包邮水力机组智能故障诊断理论与方法

前言
第1章 绪论
1.1 水力机组故障诊断概述
1.1.1 水力机组故障定义与分类
1.1.2 水力机组故障机理研究
1.1.3 水力机组故障诊断流程
1.2 水力机组故障诊断国内外发展状况
1.3 水力机组故障诊断的发展趋势
第2章 水力机组的主要故障
2.1 发电机故障
2.1.1 发电机定子故障
2.1.2 发电机转子故障
2.1.3 发电机温度故障
2.2 水轮机空化空蚀
2.2.1 空化空蚀机理
2.2.2 空蚀破坏程度
2.2.3 空化空蚀与磨损联合作用
2.3 轴承故障
2.3.1 推力轴承故障
2.3.2 导轴承故障
2.4 机组振动故障
2.4.1 机械振动
2.4.2 电磁振动
2.4.3 水力振动
第3章 水力机组故障诊断原理与方法
3.1 故障诊断概述
3.1.1 故障诊断原理
3.1.2 故障诊断分类
3.2 故障信息与特征参量及提取
3.2.1 故障信息
3.2.2 故障特征参量
3.2.3 故障特征提取
3.3 故障诊断传统识别方法
3.3.1 统计识别法
3.3.2 逻辑识别法
3.3.3 模糊识别法
3.3.4 灰色识别法
3.3.5 故障树分析法
3.3.6 对比分析识别法
第4章 故障诊断专家系统
4.1 专家系统概述
4.1.1 专家系统的定义
4.1.2 专家系统的结构
4.1.3 专家系统的分类
4.1.4 水力机组专家系统
4.2 知识表示与获取
4.2.1 知识表示
4.2.2 知识获取
4.3 推理与控制策略
4.3.1 推理策略
4.3.2 控制策略
4.4 专家系统开发工具CLIPS
4.4.1 CLIPS语言基础
4.4.2 CLIPS语言命令
4.5 专家系统的建造
4.5.1 专家系统的设计方法
4.5.2 专家系统的开发工具
第5章 机器学习故障诊断理论及算法
5.1 基于神经网络的故障诊断理论
5.1.1 人工神经网络的定义
5.1.2 人工神经网络的特征
5.1.3 人工神经网络模型
5.1.4 人工神经网络的应用
5.2 基于深度学习算法的故障诊断理论
5.2.1 卷积神经网络
5.2.2 受限玻尔兹曼机
5.2.3 自编码器
5.2.4 基于深度学习算法的诊断应用
5.3 基于支持向量机的故障诊断理论
5.3.1 支持向量机概述
5.3.2 支持向量机原理
5.3.3 支持向量机核函数
5.3.4 基于支持向量机的诊断应用
第6章 水力机组诊断信息融合技术
6.1 信息融合技术概述
6.1.1 信息融合技术的发展历史与应用领域
6.1.2 信息融合的定义
6.1.3 信息融合的层次
6.1.4 水力机组的融合诊断系统
6.2 基于D-S证据理论的信息融合诊断
6.2.1 D-S证据理论概述
6.2.2 D-S证据的基本理论
6.2.3 基于D-S证据理论的信息融合诊断一般过程
6.3 基于神经网络的信息融合诊断
参考文献