数据驱动的高放射性环境下机械设备故障诊断

符号说明 第1章 故障诊断与预测方法概述 1.1 状态监测与故障诊断 1.2 故障诊断与预测的流程 1.2.1 数据采集 1.2.2 特征提取与选择 1.2.3 状态检测 1.2.4 故障诊断 1.2.5 预测 1.2.6 决策 1.3 故障诊断与预测方法的分类 1.3.1 基于模型的方法 1.3.2 数据驱动的方法 1.3.3 混合预测方法 1.4 预测工具的评估 第2章 故障模式分析的理论与方法 2.1 故障模式、影响及危害性分析 2.1.1 故障模式分析 2.1.2 故障判据的确定 2.1.3 故障的影响及严酷度分析 2.1.4 危害性分析（CA） 2.1.5 故障的原因分析 2.1.6 FMECA的方法与步骤 2.2 故障树分析 2.2.1 事件及其符号 2.2.2 逻辑门及其符号 2.2.3 故障树的建立 2.2.4 FTA定性分析 2.2.5 FTA定量分析 2.3 乏燃料剪切机的研究情况与立式送料剪切机的工作原理 2.3.1 国内外对乏燃料剪切机的研究情况 2.3.2 立式送料剪切机的工作原理 2.4 乏燃料剪切机的故障模式分析实例 2.4.1 剪切机模拟实验装置的结构 2.4.2 剪切装置的故障模式、影响及危害性分析 2.4.3 剪切装置的故障树分析 2.4.4 乏燃料剪切机刀具的故障模式、失效机理与故障判据 2.5 本章小结 第3章 乏燃料剪切机声发射产生机理及传播特性分析 3.1 基本声学参数与基于噪声的诊断方法 3.1.1 基本声学参数 3.1.2 基于声发射的诊断方法 3.2 乏燃料剪切机声发射产生的机理分析 3.2.1 工作声 3.2.2 运转声 3.3 乏燃料剪切机声发射信号的频谱与声场分析 3.3.1 剪切机声发射信号的频谱分析 3.3.2 乏燃料剪切机声发射的传播与声场分析 3.4 本章小结 第4章 源项估计与空间辐射剂量场分析 4.1 源项计算与分析方法 4.1.1 源项计算 4.1.2 ORIGEN2程序 4.2 乏燃料剪切热室的源项计算与分析实例 4.2.1 初始源项数据 4.2.2 计算结果与分析 4.2.3 结论 4.3 空间辐射剂量场计算分析方法 4.3.1 蒙特卡罗方法基本思想 4.3.2 蒙特卡罗方法的一般步骤 4.3.3 MCNP程序 4.4 乏燃料剪切热室的空间辐射剂量场估算实例 4.4.1 计算模型 4.4.2 计算结果与分析 4.5 本章小结 第5章 传声器耐辐照性能研究 5.1 电子元器件的辐射损伤机理 5.1.1 电离效应 5.1.2 位移效应 5.1.3 表面效应 5.1.4 剂量增强效应 5.2 传声器工作原理与主要性能指标 5.2.1 传声器工作原理 5.2.2 传声器的主要性能指标 5.3 实验对象与装置 5.3.1 实验对象 5.3.2 实验装置 5.4 实验的结果与分析 5.4.1 动圈式传声器的实验结果与分析 5.4.2 电容式传声器的实验结果与分析 5.4.3 硅微式传声器的实验结果与分析 5.5 本章小结 第6章 高放射性条件下声发射信号的采集方法 6.1 高放射性条件下声发射信号采集处理系统的建立 6.1.1 声发射信号采集与传输模块 6.1.2 双输入降噪设计 6.1.3 信号预处理模块 6.1.4 数字采样模块 6.2 乏燃料剪切机声发射信号的采集方案设计 6.2.1 声场及采集位置的选定 6.2.2 采样频率的选择 6.2.3 故障模式的设定 6.3 乏燃料剪切机声发射信号采集实例 6.3.1 模拟核燃料组件 6.3.2 剪切实验 6.3.3 声发射信号样本采集 6.4 本章小结 第7章 声发射信号特征提取方法 7.1 信号的分析处理方法 7.1.1 短时傅里叶变换 7.1.2 Winger-Ville 分布 7.1.3 基于小波的方法 7.2 信号处理方法的比较与选择 7.2.1 仿真信号 7.2.24 种时频分析方法比较 7.2.3 小波分解与小波包分解比较 7.3 改进的小波包信号降噪方法 7.3.1 小波包降噪方法 7.3.2 小波包降噪方法的改进 7.4 基于小波包变换的能量矩特征提取方法 7.4.1 传统的基于小波包变换的能量特征提取方法 7.4.2 基于小波包变换的能量矩特征提取方法 7.5 乏燃料剪切机声发射信号特征提取实例 7.5.1 声发射信号样本特征提取过程 7.5.2 乏燃料剪切机声发射信号样本的特征提取与分析 7.6 本章小结 第8章 基于数据驱动的故障诊断模型 8.1 基于改进隐马尔可夫模型的故障诊断模型 8.1.1 隐马尔可夫模型基本理论与算法 8.1.2 基于分段k-均值算法改进的隐马尔可夫模型 8.1.3 基于改进HMM的故障诊断模型构建 8.2 基于改进多分类支持向量机的故障诊断模型 8.2.1 支持向量机基本理论 8.2.2 基于改进遗传算法优化的多分类支持向量机模型 8.2.3 基于改进多分类支持向量机的故障诊断模型的构建 8.3 基于改进BP神经网络的故障诊断模型 8.3.1 人工神经网络基本理论 8.3.2 基于L-M和遗传算法改进的BP神经网络模型 8.3.3 基于改进BP神经网络的故障诊断模型的构建 8.4 基于HMM-SVM混合模型的故障诊断模型 8.4.1 HMM-SVM混合模型的构建 8.4.2 HMM-SVM混合模型的训练与预测 8.5 基于HMM-BPNN混合模型的故障诊断模型 8.5.1 HMM-BPNN混合模型的构建 8.5.2 HMM-BPNN混合模型的训练与预测 8.6 基于BPNN-SVM混合模型的故障诊断模型 8.6.1 BPNN-SVM混合模型的构建 8.6.2 BPNN-SVM混合模型的训练与预测 8.7 乏燃料剪切机刀具故障诊断实例 8.7.1 诊断过程与结果 8.7.2 故障诊断模型的性能比较与选择 8.7.3 模型的选择 8.7.4 诊断效果的交叉验证 8.8 本章小结 参考文献