§7.1 简谐振动的运动学描述 §7.1.1 运动方程 §7.1.2 同方向同频率简谐振动的合成 §7.1.3 同方向不同频率简谐振动的合成 §7.1.4 方向互相垂直、同频率简谐振动的合成 §7.1.5 方向互相垂直、不同频率简谐振动的合成 §7.1.6 非简谐振动的简谐分解 §7.1.7 简谐振动的矢量表述和复数表述 §7.2 简谐振动的动力学性质 §7.2.1 动力学方程 §7.2.2 谐振子的能量 §7.3 保守系的振动 §7.3.1 一个自由度保守系的振动 §7.3.2 多自由度保守系的振动 §7.4 阻尼振动 受迫振动 §7.4.1 阻尼振动 §7.4.2 受迫振动 §7.5 波的运动学描述 7.5.1 波动现象 §7.5.2 平面简谐波 §7.5.3 波的干涉 §7.5.4 波的衍射、反射、折射和驻波 §7.5.5 多普勒效应 §7.5.6 冲击波 §7.6 一维线性波动方程 §7.6.1 波动方程 §7.6.2 一维波动方程的通解 §7.6.3 波在介质界面的反射与透射 §7.7 波的能量 §7.8 真空中电磁波 §7.8.1 三维线性波动方程 §7.8.2 真空中的电磁波

针对齿轮的振动特点,设计了复合过完备时频字典,利用基追踪方法在匹配信号特征结构、直接提取特征信息方面的优势分析了齿轮箱的现场测试振动信号.根据基追踪分解结果,在时频联合域内提取了齿轮局部损伤的周期性冲击特征,识别了齿轮点蚀缺陷.与短时Fourier变换和小波变换等时频分析方法进行了对比分析,验证了基追踪检测齿轮损伤的有效性

概要地叙述了小波、小波包理论,提出了一种用小波包分解和信号重构进行信号滤波的方法.先用小波包分解把信号分解到相邻的不同频率段上,然后用信号重构方法对各个频率段上的信号进行重构.以电机的振动信号为例,说明这种方法可以有效地用于信号的滤波

主要讨论高层建筑结构顺风向静动 力风荷载的计算,采用前面所述风振动 力分析的原理和方法,即按风振随机振 动的振型分解法,且一般只考虑第一振 型的影响

实验一 典型信号的合成和分解 实验二 电涡流传感器静态特性的测量 实验三 测试装置动态特性的测量 实验四 转子转速和齿轮齿数的测量 实验五 机械转子底座的振动测量和分析 实验六 虚拟仪器（Labview）上机实验

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

针对实际振动信号中多分量分离问题,在生成微分方程解调技术的基础上,提出一种新的迭代分解方法.首先采用生成微分方程(generating differential equation,GDE),估计初始振动信号的瞬时频率和幅值包络,然后对瞬时频率通过低通滤波分离出第一个频率,基于此频率对原始信号通过高通滤波器后提取的成分作为第一个分量,最后用初始信号减去第一个分量的余值作为下一次迭代的初始值,迭代同样的步骤分析分解直到获取所有信号分量,以低于能量比阈值作为迭代终止条件.本方法不需要先验信息.通过仿真信号验证并与传统方法进行对比分析,证明了方法的有效性.通过实测轴承试验信号的故障分析,证明了方法的实用性

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

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

针对滚动轴承的内圈、外圈和滚动体故障提出了一种新的诊断方法,该方法融合了集总经验模态分解(EEMD)、形态谱和支持向量机(SVM)三种方法的优势.首先,利用经验模态分解对滚动轴承故障振动信号进行分解,得到若干个具有物理意义的内禀模态分量(IMF);其次,基于最大能量法筛选出含有故障特征信息最丰富的一个内禀模态分量为故障诊断数据源;再次,对数据源在选定尺度范围内进行形态谱的提取,从而构造故障特征向量;最后,利用支持向量机对滚动轴承的三种故障进行诊断.研究结果表明,该方法能够有效地诊断出滚动轴承的三种故障,且具有很高的故障诊断正确率