大型旋轉機械運行狀態趨勢預測

機械系統運行狀態的趨勢預測技術是一種在故障發生前進行早期故障預示的現代技術。徐小力、王紅軍編著的《大型旋轉機械運行狀態趨勢預測》面向大型旋轉機械的安全運行，特別針對其長曆程、變工況、非平穩狀態，着重闡述了大型旋轉機械運行狀態趨勢預測技術的新進展、新理論、新方法及新技術，對所提出的相關理論方法進行了實驗研究和應用研究，並給出了一些相關的工程應用實例。《大型旋轉機械運行狀態趨勢預測》所介紹的內容有利於預防設備事故發生，有助於實現設備科學維護。

《大型旋轉機械運行狀態趨勢預測》可供高等院校、研究院所以及企業中從事機電系統運行狀態監測、故障診斷與故障趨勢預測等相關研究領域的科技人員使用參考，也可作為機械工程以及相關學科專業的教師、研究生和高年級本科生的教材或參考書。 ^[1] 

序

前言

第1章 緒論

1.1 大型旋轉機械運行狀態及故障趨勢預測的研究意義

1.2 大型旋轉機械運行狀態及故障趨勢預測的相關研究進展

1.3 大型旋轉機械運行狀態及故障趨勢預測的研究現狀

1.4 本書研究的主要內容

參考文獻

第2章 大型旋轉機械運行狀態及故障趨勢預測的信號處理方法

2.1 狀態及故障趨勢預測中的平穩信號分析方法

2.2 狀態及故障趨勢預測中的非平穩信號分析方法

2.2.1 短時傅里葉變換

2.2.2 小波分析

2.2.3 經驗模態分析的基本原理

2.2.4 短時傅里葉變換、小波分析和Hilbert-Huang變換的比較

2.3 基於數學形態譜的趨勢預測特徵提取方法

2.4 基於循環平穩度的趨勢預測特徵提取方法

2.5 基於無量綱參數的趨勢預測特徵提取方法

2.5.1 重複性描述因子Rf

2.5.2 相似性描述因子Ff

2.5.3 跳躍性描述因子Jf

2.6 基於經驗模態分解的趨勢預測特徵提取方法

2.6.1 基於經驗模態分解的Hilbert-Huang變換

2.6.2 經驗模態分解中的端點效應及其抑制方法

2.6.3 幾種經驗模態分解端點效應抑制方法的比較

2.6.4 基於經驗模態分解的典型旋轉機械趨勢預測特徵提取驗證

參考文獻

第3章 基於模型的大型旋轉機械運行狀態及故障的趨勢預測

3.1 基於模型的趨勢預測研究描述

3.2 灰色預測

3.2.1 灰色預測模型

3.2.2 灰色預測特點

3.2.3 干涉因子灰色預測改進模型

3.2.4 GMAR組合預測改進模型

3.2.5 中心差分灰色模型

3.3 分離趨勢項組合預測模型

3.3.1 分離趨勢項組合預測模型的設計

3.3.2 分離趨勢項組合模型的烈度預測

3.3.3 分離趨勢項組合模型預測結果分析

3.4 基於振動頻率分量敏感因子的趨勢預測模型

3.4.1 振動頻率分量基本概念

3.4.2 振動頻率分量敏感因子趨勢預測方法

3.4.3 振動頻率分量敏感因子趨勢預測結果分析

3.5 基於隱馬爾可夫模型的預測技術及其優化

3.5.1 隱馬爾可夫模型的理論基礎

3.5.2 基於隱馬爾可夫模型預測的三個基本問題

3.5.3 基於隱馬爾可夫模型預測的三個基本問題的求解方法

3.5.4 基於遺傳算法的隱馬爾可夫預測模型

3.5.5 基於隱馬爾可夫預測模型的水泵機組狀態趨勢預測

3.6 設備趨勢預測若干工程應用模型

3.6.1 六段頻率幅值趨勢預測模型

3.6.2 兩種時區聯合預測模型

3.7 分整差分函數係數自迴歸預測模型和三次Holt指數平滑預測模型

3.7.1 分數階差分

3.7.2 分整差分函數係數自迴歸預測模型

3.7.3 分整差分函數係數自迴歸預測模型應用

3.7.4 三次Holt指數平滑預測模型

3.7.5 三次Holt指數平滑預測模型應用

參考文獻

第4章 基於人工智能的大型旋轉機械運行狀態及故障的趨勢預測

4.1 基於人工智能的趨勢預測研究描述

4.2 人工神經網絡及其趨勢預測問題

4.2.1 人工神經網絡的基本構成

4.2.2 人工神經網絡的典型模型

4.2.3 人工神經網絡的拓撲結構及類型

4.2.4 人工神經網絡誤差反傳訓練算法

4.2.5 人工神經網絡的趨勢預測問題

4.3 人工神經網絡趨勢預測

4.3.1 人工神經網絡趨勢預測原理

4.3.2 人工神經網絡趨勢預測構建方法

4.3.3 人工神經網絡趨勢預測模型設計

4.3.4 人工神經網絡趨勢預測方法

4.4 基於新息加權的神經網絡趨勢預測方法

4.4.1 人工神經網絡新息加權趨勢預測的提出

4.4.2 人工神經網絡新息加權趨勢預測模型

4.4.3 人工神經網絡新息加權模型預測結果及分析

4.5 基於均值函數的新息加權神經網絡趨勢預測方法

4.5.1 基於均值函數的新息加權神經網絡的提出

4.5.2 基於均值函數的新息加權的神經網絡預測模型

4.5.3 基於均值函數的新息加權神經網絡預測的應用

4.6 變權重人工神經網絡組合趨勢預測方法

4.6.1 變權重人工神經網絡組合趨勢預測的提出

4.6.2 組合預測方法的理論及對現有組合預測方法的評述

4.6.3 變權重人工神經網絡組合預測方法

4.6.4 變權重人工神經網絡組合預測模型結構設計

4.6.5 變權重人工神經網絡組合預測應用及應用結果分析

4.7 基於遺傳算法的趨勢預測

4.7.1 遺傳算法

4.7.2 基於遺傳算法的趨勢預測方案

4.7.3 基於遺傳的趨勢預測的適合度選擇及步驟

4.8 基於遺傳算法的人工神經網絡趨勢預測方法

4.8.1 基於遺傳算法的人工神經網絡基本流程及特徵參數選取

4.8.2 基於遺傳算法的人工神經網絡(GANN)預測模型

4.8.3 GANN預測模型在趨勢預測中的應用及分析

4.9 基於量子的人工神經網絡故障趨勢預測方法

4.9.1 基於量子的人工神經網絡故障趨勢預測的提出

4.9.2 量子計算

4.9.3 量子計算與神經計算的結合

4.9.4 基於量子的神經網絡預測模型

4.9.5 基於量子的神經網絡預測方法應用

參考文獻

第5章 基於支持向量機的大型旋轉機械運行狀態及故障的趨勢預測

5.1 基於支持向量機的趨勢預測研究描述

5.2 支持向量機及其迴歸算法

5.2.1 支持向量機的基本概念

5.2.2 支持向量機的迴歸算法

5.3 基於支持向量機的預測模型

5.4 基於支持向量機的旋轉註水機組振動烈度預測

5.4.1 樣本的選取

5.4.2 採用徑向基核函數不同的C和ε對預測精度的影響

5.4.3 不同核函數對訓練精度的影響

5.5 支持向量機預測模型與自迴歸預測模型的比較

5.6 支持向量機的趨勢預測與神經網絡預測模型的比較

5.7 機械系統狀態趨勢預測的支持向量機組合模型

5.7.1 趨勢預測敏感因子的提取

5.7.2 基於支持向量機的組合模型預測的方法

5.7.3 實際應用

參考文獻

第6章 基於混沌時間序列的大型旋轉機械運行狀態及故障的趨勢預測

6.1 基於混沌時間序列的趨勢預測研究描述

6.2 混沌與分形的基本理論

6.2.1 混沌與分形的基本概念

6.2.2 混沌時間序列的相空間重構理論

6.2.3 時間序列的混沌識別

6.3 基於混沌理論的機電系統故障趨勢預測技術

6.3.1 基於混沌理論的機電系統故障趨勢預測過程

6.3.2 基於混沌理論的機電系統故障趨勢預測的模型

6.4 基於混沌的機電系統故障趨勢預測方法

6.4.1 基於神經網絡的混沌時間序列全局預測法

6.4.2 基於最大李雅普諾夫指數的局域預測法

6.4.3 對基於最大李雅普諾夫指數預測方法的改進

6.5 混沌趨勢預測在大型煙氣輪機故障趨勢預測中的應用

6.5.1 基於神經網絡的混沌時間序列預測方法應用

6.5.2 基於神經網絡的混沌時間序列預測與灰色預測方法

6.5.3 基於改進的最大李雅普諾夫指數預測方法應用

6.5.4 兩種混沌時間序列預測方法比較

參考文獻

第7章 基於粗糙集和數據挖掘的大型旋轉機械運行狀態及故障的趨勢預測

7.1 基於粗糙集和數據挖掘的趨勢預測研究描述

7.1.1 基於粗糙集的趨勢預測研究描述

7.1.2 基於數據挖掘的趨勢預測研究描述

7.2 基於粗糙集的趨勢狀態故障預測與知識提取

7.2.1 粗糙集理論的基本概念

7.2.2 基於粗糙集趨勢預測與故障診斷知識獲取

7.2.3 基於粗糙集的大型旋轉機械轉子系統振動故障的規則獲取

7.2.4 基於變精度粗糙集的大型旋轉機械振動故障的知識獲取

7.2.5 基於經驗模態分解和變精度粗糙集的趨勢預測與故障預報

7.2.6 基於粗糙集的故障診斷與趨勢預示專家系統

7.3 基於數據挖掘的大型旋轉機械趨勢預測知識獲取

7.3.1 數據挖掘定義與過程

7.3.2 數據挖掘的分類對象與方法

7.3.3 基於數據挖掘的趨勢預測知識表達

7.3.4 基於數據挖掘的趨勢預測知識獲取

7.3.5 基於RIPPER的旋轉機械故障診斷知識規則挖掘

7.3.6 基於支持向量機的旋轉機械故障診斷知識規則挖掘

7.3.7 基於BP網絡的旋轉機械故障診斷知識規則挖掘

7.3.8 基於數據挖掘的故障趨勢預測與診斷的實際應用

7.4 基於趨勢預測方法的自適應選擇和決策優化模型

參考文獻

第8章 基於數據的多變換域大型旋轉機械運行狀態及故障的趨勢預測

8.1 基於數據的多變換域故障趨勢預測研究描述

8.2 基於數據的多變換域非線性故障趨勢預測

8.2.1 基於數據的設備故障發展特徵提取技術路線

8.2.2 基於數據的故障趨勢預測模型及其系統構成

8.2.3 基於數據的多變換域非線性故障趨勢預測方法

8.3 時頻域的提升小波包故障敏感特徵頻帶提取

8.3.1 基於提升小波包的故障敏感特徵頻帶提取方法

8.3.2 基於提升小波包的故障敏感特徵頻帶提取實例分析

8.4 拓撲域的基於流形學習方法的故障特徵非線性降維

8.4.1 流形學習理論及流形學習算法

8.4.2 基於K-ISOMAP的低維流形故障特徵降維

8.4.3 基於流形學習方法的非線性低維流形故障特徵降維實例分析

8.5 時域的動態自適應人工神經網絡趨勢預測方法

8.5.1 信息熵加權神經網絡預測模型

8.5.2 信息熵加權Elman神經網絡趨勢預測方法

8.5.3 信息熵加權Elman神經網絡趨勢預測應用

參考文獻

第9章 大型旋轉機械趨勢預測的實驗研究及系統集成

9.1 故障模擬轉子實驗台系統的構建及實驗研究

9.1.1 故障模擬轉子實驗台系統

9.1.2 破壞性故障轉子實驗台系統

9.1.3 信號分析和處理實驗平台

9.1.4 基於知識的智能趨勢預測實驗系統

9.1.5 基於遠程網絡的故障預報實驗系統

9.2 基於實驗台的旋轉機械故障特徵實驗研究實例

9.2.1 旋轉機械不平衡故障特徵實驗研究

9.2.2 旋轉機械油膜渦動和油膜振盪故障特徵實驗研究

9.3 基於遠程網絡的工業現場大型旋轉機械故障預測系統

9.3.1 基於遠程網絡的故障預測系統的構建

9.3.2 系統的遠程網絡設計

9.3.3 系統的靈敏監測數據採集技術

9.4 安全監測預測系統的集成研發

9.4.1 面向安全監測預測系統的集成研發平台

9.4.2 安全監測預測系統研發平台的構成

9.4.3 大型旋轉機械安全監測預測系統的研發

參考文獻

第10章 大型旋轉機械運行狀態及故障的監測預測應用研究

10.1 大型旋轉煙氣輪機發電機組監測預測的應用研究

10.1.1 大型旋轉煙氣輪機機組狀態及故障監測預測系統的應用

10.1.2 遠程機組狀態及故障監測預測的應用

10.1.3 遠程機組狀態及故障預測系統的應用研究

10.1.4 機組狀態及故障監測預測的實踐驗證

10.2 大型旋轉多級分段式離心泵機組故障預報的應用研究

10.2.1 大型旋轉離心泵機組故障預報的應用研究實例

10.2.2 大型旋轉離心泵機組故障預報的應用研究實例分析

10.3 高檔數控機牀故障預報的應用研究

10.3.1 高檔數控機牀故障預報的研究背景

10.3.2 基於整機機械動態特性的故障預報平台構建

10.3.3 高檔數控機牀故障預報樣本數據獲取

10.3.4 高檔數控機牀狀態信息的獲取與建庫

10.3.5 車銑複合機牀故障預報實驗研究

10.3.6 網絡化故障預報樣本案例數據庫構建

10.3.7 高檔數控機牀故障預報系統

10.4 大型旋轉-往復動力設備狀態監測與故障預測研究

10.4.1 大型旋轉-往復動力設備故障診斷預報平台

10.4.2 基於旋轉-往復機械的狀態監測與故障診斷預報案例

10.4.3 基於多技術信息融合的大型旋轉-往復機械故障預測方法

10.5 關鍵設備羣智能健康物聯網的構建

10.5.1 關鍵設備羣智能健康物聯網構建的背景

10.5.2 關鍵設備羣智能健康物聯網構建的應用前景

10.5.3 關鍵設備羣智能健康物聯網構建的關鍵技術

10.5.4 關鍵設備羣智能健康物聯網的構建方案

參考文獻 ^[2]