书名：机器学习与振动信号处理
定价：59.0
ISBN：9787121421242
作者：无
版次：第1版
出版时间：2021-10

内容提要：
本书详细地论述人工智能与机器学习的基础知识、振动信号处理基础知识、机器学习在振动信号处理中应用的基本理论和方法，提供各种应用实例，并阐述实现振动信号测试、分析、处理的软硬件系统，给出基于机器学习的振动信号测试、分析、处理的算法。本书内容具有典型的智、机、电跨学科特色。全书共10章，主要包括：绪论、振动测试传感器、振动测试系统、振动信号处理基础、振动信号时域处理、振动信号频域处理、基于虚拟仪器的振动信号测试与处理、机器学习基础、基于机器学习的振动信号识别原理与方法、基于机器学习的机械故障诊断。本书可作为高等院校机械、人工智能、电子信息工程、测控、自动化、计算机科学等专业技术课程的教材，也可作为相关领域的工程技术人员的参考书籍。



作者简介：
杨宏晖，博士，西北工业大学航海学院副教授，中船重工第***研究所国防科技重点实验室客座专家、电子学会会员，获得西北工业大学教育教学先进个人、奖教金等，主要著作方向为信号与信息处理、自动测试测控、模式识别、环境工程等相关领域。

目录：
目 录
第1章 绪论 1
第2章 振动测试传感器 3
2.1 振动的描述 3
2.2 质点振动系统 4
2.2.1 无阻尼振动系统的自由振动 4
2.2.2 有阻尼振动系统的衰减振动 5
2.2.3 质点的受迫振动 6
2.3 工程中的振动测试方法 7
2.4 常用的振动测试传感器 8
2.4.1 电动式传感器 8
2.4.2 电涡流式位移传感器 8
2.4.3 电感式传感器 9
2.4.4 电容式传感器 9
2.4.5 压电式加速度传感器 9
2.4.6 压电式力传感器 10
2.4.7 阻抗头 10
2.4.8 电阻应变式传感器 10
2.4.9 激光测振仪 11
2.5 本章小结 11
第3章 振动测试系统 12
3.1 激振系统 12
3.1.1 激振信号分类 12
3.1.2 激振器 13
3.1.3 冲击锤 14
3.2 压电式加速度传感器测量系统 15
3.3 电涡流位移传感器测量系统 15
3.4 传感器的安装方式 16
3.5 振动测试仪器校准 17
3.5.1 分部校准与系统校准方法 17
3.5.2 绝对校准法 18
3.5.3 相对校准法 19
3.6 振动测试系统中的常见问题 19
3.6.1 系统噪声与抑制 19
3.6.2 信号的隔离与屏蔽 20
3.6.3 信号失真问题 20
3.7 本章小结 21
第4章 振动信号处理基础 22
4.1 振动信号的定义与分类 22
4.1.1 振动信号的定义 22
4.1.2 振动信号的特性与分类 22
4.2 振动信号处理的一般方法 24
4.2.1 信号预处理常用方法 24
4.2.2 振动信号的时域处理方法 24
4.2.3 振动信号的频域处理方法 24
4.3 高级振动信号处理方法 24
4.4 轴承振动信号数据 25
4.4.1 凯斯西储大学轴承数据采集实验 25
4.4.2 轴承振动数据介绍 26
4.5 本章小结 29
第5章 振动信号时域处理 30
5.1 时域统计分析 30
5.1.1 时域统计分析的概述 30
5.1.2 时域统计分析常用参数及指标 30
5.2 相关分析 31
5.2.1 自相关分析的原理、算法及实现 32
5.2.2 自相关消噪和周期提取仿真实验 34
5.2.3 自相关消噪和周期提取实测实验 37
5.2.4 互相关分析的原理、算法及实现 41
5.2.5 互相关实测实验 42
5.3 积分和微分变换 43
5.3.1 积分和微分的基本原理 44
5.3.2 积分和微分在振动信号处理中的应用 44
5.4 本章小结 44
第6章 振动信号频域处理 45
6.1 频域处理简介 45
6.2 傅里叶变换 45
6.3 功率谱密度函数 46
6.3.1 自功率谱分析的原理、算法及实例 47
6.3.2 互功率谱分析的原理及算法 49
6.4 频率响应函数与相干函数 50
6.4.1 频率响应函数分析的原理及算法 50
6.4.2 相干函数分析的原理及算法 51
6.5 窗函数在振动信号处理中的应用 53
6.5.1 加窗对振动信号处理的影响 53
6.5.2 常用窗函数的特性分析与对比 53
6.5.3 窗函数的选择原则 55
6.5.4 窗函数选择实验 55
6.6 三分之一倍频程分析的原理、算法、实现与应用 57
6.6.1 三分之一倍频程分析的原理 57
6.6.2 三分之一倍频程分析的算法 57
6.6.3 高斯白噪声的三分之一倍频程分析实验 58
6.7 倒频谱分析的原理、算法、实现与应用 60
6.7.1 实倒谱分析的原理、算法与实现 61
6.7.2 复倒谱分析的原理及算法 61
6.7.3 倒频谱分析进行故障检测的仿真实验 62
6.7.4 实测轴承振动信号的倒频谱分析实验 64
6.8 本章小结 66
第7章 基于虚拟仪器的振动信号测试与处理 67
7.1 虚拟仪器 67
7.1.1 虚拟仪器的概念 67
7.1.2 实验室虚拟仪器工程平台 68
7.2 基于虚拟仪器的振动信号时域处理 69
7.2.1 时域统计分析 69
7.2.2 相关分析 71
7.3 基于虚拟仪器的振动信号频域处理 79
7.3.1 加窗处理 79
7.3.2 三分之一倍频程处理 82
7.3.3 倒谱处理 85
7.4 阻抗参数测试 88
7.4.1 机械阻抗理论 88
7.4.2 隔振器阻抗参数测试原理 88
7.4.3 隔振器阻抗参数测试系统及振动信号采集 89
7.4.4 基于虚拟仪器的隔振器阻抗测试平台 91
7.5 阻尼测试 98
7.5.1 阻尼测试原理 98
7.5.2 阻尼测试系统及振动信号采集 99
7.5.3 稳态方法的信号处理 101
7.5.4 瞬态方法的信号处理 104
7.6 本章小结 108
第8章 机器学习基础 110
8.1 机器学习概念 110
8.1.1 机器学习问题 110
8.1.2 机器学习算法的分类 110
8.2 回归分析的含义、分类及应用 110
8.3 一元线性回归 111
8.3.1 一元线性回归模型 111
8.3.2 损失函数 111
8.3.3 一元线性回归算法及分析 112
8.4 梯度下降法 114
8.4.1 随机梯度下降法 114
8.4.2 批量梯度下降法 115
8.4.3 小批量梯度下降法 115
8.5 多元线性回归 116
8.5.1 多元线性回归原理 116
8.5.2 多元线性回归应用实例 117
8.6 逻辑回归 118
8.6.1 逻辑回归原理 118
8.6.2 逻辑回归分类算法应用实例 120
8.7 本章小结 121
第9章 基于机器学习的振动信号识别原理与方法 122
9.1 基于机器学习的振动信号识别原理 122
9.2 支持向量机 122
9.2.1 线性支持向量机 122
9.2.2 非线性支持向量机 124
9.2.3 SVM多类分类算法 125
9.2.4 SVM分类器的分类性能估计 125
9.3 浅层神经网络 126
9.3.1 神经网络概述 126
9.3.2 BP神经网络算法 129
9.4 深度学习神经网络 132
9.4.1 深度置信网络 132
9.4.2 深度卷积神经网络 136
9.5 本章小结 139
第10章 基于机器学习的机械故障诊断 140
10.1 机械故障诊断 140
10.1.1 建立机械故障诊断需求 140
10.1.2 机械故障诊断调查的步骤 140
10.1.3 故障模式症状分析 141
10.1.4 评级指南 141
10.1.5 用于诊断的数据与信息 144
10.1.6 机器故障诊断方法 145
10.2 滚动轴承概述 150
10.2.1 轴承的分类 150
10.2.2 滚动轴承的基本结构 150
10.2.3 滚动轴承的主要振动来源 151
10.3 轴承振动信号特性 153
10.3.1 时域特性 153
10.3.2 频域特性 158
10.3.3 轴承状态的简易诊断 163
10.4 基于CNN的轴承故障类型的诊断 165
10.4.1 CNN基本结构分析 165
10.4.2 诊断流程 166
10.4.3 故障轴承数据预处理 166
10.4.4 CNN结构设计 167
10.4.5 诊断结果与分析 167
10.5 本章小结 168
附录A 振动测试相关标准 169
附录B 阻尼材料 阻尼性能测试方法GB/T 18258—2000 171
附录C 振动与冲击 机械导纳的实验确定 178
附录D 声学与振动 弹性元件振动——声传递特性实验室测量方法 192
参考文献 210