液压气动系统状态监测与故障诊断技术 _生活百科

液压气动系统状态监测与故障诊断技术【液压气动系统状态监测与故障诊断技术】《液压气动系统状态监测与故障诊断技术》是2017年化学工业出版社出版的图书，作者：姜万录、刘思远。
基本信息作者：姜万录、刘思远编着丛书名：先进液压气动技术丛书出版日期：2017年1月书号：978-7-122-27573-8开本：16K　787×1092　1/16装帧：平版次：1版1次页数：306页内容简介本书系统地阐述了近年来液压气动系统故障诊断领域新发展的各种理论方法,并通过液压系统的故障诊断实验进行了有效的验证。分析了液压气动系统常见故障产生的机理,介绍了相关的工程套用实例,并总结了行之有效的故障排除方法,为机械设备健康状态评估提供了新的思路。全书理论联繫工程实际,各章内容均为作者长期从事液压设备状态监测与故障诊断研究工作的成果。适用于从事设备状态监测和故障诊断工作的工程技术人员阅读,也可供高等学校相关专业师生参考。目录结构第1 章　绪论 11.1 液压系统故障诊断技术的发展简史 11.2 液压系统故障诊断技术的发展趋势 31.3 液压系统故障检测与诊断新方法 41.3.1 小波理论方法 51.3.2 频谱细化方法 51.3.3 混沌分形理论方法 61.3.4 Lyapunov指数及关联维数方法 61.3.5 信息熵方法 71.3.6 贝叶斯网路方法 71.3.7 Hilbert-Huang变换方法 81.3.8 神经网路方法 81.3.9 多源信息融合方法 101.3.10 人工免疫方法 111.3.11 灰色系统方法 121.3.12 核主元分析方法 131.3.13 支持向量机方法 141.3.14 证据理论方法 151.4 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 192.1 气动系统使用中的常见故障 192.1.1 气源质量不良 192.1.2 气动元件故障 202.2 气动系统常见故障的排除 212.2.1 气源质量不良故障的排除方法 212.2.2 气缸故障的排除方法 232.2.3 气动控制阀故障的排除方法 252.2.4 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套用实例 283.1 气动系统故障的基本特徵及常用的诊断方法 283.1.1 气动系统故障的基本特徵 283.1.2 气动系统常用的诊断方法 283.2 气动系统故障诊断的基本原理及后处理 293.2.1 故障诊断的基本原理 293.2.2 故障诊断的后处理 313.3 气动系统的故障诊断技术方法 313.3.1 基于CBM 的气动系统故障诊断技术 313.3.2 基于故障树的气动系统故障诊断技术 353.4 气动系统故障诊断技术的工程套用实例 363.4.1 混凝土搅拌站气动系统故障的排除 363.4.2 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　液压泵多感测器状态监测系统 424.1 状态监测试验系统组成 424.2 轴向柱塞泵典型故障及故障特徵频率 434.2.1 轴向柱塞泵典型故障机理分析 434.2.2 轴向柱塞泵典型故障的特徵频率 444.3 振动感测器及其测点位置的选择 454.3.1 振动感测器的选型 454.3.2 振动感测器的安装方式 464.3.3 x 和y 方向测点位置的选取 474.4 声级计及其测点的选择 534.4.1 声级计的选型 534.4.2 声级计测点的确定 534.5 轴向柱塞泵状态监测系统 544.6 轴向柱塞泵的故障模拟 554.7 试验数据採集 564.7.1 信号採集的参数设定 564.7.2 故障模式下的试验数据採集 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徵提取 585.1 基于小波包滤波消噪及Hilbert包络解调的信号处理 585.1.1 小波包滤波消噪 585.1.2 Hilbert变换包络解调方法 605.1.3 基于小波包滤波消噪及包络解调的信号处理 625.2 信号的时域特徵提取 625.2.1 有量纲参量 625.2.2 无量纲参量 645.2.3 振动和声音信号的时域特徵提取 645.2.4 压力信号的时域特徵提取 675.3 信号的频域特徵提取 695.3.1 频域特徵参量 695.3.2 声音信号的频域特徵提取 705.3.3 压力信号的频域特徵提取 715.4 信号的时频域特徵提取 725.4.1 时频域特徵参量 725.4.2 信号的时频域特徵提取 735.5 信号的多信息域故障特徵向量构建 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套用 776.1 灰色理论及灰靶理论分析方法 776.1.1 灰色理论概述 776.1.2 灰色理论诊断方法 786.1.3 灰靶理论及灰靶贡献度 816.2 主分量分析及最大熵谱估计 836.2.1 信号的谱估计 836.2.2 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 876.3 基于灰靶理论的液压泵故障模式识别 886.3.1 液压泵故障诊断试验系统 886.3.2 基于灰靶理论的液压泵故障模式识别步骤 886.3.3 振动信号的预处理 906.3.4 故障振动信号功率谱分析及特徵提取 916.3.5 基于灰靶理论的故障等级评估 94本章参考文献 96第7 章　基于灰色神经网路的故障诊断方法 977.1 灰色神经网路 977.1.1 基于知识的故障诊断方法 977.1.2 灰色理论 987.1.3 神经网路 1007.1.4 灰色理论与神经网路的结合 1027.2 液压泵状态监测试验 1047.2.1 液压泵的状态监测 1047.2.2 监测数据的採集 1057.3 基于灰色神经网路方法的故障诊断 1077.3.1 信号处理 1087.3.2 特徵向量提取 1127.3.3 灰色神经网路故障诊断 115本章参考文献 118第8 章　基于混沌神经网路的故障诊断方法 1198.1 混沌神经网路的理论基础 1198.1.1 混沌及其特徵 1198.1.2 混沌的判据 1218.1.3 Logistic映射分析 1228.1.4 神经网路概述 1248.1.5 误差反向传播神经网路 1258.1.6 前向混沌神经网路及其学习算法 1278.2 液压泵振动信号的分析与处理 1318.2.1 短时最大熵谱分析 1318.2.2 小波包带通滤波和消噪 1328.2.3 Hilbert包络解调 1338.3 混沌神经网路在液压泵故障诊断中的套用 1358.3.1 基于前向混沌神经网路的故障诊断过程 1358.3.2 液压泵各状态振动信号的採集 1368.3.3 前向混沌神经网路的设计 1368.3.4 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路的故障诊断方法 1459.1 联想记忆神经网路 1459.1.1 离散Hopfield神经网路 1459.1.2 联想记忆 1499.1.3 联想记忆网路套用举例 1529.2 Hopfield网路的结构改进和学习算法 1549.2.1 反向传播网路 1549.2.2 联想记忆神经网路的结构改进 1579.2.3 粒子群最佳化算法 1589.2.4 PSO算法对Hopfield网路权值的最佳化 160 9.3 基于联想记忆神经网路的液压泵故障诊断 1619.3.1 振动信号的採集 1619.3.2 信号预处理及故障特徵提取 1629.3.3 联想记忆神经网路的参数设定 1649.3.4 基于联想记忆神经网路的液压泵故障识别 1689.3.5 基于联想记忆神经网路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 17510.1 人工免疫系统与免疫危险理论 17510.1.1 生物免疫系统 17510.1.2 人工免疫系统 17710.1.3 人工免疫系统的求解算法 17810.1.4 免疫危险理论 18010.2 液压泵各状态振动信号的採集与预处理 18210.2.1 振动信号的採集 18210.2.2 共振信号的解调 18310.2.3 液压泵故障状态特徵信息的提取 18810.3 免疫危险理论在特徵降维与故障诊断中的套用 19110.3.1 基于免疫危险理论的液压泵振动信号特徵选择算法 19110.3.2 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 20711.1 基于Hilbert-Huang变换的轴向柱塞泵振动信号分析 20711.1.1 Hilbert-Huang变换 20711.1.2 轴向柱塞泵状态信号的採集 21011.1.3 滑靴磨损故障振动信号分析 21111.1.4 松靴故障振动信号分析 21411.1.5 中心弹簧失效故障振动信号分析 21611.2 基于Hilbert-Huang变换的轴向柱塞泵压力信号分析 21911.2.1 正常状态压力信号分析 21911.2.2 滑靴磨损故障压力信号分析 22111.2.3 松靴故障压力信号分析 22411.2.4 中心弹簧失效故障压力信号分析 22611.3 基于HHT的故障特徵向量提取 22911.3.1 局部边际能量谱及特徵能量 22911.3.2 振动信号的特徵提取 22911.3.3 压力信号的特徵提取 23311.4 基于模糊C 均值聚类的模式识别 23611.4.1 模式识别和模糊聚类 23611.4.2 模糊C 均值聚类算法 23711.4.3 基于FCMC算法和振动信号的轴向柱塞泵故障识别 23811.4.4 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套用 243 12.1 信号在不同分析域中的信息熵特徵 24312.1.1 信息系统的分析模型 24312.1.2 信息熵的概念 24312.1.3 信息熵的性质 24412.1.4 振动信号时域信息熵特徵提取 24512.1.5 振动信号的频域信息熵特徵提取 24612.1.6 振动信号时频域信息熵特徵提取 24712.2 滑靴油膜理论 24812.2.1 滑靴的磨损形式 24912.2.2 油膜的热楔效应 24912.2.3 圆盘的油膜挤压效应 25012.2.4 静压支承油膜理论 25012.2.5 滑靴斜盘摩擦副受力分析 25312.2.6 滑靴偏磨 25512.3 液压泵健康状态评估的试验研究 25612.3.1 液压泵健康评估试验系统 25612.3.2 试验步骤 25712.3.3 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 26813.1 PCA的基本原理 26813.1.1 PCA模型 26813.1.2 统计量的确定 26913.2 KPCA的基本原理 27013.2.1 KPCA模型 27013.2.2 核函式的选取 27113.2.3 统计量的确定 27213.3 基于声音信号的KPCA故障诊断方法 27213.3.1 核主元模型的构建步骤 27213.3.2 线上检测的步骤 27213.4 试验研究 27313.4.1 声音信号分析 27313.4.2 声音信号的特徵向量提取 27413.4.3 基于声音信号的KPCA故障诊断方法的诊断结果 27713.4.4 基于声音信号的PCA故障诊断方法的诊断结果 27813.4.5 基于振动信号的KPCA故障诊断方法的诊断结果 27913.4.6 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 28114.1 指数加权动态自回归统计模型 28114.1.1 指数加权主元分析模型 28114.1.2 基于滑动时间视窗的数据更新 28114.1.3 指数加权核主元分析模型 28214.1.4 指数加权核主元分析模型的特点 28214.2 指数加权动态核主元分析法的建模与故障诊断 28314.2.1 第1个时间视窗的建模与故障诊断 28314.2.2 第1个时间视窗以后各视窗的建模与故障诊断 28314.3 试验研究 28514.3.1 振动信号分析 28514.3.2 振动信号的特徵向量提取 28614.3.3 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 29115.1 证据理论 29115.1.1 证据理论中的几个重要概念 29115.1.2 证据区间的描述 29215.1.3 信度函式的融合规则 29215.2 基于矩阵分析的融合算法 29315.2.1 置信度分配矩阵 29315.2.2 算法描述 29315.3 基本机率分配的确定方法 29415.3.1 基于BP神经网路确定基本机率分配 29415.3.2 基于SVM 确定基本机率分配 29515.4 基于证据理论的多源信息融合故障诊断方法 29715.4.1 故障特徵参量的提取 29715.4.2 故障诊断过程的实现 29815.5 试验研究 29815.5.1 信号处理 29915.5.2 基本机率分配的确定 30015.5.3 试验结果分析 303本章参考文献 305