轴承故障诊断与识别技术

📚 共计 30 章节

轴承故障诊断概述

轴承在工业中的地位 · 故障诊断的意义 · 诊断技术的发展历程与趋势

概论发展史

滚动轴承基础

轴承结构、类型与代号 · 主要失效形式与机理

振动信号基础

振动三要素 · 简谐振动与周期振动 · 振动信号的分类与描述

传感器与数据采集

加速度传感器原理、选型与安装 · 数据采集系统组成与参数设置

传感器采集

信号预处理

趋势项去除 · 去均值 · 滤波（低通/高通/带通）· 重采样

预处理滤波

有量纲参数（峰值、均方根值、峭度）· 无量纲参数 · 时域同步平均

傅里叶变换（DFT/FFT）· 频谱图解读 · 功率谱密度（PSD）

希尔伯特变换原理 · 包络解调技术 · 包络谱在轴承故障中的应用

倒频谱分析

倒频谱定义与计算 · 在齿轮箱与轴承复合故障中的应用

倒频谱复合故障

时频分析（一）

短时傅里叶变换（STFT）原理 · 窗函数选择 · 时频谱图解读

时频分析（二）

小波变换（CWT/DWT）原理 · 小波基选择 · 小波包分解

时频分析（三）

EMD与EEMD · 希尔伯特-黄变换（HHT）

轴承故障特征频率计算

内圈、外圈、滚动体、保持架故障特征频率公式推导与计算实例

特征频率计算

转速测量与阶次分析

转速计原理 · 等角度重采样 · 阶次谱分析

特征工程（一）

统计特征提取（时域、频域）· 特征归一化与标准化

特征归一化

特征工程（二）

PCA降维 · LDA · t-SNE可视化

降维可视化

机器学习基础（一）

监督/非监督学习 · 训练/验证/测试集划分 · 交叉验证

机器学习基础（二）

SVM · KNN · 决策树与随机森林

SVM随机森林

深度学习基础

ANN原理 · 激活函数 · 反向传播 · 过拟合与正则化

深度学习ANN

卷积神经网络（CNN）

一维卷积 · 池化层 · LeNet/ResNet在故障诊断中的应用

循环神经网络（RNN）

LSTM与GRU原理 · 时间序列预测与故障诊断

自编码器与迁移学习

自编码器用于特征提取与异常检测 · 迁移学习在变工况下的应用

自编码器迁移学习

生成对抗网络（GAN）

GAN原理 · 数据增强在轴承故障诊断中的应用

GAN数据增强

注意力机制与Transformer

自注意力机制 · Transformer架构 · 在故障诊断中的前沿应用

注意力Transformer

故障诊断流程与案例（一）

基于振动信号的完整流程：采集→预处理→特征提取→模式识别

故障诊断流程与案例（二）

基于深度学习的端到端诊断案例（CNN/ResNet）

故障诊断流程与案例（三）

变工况与跨域故障诊断案例（迁移学习/域自适应）

变工况域自适应

故障趋势预测与剩余寿命预测

特征趋势提取 · 退化指标构建 · LSTM/Transformer预测模型

剩余寿命预测

诊断系统搭建与工程实践

边缘计算与云诊断架构 · 实时监测系统设计要点 · 工业现场常见问题

课程总结与前沿展望

数字孪生 · 联邦学习 · 大模型在故障诊断中的应用 · 未来技术路线图

前沿数字孪生