机械系统运行状态的趋势预测技术是一种在故障发生前进行早期故障预示的现代技术。本书面向大型旋转机械的安全运行，特别针对其长历程、变工况、非平稳状态，着重阐述了大型旋转机械运行状态趋势预测技术的新进展、新理论、新方法及新技术，对所提出的相关理论方法进行了实验研究和应用研究，并给出了一些相关的工程应用实例。本书所介绍的内容有利于预防设备事故发生，有助于实现设备科学维护。
本书可供高等院校、研究院所以及企业中从事机电系统运行状态监测、故障诊断与故障趋势预测等相关研究领域的科技人员使用参考，也可作为机械工程以及相关学科专业的教师、研究生和高年级本科生的教材或参考书。
样章试读
目录
- 序
前言
第1章 绪论
1.1 大型旋转机械运行状态及故障趋势预测的研究意义
1.2 大型旋转机械运行状态及故障趋势预测的相关研究进展
1.3 大型旋转机械运行状态及故障趋势预测的研究现状
1.4 本书研究的主要内容
参考文献
第2章 大型旋转机械运行状态及故障趋势预测的信号处理方法
2.1 状态及故障趋势预测中的平稳信号分析方法
2.2 状态及故障趋势预测中的非平稳信号分析方法
2.2.1 短时傅里叶变换
2.2.2 小波分析
2.2.3 经验模态分析的基本原理
2.2.4 短时傅里叶变换、小波分析和Hilbert-Huang变换的比较
2.3 基于数学形态谱的趋势预测特征提取方法
2.4 基于循环平稳度的趋势预测特征提取方法
2.5 基于无量纲参数的趋势预测特征提取方法
2.5.1 重复性描述因子Rf
2.5.2 相似性描述因子Ff
2.5.3 跳跃性描述因子Jf
2.6 基于经验模态分解的趋势预测特征提取方法
2.6.1 基于经验模态分解的Hilbert-Huang变换
2.6.2 经验模态分解中的端点效应及其抑制方法
2.6.3 几种经验模态分解端点效应抑制方法的比较
2.6.4 基于经验模态分解的典型旋转机械趋势预测特征提取验证
参考文献
第3章 基于模型的大型旋转机械运行状态及故障的趋势预测
3.1 基于模型的趋势预测研究描述
3.2 灰色预测
3.2.1 灰色预测模型
3.2.2 灰色预测特点
3.2.3 干涉因子灰色预测改进模型
3.2.4 GMAR组合预测改进模型
3.2.5 中心差分灰色模型
3.3 分离趋势项组合预测模型
3.3.1 分离趋势项组合预测模型的设计
3.3.2 分离趋势项组合模型的烈度预测
3.3.3 分离趋势项组合模型预测结果分析
3.4 基于振动频率分量敏感因子的趋势预测模型
3.4.1 振动频率分量基本概念
3.4.2 振动频率分量敏感因子趋势预测方法
3.4.3 振动频率分量敏感因子趋势预测结果分析
3.5 基于隐马尔可夫模型的预测技术及其优化
3.5.1 隐马尔可夫模型的理论基础
3.5.2 基于隐马尔可夫模型预测的三个基本问题
3.5.3 基于隐马尔可夫模型预测的三个基本问题的求解方法
3.5.4 基于遗传算法的隐马尔可夫预测模型
3.5.5 基于隐马尔可夫预测模型的水泵机组状态趋势预测
3.6 设备趋势预测若干工程应用模型
3.6.1 六段频率幅值趋势预测模型
3.6.2 两种时区联合预测模型
3.7 分整差分函数系数自回归预测模型和三次Holt指数平滑预测模型
3.7.1 分数阶差分
3.7.2 分整差分函数系数自回归预测模型
3.7.3 分整差分函数系数自回归预测模型应用
3.7.4 三次Holt指数平滑预测模型
3.7.5 三次Holt指数平滑预测模型应用
参考文献
第4章 基于人工智能的大型旋转机械运行状态及故障的趋势预测
4.1 基于人工智能的趋势预测研究描述
4.2 人工神经网络及其趋势预测问题
4.2.1 人工神经网络的基本构成
4.2.2 人工神经网络的典型模型
4.2.3 人工神经网络的拓扑结构及类型
4.2.4 人工神经网络误差反传训练算法
4.2.5 人工神经网络的趋势预测问题
4.3 人工神经网络趋势预测
4.3.1 人工神经网络趋势预测原理
4.3.2 人工神经网络趋势预测构建方法
4.3.3 人工神经网络趋势预测模型设计
4.3.4 人工神经网络趋势预测方法
4.4 基于新息加权的神经网络趋势预测方法
4.4.1 人工神经网络新息加权趋势预测的提出
4.4.2 人工神经网络新息加权趋势预测模型
4.4.3 人工神经网络新息加权模型预测结果及分析
4.5 基于均值函数的新息加权神经网络趋势预测方法
4.5.1 基于均值函数的新息加权神经网络的提出
4.5.2 基于均值函数的新息加权的神经网络预测模型
4.5.3 基于均值函数的新息加权神经网络预测的应用
4.6 变权重人工神经网络组合趋势预测方法
4.6.1 变权重人工神经网络组合趋势预测的提出
4.6.2 组合预测方法的理论及对现有组合预测方法的评述
4.6.3 变权重人工神经网络组合预测方法
4.6.4 变权重人工神经网络组合预测模型结构设计
4.6.5 变权重人工神经网络组合预测应用及应用结果分析
4.7 基于遗传算法的趋势预测
4.7.1 遗传算法
4.7.2 基于遗传算法的趋势预测方案
4.7.3 基于遗传的趋势预测的适合度选择及步骤
4.8 基于遗传算法的人工神经网络趋势预测方法
4.8.1 基于遗传算法的人工神经网络基本流程及特征参数选取
4.8.2 基于遗传算法的人工神经网络(GANN)预测模型
4.8.3 GANN预测模型在趋势预测中的应用及分析
4.9 基于量子的人工神经网络故障趋势预测方法
4.9.1 基于量子的人工神经网络故障趋势预测的提出
4.9.2 量子计算
4.9.3 量子计算与神经计算的结合
4.9.4 基于量子的神经网络预测模型
4.9.5 基于量子的神经网络预测方法应用
参考文献
第5章 基于支持向量机的大型旋转机械运行状态及故障的趋势预测
5.1 基于支持向量机的趋势预测研究描述
5.2 支持向量机及其回归算法
5.2.1 支持向量机的基本概念
5.2.2 支持向量机的回归算法
5.3 基于支持向量机的预测模型
5.4 基于支持向量机的旋转注水机组振动烈度预测
5.4.1 样本的选取
5.4.2 采用径向基核函数不同的C和ε对预测精度的影响
5.4.3 不同核函数对训练精度的影响
5.5 支持向量机预测模型与自回归预测模型的比较
5.6 支持向量机的趋势预测与神经网络预测模型的比较
5.7 机械系统状态趋势预测的支持向量机组合模型
5.7.1 趋势预测敏感因子的提取
5.7.2 基于支持向量机的组合模型预测的方法
5.7.3 实际应用
参考文献
第6章 基于混沌时间序列的大型旋转机械运行状态及故障的趋势预测
6.1 基于混沌时间序列的趋势预测研究描述
6.2 混沌与分形的基本理论
6.2.1 混沌与分形的基本概念
6.2.2 混沌时间序列的相空间重构理论
6.2.3 时间序列的混沌识别
6.3 基于混沌理论的机电系统故障趋势预测技术
6.3.1 基于混沌理论的机电系统故障趋势预测过程
6.3.2 基于混沌理论的机电系统故障趋势预测的模型
6.4 基于混沌的机电系统故障趋势预测方法
6.4.1 基于神经网络的混沌时间序列全局预测法
6.4.2 基于最大李雅普诺夫指数的局域预测法
6.4.3 对基于最大李雅普诺夫指数预测方法的改进
6.5 混沌趋势预测在大型烟气轮机故障趋势预测中的应用
6.5.1 基于神经网络的混沌时间序列预测方法应用
6.5.2 基于神经网络的混沌时间序列预测与灰色预测方法
6.5.3 基于改进的最大李雅普诺夫指数预测方法应用
6.5.4 两种混沌时间序列预测方法比较
参考文献
第7章 基于粗糙集和数据挖掘的大型旋转机械运行状态及故障的趋势预测
7.1 基于粗糙集和数据挖掘的趋势预测研究描述
7.1.1 基于粗糙集的趋势预测研究描述
7.1.2 基于数据挖掘的趋势预测研究描述
7.2 基于粗糙集的趋势状态故障预测与知识提取
7.2.1 粗糙集理论的基本概念
7.2.2 基于粗糙集趋势预测与故障诊断知识获取
7.2.3 基于粗糙集的大型旋转机械转子系统振动故障的规则获取
7.2.4 基于变精度粗糙集的大型旋转机械振动故障的知识获取
7.2.5 基于经验模态分解和变精度粗糙集的趋势预测与故障预报
7.2.6 基于粗糙集的故障诊断与趋势预示专家系统
7.3 基于数据挖掘的大型旋转机械趋势预测知识获取
7.3.1 数据挖掘定义与过程
7.3.2 数据挖掘的分类对象与方法
7.3.3 基于数据挖掘的趋势预测知识表达
7.3.4 基于数据挖掘的趋势预测知识获取
7.3.5 基于RIPPER的旋转机械故障诊断知识规则挖掘
7.3.6 基于支持向量机的旋转机械故障诊断知识规则挖掘
7.3.7 基于BP网络的旋转机械故障诊断知识规则挖掘
7.3.8 基于数据挖掘的故障趋势预测与诊断的实际应用
7.4 基于趋势预测方法的自适应选择和决策优化模型
参考文献
第8章 基于数据的多变换域大型旋转机械运行状态及故障的趋势预测
8.1 基于数据的多变换域故障趋势预测研究描述
8.2 基于数据的多变换域非线性故障趋势预测
8.2.1 基于数据的设备故障发展特征提取技术路线
8.2.2 基于数据的故障趋势预测模型及其系统构成
8.2.3 基于数据的多变换域非线性故障趋势预测方法
8.3 时频域的提升小波包故障敏感特征频带提取
8.3.1 基于提升小波包的故障敏感特征频带提取方法
8.3.2 基于提升小波包的故障敏感特征频带提取实例分析
8.4 拓扑域的基于流形学习方法的故障特征非线性降维
8.4.1 流形学习理论及流形学习算法
8.4.2 基于K-ISOMAP的低维流形故障特征降维
8.4.3 基于流形学习方法的非线性低维流形故障特征降维实例分析
8.5 时域的动态自适应人工神经网络趋势预测方法
8.5.1 信息熵加权神经网络预测模型
8.5.2 信息熵加权Elman神经网络趋势预测方法
8.5.3 信息熵加权Elman神经网络趋势预测应用
参考文献
第9章 大型旋转机械趋势预测的实验研究及系统集成
9.1 故障模拟转子实验台系统的构建及实验研究
9.1.1 故障模拟转子实验台系统
9.1.2 破坏性故障转子实验台系统
9.1.3 信号分析和处理实验平台
9.1.4 基于知识的智能趋势预测实验系统
9.1.5 基于远程网络的故障预报实验系统
9.2 基于实验台的旋转机械故障特征实验研究实例
9.2.1 旋转机械不平衡故障特征实验研究
9.2.2 旋转机械油膜涡动和油膜振荡故障特征实验研究
9.3 基于远程网络的工业现场大型旋转机械故障预测系统
9.3.1 基于远程网络的故障预测系统的构建
9.3.2 系统的远程网络设计
9.3.3 系统的灵敏监测数据采集技术
9.4 安全监测预测系统的集成研发
9.4.1 面向安全监测预测系统的集成研发平台
9.4.2 安全监测预测系统研发平台的构成
9.4.3 大型旋转机械安全监测预测系统的研发
参考文献
第10章 大型旋转机械运行状态及故障的监测预测应用研究
10.1 大型旋转烟气轮机发电机组监测预测的应用研究
10.1.1 大型旋转烟气轮机机组状态及故障监测预测系统的应用
10.1.2 远程机组状态及故障监测预测的应用
10.1.3 远程机组状态及故障预测系统的应用研究
10.1.4 机组状态及故障监测预测的实践验证
10.2 大型旋转多级分段式离心泵机组故障预报的应用研究
10.2.1 大型旋转离心泵机组故障预报的应用研究实例
10.2.2 大型旋转离心泵机组故障预报的应用研究实例分析
10.3 高档数控机床故障预报的应用研究
10.3.1 高档数控机床故障预报的研究背景
10.3.2 基于整机机械动态特性的故障预报平台构建
10.3.3 高档数控机床故障预报样本数据获取
10.3.4 高档数控机床状态信息的获取与建库
10.3.5 车铣复合机床故障预报实验研究
10.3.6 网络化故障预报样本案例数据库构建
10.3.7 高档数控机床故障预报系统
10.4 大型旋转-往复动力设备状态监测与故障预测研究
10.4.1 大型旋转-往复动力设备故障诊断预报平台
10.4.2 基于旋转-往复机械的状态监测与故障诊断预报案例
10.4.3 基于多技术信息融合的大型旋转-往复机械故障预测方法
10.5 关键设备群智能健康物联网的构建
10.5.1 关键设备群智能健康物联网构建的背景
10.5.2 关键设备群智能健康物联网构建的应用前景
10.5.3 关键设备群智能健康物联网构建的关键技术
10.5.4 关键设备群智能健康物联网的构建方案
参考文献
京公网安备 11010102004214号