本书以液压传动系统的“动力心脏”——液压轴向柱塞泵为研究对象，融合数据挖掘、深度学习等智能科学，将机械故障诊断问题转化为时频特征图像智能分类识别问题，重点探究了连续小波变换、同步压缩小波变换、S变换、卷积神经网络、贝叶斯优化等基础理论与关键技术，提出多种将时频变换与改进卷积神经网络模型相融合的智能故障诊断方法。基于液压轴向柱塞泵的振动、声音、压力等多源异构信号，系统研究和分析了不同融合方法的诊断精度、鲁棒性及泛化能力,旨在为液压轴向柱塞泵的智能故障诊断与健康管理提供理论依据，提升液压轴向柱塞泵的智能化和可靠性。
本书是作者长期从事液压元件及系统智能故障诊断研究工作的结晶，适合从事液压元件及系统智能故障诊断工作的工程技术人员阅读，也可作为高等学校相关专业研究生的参考书。

前言
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状及分析
1.2.1 传统故障诊断方法研究现状
1.2.2 现代智能故障诊断方法研究现状
1.2.3 泵类旋转机械故障诊断方法研究现状
1.3 研究问题的提出
第2章 液压轴向柱塞泵智能故障诊断方法构建
2.1 引言
2.2 轴向柱塞泵典型故障机理分析
2.2.1 正常状态
2.2.2 松靴故障
2.2.3 滑靴与斜盘磨损故障
2.2.4 中心弹簧失效故障
2.3 时频分析方法
2.3.1 连续小波变换(CWT)
2.3.2 同步压缩小波变换(SWT)
2.3.3 S变换(ST)
2.4 卷积神经网络(CNN)
2.4.1 卷积神经网络的基本结构
2.4.2 卷积神经网络的训练流程
2.5 贝叶斯优化算法
2.6 时频分析与CNN相融合的智能故障诊断方法构建
2.6.1 融合方法构建
2.6.2 故障诊断流程
2.7 本章小结
第3章 液压轴向柱塞泵试验数据采集及故障样本构建
3.1 引言
3.2 试验系统组成
3.2.1 硬件系统组成
3.2.2 数据采集系统组成
3.2.3 故障元件设置
3.3 试验数据采集
3.3.1 数据采集方案
3.3.2 振动信号采集
3.3.3 声音信号采集
3.3.4 压力信号采集
3.4 试验数据时频域变换
3.4.1 振动信号时频域变换
3.4.2 声音信号时频域变换
3.4.3 压力信号时频域变换
3.5 故障样本构建
3.5.1 多源信号时频特征样本库构建
3.5.2 故障样本划分及标签配置
3.6 本章小结
第4章 CWT与改进LeNet 5模型相融合的智能故障诊断方法
4.1 引言
4.2 LeNet 5卷积神经网络模型的改进
4.3 振动信号CWT时频特征与改进LeNet 5模型相融合的诊断结果
4.3.1 学习率对诊断结果的影响
4.3.2 训练轮次对诊断结果的影响
4.3.3 批量尺寸对诊断结果的影响
4.3.4 卷积核个数对诊断结果的影响
4.3.5 卷积核尺寸对诊断结果的影响
4.3.6 诊断模型训练参数和结构参数的验证
4.3.7 诊断模型对比验证
4.3.8 基于贝叶斯优化算法的诊断模型参数优化
4.4 声音信号CWT时频特征与改进LeNet 5模型相融合的诊断结果
4.4.1 学习率对诊断结果的影响
4.4.2 训练轮次对诊断结果的影响
4.4.3 批量尺寸对诊断结果的影响
4.4.4 卷积核个数对诊断结果的影响
4.4.5 卷积核尺寸对诊断结果的影响
4.4.6 诊断模型训练参数和结构参数的验证
4.4.7 诊断模型对比验证
4.4.8 基于贝叶斯优化算法的诊断模型参数优化
4.5 压力信号CWT时频特征与改进LeNet 5模型相融合的诊断结果
4.5.1 学习率对诊断结果的影响
4.5.2 训练轮次对诊断结果的影响
4.5.3 批量尺寸对诊断结果的影响
4.5.4 卷积核个数对诊断结果的影响
4.5.5 卷积核尺寸对诊断结果的影响
4.5.6 诊断模型训练参数和结构参数的验证
4.5.7 诊断模型对比验证
4.5.8 基于贝叶斯优化算法的诊断模型参数优化
4.6 本章小结
第5章 CWT与改进AlexNet模型相融合的智能故障诊断方法
5.1 引言
5.2 AlexNet卷积神经网络模型的改进
5.3 振动信号CWT时频特征与改进AlexNet模型相融合的诊断结果
5.3.1 学习率对诊断结果的影响
5.3.2 训练轮次对诊断结果的影响
5.3.3 Dropout比率对诊断结果的影响
5.3.4 批量尺寸对诊断结果的影响
5.3.5 卷积核个数对诊断结果的影响
5.3.6 卷积核尺寸对诊断结果的影响
5.3.7 诊断模型训练参数和结构参数的验证
5.3.8 诊断模型对比验证
5.3.9 基于贝叶斯优化算法的诊断模型参数优化
5.4 声音信号CWT时频特征与改进AlexNet模型相融合的诊断结果
5.4.1 学习率对诊断结果的影响
5.4.2 训练轮次对诊断结果的影响
5.4.3 Dropout比率对诊断结果的影响
5.4.4 批量尺寸对诊断结果的影响
5.4.5 卷积核个数对诊断结果的影响
5.4.6 卷积核尺寸对诊断结果的影响
5.4.7 诊断模型训练参数和结构参数的验证
5.4.8 诊断模型对比验证
5.4.9 基于贝叶斯优化算法的诊断模型参数优化
5.5 压力信号CWT时频特征与改进AlexNet模型相融合的诊断结果
5.5.1 学习率对诊断结果的影响
5.5.2 训练轮次对诊断结果的影响
5.5.3 Dropout比率对诊断结果的影响
5.5.4 批量尺寸对诊断结果的影响
5.5.5 卷积核个数对诊断结果的影响
5.5.6 卷积核尺寸对诊断结果的影响
5.5.7 诊断模型训练参数和结构参数的验证
5.5.8 诊断模型对比验证
5.5.9 基于贝叶斯优化算法的诊断模型参数优化
5.6 本章小结
第6章 SWT与改进LeNet 5模型相融合的智能故障诊断方法
6.1 引言
6.2 振动信号SWT时频特征与改进LeNet 5模型相融合的诊断结果
6.2.1 基于