水電機組故障診斷及狀態(tài)趨勢預測理論與方法

第1章緒論(1)
1.1水電機組故障診斷研究的背景與意義(1)
1.2水電機組振動故障機理(2)
1.2.1水力激勵振動(3)
1.2.2機械激勵振動(3)
1.2.3電磁激勵振動(4)
1.3水電機組信號處理與特征提取研究方法綜述(5)
1.3.1信號處理方法(5)
1.3.2特征提取方法(8)
1.4水電機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)動的故障模式識別(11)
1.4.3基于序列建模的故障預測(12)
理論篇故障診斷及狀態(tài)趨勢預測理論與方法
第2章水電機組振動信號處理理論與方法(16)
2.1短時傅里葉變換(16)
2.2小波變換(17)
2.2.1小波和小波變換(18)
2.2.2常見的小波基函數(shù)(20)
2.3經(jīng)驗模態(tài)分解與集成經(jīng)驗模態(tài)分解(22)
2.3.1經(jīng)驗模態(tài)分解(22)
2.3.2集成經(jīng)驗模態(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章水電機組振動故障特征提取理論與方法(30)
3.1時域、頻域特征提取(30)
3.1.1時域特征(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(43)
4.1.2專家系統(tǒng)(44)
4.2基于數(shù)據(jù)驅(qū)動的故障模式識別(45)
4.2.1神經(jīng)網(wǎng)絡(45)
4.2.2支持向量機(49)
4.2.3最小二乘支持向量機(52)
4.2.4支持向量數(shù)據(jù)描述(54)
4.2.5極限學習機(56)
第5章水電機組狀態(tài)趨勢預測理論與方法(59)
5.1時序分析(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回歸(63)
5.5極限學習機(64)
實踐篇水電機組振動故障診斷及狀態(tài)趨勢預測應用
第6章水電機組振動信號降噪研究(66)
6.1基于EMD與自相關(guān)函數(shù)的水電機組振動信號降噪研究(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仿真試驗與實例分析(69)
6.2基于EEMD與近似熵的水電機組振動信號降噪研究(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仿真試驗與實例分析(76)
6.3基于增強VMD相關(guān)分析的水電機組振動信號降噪研究(81)
6.3.1SVD濾波(81)
6.3.2VMD降噪(82)
6.3.3基于增強VMD相關(guān)分析的降噪方法(83)
6.3.4仿真試驗與實例分析(84)
第7章水電機組振動故障診斷方法研究(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)盲辨識的非平穩(wěn)故障特征提取(94)
7.1.3實例分析(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工程應用(107)
7.3基于權(quán)重SVDD與模糊自適應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模糊自適應閾值決策(116)
7.3.4基于權(quán)重SVDD與模糊自適應閾值決策的故障診斷模型(118)
7.3.5研究試驗與實例分析(119)
第8章水電機組非線性狀態(tài)趨勢預測研究(125)
8.1狀態(tài)趨勢預測的可行性分析(126)
8.1.1水電機組狀態(tài)的發(fā)展特性(126)
8.1.2非線性行為分析(126)
8.1.3序列的可預測性(127)
8.2基于聚合EEMD與SVR的水電機組狀態(tài)趨勢預測(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)趨勢預測(129)
8.2.3應用實例(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的水電機組狀態(tài)
趨勢預測(141)
8.3.1最優(yōu)變分模態(tài)分解(141)
8.3.2基于OVMD和CSCALSSVM的機組狀態(tài)趨勢預測(141)
8.3.3應用實例(142)
8.4基于多尺度主導成分混沌分析的水電機組狀態(tài)趨勢預測(150)
8.4.1多尺度主導成分混沌分析(151)
8.4.2核極限學習機(151)
8.4.3自適應變異灰狼優(yōu)化算法(152)
8.4.4基于多尺度主導成分混沌分析與優(yōu)化核極限學習機的預測模型(156)
8.4.5應用實例(156)
參考文獻(165)