前言

机械传动部件是机电装备中起承载和传动作用的关键部件，一旦传动部件出现损伤，就会引起装备振动加剧。若没有及时检测出装备的异常状态，随着故障程度的恶化，就可能引起机电装备长时间停机导致经济损失，甚至引发安全事故。为避免因机械传动部件的故障而造成巨大损失，对传动部件的状态进行故障诊断、监测以及性能退化评估具有重要的意义。机电装备的振动特性反映装备当前的状态，利用振动信号进行分析是近年来机械故障诊断领域中研究的热点和难点。由于机电装备结构复杂、工况波动、随机干扰等因素的影响，机械振动信号具有非线性、非平稳性、强噪声的特点，导致传动部件早期的微弱损伤容易被忽视，当检测到异常时，传动部件往往已严重损伤。因此，本书以机电装备中的机械传动部件为研究对象，结合信号处理、流形学习和深度学习等理论方法，研究故障诊断、状态监测与性能退化评估方法。

本书共分9章，主要内容如下。

第1章： 针对机电装备中机械传动部件的故障诊断问题，在绪论中阐明了本书研究的背景与意义，并分析了当前国内外在机械故障诊断领域研究的热点以及部分诊断方法的不足。

第2章： 分析机电装备中典型传动部件如轴承、齿轮、轴的振动机理以及故障特征，为基于数据驱动的故障诊断奠定了理论基础。

第3章： 介绍机械故障诊断领域常用的故障特征构造方法，包括时域特征、频域特征、时频域特征，以及基于小波分析、经验模态分解的多尺度特征构造方法。为获取敏感判别性强的特征，阐述了常用的特征选择方法，以及基于流形学习和深度学习的非线性特征提取方法，为故障诊断、状态监测与性能退化评估提供技术支撑。

第4章： 论述基于Teager能量谱多尺度信号分解的故障诊断方法。针对应用集合经验模态分解方法难以提取强噪声背景下滚动轴承微弱故障特征的问题，提出将最小熵反褶积和小波阈值去噪与EEMD结合的改进方法。采用最小熵反褶积对滚动轴承振动信号降噪，增强冲击特征； 然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量，并依据相关系数准则剔除虚假分量； 对重构信号进行Teager能量算子解调分析，提取其微弱故障特征。

第5章： 讨论基于双树复小波包主流形重构的故障诊断方法。针对采集的机电装备振动信号具有非线性、非平稳性和噪声干扰的特点，提出基于双树复小波包主流形重构的去噪方法，凸显典型谱特征进行诊断。

第6章： 介绍基于自适应流形学习的故障诊断方法。该方法的特征是可反映装备状态的指标，针对敏感特征选择方法存在去除有用信息、健壮性和通用性不强等不足，采用局部切空间排列流形学习方法进行特征的非线性融合，以挖掘原始振动信号中的本质信息。但局部切空间排列算法中邻域图的近邻参数难以合理选择，动态增加的数据影响算法的计算效率。为此，分别提出了自适应邻域参数选择的局部切空间排列算法和增量式监督局部切空间排列算法。

第7章： 阐述基于深度卷积变分自编码的故障诊断方法。针对转速和负载变化情况下的故障诊断，采用一般机器学习的诊断方法难以自动适应工况变化的影响。深度学习可利用网络深度优势挖掘更强健壮性的特征，基于自编码和卷积神经网络理论，提出一种深度卷积变分自编码网络。针对小样本有标签信息的故障诊断和大样本无标签信息的故障诊断，利用迁移学习理论，提出基于小样本的监督模型迁移和基于标签传递的无监督模型迁移。结合多传感器能多角度反映机械传动部件的状态，相较于单传感器的故障诊断，多传感器多模型的选择性集成学习更能多方位表征传动部件的状态，为平衡模型的差异性和准确度进行模型选择，提出基于多传感器多模型的选择性集成学习模型，以提升模型诊断性能。

第8章： 介绍基于流形特征增强的状态监测与性能退化评估方法。监测指标和监测模型是状态监测的核心，针对能保持数据结构全局特性或者局部结构特性的流形学习方法分别构造监测模型，在一定程度上损失了部分数据信息，并不能全面地反映数据中潜在结构的敏感性，影响监测指标的灵敏度。为此，综合优化样本局部和全局结构关系，提出了非局部核正交保持嵌入算法，为改善参数选择依赖人工经验的不足，提出了自适应k参数非局部核正交保持投影算法。

第9章： 总结与展望。归纳总结本书的研究内容和成果，对存在的问题、研究的不足以及本书后续的研究进行展望。

由于本书作者水平和学识有限，书中难免存在不足之处，恳请广大读者批评与指正。

作者

2020年2月