针对滚动轴承故障振动信号的特点,考虑变分模式分解在复杂信号分解及微积分增强能量算子在瞬态成分检测方面的优势,提出基于变分模式分解和微积分增强能量算子的滚动轴承故障诊断方法.首先利用变分模式分解将复杂信号分解为多个本质模式函数,以削弱背景噪声的影响和满足能量算子对信号单分量的要求;然后根据提出的敏感分量选取原则,从本质模式函数中选出包含主要故障信息的本质模式函数为敏感分量;最后利用微积分增强能量算子强化敏感分量中的瞬态冲击,并根据敏感分量瞬时能量的时域波形及Fourier频谱诊断滚动轴承故障.分析结果表明该方法能够有效诊断滚动轴承故障

振动信号的周期性冲击及其重复频率是滚动轴承故障诊断的关键.本文提出了一种基于集合经验模式分解和交叉能量算子提取滚动轴承故障特征的方法.首先,应用集合经验模式分解方法将振动信号分解为本征模式函数以满足交叉能量算子对信号单分量的要求.然后根据相关程度和峭度从本征模式函数中选取敏感分量,计算敏感分量和原始信号的瞬时交叉能量及其傅里叶频谱.最后根据交叉能量的频谱结构和特征频率识别轴承故障.通过分析滚动轴承故障仿真信号和实验测试信号,诊断了滚动轴承元件故障,验证了该方法的有效性

行星齿轮箱振动信号包含多种频率成分和噪声干扰，频谱具有复杂的边带结构，容易对故障识别造成误导甚至引起错判.在不同故障状态下，行星齿轮箱振动信号的多域特征量将偏离正常范围且偏离程度不同，根据这一特点，提取振动信号的时域、频域特征参量用于故障识别.为了避免传统分析方法中负频率及虚假模态问题，增强对噪声干扰的鲁棒性，采用局部均值分解法将信号自适应地分解为单分量之和，提取时频域单分量瞬时幅值能量.针对多域特征空间构造过程中出现的高维及非线性问题，采用流形学习对数据进行降维处理.提出基于改进的虚假近邻点的本征维数估计及最优k邻域确定方法，并通过等距映射对多域特征空间进行降维分析.对于行星齿轮箱实验信号，根据样本流形特征聚类结果，分别识别出了太阳轮、行星轮和齿圈的局部故障，从而验证了上述方法的有效性

第1章 音响设备概述 1.1 音响技术的基本概念 1.2 高保真音响系统的基本组成 1.3 音响设备的基本性能指标 1.4 声音的基本知识 第2章 调谐器 2.1 调谐器的基本组成 2.2 调幅接收电路 2.3 调频接收电路 2.4 立体声解码电路 2.5 典型调频/调幅调谐器 2.6 数字调谐器 第3章 录音座 3.1 磁记录原理 3.2 录音座电路 3.3 磁头、磁带及驱动机构 3.4 机芯控制电路 3.5 典型整机电路 第4章 功率放大器 4.1 功率放大器的基本组成 4.2 前置放大器 4.3 图示均衡器 4.4 功率放大器 第5章 调音台 5.1 调音台概述 5.2 调音台的操作使用 5.3 调音台典型电路分析 ＊ 第6章 家庭影院AV系统 6.1 AV系统的组成 6.2 环绕声系统 6.3 AV功率放大器 6.4 扬声器系统（音箱） 6.5 家庭影院AV系统的配置 第7章 数字音响设备 7.1 激光唱机（CD机） 7.2 MD微型磁光盘唱机 ＊ 7.3 MP3播放机 第8章 音响设备的故障检修 8.4 激光唱机的故障检修 8.2 录音座的故障检修 8.1 音响设备的故障检修方法 8.3 数字调谐器的故障检修

建立了非平稳运行工况下行星齿轮箱共振频带内的声音信号解析模型，揭示了齿轮故障特征在声音信号共振频带内的分布规律。根据共振频率不随转速变化的特点定位了齿轮箱共振频率，为在共振频带内提取齿轮故障特征奠定基础。针对传统时频分析方法时频分辨率低的缺陷，研究了基于高阶同步压缩变换的时变故障特征提取方法。通过数值仿真和实验信号分析，验证了所提出的声音信号模型与行星齿轮箱故障特征分布规律的正确性，以及利用高阶同步压缩变换方法提取共振频带内行星齿轮箱故障特征的有效性

一、热力学状态参数 二、压—焓图的形成及应用 三、制冷剂的种类、命名及性质 四、电冰箱的类型、结构与工作原理 五、电冰箱制冷系统的主要部件与结构 六、电冰箱电器控制系统的工作原理 七、电冰箱常见故障的分析和维修

为了给数控机床故障的精准诊断提供保障，延长数控机床使用周期，以数控机床历史维修记录为研究对象，对数控机床设备故障领域的命名实体识别进行了研究。在分析历史维修记录中的故障描述特点后，提出了一种基于双向长短期记忆网络（Bidirectional long short-term memory, BLSTM）与具有回路的条件随机场（Conditional random field with loop, L-CRF）相结合的命名实体识别方法。首先，对输入语句进行分词和标注，使用Word2vec中的Skip-gram模型对标注语料进行预训练，将其生成的字向量通过词嵌入层转化为字向量序列；然后，将字向量序列输入BLSTM学习长期依赖信息；最后将句子表达输入L-CRF获取全局最优序列。实验结果表明，该方法明显优于其他命名实体识别方法，为数控机床设备的智能检修与实时诊断任务打下了坚实的基础

深度神经网络技术用于机械设备故障诊断展现出了巨大潜力，但繁重复杂的计算量对计算机硬件提出了严苛的要求，严重限制了其在实际工程中的应用。基于此提出一种新型的轻量级神经网络ShuffleNet，用于高速列车轮对轴承故障诊断研究。该网络模型基于模块化设计思想，包含多个高效率的ShuffleNet单元，通过运用分组卷积与深度可分离卷积技术极大改善了传统卷积操作的运算效率；同时使用通道混洗方法克服了通道分组带来的约束，改进了网络的损失精度。实验分析表明，所提网络模型可有效用于复杂工况下高速列车轮对轴承故障诊断，相比传统卷积神经网络、残差网络和Xception等当前深度神经网络模型，在保证诊断精度的同时，运行效率得到大幅提升。这为深度神经网络技术应用于工程实际，克服计算机硬件条件限制提供了一条新的途径

首次提出将小波分解应用于非平稳时间序列的预测中,通过小波分解将非平稳时间序列分解为多层近似意义上的平稳时间序列,并且用AR(n)模型对分解后的时间序列进行预测,进而得到最终的预测结果.将该方法应用于压缩机轴承座磨损的趋势预测中,通过与基于BP网络的预测方法相比较表明:该方法预测精度高,而且预测速度快,可以有效地应用设备状态的预测和设备故障趋势的分析中

第一章 机械可靠性设计概述 第二章 机械可靠性设计基础 第三章 可靠性设计基本方法 第四章 机械系统的可靠性分析 第五章 机械系统的故障分析 第六章 机械零件的疲劳强度可靠度分析