《人工智能驱动的机械故障诊断技术及应用》力求以方法科普为基础，深化拓展为核心，案例驱动为抓手，图文并茂地向广大读者介绍机械故障诊断的流程、方法与实践。
本书共11章内容，具体包括绪论、机械故障诊断的信号处理方法、机械故障特征提取与选择技术、机械故障诊断技术、基于深度学习的信号特征提取技术、基于迁移学习的智能故障诊断技术、基于增量学习的故障诊断技术、小样本下基于虚实融合的旋转机械设备故障诊断方法、典型旋转机械设备故障智能诊断、端边云集成技术在机械设备智能维护中的应用和机械设备故障智能诊断系统。
本书可用作机械故障信号处理、智能诊断、深度学习等领域的入门图书，也适合机械工程、电子信息及相关交叉学科硕士研究生及以上学历学生作为教材使用。

随着我国研究生教育事业的蓬勃发展以及高等教育各学科交叉融合逐渐深化，机械工程及其各交叉学科领域对多学科、全方位、双向拓展教育的需求日趋迫切，研究生多领域融合、理论与实践携手共进能力亟待加强。
为帮助机械工程及相关专业研究生熟练掌握机械设备故障诊断相关理论、方法与实践，给其他专业的读者快速科普机械工程、故障诊断基础，我们编写了《人工智能驱动的机械故障诊断技术及应用》一书，力求以方法科普为基础、深化拓展为核心、案例驱动为抓手，图文并茂地向广大读者介绍机械故障诊断的流程、方法与实践，理清各环节重点、难点以及痛点。
机械故障诊断一直以来都是机械工程领域的重要研究方向。保障关键机械设备高效率、高可靠地稳定运行，对个人、企业乃至国家来说都至关重要，这也是实现大型智能化系统局部保障的关键因素。目前，机械设备呈现智能化水平日趋拔高、系统集成化程度持续完善、高精尖技术融合度不断攀升的发展趋势，特别强调了机械设备在多维度多立体复杂作业场景下的可控性、可诊性以及可维护性。机械故障诊断一般包括环境感知、特征抽取、模式匹配、故障分类以及故障预测等系列环节，传统的故障诊断模式往往组合各个关键环节的关键方法形成解决方案，通过信号处理、特征提取、分类聚类等技术完成对机械设备故障模式的识别与匹配，在取得一系列成果的基础上，实现了对机械设备关键部件的故障检测及预警，一定程度上降低了设备持续恶化带来的风险，也避免了更大的损失。值得一提的是，近年来，以深度学习为代表的人工智能方法在特征工程、模式识别以及预知预测等领域的重大突破，为机械设备故障诊断技术提供了强有力的理论与技术基础，使机械设备故障诊断技术智能化水平以及普适性得到了进一步提升，基于数据驱动、机理驱动、数据机理双驱动的各类人工智能机械设备故障诊断方法也呈现出前所未有的准确性以及鲁棒性。因此，建立基于多源信息感知、规则特征提取、鲁棒模式识别以及精准故障预测的智能机械设备故障诊断系统，构筑集感知、抽取、匹配及学习于一体的机械故障诊断知识体系，完善机械设备故障诊断智能化新框架及新流程，对实现高端制造加工装备零故障可靠运行及优化、推动我国高端重大机械设备智能化故障诊断进一步发展意义重大。
本书具有以下特点。
① 由浅入深，循序渐进。本书以机械设备故障诊断完整流程为脉络，详细介绍了环境感知（信号收集）、信号处理、特征抽取、特征选择、故障诊断以及预测等各环节的逻辑与方法，并在此基础上对常见机械设备的故障模式及机理作出了简要介绍。
② 图文并茂，易于理解。本书涉及的各信号、规则、特征等相关理论较为复杂，且推理较为烦琐，为帮助读者理解方法背后的理论支撑，进一步加深理论对实践的指导作用，我们采用了图文结合的方式对相关理论进行介绍和描绘，相信能帮助读者跨越理解瓶颈，掌握核心要素。
③ 案例驱动，注重实践。本书各个章节所提及的相关理论与方法都尽可能地辅以实际案例进行示范以及验证，并对各个方法所涉及的原理、数据、模型以及效果进行了呈现，也最大限度地保障各位读者能够复现相关基础实例，以加深自身理解、提高实际应用能力。相信通过本书的阅读，各位读者将在理论与实践方面都有所收获。
本书是集体智慧与汗水的结晶，丰富内容的背后是相关成员的默默耕耘与付出。本书一些内容来自课题组博士与硕士研究生的毕业论文，包括吕靖香、刘海强、郑小云、刘珈彤、刘兴、沈宗礼、张铖怡、周兴康、陈淑梅、胡天中、程训、王思远、黄佳欢、叶壮、孙远航等。在本书撰写期间，研究生刘文溢、叶壮、苗梦奇、肖朝昂、李时进、王思远、黄佳欢、薛洋洋、蒋子越等做了大量的资料收集、整理与筛选工作，并基于实际案例与数据进行了各项实验以及验证。在此，我们由衷地感谢国家自然科学基金委员会等科研基金方面的多项资助，同时也衷心感谢各位学术界同仁对我们工作的支持与帮助。
高楼大厦始于坚实地基，本书在撰写过程中参考了大量文献资料，并在这些文献资料的基础上进行凝练、总结、编写，并结合自己的工作进行创新以及示范验证。对所引用的资料已经尽可能地罗列在了参考文献之中，但难免有所遗漏，若有遗漏，特在此表示歉意，并向所有参考资料的作者表示崇高的敬意以及真挚的感谢！
盼广大读者通过对本书的阅读，增进对智能制造环境下机械故障诊断技术及方法的热爱，迸发如源泉般的机械、电子及智能信息化的多领域交叉灵感，更助力我国完成从制造大国向制造强国的新时代转型，早日实现建设社会主义现代化强国的百年目标。
由于作者水平有限，书中疏漏、不妥之处在所难免，还望各位读者不吝赐教，不胜感激。

余建波
2025年8月8日

无

第1章 绪论1
1.1机械故障诊断的含义1
1.2机械设备故障诊断的发展2
1.3机械设备故障诊断技术4
1.3.1信号收集与处理技术4
1.3.2特征提取选择及学习技术5
1.3.3故障分类及健康评估技术7
1.4本章小结8
参考文献8

第2章 机械故障诊断的信号处理方法10
2.1振动信号时频域分析10
2.1.1时域分析技术10
2.1.2频域分析技术14
2.1.3包络分析技术20
2.1.4时频域分析技术23
2.2小波分析技术28
2.2.1小波滤波28
2.2.2小波选择29
2.2.3二进小波30
2.2.4提升小波31
2.3Hilbert-Huang变换技术37
2.3.1EMD方法38
2.3.2Hilbert-Huang变换38
2.4LMD技术39
2.4.1LMD算法39
2.4.2LMD的优点及存在的一些不足43
2.5ITD分解技术43
2.5.1固有时间尺度分解算法过程43
2.5.2固有时间尺度分解算法性能分析44
2.6形态学滤波故障特征提取方法45
2.6.1形态学滤波研究现状45
2.6.2形态学基本理论46
2.6.3基于形态学滤波的故障诊断应用47
2.7本章小结52
参考文献53

第3章 机械故障特征提取与选择技术56
3.1特征产生56
3.2基于数据投影的特征提取与选择技术57
3.2.1主成分分析57
3.2.2独立主元分析58
3.2.3线性判别式分析58
3.3基于流形学习的特征提取与选择技术59
3.3.1拉普拉斯特征映射算法60
3.3.2局部保持投影算法61
3.3.3局部和非局部保持投影62
3.4案例分析63
3.5本章小结66
参考文献67

第4章 机械故障诊断技术68
4.1专家系统68
4.1.1专家系统概述68
4.1.2诊断知识的表示71
4.1.3诊断推理和知识获取72
4.2模糊理论73
4.2.1隶属度函数及模糊矢量73
4.2.2模糊关系方程75
4.2.3模糊诊断准则81
4.3人工神经网络81
4.3.1人工神经网络原理81
4.3.2神经网络结构84
4.3.3基于神经网络的故障诊断87
4.3.4基于神经网络的故障诊断实例88
4.4支持向量机91
4.4.1统计学习理论91
4.4.2支持向量机的原理92
4.4.3基于支持向量机的故障诊断95
4.4.4基于SVM的故障诊断实例95
4.5隐马尔可夫模型97
4.5.1概率计算问题及其前后向算法98
4.5.2状态预测问题及其Viterbi算法99
4.5.3参数学习问题及其Baum-Welch算法100
4.6本章小结101
参考文献101

第5章 基于深度学习的信号特征提取技术103
5.1基于深度置信网络的故障诊断方法103
5.1.1深度置信神经网络的基本原理103
5.1.2深度置信神经网络的结构105
5.1.3基于深度置信网络的设备故障诊断模型106
5.2基于堆叠降噪自编码器的故障诊断方法107
5.2.1堆叠降噪自编码器的基本原理107
5.2.2堆叠降噪自编码器的结构109
5.2.3堆叠降噪自编码器的训练流程109
5.2.4基于堆叠降噪自编码器的特征提取实例110
5.3基于卷积神经网络的故障诊断方法112
5.3.1卷积神经网络的基本结构112
5.3.2卷积神经网络的基本特征114
5.3.3卷积神经网络的优化改进115
5.3.4基于多通道一维卷积神经网络的齿轮箱故障诊断实例117
5.4基于卷积自编码器的故障诊断方法120
5.4.1卷积自编码器的基本原理120
5.4.2卷积自编码器的结构121
5.4.3一维残差卷积自编码器123
5.4.4基于一维残差卷积自编码器的齿轮箱故障诊断实例127
5.5本章小结130
参考文献131

第6章 基于迁移学习的智能故障诊断技术132
6.1迁移学习的概念132
6.2基于迁移学习的域自适应技术134
6.2.1最大均值差异（MMD）135
6.2.2相关对齐（CORAL）135
6.2.3对抗学习136
6.3基于迁移学习的特征提取与故障诊断技术136
6.4基于对抗学习的特征提取与故障诊断技术140
6.5本章小结144
参考文献144

第7章 基于增量学习的机械故障诊断技术146
7.1增量学习的概念146
7.2基于生成对抗网络的增量学习147
7.2.1生成式对抗网络147
7.2.2基于GAN的增量学习149
7.3基于增量学习的机械故障诊断149
7.4本章小结153
参考文献153

第8章 小样本下基于虚实融合的旋转机械设备故障诊断方法154
8.1小样本下旋转机械设备故障诊断154
8.2基于仿真与迁移的虚实融合方法156
8.3基于虚实融合的旋转机械设备故障诊断方法157
8.3.1齿轮箱物理模型构建157
8.3.2对抗局部域自适应网络160
8.3.3小样本下数据增强和故障诊断流程161
8.4实验分析162
8.4.1参数设置163
8.4.2仿真信号分析164
8.4.3齿轮箱故障诊断165
8.4.4特征可视化166
8.4.5比较分析166
8.4.6敏感性分析168
8.5本章小结169
参考文献169

第9章 典型旋转机械设备故障智能诊断170
9.1滚动轴承故障及其诊断方法170
9.1.1滚动轴承的失效形式170
9.1.2滚动轴承的失效机理及其特性171
9.1.3滚动轴承的故障诊断方法173
9.2齿轮箱故障及其诊断方法175
9.2.1齿轮箱的失效形式175
9.2.2齿轮箱的失效机理及其特性176
9.2.3齿轮箱的故障诊断方法178
9.3转子故障及其诊断方法183
9.3.1转子的失效形式183
9.3.2转子的失效机理及特性183
9.3.3转子的故障诊断方法185
9.4电机故障及其诊断方法188
9.4.1电机的类型与测定标准189
9.4.2电磁耦合的振动原理189
9.4.3电机的失效形式和故障特征189
9.4.4电机故障的诊断方法190
9.5轧辊磨床故障及其诊断方法191
9.5.1轧辊磨床的失效形式191
9.5.2轧辊磨床磨削颤振机理193
9.5.3轧辊磨床的故障诊断方法193
9.6本章小结196
参考文献196

第10章 端边云集成技术在机械设备智能维护中的应用198
10.1端边云集成系统构成及作用198
10.2系统功能199
10.2.1边缘终端功能199
10.2.2云上系统功能200
10.3智能边缘分析仪201
10.4基于Web的分布式边缘分析仪管控系统205

第11章 机械设备故障智能诊断系统209
11.2信号处理故障诊断系统209
11.1.1设备故障诊断与预诊维护模块209
11.1.2数据库操作模块210
11.1.3数据采集与管理模块210
11.1.4设备运行状态监控模块211
11.1.5页面设计212
11.2基于Python/PyQt5的故障诊断系统212
11.2.1故障诊断工具箱工作环境212
11.2.2故障诊断工具箱设计需求213
11.2.3故障诊断工具箱基本结构及体系214
11.2.4故障诊断工具箱基本功能214
11.2.5故障诊断工具箱界面设计216
11.3基于Python/Flask的故障诊断系统217
11.3.1软件运行环境217
11.3.2编程语言版本217
11.3.3软件设计218
11.3.4系统软件架构设计219
11.3.5需求分析220
11.3.6系统页面221
11.3.7数据分析222
11.3.8信号处理223
11.3.9模型评估224
11.4本章小结226

参考文献227