研究思路及内容范围梳理

基于振动分析的旋转机械故障模式识别系统有三个核心环节：第一是故障信号的获取；第二是提取故障特征；第三是模式分类。本书将这三个方面作为研究目标，整个研究工作都是围绕着它们展开，在介绍相关技术时按照故障模式分类工作流程顺序推进，分模块进行详细介绍，最后综合阐述。本书的各章节安排如下：

第1章是绪论。主要介绍了旋转机械进行振动故障模式识别的重要意义以及研究背景等情况。围绕目前国外和国内关于故障诊断技术的发展现状展开了讨论，同时对研究方向以及研究思路进行了阐述。总结归纳了本书主要的创新特点，最后对书中的章节结构安排进行了说明。

第2章首先对旋转机械工作原理进行了介绍，然后详细描述了旋转机械故障机理和典型故障，最后对振动故障诊断的工作流程进行了描述。

第3章主要围绕振动数据采集系统的设计与实现展开。本书从数据采集的工作原理入手，详细对采集系统中主要几个功能模块进行了说明，每个功能模块从原理到具体实现都进行了详细描述。最后对硬件相关的性能指标进行了评测。另外，还对与硬件配套使用的数据采集软件进行了详细的介绍和说明。

第4章介绍了常用故障模式识别的主要分析方法，主要从特征提取和模式识别方面进行了说明，同时将不同方法之间进行了对比分析。(www.xing528.com)

第5章主要探讨了振动故障的特征提取问题，对振动故障提取的概念和原理进行了介绍。在传统振动故障特征提取的基础上，引入小波变换，进而针对小波变换的不足之处，推导出小波能量时谱和小波能量最大层功率谱的分析方法。提出了VWC故障特征提取的方法，该方法对微弱的振动征兆提取具有很大的优势。

第6章首先对人工神经网络、支持向量机SVM和深度学习分类方法进行了说明和比较，通过分析发现支持向量机更加适合旋转机械的振动故障分析。然后进一步对SVM进行了全面的介绍并且实现了算法。同时，为了提高SVM分类识别率，本书提出了用改进型混合蛙跳算法MSFLA对SVM参数进行寻优处理。最后通过实验数据证明了MSFLA-SVM的有效性。

第7章结论部分总结了基于振动分析旋转机械故障模式识别系统的主要研究工作，明确了未来的研究发展方向。