水電機(jī)組故障診斷及狀態(tài)趨勢(shì)預(yù)測(cè)理論與方法

第1章緒論(1)
1.1水電機(jī)組故障診斷研究的背景與意義(1)
1.2水電機(jī)組振動(dòng)故障機(jī)理(2)
1.2.1水力激勵(lì)振動(dòng)(3)
1.2.2機(jī)械激勵(lì)振動(dòng)(3)
1.2.3電磁激勵(lì)振動(dòng)(4)
1.3水電機(jī)組信號(hào)處理與特征提取研究方法綜述(5)
1.3.1信號(hào)處理方法(5)
1.3.2特征提取方法(8)
1.4水電機(jī)組智能故障診斷研究方法綜述(9)
1.4.1基于規(guī)則的診斷推理(10)
1.4.2基于數(shù)據(jù)驅(qū)動(dòng)的故障模式識(shí)別(11)
1.4.3基于序列建模的故障預(yù)測(cè)(12)
理論篇故障診斷及狀態(tài)趨勢(shì)預(yù)測(cè)理論與方法
第2章水電機(jī)組振動(dòng)信號(hào)處理理論與方法(16)
2.1短時(shí)傅里葉變換(16)
2.2小波變換(17)
2.2.1小波和小波變換(18)
2.2.2常見(jiàn)的小波基函數(shù)(20)
2.3經(jīng)驗(yàn)?zāi)B(tài)分解與集成經(jīng)驗(yàn)?zāi)B(tài)分解(22)
2.3.1經(jīng)驗(yàn)?zāi)B(tài)分解(22)
2.3.2集成經(jīng)驗(yàn)?zāi)B(tài)分解(24)
2.4局部均值分解(25)
2.5變分模態(tài)分解(27)
第3章水電機(jī)組振動(dòng)故障特征提取理論與方法(30)
3.1時(shí)域、頻域特征提取(30)
3.1.1時(shí)域特征(30)
3.1.2頻域特征(32)
3.2基于熵的特征提取(33)
3.2.1信息熵(34)
3.2.2能量熵(34)
3.2.3近似熵(35)
3.2.4樣本熵(37)
3.2.5排列熵(38)
3.2.6多尺度熵(39)
3.3基于模型參數(shù)辨識(shí)的特征提取(40)
3.4基于主元分析的特征選擇(41)
第4章水電機(jī)組智能故障診斷理論與方法(43)
4.1基于規(guī)則的診斷推理(43)
4.1.1故障樹(shù)(43)
4.1.2專家系統(tǒng)(44)
4.2基于數(shù)據(jù)驅(qū)動(dòng)的故障模式識(shí)別(45)
4.2.1神經(jīng)網(wǎng)絡(luò)(45)
4.2.2支持向量機(jī)(49)
4.2.3最小二乘支持向量機(jī)(52)
4.2.4支持向量數(shù)據(jù)描述(54)
4.2.5極限學(xué)習(xí)機(jī)(56)
第5章水電機(jī)組狀態(tài)趨勢(shì)預(yù)測(cè)理論與方法(59)
5.1時(shí)序分析(59)
5.1.1AR模型(59)
5.1.2MA模型(60)
5.1.3ARMA模型(60)
5.2自適應(yīng)模糊神經(jīng)系統(tǒng)(60)
5.3支持向量回歸(62)
5.4最小二乘支持向量機(jī)回歸(63)
5.5極限學(xué)習(xí)機(jī)(64)
實(shí)踐篇水電機(jī)組振動(dòng)故障診斷及狀態(tài)趨勢(shì)預(yù)測(cè)應(yīng)用
第6章水電機(jī)組振動(dòng)信號(hào)降噪研究(66)
6.1基于EMD與自相關(guān)函數(shù)的水電機(jī)組振動(dòng)信號(hào)降噪研究(66)
6.1.1EMD降噪(66)
6.1.2自相關(guān)函數(shù)(67)
6.1.3基于EMD與自相關(guān)函數(shù)的降噪方法(67)
6.1.4仿真試驗(yàn)與實(shí)例分析(69)
6.2基于EEMD與近似熵的水電機(jī)組振動(dòng)信號(hào)降噪研究(75)
6.2.1EEMD降噪(75)
6.2.2近似熵降噪(75)
6.2.3基于EEMD與近似熵的降噪方法(75)
6.2.4仿真試驗(yàn)與實(shí)例分析(76)
6.3基于增強(qiáng)VMD相關(guān)分析的水電機(jī)組振動(dòng)信號(hào)降噪研究(81)
6.3.1SVD濾波(81)
6.3.2VMD降噪(82)
6.3.3基于增強(qiáng)VMD相關(guān)分析的降噪方法(83)
6.3.4仿真試驗(yàn)與實(shí)例分析(84)
第7章水電機(jī)組振動(dòng)故障診斷方法研究(92)
7.1基于多元自回歸模型參數(shù)盲辨識(shí)的非平穩(wěn)故障特征提取(93)
7.1.1多元自回歸模型(93)
7.1.2基于VMDMAR模型參數(shù)盲辨識(shí)的非平穩(wěn)故障特征提取(94)
7.1.3實(shí)例分析(94)
7.2基于排列熵特征與混沌量子正弦余弦算法優(yōu)化SVM的故障診斷(101)
7.2.1混沌量子正弦余弦算法(101)
7.2.2基于混沌量子正弦余弦算法優(yōu)化SVM的模式識(shí)別(104)
7.2.3基于VMD排列熵與混沌量子正弦余弦算法
優(yōu)化SVM的故障診斷(106)
7.2.4工程應(yīng)用(107)
7.3基于權(quán)重SVDD與模糊自適應(yīng)閾值決策的故障診斷(113)
7.3.1K近鄰方法(114)
7.3.2權(quán)重SVDD(114)
7.3.3模糊自適應(yīng)閾值決策(116)
7.3.4基于權(quán)重SVDD與模糊自適應(yīng)閾值決策的故障診斷模型(118)
7.3.5研究試驗(yàn)與實(shí)例分析(119)
第8章水電機(jī)組非線性狀態(tài)趨勢(shì)預(yù)測(cè)研究(125)
8.1狀態(tài)趨勢(shì)預(yù)測(cè)的可行性分析(126)
8.1.1水電機(jī)組狀態(tài)的發(fā)展特性(126)
8.1.2非線性行為分析(126)
8.1.3序列的可預(yù)測(cè)性(127)
8.2基于聚合EEMD與SVR的水電機(jī)組狀態(tài)趨勢(shì)預(yù)測(cè)(127)
8.2.1聚合EEMD基本原理(128)
8.2.2基于聚合EEMD與SVR的狀態(tài)趨勢(shì)預(yù)測(cè)(129)
8.2.3應(yīng)用實(shí)例(130)
8.3基于最優(yōu)變分模態(tài)分解與優(yōu)化最小二乘支持向量機(jī)的水電機(jī)組狀態(tài)
趨勢(shì)預(yù)測(cè)(141)
8.3.1最優(yōu)變分模態(tài)分解(141)
8.3.2基于OVMD和CSCALSSVM的機(jī)組狀態(tài)趨勢(shì)預(yù)測(cè)(141)
8.3.3應(yīng)用實(shí)例(142)
8.4基于多尺度主導(dǎo)成分混沌分析的水電機(jī)組狀態(tài)趨勢(shì)預(yù)測(cè)(150)
8.4.1多尺度主導(dǎo)成分混沌分析(151)
8.4.2核極限學(xué)習(xí)機(jī)(151)
8.4.3自適應(yīng)變異灰狼優(yōu)化算法(152)
8.4.4基于多尺度主導(dǎo)成分混沌分析與優(yōu)化核極限學(xué)習(xí)機(jī)的預(yù)測(cè)模型(156)
8.4.5應(yīng)用實(shí)例(156)
參考文獻(xiàn)(165)