風電機組傳動系統(tǒng)大數(shù)據(jù)智能運維

定　價：￥65.00

作　者：	呂中亮，周傳德著
出版社：	中國石化出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787511467133	出版時間：	2022-06-01	包裝：	平裝
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　本書從風電機組傳動系統(tǒng)的智能運維角度出發(fā)，對風電機組傳動系統(tǒng)構成、風電機組傳動系統(tǒng)故障診斷的方法、微弱故障信號增強方法、微弱故障信號特征提取方法、故障診斷的淺層學習方法及基本理論、深度學習方法及基本理論、風電機組傳動系統(tǒng)故障診斷系統(tǒng)的設計，進行了較系統(tǒng)的介紹和討論。

作者簡介

　　呂中亮，博士，副教授，重慶科技學院機械與動力工程學院副院長。中國振動工程學會高級會員，中國自動化學會會員。主要擅長機械設備狀態(tài)監(jiān)測、設備運行與智能維護。主持國家項目1項，省部級重點以及一般項目5項；主研國家科研項目2項，省部級重點以及一般科研項目10余項，共承擔科研經(jīng)費300余萬元。發(fā)表論文23篇，其中被SCI/EI收錄14篇。申請專利15項，目前已授權9項。現(xiàn)從事低速重載設備狀態(tài)監(jiān)測、旋轉(zhuǎn)機械故障診斷、數(shù)據(jù)挖掘等方面的教學與科研工作。周傳德，博士，教授，碩士生導師，重慶科技學院機械與動力工程學院院長，機電測試與精密儀器研究所所長，信號處理與智能測試儀器科技創(chuàng)新團隊負責人。2001年7月畢業(yè)于重慶大學機械工程與自動化專業(yè)，2003年6月獲重慶大學機械電子工程碩士學位，2006年6月獲得重慶大學機械電子工程博士學位，2012年英國肯特大學訪問學者。近5年主持或主研“氫敏薄膜材料及其微型光纖傳感器基礎研究”、“微機械諧振式加速度傳感器”、“基于行波電簾的太陽能電池板自清潔方法研究”等國家自然基金項目、863 計劃項目等8 項，“軸類零件多工位多參數(shù)檢測儀”“基于機器視覺的V3D汽車四輪定位儀”等企業(yè)橫向項目10 余項。獲得國家科技二等獎1項，重慶市科技進步一等獎1 項，教育部科技進步一、二等獎各1 項，教育部發(fā)明獎一等獎1 項。以第一作者出版專著《科學計算可視化理論及智能虛擬顯示系統(tǒng)》（科學出版社） 1 本，參著專著2 本，主編教材2本，發(fā)表論文40 余篇，其中SCI\\EI 收錄21篇，2008 年和2011 年分獲重慶市第五屆中青年骨干教師稱號，重慶市首屆青年教師資助計劃。研究方向為機電傳感器與機械測試，信號處理與智能科學儀器。

圖書目錄

第1章緒論（1）
1.1風電機組傳動系統(tǒng)構成（2）
1.2風電機組傳動系統(tǒng)智能運維的意義（3）
1.3風電機組傳動系統(tǒng)故障診斷的方法與分類（5）
1.3.1基于定性知識經(jīng)驗的風電機組傳動系統(tǒng)診斷（5）
1.3.2基于分析模型的風電機組傳動系統(tǒng)診斷（6）
1.3.3基于數(shù)據(jù)驅(qū)動的風電機組傳動系統(tǒng)診斷（7）
第2章風電機組傳動系統(tǒng)微弱故障信號增強（13）
2.1共振解調(diào)故障增強方法（14）
2.1.1共振解調(diào)技術的原理及優(yōu)點（14）
2.1.2共振解調(diào)的過程（14）
2.1.3希爾伯特（Hilbert）變換和包絡分析（15）
2.2自適應最大相關峭度反卷積增強方法（16）
2.2.1最小熵解卷積原理（16）
2.2.2變步長網(wǎng)格搜索法（17）
2.2.3目標函數(shù)確定及參數(shù)優(yōu)化（18）
2.2.4自適應最大相關峭度反卷積性能分析（19）
2.3多點最優(yōu)最小熵反卷積增強方法（21）
2.3.1多點最優(yōu)最小熵反卷積原理（21）
2.3.2MED和MOMEDA方法的實驗（22）
第3章風電機組傳動系統(tǒng)故障特征提取（29）
3.1時域和頻域的特征提取方法（30）
3.1.1時域的特征指標集（30）
3.1.2頻域的特征指標集（31）
3.2時頻域特征提取方法（33）
3.2.1小波包分解（33）
3.2.2經(jīng)驗模態(tài)分解（35）
3.2.3變分模態(tài)分解方法及準則（41）
3.2.4自適應變分模態(tài)分解（43）
3.2.5局部均值分解（47）
3.3模糊熵特征集構建的實驗驗證（49）
3.3.1模糊熵的原理（49）
3.3.2模糊熵特征集構建的方法步驟及流程（50）
3.3.3試驗臺驗證（51）
第4章風電機組傳動系統(tǒng)早期故障辨識（55）
4.1淺層學習基本理論（57）
4.1.1人工神經(jīng)網(wǎng)絡（57）
4.1.2多核支持向量機算法（58）
4.1.3最大熵模型（62）
4.2深度學習基本理論（64）
4.2.1卷積神經(jīng)網(wǎng)絡（65）
4.2.2自動編碼器（67）
4.2.3深度置信網(wǎng)絡（69）
4.3小子樣分析方法（71）
第5章風電機組傳動系統(tǒng)故障診斷系統(tǒng)設計（73）
5.1系統(tǒng)的總體設計（74）
5.1.1系統(tǒng)的需求分析（74）
5.1.2系統(tǒng)的總體結構（75）
5.2系統(tǒng)功能的實現(xiàn)（76）
5.2.1前端采集設備選擇（76）
5.2.2測點布置與傳感器安裝（77）
5.2.3監(jiān)測系統(tǒng)軟件功能實現(xiàn)（79）
5.3應用實例（87）
參考文獻（90）