幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

液壓軸向柱塞泵智能故障診斷理論與技術/製造業先進技術系列

  • 作者：湯勝楠//朱勇|責編:賀怡//張翠翠
  • 出版社：機械工業
  • ISBN：9787111716563
  • 出版日期：2023/01/01
  • 裝幀：平裝
  • 頁數：231
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書以液壓傳動系統的「動力心臟」——液壓軸向柱塞泵為研究對象，融合數據挖掘、深度學習等智能科學，將機械故障診斷問題轉化為時頻特徵圖像智能分類識別問題，重點探究了連續小波變換、同步壓縮小波變換、S變換、卷積神經網路、貝葉斯優化等基礎理論與關鍵技術，提出多種將時頻變換與改進卷積神經網路模型相融合的智能故障診斷方法。基於液壓軸向柱塞泵的振動、聲音、壓力等多源異構信號，系統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，提升液壓軸向柱塞泵的智能化和可靠性。
    本書是作者長期從事液壓元件及系統智能故障診斷研究工作的結晶，適合從事液壓元件及系統智能故障診斷工作的工程技術人員閱讀，也可作為高等學校相關專業研究生的參考書。
作者介紹
湯勝楠//朱勇|責編:賀怡//張翠翠
目錄
前言
第1章  緒論
  1.1  研究背景及意義
  1.2  國內外研究現狀及分析
    1.2.1  傳統故障診斷方法研究現狀
    1.2.2  現代智能故障診斷方法研究現狀
    1.2.3  泵類旋轉機械故障診斷方法研究現狀
  1.3  研究問題的提出
第2章  液壓軸向柱塞泵智能故障診斷方法構建
  2.1  引言
  2.2  軸向柱塞泵典型故障機理分析
    2.2.1  正常狀態
    2.2.2  松靴故障
    2.2.3  滑靴與斜盤磨損故障
    2.2.4  中心彈簧失效故障
  2.3  時頻分析方法
    2.3.1  連續小波變換(CWT)
    2.3.2  同步壓縮小波變換(SWT)
    2.3.3  S變換(ST)
  2.4  卷積神經網路(CNN)
    2.4.1  卷積神經網路的基本結構
    2.4.2  卷積神經網路的訓練流程
  2.5  貝葉斯優化演算法
  2.6  時頻分析與CNN相融合的智能故障診斷方法構建
    2.6.1  融合方法構建
    2.6.2  故障診斷流程
  2.7  本章小結
第3章  液壓軸向柱塞泵試驗數據採集及故障樣本構建
  3.1  引言
  3.2  試驗系統組成
    3.2.1  硬體系統組成
    3.2.2  數據採集系統組成
    3.2.3  故障元件設置
  3.3  試驗數據採集
    3.3.1  數據採集方案
    3.3.2  振動信號採集
    3.3.3  聲音信號採集
    3.3.4  壓力信號採集
  3.4  試驗數據時頻域變換
    3.4.1  振動信號時頻域變換
    3.4.2  聲音信號時頻域變換
    3.4.3  壓力信號時頻域變換
  3.5  故障樣本構建
    3.5.1  多源信號時頻特徵樣本庫構建
    3.5.2  故障樣本劃分及標籤配置
  3.6  本章小結
第4章  CWT與改進LeNet 5模型相融合的智能故障診斷方法
  4.1  引言
  4.2  LeNet 5卷積神經網路模型的改進
  4.3  振動信號CWT時頻特徵與改進LeNet 5模型相融合的診斷結果

    4.3.1  學習率對診斷結果的影響
    4.3.2  訓練輪次對診斷結果的影響
    4.3.3  批量尺寸對診斷結果的影響
    4.3.4  卷積核個數對診斷結果的影響
    4.3.5  卷積核尺寸對診斷結果的影響
    4.3.6  診斷模型訓練參數和結構參數的驗證
    4.3.7  診斷模型對比驗證
    4.3.8  基於貝葉斯優化演算法的診斷模型參數優化
  4.4  聲音信號CWT時頻特徵與改進LeNet 5模型相融合的診斷結果
    4.4.1  學習率對診斷結果的影響
    4.4.2  訓練輪次對診斷結果的影響
    4.4.3  批量尺寸對診斷結果的影響
    4.4.4  卷積核個數對診斷結果的影響
    4.4.5  卷積核尺寸對診斷結果的影響
    4.4.6  診斷模型訓練參數和結構參數的驗證
    4.4.7  診斷模型對比驗證
    4.4.8  基於貝葉斯優化演算法的診斷模型參數優化
  4.5  壓力信號CWT時頻特徵與改進LeNet 5模型相融合的診斷結果
    4.5.1  學習率對診斷結果的影響
    4.5.2  訓練輪次對診斷結果的影響
    4.5.3  批量尺寸對診斷結果的影響
    4.5.4  卷積核個數對診斷結果的影響
    4.5.5  卷積核尺寸對診斷結果的影響
    4.5.6  診斷模型訓練參數和結構參數的驗證
    4.5.7  診斷模型對比驗證
    4.5.8  基於貝葉斯優化演算法的診斷模型參數優化
  4.6  本章小結
第5章  CWT與改進AlexNet模型相融合的智能故障診斷方法
  5.1  引言
  5.2  AlexNet卷積神經網路模型的改進
  5.3  振動信號CWT時頻特徵與改進AlexNet模型相融合的診斷結果
    5.3.1  學習率對診斷結果的影響
    5.3.2  訓練輪次對診斷結果的影響
    5.3.3  Dropout比率對診斷結果的影響
    5.3.4  批量尺寸對診斷結果的影響
    5.3.5  卷積核個數對診斷結果的影響
    5.3.6  卷積核尺寸對診斷結果的影響
    5.3.7  診斷模型訓練參數和結構參數的驗證
    5.3.8  診斷模型對比驗證
    5.3.9  基於貝葉斯優化演算法的診斷模型參數優化
  5.4  聲音信號CWT時頻特徵與改進AlexNet模型相融合的診斷結果
    5.4.1  學習率對診斷結果的影響
    5.4.2  訓練輪次對診斷結果的影響
    5.4.3  Dropout比率對診斷結果的影響
    5.4.4  批量尺寸對診斷結果的影響
    5.4.5  卷積核個數對診斷結果的影響
    5.4.6  卷積核尺寸對診斷結果的影響
    5.4.7  診斷模型訓練參數和結構參數的驗證
    5.4.8  診斷模型對比驗證
    5.4.9  基於貝葉斯優化演算法的診斷模型參數優化

  5.5  壓力信號CWT時頻特徵與改進AlexNet模型相融合的診斷結果
    5.5.1  學習率對診斷結果的影響
    5.5.2  訓練輪次對診斷結果的影響
    5.5.3  Dropout比率對診斷結果的影響
    5.5.4  批量尺寸對診斷結果的影響
    5.5.5  卷積核個數對診斷結果的影響
    5.5.6  卷積核尺寸對診斷結果的影響
    5.5.7  診斷模型訓練參數和結構參數的驗證
    5.5.8  診斷模型對比驗證
    5.5.9  基於貝葉斯優化演算法的診斷模型參數優化
  5.6  本章小結
第6章  SWT與改進LeNet 5模型相融合的智能故障診斷方法
  6.1  引言
  6.2  振動信號SWT時頻特徵與改進LeNet 5模型相融合的診斷結果
    6.2.1  基於貝葉斯優化演算法的診斷模型參數優化
    6.2.2  融合方法對比驗證
  6.3  聲音信號SWT時頻特徵與改進LeNet 5模型相融合的診斷結果
    6.3.1  基於貝葉斯優化演算法的診斷模型參數優化
    6.3.2  融合方法對比驗證
  6.4  壓力信號SWT時頻特徵與改進LeNet 5模型相融合的診斷結果
    6.4.1  基於貝葉斯優化演算法的診斷模型參數優化
    6.4.2  融合方法對比驗證
  6.5  本章小結
第7章  SWT與改進AlexNet模型相融合的智能故障診斷方法
  7.1  引言
  7.2  振動信號SWT時頻特徵與改進AlexNet模型相融合的診斷結果
    7.2.1  基於貝葉斯優化演算法的診斷模型參數優化
    7.2.2  融合方法對比驗證
  7.3  聲音信號SWT時頻特徵與改進AlexNet模型相融合的診斷結果
    7.3.1  基於貝葉斯優化演算法的診斷模型參數優化
    7.3.2  融合方法對比驗證
  7.4  壓力信號SWT時頻特徵與改進AlexNet模型相融合的診斷結果
    7.4.1  基於貝葉斯優化演算法的診斷模型參數優化
    7.4.2  融合方法對比驗證
  7.5  本章小結
第8章  時頻變換與歸一化CNN模型相融合的智能故障診斷方法
  8.1  引言
  8.2  歸一化CNN模型的構建
  8.3  振動信號時頻特徵與歸一化CNN模型相融合的故障診斷方法
    8.3.1  振動信號CWT時頻特徵與歸一化CNN模型相融合的診斷結果
    8.3.2  振動信號SWT時頻特徵與歸一化CNN模型相融合的診斷結果
    8.3.3  振動信號ST時頻特徵與歸一化CNN模型相融合的診斷結果
    8.3.4  不同融合方法診斷結果的比較
  8.4  聲音信號時頻特徵與歸一化CNN模型相融合的故障診斷方法
    8.4.1  聲音信號CWT時頻特徵與歸一化CNN模型相融合的診斷結果
    8.4.2  聲音信號SWT時頻特徵與歸一化CNN模型相融合的診斷結果
    8.4.3  聲音信號ST時頻特徵與歸一化CNN模型相融合的診斷結果
    8.4.4  不同融合方法診斷結果的比較
  8.5  壓力信號時頻特徵與歸一化CNN模型相融合的故障診斷方法
    8.5.1  壓力信號CWT時頻特徵與歸一化CNN模型相融合的診斷結果

    8.5.2  壓力信號SWT時頻特徵與歸一化CNN模型相融合的診斷結果
    8.5.3  壓力信號ST時頻特徵與歸一化CNN模型相融合的診斷結果
    8.5.4  不同融合方法診斷結果的比較
  8.6  本章小結
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032