《機械故障信號的數學形態學分析與智能分類》以數學形態學理論為主要分析手段，以機械設備中*常見的齒輪、軸承和發動機故障信號為研究對像，研究數學形態學在機械故障信號處理與特征提取中的應用途徑，將數學形態學與小波分析、時頻分析、非負矩陣分解以及分形幾何理論等相結合，建立以數學形態學為基本理論框架的機械故障信號處理與特征參數提取體繫，並在此基礎上進行機械故障特征選擇方法的研究，以提高機械故障診斷的精度和效率。本書由李兵、張培林、米雙山等著。

《機械故障信號的數學形態學分析與智能分類》以數學形態學理論為 主要分析手段，以機械故障信號為主要研究對像，深入研究了數學形態學 在機械故障信號處理、特征提取與智能分類中的應用途徑。本書將數學形 態學理論與小波分析、時頻分析、非負矩陣分解、分形幾何以及神經網絡 等理論相結合，建立了以數學形態學為基本理論框架的機械故障信號分析 與智能分類體繫，並在此基礎上進行機械故障特征選擇和增量學習方法的 研究，為機械設備在線狀態監測和故障診斷提供了一條嶄新的、有效的技 術途徑。 《機械故障信號的數學形態學分析與智能分類》可作為高等院校信號 處理、機械工程等專業研究生教材，也可供相關領域工程技術人員和研究 人員參考。本書由李兵、張培林、米雙山等著。

第1章 概論
1.1 機械故障診斷的概念
1.2 機械故障信號處理與特征提取方法
1.2.1 以傅裡葉變換為基礎的傳統信號處理方法
1.2.2 時頻分析技術
1.2.3 分形幾何方法
1.3 機械故障診斷的模式識別方法
1.3.1 專家繫統
1.3.2 模糊推理
1.3.3 人工神經網絡
1.3.4 支持向量機
1.4 機械故障診斷的特征參數選擇
第2章 數學形態學理論概述
2.1 數學形態學研究現狀
2.2 數學形態學基本原理
2.2.1 二值形態學
2.2.2 灰值形態學
2.3 基於完備格的數學形態學理論
2.3.1 完備格理論
2.3.2 完備格上的數學形態學理論
2.4 數學形態學在機械故障信號處理中的應用
第3章 機械故障信號的自適應多尺度形態梯度分析
3.1 引言
3.2 數學形態學濾波器
3.2.1 基本形態濾波器
3.2.2 形態梯度濾波器
3.2.3 仿真信號分析
3.3 自適應多尺度形態梯度
3.3.1 多尺度形態濾波器
3.3.2 自適應多尺度形態梯度(AMMG)
3.4 AMMG在機械故障信號處理中的應用
3.4.1 齒輪箱故障信號分析
3.4.2 發動機故障信號分析
第4章 機械故障信號的自適應形態梯度提升小波分析
4.1 引言
4.2 形態小波分析
4.2.1 廣義小波分解方案
4.2.2 形態提升小波
4.3 自適應形態梯度提升小波
4.3.1 自適應提升小波
4.3.2 自適應形態梯度提升小波
4.3.3 仿真信號分析
4.4 AMGLW在機械故障信號分析中的應用
4.4.1 齒輪箱故障信號分析
4.4.2 發動機故障信號分析
第5章 機械故障信號的非負矩陣分解特征提取方法
5.1 引言
5.2 非負矩陣分解(NMF)
5.2.1 非負矩陣分解算法的引出
5.2.2 非負矩陣分解主要思想
5.2.3 非負矩陣分解的算法實現
5.2.4 非負矩陣分解的初始化和秩的選擇
5.2.5 改進非負矩陣分解(INMF)
5.3 改進非負矩陣分解在齒輪箱故障特征提取中的應用
5.3.1 基於AMCLW與INMF的齒輪箱故障信號特征提取
5.3.2 分類效果
5.4 改進非負矩陣分解在發動機故障特征提取中的應用
5.4.1 基於AMGLW與INMF的發動機故障信號特征提取
5.4.2 分類效果
第6章 機械故障信號時頻分布的數學形態譜特征
6.1 引言
6.2 廣義S變換
6.2.1 S變換的基本概念
6.2.2 廣義S變換
6.2.3 仿真信號分析
6.3 機械故障信號的廣義s變換
6.3.1 齒輪箱故障信號的廣義s變換
6.3.2 發動機故障信號的廣義s變換
6.4 數學形態譜
6.4.1 形態學顆粒分析
6.4.2 數學形態譜定義
6.4.3 齒輪箱故障信號時頻分布的數學形態譜
6.5 廣義空間數學形態譜
6.5.1 廣義空間數學形態譜
6.5.2 發動機故障信號時頻分布的廣義空間數學形態譜
第7章 機械故障信號的數學形態學分形特征
7.1 引言
7.2 分形的基本概念
7.3 形態學分形維數
7.3.1 Minkowski-Bouligand維數
7.3.2 基於數學形態學的分形維數估計方法
7.3.3 仿真信號分析
7.4 機械故障信號的形態學分形維數
7.4.1 齒輪箱故障信號的形態學分形維數
7.4.2 發動機故障信號的形態學分形維數
7.5 形態學廣義分形維數
7.5.1 多重分形譜和廣義分形維數
7.5.2 廣義分形維數的盒計數計算方法
7.5.3 形態學廣義分形維數
7.5.4 仿真信號分析
7.6 機械故障信號的形態學廣義分形維數
7.6.1 齒輪箱故障信號的形態學廣義分形維數
7.6.2 發動機故障信號的形態學廣義分形維數
第8章 機械故障信號的形態學神經網絡分類方法研究
8.1 引言
8.2 形態學神經網絡的理論基礎
8.2.1 完備格框架下的數學形態學算子
8.2.2 形態學神經網絡的格代數繫統
8.3 構造性形態學神經網絡(CMNN)
8.3.1 構造性形態學神經網絡的基本框架
8.3.2 構造性形態學神經網絡訓練算法
8.3.3 多類分類構造性形態學神經網絡
8.4 模糊格形態學神經網絡(FL-CMNN)
8.4.1 模糊格理論
8.4.2 區間上的模糊格理論
8.4.3 模糊格形態學神經網絡
8.4.4 仿真數據測試
8.5 基於FL-CMNN的機械故障信號分類
8.5.1 齒輪箱故障信號分類
8.5.2 發動機故障信號分類
第9章 面向機械設備在線狀態監測的形態學神經網絡優化策略
9.1 引言
9.2 組合式特征選擇算法
9.2.1 特征選擇概述
9.2.2 基於互信息的*大相關*小冗餘準則(mRMR)
9.2.3 帶精英策略的非支配排序遺傳算法(NSCA-Ⅱ)
9.3 組合式特征選擇在機械故障信號分類中的應用
9.3.1 組合式特征選擇在齒輪箱故障信號分類診斷中的應用
9.3.2 組合式特征選擇在發動機故障信號分類的應用
9.4 基於構造性形態學神經網絡的增量學習算法
9.4.1 增量學習簡介
9.4.2 針對構造性形態學神經網絡的增量學習算法
9.4.3 增量學習算法在機械故障信號分類中的應用
參考文獻