LeNet 5模型相融合的診斷
結(jié)果63
4.4.1學(xué)習(xí)率對(duì)診斷結(jié)果的影響63
4.4.2訓(xùn)練輪次對(duì)診斷結(jié)果的影響66
4.4.3批量尺寸對(duì)診斷結(jié)果的影響67
4.4.4卷積核個(gè)數(shù)對(duì)診斷結(jié)果的影響68
4.4.5卷積核尺寸對(duì)診斷結(jié)果的影響70
4.4.6診斷模型訓(xùn)練參數(shù)和結(jié)構(gòu)參數(shù)的驗(yàn)證70
4.4.7診斷模型對(duì)比驗(yàn)證72
4.4.8基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化74
4.5壓力信號(hào)CWT時(shí)頻特征與改進(jìn)LeNet 5模型相融合的診斷
結(jié)果78
4.5.1學(xué)習(xí)率對(duì)診斷結(jié)果的影響78
4.5.2訓(xùn)練輪次對(duì)診斷結(jié)果的影響81
4.5.3批量尺寸對(duì)診斷結(jié)果的影響81
4.5.4卷積核個(gè)數(shù)對(duì)診斷結(jié)果的影響83
4.5.5卷積核尺寸對(duì)診斷結(jié)果的影響84
4.5.6診斷模型訓(xùn)練參數(shù)和結(jié)構(gòu)參數(shù)的驗(yàn)證84
4.5.7診斷模型對(duì)比驗(yàn)證87
4.5.8基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化89
4.6本章小結(jié)93
第5章CWT與改進(jìn)AlexNet模型相融合的智能故障診斷方法95
5.1引言95
5.2AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)95
5.3振動(dòng)信號(hào)CWT時(shí)頻特征與改進(jìn)AlexNet模型相融合的診斷
結(jié)果96
5.3.1學(xué)習(xí)率對(duì)診斷結(jié)果的影響96
5.3.2訓(xùn)練輪次對(duì)診斷結(jié)果的影響99
5.3.3Dropout比率對(duì)診斷結(jié)果的影響99
5.3.4批量尺寸對(duì)診斷結(jié)果的影響101
5.3.5卷積核個(gè)數(shù)對(duì)診斷結(jié)果的影響102
5.3.6卷積核尺寸對(duì)診斷結(jié)果的影響104
5.3.7診斷模型訓(xùn)練參數(shù)和結(jié)構(gòu)參數(shù)的驗(yàn)證105
5.3.8診斷模型對(duì)比驗(yàn)證108
5.3.9基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化111
5.4聲音信號(hào)CWT時(shí)頻特征與改進(jìn)AlexNet模型相融合的診斷
結(jié)果116
5.4.1學(xué)習(xí)率對(duì)診斷結(jié)果的影響116
5.4.2訓(xùn)練輪次對(duì)診斷結(jié)果的影響118
5.4.3Dropout比率對(duì)診斷結(jié)果的影響119
5.4.4批量尺寸對(duì)診斷結(jié)果的影響120
5.4.5卷積核個(gè)數(shù)對(duì)診斷結(jié)果的影響122
5.4.6卷積核尺寸對(duì)診斷結(jié)果的影響123
5.4.7診斷模型訓(xùn)練參數(shù)和結(jié)構(gòu)參數(shù)的驗(yàn)證123
5.4.8診斷模型對(duì)比驗(yàn)證126
5.4.9基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化130
5.5壓力信號(hào)CWT時(shí)頻特征與改進(jìn)AlexNet模型相融合的診斷
結(jié)果134
5.5.1學(xué)習(xí)率對(duì)診斷結(jié)果的影響134
5.5.2訓(xùn)練輪次對(duì)診斷結(jié)果的影響136
5.5.3Dropout比率對(duì)診斷結(jié)果的影響137
5.5.4批量尺寸對(duì)診斷結(jié)果的影響138
5.5.5卷積核個(gè)數(shù)對(duì)診斷結(jié)果的影響140
5.5.6卷積核尺寸對(duì)診斷結(jié)果的影響142
5.5.7診斷模型訓(xùn)練參數(shù)和結(jié)構(gòu)參數(shù)的驗(yàn)證142
5.5.8診斷模型對(duì)比驗(yàn)證145
5.5.9基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化148
5.6本章小結(jié)153
第6章SWT與改進(jìn)LeNet 5模型相融合的智能故障診斷
方法1546.1引言154
6.2振動(dòng)信號(hào)SWT時(shí)頻特征與改進(jìn)LeNet 5模型相融合的診斷
結(jié)果154
6.2.1基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化154
6.2.2融合方法對(duì)比驗(yàn)證157
6.3聲音信號(hào)SWT時(shí)頻特征與改進(jìn)LeNet 5模型相融合的診斷
結(jié)果158
6.3.1基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化158
6.3.2融合方法對(duì)比驗(yàn)證161
6.4壓力信號(hào)SWT時(shí)頻特征與改進(jìn)LeNet 5模型相融合的診斷
結(jié)果162
6.4.1基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化162
6.4.2融合方法對(duì)比驗(yàn)證165
6.5本章小結(jié)166
第7章SWT與改進(jìn)AlexNet模型相融合的智能故障診斷方法168
7.1引言168
7.2振動(dòng)信號(hào)SWT時(shí)