目錄
前言
第1章 緒論 1
1.1 研究背景及意義 1
1.2 國內(nèi)外研究現(xiàn)狀 3
1.2.1 基于機器學習的智能故障診斷方法研究現(xiàn)狀 5
1.2.2 基于深度學習的智能故障診斷方法研究現(xiàn)狀 13
1.2.3 基于圖神經(jīng)網(wǎng)絡的智能故障診斷方法研究現(xiàn)狀 19
1.3 目前研究存在的主要問題 24
第2章 基于分數(shù)階變分模態(tài)分解的振動信號降噪算法26
2.1 引言 26
2.2 變分模態(tài)分解基本原理及局限性分析 26
2.2.1 變分模態(tài)分解基本原理.26
2.2.2 變分模態(tài)分解的局限性分析 28
2.3 分數(shù)階變分模態(tài)分解基本原理及主要性質(zhì) 28
2.3.1 分數(shù)階變分模態(tài)分解基本原理 28
2.3.2 分數(shù)階變分模態(tài)分解的主要性質(zhì) 34
2.4 分數(shù)階變分模態(tài)分解算法在貨車輪對軸承振動信號中的應用 48
2.4.1 實驗平臺簡介 48
2.4.2 在含內(nèi)圈故障的貨車輪對軸承振動信號中的應用 50
2.4.3 在含外圈故障的貨車輪對軸承振動信號中的應用 54
2.5 本章小結(jié) 56
第3章 勻變轉(zhuǎn)速工況下的瞬時故障特征提取 58
3.1 引言 58
3.2 同步壓縮變換基本原理及局限性分析 58
3.2.1 同步壓縮變換基本原理.58
3.2.2 同步壓縮變換局限性分析 61
3.3 基于分數(shù)階同步壓縮變換的輪對軸承瞬時故障特征提取 62
3.3.1 分數(shù)階同步壓縮變換基本原理 62
3.3.2 分數(shù)階同步壓縮變換的優(yōu)勢 64
3.3.3 基于分數(shù)階同步壓縮變換的輪對軸承瞬時故障特征提取 67
3.4 仿真及實驗驗證 69
3.4.1 仿真信號驗證 69
3.4.2 實測信號驗證 75
3.5 本章小結(jié) 79
第4章 轉(zhuǎn)速波動工況下的瞬時故障特征提取 81
4.1 引言 81
4.2 基于自適應窗長分數(shù)階同步壓縮變換的輪對軸承瞬時故障特征提取 82
4.2.1 自適應窗長分數(shù)階同步壓縮變換基本原理 82
4.2.2 最優(yōu)時變窗長估計 83
4.3 仿真及實驗驗證 85
4.3.1 仿真信號驗證 85
4.3.2 實測信號驗證 89
4.4 本章小結(jié) 94
第5章 基于時間序列遞歸特性的故障特征提取 95
5.1 引言 95
5.2 高速列車輪對軸承故障特征提取方法 96
5.2.1 振動信號遞歸圖構(gòu)建方法 96
5.2.2 多核高斯函數(shù)對稱圖注意力機制 99
5.2.3 面向圖注意機制的節(jié)點平均標準化層 101
5.2.4 遞歸多頭圖注意力殘差網(wǎng)絡 103
5.3 特征提取與診斷效果實驗驗證與分析 105
5.3.1 高速列車輪對軸承數(shù)據(jù)集描述 105
5.3.2 模型穩(wěn)定性分析 107
5.3.3 模型參數(shù)選擇 109
5.3.4 對比實驗與分析 110
5.3.5 模型的噪聲魯棒性實驗 113
5.3.6 消融研究 116
5.4 本章小結(jié) 117
第6章 振動信號的數(shù)據(jù)增強與修復 119
6.1 引言 119
6.2 生成對抗網(wǎng)絡基本原理 119
6.2.1 經(jīng)典生成對抗網(wǎng)絡 120
6.2.2 輔助分類器生成對抗網(wǎng)絡.121
6.3 基于圖轉(zhuǎn)速分類器生成對抗網(wǎng)絡的數(shù)據(jù)增強與數(shù)據(jù)修復 122
6.3.1 模型結(jié)構(gòu) 122
6.3.2 訓練及優(yōu)化過程 124
6.3.3 基于預訓練生成器的樣本修復方法 126
6.4 數(shù)據(jù)增強與數(shù)據(jù)修復實驗驗證及分析 128
6.4.1 高速列車輪對軸承實驗數(shù)據(jù)集 128
6.4.2 輪對軸承多轉(zhuǎn)速故障樣本生成與故障診斷 129
6.4.3 樣本修復質(zhì)量對比與評估 135
6.5 本章小結(jié) 139
第7章 基于數(shù)據(jù)融合的轉(zhuǎn)速自適應特征提取.140
7.1 引言 140
7.2 振動–轉(zhuǎn)速數(shù)據(jù)融合理論 141
7.2.1 振動–轉(zhuǎn)速數(shù)據(jù)特征編碼與特征提取 141
7.2.2 振動–轉(zhuǎn)速數(shù)據(jù)融合與自注意力機制 144
7.3 面向融合特征的遞歸圖構(gòu)造方法 148
7.4 轉(zhuǎn)速自適應圖注意力網(wǎng)絡 149
7.5 多轉(zhuǎn)速工況故障診斷實驗驗證與分析 152
7.5.1 多轉(zhuǎn)速數(shù)據(jù)集獲取 152
7.5.2 模型訓練過程分析 153
7.5.3 對比實驗與分析 154
7.5.4 不同噪聲下的魯棒性測試 155
7.5.5 轉(zhuǎn)速自適應能力分析 157
7.5.6 消融實驗 160
7.6 本章小結(jié) 161
第8章 多源域下的故障遷移診斷 162
8.1 引言 162
8.2 非共有類別遷移學習的問題描述 163
8.3 多通道非共有類別樣本圖注意力遷移學習網(wǎng)絡 164
8.3.1 子通道遷移模型 164
8.3.2 多通道知識融合策略 167
8.3.3 模型整體訓練流程 169
8.4 多種遷移情形的實驗案例研究與分析 171
8.4.1 案例1：不同工況遷移 171
8.4.2 案例2：不同軸承遷移 177
8.5 本章小結(jié) 182
參考文獻 183