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
定 價(jià):69.8 元
叢書(shū)名:水電科技前沿研究叢書(shū)
- 作者:周建中,付文龍 著
- 出版時(shí)間:2020/12/1
- ISBN:9787568066891
- 出 版 社:華中科技大學(xué)出版社
- 中圖法分類:TM312
- 頁(yè)碼:194
- 紙張:膠版紙
- 版次:1
- 開(kāi)本:16開(kāi)
本書(shū)針對(duì)水電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷研究面臨的關(guān)鍵科學(xué)與技術(shù)問(wèn)題,圍繞振動(dòng)信號(hào)分析、非平穩(wěn)故障特征提取、智能故障診斷以及狀態(tài)趨勢(shì)預(yù)測(cè)等開(kāi)展了系統(tǒng)性研究工作。全書(shū)共分為8章,其中第2~5章為理論篇,主要介紹相關(guān)理論與方法;第6~8章為實(shí)踐篇,主要介紹研究所提的水電機(jī)組振動(dòng)故障診斷及狀態(tài)趨勢(shì)預(yù)測(cè)模型與方法。
本書(shū)適合從事信號(hào)處理、故障診斷、趨勢(shì)預(yù)測(cè)等水電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷研究方向相關(guān)學(xué)科高年級(jí)本科生、研究生學(xué)習(xí)參考,也可以作為水電機(jī)組運(yùn)行管理人員、相關(guān)工程技術(shù)人員和研究人員參考資料。
本書(shū)作者華中科技大學(xué)周建中教授與三峽大學(xué)付文龍博士所在團(tuán)隊(duì)長(zhǎng)期從事水電機(jī)組狀態(tài)監(jiān)測(cè)、信號(hào)處理、特征提取、故障診斷、趨勢(shì)預(yù)測(cè)等課題的理論與應(yīng)用研究。團(tuán)隊(duì)主持或承擔(dān)了多項(xiàng)關(guān)系到我國(guó)大型流域水利水電工程運(yùn)行與管理的理論探索與應(yīng)用研究任務(wù),其中一批成果在工程實(shí)際應(yīng)用中發(fā)揮了重要作用。本書(shū)包含了研究團(tuán)隊(duì)在相關(guān)領(lǐng)域的重要研究成果,本書(shū)的出版對(duì)豐富和發(fā)展水電機(jī)組的安全、穩(wěn)定運(yùn)行理論研究的內(nèi)涵與外延具有重要的文獻(xiàn)價(jià)值,可為相關(guān)研究人員提供一定的指導(dǎo)與借鑒。
隨著我國(guó)能源戰(zhàn)略的不斷調(diào)整,現(xiàn)代能源體系正邁入安全、清潔、高效的低碳時(shí)代。一方面,常規(guī)水電和抽水蓄能迎來(lái)新的發(fā)展機(jī)遇,裝機(jī)規(guī)?焖僭鲩L(zhǎng);另一方面,為消納風(fēng)電、太陽(yáng)能、海洋能等新能源并網(wǎng)時(shí)給電網(wǎng)帶來(lái)的沖擊,水電能源將承擔(dān)更多的調(diào)峰、調(diào)頻任務(wù),同時(shí),為切實(shí)解決新能源背景下的棄風(fēng)、棄水、棄光等問(wèn)題,對(duì)水電的運(yùn)行與管理提出了更高的要求。而水電機(jī)組作為水電能源轉(zhuǎn)換的關(guān)鍵設(shè)備,正朝著復(fù)雜化、巨型化方向發(fā)展,各部件間的耦合作用更加強(qiáng)烈,由此帶來(lái)機(jī)組振動(dòng)信號(hào)的非線性與非平穩(wěn)性不斷增強(qiáng),尤其是故障與征兆間的映射關(guān)系更為復(fù)雜。對(duì)此,傳統(tǒng)的狀態(tài)監(jiān)測(cè)與故障診斷方法已難以很好地滿足新形勢(shì)下的水電機(jī)組運(yùn)行分析需求,迫切需要研究新的理論與方法,譬如在監(jiān)測(cè)系統(tǒng)采集到的水電機(jī)組實(shí)際運(yùn)行數(shù)據(jù)基礎(chǔ)上,探索新的信號(hào)分析與故障診斷方法,以提高狀態(tài)監(jiān)測(cè)與故障診斷的分析精度,進(jìn)而提升水電機(jī)組的運(yùn)行穩(wěn)定性。
本書(shū)在深入分析水電機(jī)組振動(dòng)故障機(jī)理的基礎(chǔ)上,針對(duì)實(shí)際課題——水電機(jī)組振動(dòng)信號(hào)處理與故障診斷中存在的若干問(wèn)題,結(jié)合自適應(yīng)信號(hào)處理、模型參數(shù)盲辨識(shí)、人工智能等交叉學(xué)科的理論與方法,圍繞水電機(jī)組振動(dòng)信號(hào)分析、非平穩(wěn)故障特征提取、智能故障診斷以及狀態(tài)趨勢(shì)預(yù)測(cè)等展開(kāi)了系統(tǒng)性的研究工作,相關(guān)結(jié)論可為水電機(jī)組的運(yùn)行與管理提供一定的工程應(yīng)用指導(dǎo)。全書(shū)共分為8章,其中第2~5章為理論篇,主要介紹相關(guān)理論與方法;第6~8章為實(shí)踐篇,主要介紹水電機(jī)組振動(dòng)故障診斷及狀態(tài)趨勢(shì)預(yù)測(cè)模型與方法。
第1章為緒論,圍繞所要研究的主要內(nèi)容論述了背景與意義;闡述了水電機(jī)組在不同振源激勵(lì)作用下的振動(dòng)故障機(jī)理;結(jié)合工程實(shí)際應(yīng)用中水電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷時(shí)的故障信號(hào)特點(diǎn)及分析需求,對(duì)當(dāng)前較為常用的信號(hào)處理與特征提取方法的優(yōu)勢(shì)與不足做了詳細(xì)分析;同時(shí),對(duì)主流故障模式識(shí)別方法的優(yōu)勢(shì)和劣勢(shì)也進(jìn)行了綜合性論述。
第2章為水電機(jī)組振動(dòng)信號(hào)處理理論與方法,詳細(xì)闡述了短時(shí)傅里葉變換、小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解、集成經(jīng)驗(yàn)?zāi)B(tài)分解、局部均值分解、變分模態(tài)分解等非平穩(wěn)信號(hào)處理方法,為后續(xù)故障診斷與狀態(tài)趨勢(shì)預(yù)測(cè)研究提供理論基礎(chǔ)。
第3章為水電機(jī)組振動(dòng)故障特征提取理論與方法,闡述了時(shí)域和頻域特征提取、基于多種熵的特征提取,以及基于模型參數(shù)辨識(shí)的特征提取等方法,并進(jìn)一步分析了基于主元分析的特征選擇方法,以充分表征水電機(jī)組運(yùn)行狀態(tài)的特征信息。
第4章為水電機(jī)組智能故障診斷理論與方法,闡述了基于規(guī)則的診斷推理與基于數(shù)據(jù)驅(qū)動(dòng)的故障模式識(shí)別方法,為后續(xù)故障診斷提供技術(shù)支持。
第5章為水電機(jī)組狀態(tài)趨勢(shì)預(yù)測(cè)理論與方法,闡述了時(shí)序分析、自適應(yīng)模糊神經(jīng)系統(tǒng)、支持向量回歸、最小二乘支持向量機(jī)回歸、極限學(xué)習(xí)機(jī)等預(yù)測(cè)方法,為后續(xù)章節(jié)的狀態(tài)趨勢(shì)預(yù)測(cè)提供理論基礎(chǔ)。
第6章為水電機(jī)組振動(dòng)信號(hào)降噪研究,探索了普通信號(hào)與噪聲信號(hào)的自相關(guān)函數(shù)特點(diǎn),定義了歸一化自相關(guān)函數(shù)的能量集中度指標(biāo),提出了基于經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)與自相關(guān)函數(shù)的水電機(jī)組振動(dòng)信號(hào)降噪方法;同時(shí)提出了基于集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)與近似熵的水電機(jī)組振動(dòng)信號(hào)降噪方法;進(jìn)一步為有效提升強(qiáng)背景噪聲與復(fù)雜電磁干擾下水電機(jī)組振動(dòng)信號(hào)的分析精度,引入Hankel矩陣變換與奇異值分解技術(shù),提出了一種基于增強(qiáng)變分模態(tài)分解(VMD)相關(guān)分析的水電機(jī)組振動(dòng)信號(hào)降噪方法,推求了有效模態(tài)分量選擇的能量集中度指標(biāo)邊界,實(shí)現(xiàn)了水電機(jī)組振動(dòng)信號(hào)的降噪分析。
第7章為水電機(jī)組振動(dòng)故障診斷方法研究,針對(duì)水電機(jī)組多重激勵(lì)耦合作用下故障類別與征兆間映射關(guān)系難以精確描述的問(wèn)題,融合時(shí)序模型在處理復(fù)雜動(dòng)力系統(tǒng)參數(shù)盲辨識(shí)時(shí)的優(yōu)勢(shì)與變分模態(tài)分解的非平穩(wěn)信號(hào)處理能力,提出了一種基于多元自回歸模型參數(shù)盲辨識(shí)的非平穩(wěn)故障特征提取方法;進(jìn)一步為提升故障診斷精度,提出了基于排列熵特征與混沌量子正弦余弦算法(SCA)優(yōu)化SVM的故障診斷模型;針對(duì)水電機(jī)組故障診斷面臨的樣本分布不均勻與數(shù)量?jī)A斜問(wèn)題,充分融合支持向量數(shù)據(jù)描述(SVDD)的學(xué)習(xí)能力與K近鄰方法的鄰域刻畫(huà)優(yōu)勢(shì),引入考慮局部密度與各類樣本規(guī)模的復(fù)合權(quán)重,構(gòu)建了基于相對(duì)距離模糊閾值和K近鄰的決策規(guī)則,提出了一種基于權(quán)重SVDD與模糊自適應(yīng)閾值決策的故障診斷模型,有效提升了水電機(jī)組振動(dòng)故障診斷的精度。
第8章為水電機(jī)組非線性狀態(tài)趨勢(shì)預(yù)測(cè)研究,分析了開(kāi)展水電機(jī)組狀態(tài)趨勢(shì)預(yù)測(cè)研究的可行性,構(gòu)建了基于頻率與能量相似性的聚合策略,進(jìn)而建立了基于集成經(jīng)驗(yàn)?zāi)B(tài)分解與支持向量回歸的預(yù)測(cè)模型;推求了預(yù)測(cè)建模下變分模態(tài)分解的最優(yōu)分解參數(shù),提出了一種基于最優(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)方法;進(jìn)一步為充分減小分量非平穩(wěn)性對(duì)預(yù)測(cè)結(jié)果的影響,結(jié)合奇異譜分解技術(shù),提出了多尺度主導(dǎo)成分混沌分析策略,引入灰狼優(yōu)化算法并對(duì)其進(jìn)行自適應(yīng)變異改進(jìn),提出了基于多尺度主導(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,實(shí)現(xiàn)了水電機(jī)組狀態(tài)趨勢(shì)的準(zhǔn)確預(yù)測(cè)。
本書(shū)作者華中科技大學(xué)周建中教授與三峽大學(xué)付文龍博士所在團(tuán)隊(duì)長(zhǎng)期從事水電機(jī)組狀態(tài)監(jiān)測(cè)、信號(hào)處理、特征提取、故障診斷、趨勢(shì)預(yù)測(cè)等課題的理論與應(yīng)用研究。團(tuán)隊(duì)主持或承擔(dān)了多項(xiàng)關(guān)系到我國(guó)大型流域水利水電工程運(yùn)行與管理的理論探索與應(yīng)用研究任務(wù),其中一批成果在工程實(shí)際應(yīng)用中發(fā)揮了重要作用。本書(shū)包含了研究團(tuán)隊(duì)在相關(guān)領(lǐng)域的重要研究成果,本書(shū)的出版對(duì)豐富和發(fā)展水電機(jī)組的安全、穩(wěn)定運(yùn)行理論研究的內(nèi)涵與外延具有重要的文獻(xiàn)價(jià)值,可為相關(guān)研究人員提供一定的指導(dǎo)與借鑒。
由于作者水平有限及完成時(shí)間較緊,書(shū)中難免有紕漏之處或值得商榷的地方,懇請(qǐng)廣大專家同行和讀者提出寶貴意見(jiàn),以便再版時(shí)對(duì)相關(guān)內(nèi)容進(jìn)行調(diào)整與完善,甚為感謝。
周建中,教授、博士生導(dǎo)師,華中科技大學(xué)水電與數(shù)字化工程學(xué)院院長(zhǎng)。華中科技大學(xué)首屆校內(nèi)特聘教授、首屆華中學(xué)者(領(lǐng)軍崗),德國(guó)布倫瑞克理工大學(xué)客座教授。 獲國(guó)家科技進(jìn)步二等獎(jiǎng)2項(xiàng)、省部級(jí)科技進(jìn)步特等獎(jiǎng)3項(xiàng)、一等獎(jiǎng)10項(xiàng)、二等獎(jiǎng)7項(xiàng)。2015年獲中國(guó)大學(xué)出版社優(yōu)秀學(xué)術(shù)著作一等獎(jiǎng)1項(xiàng)、2017年獲第三屆湖北出版政府獎(jiǎng)1項(xiàng);獲國(guó)家發(fā)明專利27項(xiàng),獲軟件著作權(quán)22項(xiàng)。出版專著4部,在國(guó)內(nèi)外重要學(xué)術(shù)刊物發(fā)表學(xué)術(shù)論文300多篇,其中被SCI、EI收錄250多篇次。
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VMDMAR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CSCALSSVM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)