图书介绍
EEMD方法及其在机械故障诊断中的应用PDF|Epub|txt|kindle电子书版本网盘下载
- 张梅军，唐建，何晓晖著 著
- 出版社： 北京：国防工业出版社
- ISBN：9787118104790
- 出版时间：2015
- 标注页数：174页
- 文件大小：24MB
- 文件页数：184页
- 主题词：机械设备－故障诊断－方法
PDF下载
下载说明
EEMD方法及其在机械故障诊断中的应用PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 EMD方法1
1.1 内禀模态函数1
1.1.1 EMD分解过程2
1.1.2 EMD筛分终止条件5
1.2 Hilbert变换和Hilbert谱6
1.3 EMD的特点和存在的问题7
1.3.1 EMD的特点7
1.3.2 EMD存在的问题8
1.4 端点效应和信号延拓12
1.4.1 波形匹配延拓法12
1.4.2 极值延拓法14
1.4.3 数据预测延拓法15
第2章 EEMD方法17
2.1 EEMD方法概述17
2.2 EEMD方法的优点及存在的问题19
2.2.1 EEMD方法的优点20
2.2.2 EEMD存在的问题23
2.3 EEMD方法改进效果的评价方法26
2.3.1 仿真信号EEMD改进评价方法26
2.3.2 实测信号EEMD改进评价方法27
第3章 EEMD改进方法29
3.1 EEMD降噪29
3.1.1 EEMD阈值降噪30
3.1.2 EEMD自相关降噪32
3.1.3 EEMD奇异值差分谱降噪34
3.2 基于频率截止的EEMD算法改进38
3.2.1 基于频率截止的EEMD算法改进方法38
3.2.2 仿真信号验证39
3.2.3 实测信号验证43
3.3 改进三次样条插值的EMD（EEMD）方法46
3.3.1 常用插值函数拟合效果分析46
3.3.2 基于极值中心三次样条插值的改进EMD（EEMD）方法48
3.3.3 极值中心三次样条插值的实例分析49
3.3.4 包络能量阈值法56
3.4 EEMD的端点延拓方法60
3.4.1 基于支持向量回归机的EEMD延拓方法60
3.4.2 基于极值点SVRM的EEMD延拓方法63
3.4.3 基于极值波延拓的EEMD端点效应处理方法69
3.5 EEMD的虚假IMF分量识别76
3.5.1 基于时域互相关系数的EEMD虚假IMF分量识别77
3.5.2 基于频域互相关系数的EEMD虚假IMF分量识别79
3.5.3 能量熵增量的EEMD虚假IMF分量识别82
第4章 SVRM延拓的影响分析85
4.1 SVRM预测长度的影响85
4.1.1 预测长度对预测精度的影响85
4.1.2 预测长度对运算效率的影响86
4.2 SVRM样本点数的影响88
4.2.1 样本点数对预测精度的影响88
4.2.2 样本点数对运算效率的影响89
4.3 信号采样频率的影响89
4.4 信号复杂性的影响90
第5章 EEMD方法的应用92
5.1 改进EEMD在信号趋势分析中的应用92
5.1.1 改进的EEMD分解与小波分解提取趋势项的比较92
5.1.2 改进的EEMD分解与EMD、EEMD分解提取趋势项的比较94
5.2 改进的EEMD在调制信号分析中的应用96
5.2.1 改进的EEMD在调幅信号中的应用97
5.2.2 改进的EEMD在调频信号中的应用98
5.2.3 改进的EEMD在幅频调制信号中的应用98
5.3 改进的EEMD在信号奇异性检测中的应用99
5.3.1 FFT时频分析在信号奇异性检测中的应用99
5.3.2 STFT时频分析在信号奇异性检测中的应用99
5.3.3 WVD时频分析在信号奇异性检测中的应用99
5.3.4 WT时频分析在信号奇异性检测中的应用100
5.3.5 EMD时频分析在信号奇异性检测中的应用101
5.3.6 EEMD时频分析在信号奇异性检测中的应用101
5.3.7 改进的EEMD时频分析在信号奇异性检测中的应用102
5.4 改进的EEMD在机械故障诊断中的应用102
5.4.1 改进的EEMD在轴承故障诊断中的应用103
5.4.2 改进的EEMD在液压系统故障诊断中的应用105
第6章 SVM智能诊断理论及参数优化112
6.1 SVM理论112
6.1.1 统计学习基本理论112
6.1.2 SVM原理114
6.2 SVM的分类115
6.2.1 最大间隔分类SVM115
6.2.2 软间隔分类SVM117
6.2.3 基于核的SVM118
6.3 SVM多分类器算法119
6.3.1 “一对多”多分类算法120
6.3.2 “一对一”多分类算法120
6.3.3 层次多分类算法121
6.4 SVM参数的优选121
6.4.1 SVM参数优选的网格寻优法121
6.4.2 SVM参数优选的粒子群算法（PSO）122
6.4.3 SVM参数优选的遗传算法（GA）124
6.4.4 SVM的优化对分类的影响126
6.5 各参数对SVM分类的影响130
6.5.1 特征向量维数对分类的影响130
6.5.2 样本变化对分类的影响131
第7章 EEMD与SVM结合的智能诊断方法134
7.1 EEMD与SVM结合的智能诊断方法134
7.2 EEMD与SVM结合的高维大样本二分类故障识别135
7.2.1 EEMD与SVM结合的轴承故障高维大样本二分类识别135
7.2.2 EEMD与SVM结合的液压故障高维大样本二分类识别141
7.3 EEMD与SVM结合的低维小样本二分类故障识别149
7.3.1 EEMD与SVM结合的轴承故障低维小样本识别149
7.3.2 EEMD与GA-SVM结合的液压故障低维小样本识别150
7.4 EEMD与SVM结合的超低维小样本二分类识别152
7.4.1 EEMD与SVM结合的液压冲击故障超低维小样本识别152
7.4.2 EEMD和GA-SVM结合的液压故障超低维小样本二分类识别158
7.4.3 EEMD与SVM结合的轴承故障超低维小样本识别159
7.5 EEMD与SVM结合的多分类故障识别161
7.5.1 EEMD与SVM结合的液压故障高维大样本多分类识别161
7.5.2 EEMD与SVM结合的液压故障超低维超小样本多分类识别163
7.5.3 EEMD与SVM结合的液压泄漏故障高维大样本多分类识别164
7.5.4 EEMD与SVM结合的液压泄漏故障超低维超小样本多分类识别166
7.5.5 EEMD与SVM结合的液压冲击故障高维大样本多分类识别168
7.5.6 EEMD与SVM结合的轴承故障超低维超小样本多分类识别169
参考文献172