機電設備狀態(tài)監(jiān)測與預測

第1章緒論/001
1.1機電設備狀態(tài)監(jiān)測技術的發(fā)展概況001
1.1.1機電設備狀態(tài)監(jiān)測技術的發(fā)展歷程及現(xiàn)狀001
1.1.2機電設備狀態(tài)監(jiān)測技術的發(fā)展趨勢003
1.2機電設備狀態(tài)預測技術的發(fā)展概況004
1.2.1機電設備狀態(tài)預測技術的發(fā)展歷程及現(xiàn)狀004
1.2.2機電設備狀態(tài)預測技術的發(fā)展趨勢005
1.3大型機電設備狀態(tài)在線監(jiān)測及預測技術背景006
1.3.1大型旋轉注水機組及其故障監(jiān)測及預測現(xiàn)狀006
1.3.2風電機組齒輪箱及其故障特點007

第2章狀態(tài)監(jiān)測信息類型與處理/009
2.1傳感器009
2.1.1傳感器的組成009
2.1.2傳感器的分類010
2.1.3傳感器的選擇010
2.1.4不同類型的傳感器簡介010
2.2振動信號016
2.2.1振動信號分類016
2.2.2信號分析與處理方法019
2.3振動加速度信號029
2.3.1采樣頻率與采樣間隔029
2.3.2振動加速度離散化計算029
2.3.3振動烈度的后續(xù)處理031
2.4功率譜信號處理031
2.4.1經(jīng)典頻譜信號處理的步驟031
2.4.2現(xiàn)代譜信號處理方法032
2.5小波分析035
2.5.1小波分析在機械故障診斷中的應用035
2.5.2小波分析基本理論036
2.5.3小波分析與傅里葉分析對比038
2.5.4小波變換在信號處理與檢測中的應用039
2.5.5離散小波變換048
2.5.6分析系統(tǒng)構成049
2.5.7振動信號分析結果050

第3章狀態(tài)特征弱信息提取/054
3.1基于μ-SVD和LMD的狀態(tài)特征弱信息預處理方法054
3.1.1μ-SVD降噪算法055
3.1.2局部均值分解（LMD）算法057
3.1.3狀態(tài)特征弱信息預處理方法061
3.1.4仿真驗證062
3.1.5實驗驗證067
3.2基于Birgé-Massart閾值的狀態(tài)特征弱信息預處理方法071
3.2.1狀態(tài)特征弱信息預處理方法的基本原理071
3.2.2Birgé-Massart懲罰策略下的閾值確定方法073
3.2.3狀態(tài)特征弱信息預處理方法的實現(xiàn)074
3.2.4仿真驗證075
3.2.5實驗驗證077
3.3基于CEEMDAN-MFICA的非平穩(wěn)信號預處理方法080
3.3.1盲源分離081
3.3.2基于CEEMDAN-MFICA的變工況非平穩(wěn)信號預處理方法083
3.3.3實驗驗證085
3.4運行狀態(tài)劣化的敏感HHT特征提取093
3.4.1HHT基本理論094
3.4.2基于劣化敏感IMF選擇的HHT特征提取方法099
3.4.3仿真驗證100
3.4.4實驗驗證102
3.5高階累積量對角切片譜運行狀態(tài)劣化特征提取110
3.5.1高階累積量的基本理論110
3.5.21.5維譜運行穩(wěn)定性劣化特征提取方法115
3.5.3四階累積量對角切片譜運行穩(wěn)定性劣化特征提取方法117
3.5.4特征提取方法的趨勢預測適用性118
3.6計算階次跟蹤及包絡解調分析特征提取119
3.6.1振動信號的計算階次跟蹤120
3.6.2振動信號的包絡解調125
3.6.3增速齒輪箱實測信號的計算階次跟蹤及包絡解調130

第4章狀態(tài)監(jiān)測分析技術/138
4.1旋轉機組狀態(tài)分析的基本原理及方法138
4.1.1旋轉機組的狀態(tài)分類及狀態(tài)分析過程138
4.1.2旋轉機組狀態(tài)分析的構成139
4.1.3旋轉機組狀態(tài)分析的基本方法140
4.2機組狀態(tài)評定標準的選擇及預警、報警限的設定141
4.2.1機組狀態(tài)評定的有關標準及選擇141
4.2.2機組工作狀態(tài)的預警限及報警限的設定142
4.3狀態(tài)在線分析技術143
4.3.1機組狀態(tài)六測點烈度分析技術143
4.3.2機組狀態(tài)時域分析技術144
4.3.3機組狀態(tài)頻域分析技術145
4.4狀態(tài)自動判別技術146
4.4.1機組狀態(tài)六段頻率幅值自動判別技術147
4.4.2機組狀態(tài)譜展寬窄帶自動判別技術148
4.5大型旋轉機組狀態(tài)自動判別智能專家系統(tǒng)148
4.5.1機組狀態(tài)自動判別智能專家系統(tǒng)的結構148
4.5.2智能專家系統(tǒng)實現(xiàn)機組狀態(tài)自動判別的方法150
4.5.3振動量的有關智能化處理152
4.5.4機組狀態(tài)智能專家系統(tǒng)全頻段自動判別技術152
4.6運行穩(wěn)定性劣化狀態(tài)的評價153
4.6.1劣化演化矩陣的建立153
4.6.2運行穩(wěn)定性劣化程度的表征參數(shù)155
4.6.3運行穩(wěn)定性劣化狀態(tài)的評價方法157
4.6.4基于現(xiàn)場實驗數(shù)據(jù)的運行穩(wěn)定性劣化狀態(tài)的評價158

第5章狀態(tài)在線預測技術/164
5.1在線趨勢預測概述164
5.2振動級值預測的類型、基本方法和判據(jù)165
5.2.1機組狀態(tài)發(fā)展趨勢與振動級值預測165
5.2.2振動級值趨勢預測的類型166
5.2.3振動級值趨勢預測的基本方法166
5.2.4振動級值趨勢預測的判據(jù)和評定方法168
5.3時序模型與時序預測168
5.4灰色預測方法及其改進169
5.4.1灰色預測方法169
5.4.2干涉因子灰色預測改進模型171
5.4.3GMAR組合預測改進模型171
5.5中心差分灰色模型173
5.5.1中心差分基本原理173
5.5.2中心差分灰色模型建模174
5.5.3CDGM（1,1）模型烈度預測175
5.6烈度序列的趨勢項提取176
5.6.1預測模型的烈度趨勢項提取176
5.6.2線性規(guī)劃法進行烈度趨勢項提取177
5.6.3烈度趨勢提取的精度校驗179
5.7分離趨勢項新型組合預測模型180
5.7.1分離趨勢項組合預測模型的設計181
5.7.2分離趨勢項組合模型的烈度預測182
5.7.3兩種時區(qū)聯(lián)合預測的實用方法184
5.8六段頻率幅值趨勢預測設計185
5.9人工智能預測方法185
5.9.1人工神經(jīng)網(wǎng)絡趨勢預測186
5.9.2人工神經(jīng)網(wǎng)絡的結構和模型187
5.9.3網(wǎng)絡的拓撲結構及類型188
5.9.4誤差反傳訓練算法（BP算法）189
5.9.5神經(jīng)網(wǎng)絡預測原理及模型的建立189
5.9.6神經(jīng)網(wǎng)絡趨勢預測方法193
5.10采用遺傳算法進行趨勢預測198
5.10.1遺傳算法與機組狀態(tài)預測198
5.10.2遺傳算法進行預測的方案198
5.10.3遺傳預測的適合度選擇及步驟199

第6章狀態(tài)在線監(jiān)測及預測系統(tǒng)/201
6.1狀態(tài)在線監(jiān)測及預測系統(tǒng)的總體設計201
6.1.1狀態(tài)在線監(jiān)測及預測系統(tǒng)的技術路線201
6.1.2大型旋轉機組狀態(tài)在線監(jiān)測及預測系統(tǒng)的技術特點202
6.1.3狀態(tài)在線監(jiān)測及預測系統(tǒng)的類型203
6.2狀態(tài)在線監(jiān)測及預測的軟件系統(tǒng)設計205
6.2.1在線監(jiān)測軟件系統(tǒng)設計原則205
6.2.2軟件模塊結構及其功能206
6.2.3面向對象程序設計（OOP）207
6.3遠程在線風機齒輪箱監(jiān)測診斷系統(tǒng)208
6.3.1嵌入式數(shù)據(jù)采集系統(tǒng)設計209
6.3.2數(shù)據(jù)服務器軟件開發(fā)215
6.3.3數(shù)據(jù)存儲數(shù)據(jù)庫設計216
6.3.4網(wǎng)頁服務器軟件開發(fā)217
6.4風機齒輪箱早期故障征兆在線監(jiān)測診斷系統(tǒng)構建219
6.5基于Web的遠程機械故障預測系統(tǒng)構建223
6.5.1遠程故障預測系統(tǒng)構建223
6.5.2系統(tǒng)中非線性非平穩(wěn)故障預測模塊開發(fā)227

參考文獻230