本书面向机械故障诊断及预测技术领域的发展需求，特别是旋转机械在高速运转状态时的特征提取与故障诊断研究需求。同时，本书介绍了迁移学习理论及其在机械大数据中的应用，将机械设备及部件的历史监测大数据迁移到实际工程问题中的小数据领域，解决故障诊断中数据和知识稀缺问题。本书介绍了旋转机械故障诊断技术的方法体系、框架和算法，内容包括绪论、故障机理及分析、多域特征提取、特征压缩、故障诊断方法及滚动轴承性能退化评估理论和应用。此外，各章节内容均涉及相关领域基础知识的介绍，并配有工程应用案例，能够为不同层次的读者与研究人员提供入门知识和参考信息。
本书可供从事机械故障诊断、设备健康管理及维护的工程师使用和参考，也可作为机械类、模式识别相关专业的研究生辅助教材。

第1章 绪论
1.1 旋转机械故障诊断研究现状
1.1.1 机理分析
1.1.2 特征提取
1.1.3 特征压缩
1.1.4 故障诊断
1.2 非平稳信号分析方法研究现状
1.2.1 非平稳信号的自适应分析方法研究现状
1.2.2 非平稳信号的阶比跟踪分析方法研究现状
1.3 迁移学习方法研究现状
1.3.1 领域适应学习方法研究现状
1.3.2 聚类及迁移聚类方法研究现状
1.4 轴承性能退化评估及预测方法研究现状及目前存在的问题
1.4.1 退化评估及预测方法研究现状
1.4.2 目前存在的问题
本章小结\t
参考文献\t
第2章 故障机理及分析
2.1 轴承故障
2.1.1 产生机理
2.1.2 故障形式
2.1.3 特征频率
2.2 齿轮故障
2.2.1 故障形式
2.2.2 振动特点
2.3 转子不对中故障
2.3.1 故障形式
2.3.2 振动特点
2.3.3 振动形态特征
本章小结\t
参考文献\t
第3章 非平稳信号的时频分析及故障特征提取
3.1 时频分析方法理论
3.1.1 基本概念
3.1.2 基本方法
3.2 小波包分析
3.2.1 小波包变换原理与分析
3.2.2 小波包频带能量分解原理
3.3 自适应分析
3.3.1 EMD方法
3.3.2 EEMD方法
3.3.3 EMD与EEMD对比分析
3.4 基于小波包频带能量分布的滚动轴承故障特征提取
3.4.1 轴承故障实验装置
3.4.2 小波基函数选择
3.4.3 小波包频带能量划分
3.4.4 实验结果与分析
3.5 基于EEMD的转子不对中故障特征提取
3.5.1 不对中故障实验装置
3.5.2 基于EEMD-小波包频带能量的不对中故障特征提取方法
本章小结\t
参考文献\t
第4章 非平稳信号的阶比跟踪分析及故障特征提取
4.1 阶比跟踪分析方法的提出
4.2 阶比跟踪分析方法的实现
4.2.1 硬件阶比跟踪技术
4.2.2 计算阶比跟踪技术
4.2.3 无转速计阶比跟踪技术
4.3 基于EEMD瞬时频率估计的无转速计阶比跟踪分析
4.3.1 角域重采样
4.3.2 阶比谱分析
4.4 不对中故障的阶比-小波包频带能量特征提取
4.4.1 基于瞬时频率估计的不对中故障阶比跟踪分析
4.4.2 小波包频带能量特征提取
本章小结\t
参考文献\t
第5章 基于LMD能量投影法的故障诊断
5.1 LMD
5.1.1 LMD方法
5.1.2 分解效果的评价
5.1.3 基于加权优化的PF分量重构
5.2 基于能量投影法的特征提取
5.3 基于LMD能量投影的滚动轴承故障诊断
5.3.1 特征提取
5.3.2 诊断识别
本章小结\t
参考文献\t
第6章 基于粗糙集属性约简的故障特征压缩
6.1 粗糙集理论
6.1.1 基本概念
6.1.2 连续属性的离散化
6.1.3 决策表的约简
6.2 基于FCM的属性离散化方法
6.2.1 模糊集与聚类
6.2.2 基于FCM的离散化
6.3 实验与分析
6.3.1 汽轮机故障特征压缩
6.3.2 转子不对中故障特征压缩
本章小结\t
参考文献\t
第7章 滚动轴承性能退化特征提取与选择
7.1 LCD
7.1.1 ISC
7.1.2 LCD的分解过程
7.2 多域特征提取
7.2.1 时域特征
7.2.2 频域特征
7.2.3 时频域特征
7.2.4 LCD谱熵特征
7.3 混合域特征选择
7.3.1 特征评价准则
7.3.2 基于Hausdorff距离的特征相似性分析
7.3.3 基于综合评价准则的特征选择
7.4 滚动轴承混合域退化特征选择算法流程
7.5 实验与分析
7.5.1 仿真分析
7.5.2 不同损伤程度实验
本章小结\t
参考文献\t
第8章 基于迁移学习的谱聚类
8.1 谱聚类理论
8.1.1 基本理论
8.1.2 经典谱聚类算法框架
8.2 迁移学习理论
8.2.1 基本概念
8.2.2 迁移学习的类型
8.2.3 迁移学习的方法
8.2.4 领域适应学习
8.3 基于迁移学习的谱聚类算法
8.3.1 流形距离度量
8.3.2 基于流形距离的自适应迁移谱聚类方法
8.3.3 实验与分析
本章小结\t
参考文献\t
第9章 滚动轴承多退化特征融合
9.1 基于迁移谱聚类的退化特征类敏感度评价
9.2 基于类敏感度与重叠趋势性的特征融合算法
9.3 滚动轴承多退化特征融合算法流程
9.4 多特征融合实验与分析
9.4.1 仿真分析
9.4.2 实验验证
9.5 滚动轴承剩余寿命预测实验与分析
9.5.1 数学模型仿真数据验证
9.5.2 全寿命周期实验数据验证
本章小结\t
参考文献

随着工业及科技水平的不断提高，旋转机械的性能
在逐步提升，相应的结构形式也日趋复杂。由于长期连
续工作在高载荷、高转速下，旋转机械传动系统中的轴
承及齿轮等部件发生故障比例增高，导致机械设备整体
性能下降，甚至产生故障或事故。因此，研究实用、可
靠的轴承及齿轮等旋转件的特征提取及状态评估技术一
直是机械故障诊断领域的研究重点。旋转机械系统结构
复杂，故障成因多种多样，振动问题也因此十分复杂。
特别是在旋转机械处于高速运转状态时，振动信号表现
出明显的非平稳、信噪比低及变化剧烈等特点，使得对
振动信号的特征提取与分析工作难以有效进行。准确提
取复杂工况下旋转机械故障振动特征，揭示其早期或潜
在的故障发生、发展和转移规律，同样也是旋转机械故
障诊断及预测研究工作中的热点和难点问题。
目前，可以用于旋转机械故障诊断的状态监测信息
很多，如温度、声音、振动和应力等。其中，振动信号
蕴含了丰富的机械设备异常或故障信息，已逐渐成为实
现故障诊断的一种主要途径。对振动参数变化规律进行
有效分析，可为设备故障特征识别提供重要依据。当旋
转机械处于高速运作状态时，由于运行环境恶劣，受载
复杂，振动信号对于转速、负载等工况波动的反应将变
得更为敏感，信号变化剧烈，产生了快速的时变信号，
同时伴随着严重的噪声污染，振动信号中原本有限的有
用成分更为微弱，信噪比低，这使得对振动信号的准确
分析变得更为困难。作者针对这个问题，从时频域及角
域对非平稳振动信号进行了特征提取，有效地实现了轴
承及转子故障诊断。
科技进步及工业需求的日益发展，对现代复杂机械
装备的可靠性提出了更高要求。轴承的性能可由完好逐
渐经历一系列不同退化状态直至完全失效。一般来说，
轴承服役寿命并不长，如航空发动机主轴承服役寿命仅
为数百小时，数控机床高速主轴轴承寿命为数千小时，
一旦运行时间超出服役寿命，其运行精度会急剧下降，
进而导致航空发动机、数控机床等装备无法正常工作。
因此，研究复杂工况下可靠而实用的轴承性能退化评估
对于优化装备的售后服务，提高产品附加值意义重大。
实际应用中，随着材料制造工艺的进步，重要机械零件
往往寿命较长且昂贵，大批量开展全寿命试验收集大量
状态数据并不现实。另外，设备所处的外部运行环境差
异大，获得的有限实验样本在应用时通用性很差，且不
一定会涵盖退化过程中所有状态。实际上，由于制造误
差、材料差异及工作环境等随机因素的影响，即使是同
批次产品之间的退化也存在个体差异。这些会导致预测
中一个非常突出的问题，即通用样本太少，严重影响预
测模型的可靠性、有效性和鲁棒性。当可用样本过少时
，建立一个良好的预测模型将变得非常有挑战性。目前
的数据驱动预测方法在理论上都无一例外地需要足够多
的样本作为支撑，如卡尔曼（Kalman）滤波和粒子滤波
及其改进算法需要用大量的样本来很好地近似系统的后
验概率密度，而机器学习方法除了要求训练及测试样本
充足外，还要求两者之间保持独立同分布，因而面临着
共同的挑战。
随着机械大数据时代的到来，机械装备及部件的历
史数据越来越多，但这些数据相关却不相似，无法直接
用于建立预测模型。如何有效地将历史监测大数据迁移
到具体应用中的小数据领域，解决数据和知识稀缺的问
题，是故障预测领域中的机遇与挑战，将成为一个新的
研究热点。作者将迁移学习引入机械故障诊断中，使传
统的学习由从零开始变得可累积，从而显著提高学习效
率。
全书共分为9章，第1和2章介绍了机械故障特征提
取与诊断基本概念、体系和机理，并分析了发展现状；
第3～5章介绍了振动信号在时频域及角域的分析方法，
利用小波包能量法、LMD能量投影法、EEMD-小波包频带
能量法提取了滚动轴承及转子不对中故障特征；第6章
利用粗糙集理论实现了故障特征压缩；第7～9章介绍了
滚动轴承性能退化评估方法，包括多域特征提取及融合
算法。
由于作者水平有限，书中难免存在一些欠妥和疏漏
之处，敬请广大读者批评指正。
作 者
2021年7月于沈阳