机电设备状态监测与预测

第1章绪论/001
1.1机电设备状态监测技术的发展概况001
1.1.1机电设备状态监测技术的发展历程及现状001
1.1.2机电设备状态监测技术的发展趋势003
1.2机电设备状态预测技术的发展概况004
1.2.1机电设备状态预测技术的发展历程及现状004
1.2.2机电设备状态预测技术的发展趋势005
1.3大型机电设备状态在线监测及预测技术背景006
1.3.1大型旋转注水机组及其故障监测及预测现状006
1.3.2风电机组齿轮箱及其故障特点007

第2章状态监测信息类型与处理/009
2.1传感器009
2.1.1传感器的组成009
2.1.2传感器的分类010
2.1.3传感器的选择010
2.1.4不同类型的传感器简介010
2.2振动信号016
2.2.1振动信号分类016
2.2.2信号分析与处理方法019
2.3振动加速度信号029
2.3.1采样频率与采样间隔029
2.3.2振动加速度离散化计算029
2.3.3振动烈度的后续处理031
2.4功率谱信号处理031
2.4.1经典频谱信号处理的步骤031
2.4.2现代谱信号处理方法032
2.5小波分析035
2.5.1小波分析在机械故障诊断中的应用035
2.5.2小波分析基本理论036
2.5.3小波分析与傅里叶分析对比038
2.5.4小波变换在信号处理与检测中的应用039
2.5.5离散小波变换048
2.5.6分析系统构成049
2.5.7振动信号分析结果050

第3章状态特征弱信息提取/054
3.1基于μ-SVD和LMD的状态特征弱信息预处理方法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状态特征弱信息预处理方法061
3.1.4仿真验证062
3.1.5实验验证067
3.2基于Birgé-Massart阈值的状态特征弱信息预处理方法071
3.2.1状态特征弱信息预处理方法的基本原理071
3.2.2Birgé-Massart惩罚策略下的阈值确定方法073
3.2.3状态特征弱信息预处理方法的实现074
3.2.4仿真验证075
3.2.5实验验证077
3.3基于CEEMDAN-MFICA的非平稳信号预处理方法080
3.3.1盲源分离081
3.3.2基于CEEMDAN-MFICA的变工况非平稳信号预处理方法083
3.3.3实验验证085
3.4运行状态劣化的敏感HHT特征提取093
3.4.1HHT基本理论094
3.4.2基于劣化敏感IMF选择的HHT特征提取方法099
3.4.3仿真验证100
3.4.4实验验证102
3.5高阶累积量对角切片谱运行状态劣化特征提取110
3.5.1高阶累积量的基本理论110
3.5.21.5维谱运行稳定性劣化特征提取方法115
3.5.3四阶累积量对角切片谱运行稳定性劣化特征提取方法117
3.5.4特征提取方法的趋势预测适用性118
3.6计算阶次跟踪及包络解调分析特征提取119
3.6.1振动信号的计算阶次跟踪120
3.6.2振动信号的包络解调125
3.6.3增速齿轮箱实测信号的计算阶次跟踪及包络解调130

第4章状态监测分析技术/138
4.1旋转机组状态分析的基本原理及方法138
4.1.1旋转机组的状态分类及状态分析过程138
4.1.2旋转机组状态分析的构成139
4.1.3旋转机组状态分析的基本方法140
4.2机组状态评定标准的选择及预警、报警限的设定141
4.2.1机组状态评定的有关标准及选择141
4.2.2机组工作状态的预警限及报警限的设定142
4.3状态在线分析技术143
4.3.1机组状态六测点烈度分析技术143
4.3.2机组状态时域分析技术144
4.3.3机组状态频域分析技术145
4.4状态自动判别技术146
4.4.1机组状态六段频率幅值自动判别技术147
4.4.2机组状态谱展宽窄带自动判别技术148
4.5大型旋转机组状态自动判别智能专家系统148
4.5.1机组状态自动判别智能专家系统的结构148
4.5.2智能专家系统实现机组状态自动判别的方法150
4.5.3振动量的有关智能化处理152
4.5.4机组状态智能专家系统全频段自动判别技术152
4.6运行稳定性劣化状态的评价153
4.6.1劣化演化矩阵的建立153
4.6.2运行稳定性劣化程度的表征参数155
4.6.3运行稳定性劣化状态的评价方法157
4.6.4基于现场实验数据的运行稳定性劣化状态的评价158

第5章状态在线预测技术/164
5.1在线趋势预测概述164
5.2振动级值预测的类型、基本方法和判据165
5.2.1机组状态发展趋势与振动级值预测165
5.2.2振动级值趋势预测的类型166
5.2.3振动级值趋势预测的基本方法166
5.2.4振动级值趋势预测的判据和评定方法168
5.3时序模型与时序预测168
5.4灰色预测方法及其改进169
5.4.1灰色预测方法169
5.4.2干涉因子灰色预测改进模型171
5.4.3GMAR组合预测改进模型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）模型烈度预测175
5.6烈度序列的趋势项提取176
5.6.1预测模型的烈度趋势项提取176
5.6.2线性规划法进行烈度趋势项提取177
5.6.3烈度趋势提取的精度校验179
5.7分离趋势项新型组合预测模型180
5.7.1分离趋势项组合预测模型的设计181
5.7.2分离趋势项组合模型的烈度预测182
5.7.3两种时区联合预测的实用方法184
5.8六段频率幅值趋势预测设计185
5.9人工智能预测方法185
5.9.1人工神经网络趋势预测186
5.9.2人工神经网络的结构和模型187
5.9.3网络的拓扑结构及类型188
5.9.4误差反传训练算法（BP算法）189
5.9.5神经网络预测原理及模型的建立189
5.9.6神经网络趋势预测方法193
5.10采用遗传算法进行趋势预测198
5.10.1遗传算法与机组状态预测198
5.10.2遗传算法进行预测的方案198
5.10.3遗传预测的适合度选择及步骤199

第6章状态在线监测及预测系统/201
6.1状态在线监测及预测系统的总体设计201
6.1.1状态在线监测及预测系统的技术路线201
6.1.2大型旋转机组状态在线监测及预测系统的技术特点202
6.1.3状态在线监测及预测系统的类型203
6.2状态在线监测及预测的软件系统设计205
6.2.1在线监测软件系统设计原则205
6.2.2软件模块结构及其功能206
6.2.3面向对象程序设计（OOP）207
6.3远程在线风机齿轮箱监测诊断系统208
6.3.1嵌入式数据采集系统设计209
6.3.2数据服务器软件开发215
6.3.3数据存储数据库设计216
6.3.4网页服务器软件开发217
6.4风机齿轮箱早期故障征兆在线监测诊断系统构建219
6.5基于Web的远程机械故障预测系统构建223
6.5.1远程故障预测系统构建223
6.5.2系统中非线性非平稳故障预测模块开发227

参考文献230