機械傳動部件是機電裝備中起承載和傳動作用的關鍵部件，一旦傳動部件出現損傷，就會引起裝備振動加劇。若沒有及時檢測出裝備的異常狀態(tài)，隨著故障程度的惡化，就可能引起機電裝備長時間停機導致經濟損失，甚至引發(fā)安全事故。為避免因機械傳動部件的故障而造成巨大損失，對傳動部件的狀態(tài)進行故障診斷、監(jiān)測以及性能退化評估具有重要的意義。機電裝備的振動特性反映裝備當前的狀態(tài)，利用振動信號進行分析是近年來機械故障診斷領域中研究的熱點和難點。由于機電裝備結構復雜、工況波動、隨機干擾等因素的影響，機械振動信號具有非線性、非平穩(wěn)性、強噪聲的特點，導致傳動部件早期的微弱損傷容易被忽視，當檢測到異常時，傳動部件往往已嚴重損傷。因此，本書以機電裝備中的機械傳動部件為研究對象，結合信號處理、流形學習和深度學習等理論方法，研究故障診斷、狀態(tài)監(jiān)測與性能退化評估方法。

本書共分9章，主要內容如下。

第1章： 針對機電裝備中機械傳動部件的故障診斷問題，在緒論中闡明了本書研究的背景與意義，并分析了當前國內外在機械故障診斷領域研究的熱點以及部分診斷方法的不足。

第2章： 分析機電裝備中典型傳動部件如軸承、齒輪、軸的振動機理以及故障特征，為基于數據驅動的故障診斷奠定了理論基礎。

第3章： 介紹機械故障診斷領域常用的故障特征構造方法，包括時域特征、頻域特征、時頻域特征，以及基于小波分析、經驗模態(tài)分解的多尺度特征構造方法。為獲取敏感判別性強的特征，闡述了常用的特征選擇方法，以及基于流形學習和深度學習的非線性特征提取方法，為故障診斷、狀態(tài)監(jiān)測與性能退化評估提供技術支撐。

第4章： 論述基于Teager能量譜多尺度信號分解的故障診斷方法。針對應用集合經驗模態(tài)分解方法難以提取強噪聲背景下滾動軸承微弱故障特征的問題，提出將最小熵反褶積和小波閾值去噪與EEMD結合的改進方法。采用最小熵反褶積對滾動軸承振動信號降噪，增強沖擊特征； 然后利用基于EEMD的小波閾值去噪方法處理降噪后信號得到一組固有模態(tài)分量，并依據相關系數準則剔除虛假分量； 對重構信號進行Teager能量算子解調分析，提取其微弱故障特征。

第5章： 討論基于雙樹復小波包主流形重構的故障診斷方法。針對采集的機電裝備振動信號具有非線性、非平穩(wěn)性和噪聲干擾的特點，提出基于雙樹復小波包主流形重構的去噪方法，凸顯典型譜特征進行診斷。

第6章： 介紹基于自適應流形學習的故障診斷方法。該方法的特征是可反映裝備狀態(tài)的指標，針對敏感特征選擇方法存在去除有用信息、健壯性和通用性不強等不足，采用局部切空間排列流形學習方法進行特征的非線性融合，以挖掘原始振動信號中的本質信息。但局部切空間排列算法中鄰域圖的近鄰參數難以合理選擇，動態(tài)增加的數據影響算法的計算效率。為此，分別提出了自適應鄰域參數選擇的局部切空間排列算法和增量式監(jiān)督局部切空間排列算法。

第7章： 闡述基于深度卷積變分自編碼的故障診斷方法。針對轉速和負載變化情況下的故障診斷，采用一般機器學習的診斷方法難以自動適應工況變化的影響。深度學習可利用網絡深度優(yōu)勢挖掘更強健壯性的特征，基于自編碼和卷積神經網絡理論，提出一種深度卷積變分自編碼網絡。針對小樣本有標簽信息的故障診斷和大樣本無標簽信息的故障診斷，利用遷移學習理論，提出基于小樣本的監(jiān)督模型遷移和基于標簽傳遞的無監(jiān)督模型遷移。結合多傳感器能多角度反映機械傳動部件的狀態(tài)，相較于單傳感器的故障診斷，多傳感器多模型的選擇性集成學習更能多方位表征傳動部件的狀態(tài)，為平衡模型的差異性和準確度進行模型選擇，提出基于多傳感器多模型的選擇性集成學習模型，以提升模型診斷性能。

第8章： 介紹基于流形特征增強的狀態(tài)監(jiān)測與性能退化評估方法。監(jiān)測指標和監(jiān)測模型是狀態(tài)監(jiān)測的核心，針對能保持數據結構全局特性或者局部結構特性的流形學習方法分別構造監(jiān)測模型，在一定程度上損失了部分數據信息，并不能全面地反映數據中潛在結構的敏感性，影響監(jiān)測指標的靈敏度。為此，綜合優(yōu)化樣本局部和全局結構關系，提出了非局部核正交保持嵌入算法，為改善參數選擇依賴人工經驗的不足，提出了自適應k參數非局部核正交保持投影算法。

第9章： 總結與展望。歸納總結本書的研究內容和成果，對存在的問題、研究的不足以及本書后續(xù)的研究進行展望。

由于本書作者水平和學識有限，書中難免存在不足之處，懇請廣大讀者批評與指正。

作者

2020年2月