面向深度学习和大数据的轨道交通轴承故障智能诊断方法 pdf下载

本书将深度学习故障诊断智能方法与轴承故障诊断智能技术应用融会贯通，内容新颖

　　《面向深度学习和大数据的轨道交通轴承故障智能诊断方法》以提高轨道交通轴承故障诊断的准确性和高效性为目标，结合深度学习和大数据技术等领域新成果，系统地介绍了轨道交通轴承故障智能诊断模型构建的方法和技术。
　　《面向深度学习和大数据的轨道交通轴承故障智能诊断方法》共10章，主要内容包括：轨道交通轴承故障诊断概述、轨道交通轴承结构及振动机理、轨道交通轴承故障诊断技术概述、基于卷积神经网络的轴承故障诊断方法、基于深度信念网络的轴承故障诊断方法、基于循环神经网络的轴承故障诊断方法、基于集成学习的轴承故障智能诊断方法、基于迁移学习的变工况轴承故障智能诊断方法、基于大数据平台的轴承故障智能诊断方法、轨道交通轴承故障智能诊断系统设计与实现。
　　《面向深度学习和大数据的轨道交通轴承故障智能诊断方法》可作为从事轨道交通故障诊断技术研究的科研人员和工程技术人员的参考用书，也可作为高等院校计算机科学与技术、软件工程、机械工程等相关专业“故障诊断智能技术”课程的教材。

第1章轨道交通轴承故障诊断概述

1.1轨道交通轴承故障诊断意义及内容

1.1.1轨道交通轴承故障诊断意义

1.1.2轨道交通轴承故障诊断内容

1.2轨道交通轴承故障诊断方法及其发展

1.2.1轴承故障诊断方法分类

1.2.2轴承振动信号故障诊断发展

1.3轨道交通轴承故障振动诊断方法

1.3.1基于振动信号分析的方法

1.3.2基于数据驱动的诊断方法

第2章轨道交通轴承结构及振动机理

2.1轨道交通轴承结构

2.1.1轨道交通运用轴承分类

2.1.2轨道交通轴承结构分析

2.1.3轨道交通轴承故障表现

2.1.4轨道交通轴承故障原因

2.2轨道交通轴承振动机理

2.2.1滚动轴承的固有振动

2.2.2涉及轴承载荷及弹性的振动

2.2.3轴承制造或装配不良引起的振动

2.2.4轴承各类故障引起的振动

第3章轨道交通轴承故障诊断技术概述

3.1轴承振动信号采集与预处理技术

3.1.1轴承振动信号采集技术

3.1.2轴承振动信号数据预处理技术

3.2轨道交通轴承故障特征提取技术

3.2.1轴承振动信号故障时域特征提取方法

3.2.2轴承振动信号故障频域特征提取方法

3.2.3基于希尔伯特包络分析故障特征提取方法

3.2.4基于小波包包络分析故障特征提取方法

3.2.5基于经验模态分解故障特征提取方法

3.2.6基于局部均值分解故障特征提取方法

3.2.7基于变分模态分解故障特征提取方法

3.3轨道交通轴承故障特征选择技术

3.3.1基于主成分分析的特征选择方法

3.3.2基于线性判别分析的特征选择方法

3.3.3基于信息熵的量化特征选择方法

3.3.4基于自编码器的特征选择方法

3.4轨道交通轴承故障智能诊断技术

3.4.1人工神经网络

3.4.2支持向量机

3.4.3决策树

3.4.4卷积神经网络

3.4.5深度信念网络

3.4.6循环神经网络

第4章基于卷积神经网络的轴承故障诊断方法

4.1基于卷积神经网络轴承故障诊断工作原理

4.1.1基于卷积神经网络轴承故障诊断网络结构

4.1.2基于卷积神经网络轴承故障诊断建模机理

4.1.3基于卷积神经网络轴承故障诊断建模策略

4.2基于卷积神经网络的轴承故障诊断模型构建方法

4.2.1基于卷积神经网络轴承故障诊断模型构建流程

4.2.2一种基于WKCNN轴承故障诊断模型构建算法

4.3基于卷积神经网络的轴承故障诊断模型实验

4.3.1基于WKCNN轴承故障诊断数据源

4.3.2基于WKCNN轴承故障诊断模型构建实验

4.3.3基于WKCNN轴承故障诊断模型验证实验

第5章基于深度信念网络的轴承故障诊断方法

5.1基于深度信念网络故障诊断工作原理

5.1.1基于深度信念网络的轴承故障诊断网络结构

5.1.2基于深度信念网络的轴承故障诊断建模机理

5.2基于深度信念网络的轴承故障诊断模型构建

5.2.1基于深度信念网络的轴承故障诊断模型构建流程

5.2.2基于深度信念网络的轴承故障诊断模型构建算法

5.3基于深度信念网络的轴承故障诊断模型实验

5.3.1基于深度信念网络的轴承故障诊断数据源

5.3.2基于深度信念网络的轴承故障诊断模型构建实验

5.4一种基于MCELF的DBN轴承故障诊断加速方法

5.4.1基于MCELF的故障诊断加速方法

5.4.2基于MCELF的加速DBN故障诊断的模型构建

算法

5.4.3基于MCELF的加速DBN故障诊断的模型实验

随着轨道交通的快速发展，其运营安全日益受到人们的广泛关注。轨道交通轴承的运行状态往往决定了整个车辆的运行安全，其运行状态将随着工作时间的推移逐渐发生退化。为切实保障轨道交通运营安全，有必要为轨道交通轴承运用提供准确、高效的轴承故障诊断方法和技术。当前，随着大数据技术以及人工智能的发展，面向数据驱动的基于机器学习的故障诊断方法已经成为轨道交通轴承故障诊断方法中最有效、最常用的方法，其研究受到越来越多国内外学者的关注，成为当今前沿科学技术研究的热点之一。

为了系统总结本书作者在这一领域取得的研究成果，特撰写了《面向深度学习和大数据的轨道交通轴承故障智能诊断方法》一书，以满足相关领域研究人员学习和研究的需求。

本书以提高轨道交通轴承故障诊断的准确性和高效性为目标，结合深度学习和大数据技术等领域最新成果，系统地介绍了轨道交通轴承故障智能诊断模型构建的方法和技术。全书共10章，主要内容包括： 轨道交通轴承故障诊断概述、轨道交通轴承结构及振动机理、轨道交通轴承故障诊断技术概述、基于卷积神经网络的轴承故障诊断方法、基于深度信念网络的轴承故障诊断方法、基于循环神经网络的轴承故障诊断方法、基于集成学习的轴承故障智能诊断方法、

基于迁移学习的

变工况轴承故障智能诊断方法、基于大数据平台的轴承故障智能诊断方法、轨道交通轴承故障智能诊断系统设计与实现。

本书特色在于融合面向深度学习和大数据的故障诊断智能方法与轴承故障诊断智能技术应用，很好地将故障诊断概念、深度学习、大数据技术及故障诊断应用结合在一起，便于读者能够更好理解深度学习基本方法、更快掌握故障智能诊断前沿技术。

第1章主要概述

轨道交通轴承故障诊断，包括轨道交通轴承故障诊断的意义与内容、轴承故障诊断方法分类与轴承振动信号故障诊断

的发展，以及基于振动信号分析和基于数据驱动的两种轨道交通轴承故障振动诊断的方法。

第2章主要介绍轨道交通轴承结构及轴承振动机理，包括轨道交通轴承分类、轴承结构分析、轴承故障表现与故障原因，轨道交通轴承固有振动、涉及轴承载荷及弹性的振动、轴承制造或装配不良引起的振动、轴承各类故障引起的振动。

第3章主要概述

轨道交通轴承故障诊断技术，介绍了轴承振动信号采集和信号数据预处理技术，轨道交通轴承故障特征提取技术与特征选择技术，以及轨道交通轴承故障模式智能诊断技术。

第4章提出一种基于卷积神经网络的轴承故障诊断方法，介绍了基于卷积神经网络轴承故障诊断网络结构、建模机理与建模策略，基于卷积神经网络轴承故障诊断模型构建流程与构建算法，基于卷积神经网络轴承故障诊断模型构建实验与模型验证实验。

第5章提出一种基于深度信念网络的轴承故障诊断方法以及一种加速深度信念网络轴承故障诊断方法，

介绍了基于深度信念网络的轴承故障诊断网络结构与建模机理、基于深度信念网络的轴承故障诊断模型构建流程与构建算法、基于深度信念网络的轴承故障诊断模型实验，以及一种基于多级复合指数损失函数的深度信念网络轴承故障诊断加速方法。

第6章提出一种基于循环神经网络的轴承故障诊断方法，介绍了基于循环神经网络的轴承故障诊断网络结构与建模机理、长短期记忆网络LSTM工作原理、门限循环单元GRU网络工作原理、基于循环神经网络的轴承故障诊断模型构建流程与构建算法，基于循环神经网络的轴承故障诊断模型构建实验与模型验证实验。

第7章提出一种基于集成学习的轴承故障智能诊断方法，介绍了基于集成学习的轴承故障诊断工作原理与网络结构、基于集成学习的轴承故障诊断模型构建方法与构建流程、基于集成学习的轴承故障诊断模型实验。

第8章提出一种基于迁移学习的变工况轴承故障智能诊断方法，介绍了基于迁移学习的变工况轴承故障诊断网络结构、一种改进的弹性网正则化迁移学习方法、基于迁移学习的变工况轴承故障诊断模型构建流程与构建算法，基于迁移学习的变工况轴承故障智能诊断模型实验。

第9章提出一种基于大数据平台的轴承故障智能诊断方法，介绍了大数据Hadoop平台框架、Hadoop分布式文件系统HDFS、Hadoop分布式计算MapReduce、Hadoop资源管理器Yarn，给出了基于Hadoop的轴承故障诊断平台设计与实现，以及基于Hadoop的轴承故障诊断实验。

第10章集成提出的故障诊断模型完成了轨道交通轴承故障智能诊断系统设计与实现，包括故障智能诊断系统平台框架设计与功能设计，故障智能诊断系统实现技术框架与核心模块功能展示。

本书的特色在于融合面向深度学习和大数据的故障诊断智能方法与轴承故障诊断智能技术应用，很好将故障诊断概念、深度学习、大数据技术及故障诊断应用结合在一起，便于读者能够更好理解深度学习基本方法、更快掌握故障智能诊断前沿技术及其应用。

本书可作为从事轨道交通故障诊断技术研究的科研人员和工程技术人员的参考用书，也可作为高等院校计算机科学与技术、软件工程、机械工程等相关专业研究生及高年级本科生的“故障诊断智能技术”课程教材。

本书由大连交通大学宋旭东教授撰写。在本书撰写过程中，丛郁洋、杨杰、朱大杰、陈艺琳、梁攀、王昊、田锐、宋一凡等研究生做了大量辅助工作。在此，一并表示衷心的感谢。在本书的撰写过程中，参考了大量的国内外著作、论文、技术论坛等，在此也向参考文献的作者表示感谢。

由于作者水平有限，书中不足之处在所难免，敬请广大读者批评指正。

作者2023年1月