本書結(jié)合作者團隊在高端裝備智能運維領(lǐng)域積累多年的研究成果與**研究進展，以工程中常見的關(guān)鍵基礎(chǔ)部件滾動軸承為研究對象，重點介紹滾動軸承動力學建模、性能退化程度評估和壽命預測方法，內(nèi)容兼顧基礎(chǔ)性、學術(shù)性和實用性，具有較強的可讀性。
更多科學出版社服務(wù)，請掃碼獲取。
目錄
前言
第1章 緒論 1
1.1 軸承動力學模型 1
1.2 性能退化程度評估 3
1.3 壽命預測 5
1.3.1 性能退化指標 5
1.3.2 壽命預測方法 7
參考文獻 13
第2章 軸承動力學模型及響應(yīng) 22
2.1 軸承基本動力學模型 22
2.2 故障軸承動力學模型 24
2.3 軸承性能退化模型 29
2.3.1 健康階段動力學模型 30
2.3.2 缺陷萌生階段動力學模型 34
2.3.3 缺陷擴展階段動力學模型 34
2.3.4 故障形成與失效階段動力學模型 36
2.4 軸承動力學響應(yīng) 37
2.4.1 仿真信號分析 37
2.4.2 實驗信號分析 40
參考文獻 42
第3章 軸承性能退化程度評估方法 44
3.1 基于階躍-沖擊匹配追蹤的性能評估 44
3.1.1 階躍-沖擊字典的構(gòu)造 44
3.1.2 階躍-沖擊字典匹配追蹤算法 49
3.1.3 仿真及實驗驗證 50
3.2 基于級聯(lián)字典匹配追蹤的性能評估 52
3.2.1 級聯(lián)字典的構(gòu)造 53
3.2.2 級聯(lián)字典匹配追蹤算法 54
3.2.3 仿真及實驗驗證 55
3.3 基于數(shù)字孿生匹配的性能評估 60
3.3.1 雙沖擊定量評估原理 60
3.3.2 數(shù)字孿生匹配定量評估算法 64
3.3.3 仿真及實驗驗證 66
參考文獻 80
第4章 基于相似性優(yōu)化匹配的壽命預測方法 81
4.1 相似性理論 81
4.2 相似性優(yōu)化匹配方法 82
4.3 仿真及實驗驗證 84
4.3.1 仿真驗證 84
4.3.2 實驗驗證 89
參考文獻 91
第5章 基于時變卡爾曼濾波的預測方法 92
5.1 時變卡爾曼濾波算法 92
5.2 時變卡爾曼濾波器模型 95
5.2.1 基于一次函數(shù)模型的卡爾曼濾波器 95
5.2.2 基于二次函數(shù)模型的卡爾曼濾波器 96
5.2.3 時移窗濾波相對誤差因子 97
5.3 實驗驗證 98
參考文獻 102
第6章 基于粒子濾波的預測方法 103
6.1 時變粒子濾波壽命預測算法 103
6.1.1 粒子濾波算法原理 103
6.1.2 時變粒子濾波預測模型 105
6.1.3 實驗驗證 111
6.2 雙流無跡粒子濾波壽命預測算法 117
6.2.1 無跡粒子濾波算法原理 118
6.2.2 雙流無跡粒子濾波預測模型 119
6.2.3 實驗驗證 122
參考文獻 126
第7章 基于稀疏圖學習的預測方法 128
7.1 性能退化特征提取及模型 128
7.1.1 圖像紋理特征提取 128
7.1.2 性能退化字典構(gòu)建 140
7.2 自適應(yīng)稀疏圖學習方法 142
7.3 仿真及實驗驗證 148
7.3.1 仿真驗證 148
7.3.2 實驗驗證 151
參考文獻 157
第8章 基于機理-數(shù)據(jù)協(xié)同驅(qū)動雙路徑深度學習預測方法 159
8.1 退化模型與預測網(wǎng)絡(luò) 159
8.1.1 性能退化模型構(gòu)建 159
8.1.2 LSTM網(wǎng)絡(luò)訓練 160
8.2 深度學習壽命預測方法 167
8.3 實驗驗證 168
8.3.1 實驗驗證一 168
8.3.2 實驗驗證二 170
參考文獻 174
書單推薦
