新書推薦：
《
人工智能与大数据：采煤机智能制造
》
售價：NT$
440.0
《
新民说·逝去的盛景：宋朝商业文明的兴盛与落幕（上下册）
》
售價：NT$
790.0
《
我从何来：自我的心理学探问
》
售價：NT$
545.0
《
失败：1891—1900 清王朝的变革、战争与排外
》
售價：NT$
390.0
《
万千心理·我的精神分析之道：复杂的俄狄浦斯及其他议题
》
售價：NT$
475.0
《
荷马：伊利亚特（英文）-西方人文经典影印21
》
售價：NT$
490.0
《
我的心理医生是只猫
》
售價：NT$
225.0
《
股权控制战略：如何实现公司控制和有效激励（第2版）
》
售價：NT$
449.0
|
| 內容簡介： |
|
本书以液压传动系统的“动力心脏”——液压轴向柱塞泵为研究对象，融合数据挖掘、深度学习等智能科学，将机械故障诊断问题转化为时频特征图像智能分类识别问题，重点探究了连续小波变换、同步压缩小波变换、S变换、卷积神经网络、贝叶斯优化等基础理论与关键技术，提出多种将时频变换与改进卷积神经网络模型相融合的智能故障诊断方法。基于液压轴向柱塞泵的振动、声音、压力等多源异构信号，系统研究和分析了不同融合方法的诊断精度、鲁棒性及泛化能力，旨在为液压轴向柱塞泵的智能故障诊断与健康管理提供理论依据，提升液压轴向柱塞泵的智能化和可靠性。本书是作者长期从事液压元件及系统智能故障诊断研究工作的结晶，适合从事液压元件及系统智能故障诊断工作的工程技术人员阅读，也可作为高等学校相关专业研究生的参考书。
|
| 目錄：
|
|
前言第1章绪论11.1研究背景及意义11.2国内外研究现状及分析31.2.1传统故障诊断方法研究现状31.2.2现代智能故障诊断方法研究现状41.2.3泵类旋转机械故障诊断方法研究现状71.3研究问题的提出10第2章液压轴向柱塞泵智能故障诊断方法构建112.1引言112.2轴向柱塞泵典型故障机理分析112.2.1正常状态112.2.2松靴故障112.2.3滑靴与斜盘磨损故障122.2.4中心弹簧失效故障122.3时频分析方法122.3.1连续小波变换(CWT)122.3.2同步压缩小波变换(SWT)132.3.3S变换(ST)142.4卷积神经网络(CNN)152.4.1卷积神经网络的基本结构152.4.2卷积神经网络的训练流程172.5贝叶斯优化算法202.6时频分析与CNN相融合的智能故障诊断方法构建212.6.1融合方法构建212.6.2故障诊断流程222.7本章小结24第3章液压轴向柱塞泵试验数据采集及故障样本构建253.1引言253.2试验系统组成253.2.1硬件系统组成253.2.2数据采集系统组成263.2.3故障元件设置273.3试验数据采集293.3.1数据采集方案293.3.2振动信号采集303.3.3声音信号采集303.3.4压力信号采集313.4试验数据时频域变换333.4.1振动信号时频域变换333.4.2声音信号时频域变换353.4.3压力信号时频域变换373.5故障样本构建393.5.1多源信号时频特征样本库构建393.5.2故障样本划分及标签配置433.6本章小结44目录第4章CWT与改进LeNet 5模型相融合的智能故障诊断方法454.1引言454.2LeNet 5卷积神经网络模型的改进454.3振动信号CWT时频特征与改进LeNet 5模型相融合的诊断结果464.3.1学习率对诊断结果的影响464.3.2训练轮次对诊断结果的影响494.3.3批量尺寸对诊断结果的影响504.3.4卷积核个数对诊断结果的影响524.3.5卷积核尺寸对诊断结果的影响534.3.6诊断模型训练参数和结构参数的验证544.3.7诊断模型对比验证574.3.8基于贝叶斯优化算法的诊断模型参数优化594.4声音信号CWT时频特征与改进LeNet 5模型相融合的诊断结果634.4.1学习率对诊断结果的影响634.4.2训练轮次对诊断结果的影响664.4.3批量尺寸对诊断结果的影响674.4.4卷积核个数对诊断结果的影响684.4.5卷积核尺寸对诊断结果的影响704.4.6诊断模型训练参数和结构参数的验证704.4.7诊断模型对比验证724.4.8基于贝叶斯优化算法的诊断模型参数优化744.5压力信号CWT时频特征与改进LeNet 5模型相融合的诊断结果784.5.1学习率对诊断结果的影响784.5.2训练轮次对诊断结果的影响814.5.3批量尺寸对诊断结果的影响814.5.4卷积核个数对诊断结果的影响834.5.5卷积核尺寸对诊断结果的影响844.5.6诊断模型训练参数和结构参数的验证844.5.7诊断模型对比验证874.5.8基于贝叶斯优化算法的诊断模型参数优化894.6本章小结93第5章CWT与改进AlexNet模型相融合的智能故障诊断方法955.1引言955.2AlexNet卷积神经网络模型的改进955.3振动信号CWT时频特征与改进AlexNet模型相融合的诊断结果965.3.1学习率对诊断结果的影响965.3.2训练轮次对诊断结果的影响995.3.3Dropout比率对诊断结果的影响995.3.4批量尺寸对诊断结果的影响1015.3.5卷积核个数对诊断结果的影响1025.3.6卷积核尺寸对诊断结果的影响1045.3.7诊断模型训练参数和结构参数的验证1055.3.8诊断模型对比验证1085.3.9基于贝叶斯优化算法的诊断模型参数优化1115.4声音信号CWT时频特征与改进AlexNet模型相融合的诊断结果1165.4.1学习率对诊断结果的影响1165.4.2训练轮次对诊断结果的影响1185.4.3Dropout比率对诊断结果的影响1195.4.4批量尺寸对诊断结果的影响1205.4.5卷积核个数对诊断结果的影响1225.4.6卷积核尺寸对诊断结果的影响1235.4.7诊断模型训练参数和结构参数的验证1235.4.8诊断模型对比验证1265.4.9基于贝叶斯优化算法的诊断模型参数优化1305.5压力信号CWT时频特征与改进AlexNet模型相融合的诊断结果1345.5.1学习率对诊断结果的影响1345.5.2训练轮次对诊断结果的影响1365.5.3Dropout比率对诊断结果的影响1375.5.4批量尺寸对诊断结果的影响1385.5.5卷积核个数对诊断结果的影响1405.5.6卷积核尺寸对诊断结果的影响1425.5.7诊断模型训练参数和结构参数的验证1425.5.8诊断模型对比验证1455.5.9基于贝叶斯优化算法的诊断模型参数优化1485.6本章小结153第6章SWT与改进LeNet 5模型相融合的智能故障诊断方法1546.1引言1546.2振动信号SWT时频特征与改进LeNet 5模型相融合的诊断结果1546.2.1基于贝叶斯优化算法的诊断模型参数优化1546.2.2融合方法对比验证1576.3声音信号SWT时频特征与改进LeNet 5模型相融合的诊断结果1586.3.1基于贝叶斯优化算法的诊断模型参数优化1586.3.2融合方法对比验证1616.4压力信号SWT时频特征与改进LeNet 5模型相融合的诊断结果1626.4.1基于贝叶斯优化算法的诊断模型参数优化1626.4.2融合方法对比验证1656.5本章小结166第7章SWT与改进AlexNet模型相融合的智能故障诊断方法1687.1引言1687.2振动信号SWT时
|
| 內容試閱：
|
|
液压轴向柱塞泵是液压传动系统的“动力心脏”，在国防装备、工业装备、应急抢险救援装备、深海深地资源勘探开采装备和科学研究装备等领域应用广泛，其工作的可靠性是保证装备高精度、高速、连续稳定运行的关键。一旦发生故障，轻则导致停机，重则致使装备整体失效，甚至引发机毁人亡的灾难性事故，造成重大经济损失和严重社会影响。因而，为了提高液压轴向柱塞泵运行的可靠性，降低故障发生率，本书结合国家智能制造发展需求，以液压轴向柱塞泵为研究对象，融合数据挖掘、机器学习等智能科学，探究利用人工智能理论的新思路、新方法，开展液压轴向柱塞泵智能故障诊断方法的研究，为液压轴向柱塞泵的智能故障诊断与健康管理提供理论依据，提升液压轴向柱塞泵的智能化和可靠性。全书共分为8章。第1章绪论。该章围绕国家发展战略和国民经济发展需求，阐述了研究背景及意义；详细介绍了传统故障诊断方法、现代智能故障诊断方法、泵类旋转机械故障诊断方法的国内外研究现状，并在此基础上归纳总结了仍需要深入探究的重点基础、难点问题。第2章液压轴向柱塞泵智能故障诊断方法构建。该章综合分析了液压轴向柱塞泵常见典型故障产生机理；介绍了经典时频分析方法的基本原理和理论基础；研究了卷积神经网络（CNN）的基本结构和训练流程；探究了贝叶斯优化(BO优化)算法的基本原理和实现方法；构建了时频分析与CNN相融合的智能故障诊断方法，为液压轴向柱塞泵典型故障的智能诊断提供了理论依据。第3章液压轴向柱塞泵试验数据采集及故障样本构建。该章介绍了如何组建液压轴向柱塞泵故障模拟试验系统，实现了常见典型故障模式的人工模拟，完成了典型故障状态的模拟试验和状态数据采集，为智能故障诊断模型的训练与验证提供了数据支撑；并充分利用连续小波变换（CWT）、同步压缩小波变换（SWT）、S变换（ST）在非平稳信号时频变换方面的优势，完成了多工况多源信息的时频域变换；构建了多工况多源信息时频特征故障样本库，完成了液压轴向柱塞泵典型状态的故障样本划分及标签配置，为智能故障诊断模型的训练与验证提供了输入源。第4章CWT与改进LeNet 5模型相融合的智能故障诊断方法。该章对传统LeNet 5模型进行了改进，构建了改进LeNet 5模型新结构；研究了液压轴向柱塞泵振动信号、声音信号、压力信号CWT时频特征与改进LeNet 5模型相融合的诊断结果；探究了学习率、训练轮次、批量尺寸、卷积核尺寸和个数等关键超参数对模型诊断结果的影响，确定了改进LeNet 5模型的训练参数和结构参数；完成了基于贝叶斯优化算法的诊断模型参数优化，实现了改进LeNet 5模型关键超参数的自适应学习。前言第5章CWT与改进AlexNet模型相融合的智能故障诊断方法。该章对传统AlexNet模型进行了改进，构建了改进AlexNet模型新结构；研究了液压轴向柱塞泵振动信号、声音信号、压力信号CWT时频特征与改进AlexNet模型相融合的诊断结果；探究了学习率、训练轮次、Dropout比率、批量尺寸、卷积核尺寸和个数等关键超参数对模型诊断结果的影响，确定了改进AlexNet模型的训练参数和结构参数；完成了基于贝叶斯优化算法的诊断模型参数优化，实现了改进AlexNet模型关键超参数的自适应学习。第6章SWT与改进LeNet 5模型相融合的智能故障诊断方法。该章基于改进LeNet 5模型提出了一种将SWT与改进LeNet 5模型相融合的智能故障诊断方法；研究了液压轴向柱塞泵的振动信号、声音信号、压力信号SWT时频特征与改进LeNet 5模型相融合的诊断效果；采用贝叶斯优化算法对改进LeNet 5诊断模型进行了超参数优化，实现了改进LeNet 5模型关键超参数的自适应学习。第7章SWT与改进AlexNet模型相融合的智能故障诊断方法。该章基于改进AlexNet模型提出了一种将SWT与改进AlexNet模型相融合的智能故障诊断方法；研究了液压轴向柱塞泵的振动信号、声音信号、压力信号SWT时频特征与改进AlexNet模型相融合的诊断效果；采用贝叶斯优化算法对改进AlexNet诊断模型进行了超参数优化，实现了改进AlexNet模型关键超参数的自适应学习。第8章时频变换与归一化CNN模型相融合的智能故障诊断方法。该章对改进LeNet 5模型进行了深化改进，构建了自适应归一化CNN模型新结构；采用贝叶斯优化算法对归一化CNN诊断模型进行了超参数优化，实现了归一化CNN模型关键超参数的自适应学习，提升了诊断模型的综合性能；提出了将CWT、SWT、ST等不同时频分析与归一化CNN模型相融合的智能故障诊断方法，研究了液压轴向柱塞泵的振动信号、声音信号、压力信号CWT、SWT、ST时频特征与归一化CNN模型相融合的诊断效果。本书提出了将多种时频变换与改进卷积神经网络模型相融合的智能故障诊断方法，基于液压轴向柱塞泵多源异构信号对融合方法的诊断结果进行了创新性的研究探索，提升了诊断模型的分类识别性能，提高了基于多源异构信号的故障诊断精度与泛化能力，为液压轴向柱塞泵新型智能故障诊断方法的研发和工程应用奠定了理论基础。本书是作者长期从事液压元件及系统智能故障诊断研究工作的结晶。书中内容取材于国家重点研发计划项目“地下水源快速成井关键技术及装备研发（项目编号：2020YF
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
