本书重点介绍了高速列车轮对轴承振动特性与故障诊断方法。以列车轮对轴承振动信号为研究对象，从振动信号在常见工况下的特点出发，对列车轮对轴承信号预处理、特征提取与故障诊断进行了深入讨论。主要内容分为两部分，首先是基于信号处理方法的振动信号降噪、匀变转速下的特征提取和转速波动下的特征提取，然后是基于深度学习方法的时间序列递归特征分析、变转速下的数据增强与修复、转速自适应特征提取和多源域迁移诊断，共8章。书中给出了大量的实验供读者参考学习。
更多科学出版社服务，请扫码获取。
1994.09--2001.04 在河北工业大学获得学士和硕士学位
2006.09--2011.07 在北京交通大学获得车辆工程专业博士学位2001.3 至今 石家庄铁道大学教师
2019.06--2022.06 石家庄铁道大学电气与电子工程学院副院长
2022.06至今 石家庄铁道大学电气与电子工程学院院长河北省“三三三”人才工程第二层次人才，2016年。2021年8月至今，政协石家庄市第十四届委员
目录
前言
第1章 绪论 1
1.1 研究背景及意义 1
1.2 国内外研究现状 3
1.2.1 基于机器学习的智能故障诊断方法研究现状 5
1.2.2 基于深度学习的智能故障诊断方法研究现状 13
1.2.3 基于图神经网络的智能故障诊断方法研究现状 19
1.3 目前研究存在的主要问题 24
第2章 基于分数阶变分模态分解的振动信号降噪算法26
2.1 引言 26
2.2 变分模态分解基本原理及局限性分析 26
2.2.1 变分模态分解基本原理.26
2.2.2 变分模态分解的局限性分析 28
2.3 分数阶变分模态分解基本原理及主要性质 28
2.3.1 分数阶变分模态分解基本原理 28
2.3.2 分数阶变分模态分解的主要性质 34
2.4 分数阶变分模态分解算法在货车轮对轴承振动信号中的应用 48
2.4.1 实验平台简介 48
2.4.2 在含内圈故障的货车轮对轴承振动信号中的应用 50
2.4.3 在含外圈故障的货车轮对轴承振动信号中的应用 54
2.5 本章小结 56
第3章 匀变转速工况下的瞬时故障特征提取 58
3.1 引言 58
3.2 同步压缩变换基本原理及局限性分析 58
3.2.1 同步压缩变换基本原理.58
3.2.2 同步压缩变换局限性分析 61
3.3 基于分数阶同步压缩变换的轮对轴承瞬时故障特征提取 62
3.3.1 分数阶同步压缩变换基本原理 62
3.3.2 分数阶同步压缩变换的优势 64
3.3.3 基于分数阶同步压缩变换的轮对轴承瞬时故障特征提取 67
3.4 仿真及实验验证 69
3.4.1 仿真信号验证 69
3.4.2 实测信号验证 75
3.5 本章小结 79
第4章 转速波动工况下的瞬时故障特征提取 81
4.1 引言 81
4.2 基于自适应窗长分数阶同步压缩变换的轮对轴承瞬时故障特征提取 82
4.2.1 自适应窗长分数阶同步压缩变换基本原理 82
4.2.2 最优时变窗长估计 83
4.3 仿真及实验验证 85
4.3.1 仿真信号验证 85
4.3.2 实测信号验证 89
4.4 本章小结 94
第5章 基于时间序列递归特性的故障特征提取 95
5.1 引言 95
5.2 高速列车轮对轴承故障特征提取方法 96
5.2.1 振动信号递归图构建方法 96
5.2.2 多核高斯函数对称图注意力机制 99
5.2.3 面向图注意机制的节点平均标准化层 101
5.2.4 递归多头图注意力残差网络 103
5.3 特征提取与诊断效果实验验证与分析 105
5.3.1 高速列车轮对轴承数据集描述 105
5.3.2 模型稳定性分析 107
5.3.3 模型参数选择 109
5.3.4 对比实验与分析 110
5.3.5 模型的噪声鲁棒性实验 113
5.3.6 消融研究 116
5.4 本章小结 117
第6章 振动信号的数据增强与修复 119
6.1 引言 119
6.2 生成对抗网络基本原理 119
6.2.1 经典生成对抗网络 120
6.2.2 辅助分类器生成对抗网络.121
6.3 基于图转速分类器生成对抗网络的数据增强与数据修复 122
6.3.1 模型结构 122
6.3.2 训练及优化过程 124
6.3.3 基于预训练生成器的样本修复方法 126
6.4 数据增强与数据修复实验验证及分析 128
6.4.1 高速列车轮对轴承实验数据集 128
6.4.2 轮对轴承多转速故障样本生成与故障诊断 129
6.4.3 样本修复质量对比与评估 135
6.5 本章小结 139
第7章 基于数据融合的转速自适应特征提取.140
7.1 引言 140
7.2 振动–转速数据融合理论 141
7.2.1 振动–转速数据特征编码与特征提取 141
7.2.2 振动–转速数据融合与自注意力机制 144
7.3 面向融合特征的递归图构造方法 148
7.4 转速自适应图注意力网络 149
7.5 多转速工况故障诊断实验验证与分析 152
7.5.1 多转速数据集获取 152
7.5.2 模型训练过程分析 153
7.5.3 对比实验与分析 154
7.5.4 不同噪声下的鲁棒性测试 155
7.5.5 转速自适应能力分析 157
7.5.6 消融实验 160
7.6 本章小结 161
第8章 多源域下的故障迁移诊断 162
8.1 引言 162
8.2 非共有类别迁移学习的问题描述 163
8.3 多通道非共有类别样本图注意力迁移学习网络 164
8.3.1 子通道迁移模型 164
8.3.2 多通道知识融合策略 167
8.3.3 模型整体训练流程 169
8.4 多种迁移情形的实验案例研究与分析 171
8.4.1 案例1：不同工况迁移 171
8.4.2 案例2：不同轴承迁移 177
8.5 本章小结 182
参考文献 183
书单推荐
