壓縮機(jī)故障現(xiàn)代診斷理論、方法及應(yīng)用圖書目錄

叢書序前言

第1章 緒論 1

1.1 壓縮機(jī)在工業(yè)中的地位和作用 1

1.2 壓縮機(jī)故障診斷的目標(biāo)和特點(diǎn) 4

1.3 壓縮機(jī)監(jiān)測(cè)診斷研究及應(yīng)用現(xiàn)狀 6

1.3.1 監(jiān)測(cè)信號(hào)與傳感技術(shù) 6

1.3.2 故障機(jī)理與征兆聯(lián)系 7

1.3.3 信號(hào)處理與特征提取 8

1.3.4 智能診斷與決策方法 9

1.3.5 商業(yè)化的監(jiān)測(cè)診斷系統(tǒng) 10

參考文獻(xiàn) 10

第2章 離心壓縮機(jī)葉片的葉尖定時(shí)監(jiān)測(cè)診斷 13

2.1 高速旋轉(zhuǎn)葉片監(jiān)測(cè)技術(shù)概述 13

2.1.1 旋轉(zhuǎn)葉片監(jiān)測(cè)技術(shù)研究現(xiàn)狀 13

2.1.2 葉尖定時(shí)監(jiān)測(cè)技術(shù)研究現(xiàn)狀 13

2.1.3 葉尖定時(shí)監(jiān)測(cè)技術(shù)存在的問(wèn)題 14

2.2 葉尖定時(shí)監(jiān)測(cè)技術(shù)的原理 15

2.2.1 葉尖定時(shí)監(jiān)測(cè)技術(shù)基本原理 15

2.2.2 葉尖定時(shí)傳感器 16

2.2.3 葉片振動(dòng)參數(shù)辨識(shí)方法 18

2.3 欠采樣葉尖定時(shí)信號(hào)的稀疏度自適應(yīng)重構(gòu)方法 20

2.3.1 葉尖定時(shí)監(jiān)測(cè)系統(tǒng)采樣模型 20

2.3.2 欠采樣葉尖定時(shí)信號(hào)的稀疏度自適應(yīng)重構(gòu)方法 21

2.3.3 數(shù)值建模及實(shí)驗(yàn)驗(yàn)證 23

2.4 噪聲干擾下葉尖定時(shí)信號(hào)降噪及方波整形算法 25

2.4.1 葉尖定時(shí)監(jiān)測(cè)系統(tǒng)誤差分析 25

2.4.2 噪聲干擾條件下葉尖定時(shí)信號(hào)準(zhǔn)確提取方法 30

2.4.3 方波整形算法 33

2.4.4 實(shí)驗(yàn)驗(yàn)證 39

2.5 變轉(zhuǎn)速葉片的多鍵相振動(dòng)監(jiān)測(cè)方法 41

2.5.1 變轉(zhuǎn)速下葉片振動(dòng)監(jiān)測(cè)存在的挑戰(zhàn) 41

2.5.2 變轉(zhuǎn)速下多鍵相振動(dòng)監(jiān)測(cè)原理 42

2.5.3 基于多鍵相的葉片振動(dòng)位移測(cè)量方程 44

2.5.4 基于數(shù)值建模及動(dòng)力學(xué)仿真的方法驗(yàn)證 45

參考文獻(xiàn) 51

第3章 往復(fù)壓縮機(jī)早期故障的提升小波診斷 53

3.1 往復(fù)壓縮機(jī)早期故障診斷的難點(diǎn) 53

3.2 提升小波的原理 54

3.3 非抽樣提升小波包的構(gòu)造 59

3.4 基于非抽樣提升小波包的頻率混疊消除原理 63

3.5 基于Volterra級(jí)數(shù)的邊界振蕩抑制 66

3.6 非抽樣提升小波包與奇異值分解相結(jié)合的信號(hào)降噪 72

3.7 非抽樣提升多小波包變換 75

3.7.1 提升多小波理論 75

3.7.2 冗余提升多小波包變換 76

3.8 基于提升小波與混沌理論的往復(fù)壓縮機(jī)狀態(tài)評(píng)級(jí) 79

3.8.1 往復(fù)壓縮機(jī)缸套振動(dòng)信號(hào)的混沌特性 79

3.8.2 往復(fù)壓縮機(jī)狀態(tài)評(píng)級(jí) 91

參考文獻(xiàn) 95

第4章 壓縮機(jī)耦合故障的信息熵融合診斷 97

4.1 壓縮機(jī)常見耦合故障及其特點(diǎn) 97

4.1.1 壓縮機(jī)常見耦合故障 97

4.1.2 壓縮機(jī)耦合故障振動(dòng)信號(hào)特征 98

4.2 壓縮機(jī)耦合故障診斷的難點(diǎn)與思路 98

4.2.1 壓縮機(jī)耦合故障診斷難點(diǎn) 98

4.2.2 壓縮機(jī)耦合故障診斷的思路 99

4.3 信息熵融合診斷理論 101

4.3.1 信息熵基本理論 101

4.3.2 信息熵故障分析方法 101

4.4 壓縮機(jī)振動(dòng)信號(hào)的信息熵特征 103

4.4.1 時(shí)域奇異譜熵 103

4.4.2 自相關(guān)特征熵 104

4.4.3 頻域功率譜熵 104

4.4.4 小波空間狀態(tài)特征譜熵和小波能譜熵 105

4.4.5 小波包特征熵 106

4.5 壓縮機(jī)故障信息的盲源分離增強(qiáng)方法 106

4.5.1 盲源分離的基本數(shù)學(xué)模型 107

4.5.2 穩(wěn)健獨(dú)立分量分析方法 108

4.5.3 基于穩(wěn)健獨(dú)立分量分析的轉(zhuǎn)子仿真信號(hào)與實(shí)驗(yàn)信號(hào)分析 112

4.5.4 工程應(yīng)用-基于穩(wěn)健獨(dú)立分量分析的離心壓縮機(jī)葉輪故障診斷 119

4.6 壓縮機(jī)耦合故障的波動(dòng)熵診斷模型 124

4.6.1 波動(dòng)熵特征敏感變換域的確定 125

4.6.2 波動(dòng)度及波動(dòng)熵特征的計(jì)算 125

4.6.3 基于波動(dòng)熵的耦合故障診斷方法 126

參考文獻(xiàn) 127

第5章 數(shù)據(jù)集不均衡下的壓縮機(jī)故障診斷 129

5.1 不均衡數(shù)據(jù)集的概念 129

5.2 不均衡數(shù)據(jù)分類常用方法 129

5.3 基于互信息的非監(jiān)督式特征選擇 132

5.3.1 基于互信息的特征選擇 132

5.3.2 基于互信息的非監(jiān)督式特征選擇方法原理 133

5.3.3 工程應(yīng)用 135

5.4 不均衡數(shù)據(jù)的SMOTE上采樣算法 142

5.4.1 SMOTE算法 142

5.4.2 SMOTE算法中采樣率的實(shí)驗(yàn)分析 144

5.4.3 壓縮機(jī)氣閥少數(shù)類樣本的采樣率分析 148

5.5 基于樣本不均衡度的加權(quán)C-SVM分類算法 156

5.5.1 加權(quán)C-SVM分類算法簡(jiǎn)介 156

5.5.2 加權(quán)C-SVM算法性能分析 157

5.6 基于PSO和GA算法的加權(quán)C-SVM分類模型 159

5.6.1 粒子群優(yōu)化算法 160

5.6.2 基于PSOA的加權(quán)C-SVM分類器 162

5.6.3 遺傳算法 166

5.6.4 基于PSOA和GA的加權(quán)C-SVM分類模型應(yīng)用 168

參考文獻(xiàn) 171

第6章 變工況下壓縮機(jī)故障的遷移診斷 173

6.1 變工況下壓縮機(jī)診斷的難題 173

6.2 遷移學(xué)習(xí)與領(lǐng)域自適應(yīng)學(xué)習(xí) 174

6.3 符號(hào)近似聚合和關(guān)聯(lián)規(guī)則相結(jié)合的變工況下故障特征挖掘方法 177

6.3.1 關(guān)聯(lián)規(guī)則及其在信號(hào)特征挖掘中的應(yīng)用 177

6.3.2 適用于信號(hào)特征挖掘的Apriori算法 178

6.3.3 基于等概率關(guān)聯(lián)規(guī)則挖掘方法 179

6.3.4 特征挖掘案例分析 183

6.4 基于領(lǐng)域自適應(yīng)的變工況齒輪箱遷移診斷 188

6.4.1 邊緣降噪編碼器 189

6.4.2 卷積神經(jīng)網(wǎng)絡(luò) 190

6.4.3 AMDA特征學(xué)習(xí)模型 191

6.4.4 實(shí)驗(yàn)分析 193

6.5 遷移診斷模型穩(wěn)定性和適應(yīng)性定量分析 199

6.5.1 目標(biāo)工況正常樣本不同比例輔助數(shù)據(jù)性能分析 200

6.5.2 目標(biāo)工況三類狀態(tài)數(shù)據(jù)樣本輔助數(shù)據(jù)性能分析 204

6.5.3 遷移率定義和計(jì)算 208

參考文獻(xiàn) 210

第7章 壓縮機(jī)故障的振動(dòng)與紅外融合診斷 212

7.1 振動(dòng)與紅外融合的目的與意義 212

7.2 紅外圖像用于故障診斷的機(jī)理 212

7.2.1 紅外成像原理 212

7.2.2 紅外圖像特點(diǎn) 213

7.2.3 紅外圖像特征提取 214

7.2.4 實(shí)例分析 217

7.3 紅外圖像故障信息的非下采樣輪廓變換增強(qiáng)方法 223

7.3.1 非下采樣輪廓變換方法 223

7.3.2 基于NSCT的紅外圖像增強(qiáng)方法 228

7.3.3 基于粒子群優(yōu)化的增強(qiáng)參數(shù)確定方法 230

7.3.4 實(shí)例分析 232

7.4 圖像分割與故障敏感區(qū)域選擇 235

7.4.1 基于網(wǎng)格劃分的圖像分割方法 235

7.4.2 基于離散度分析的敏感區(qū)域選取 238

7.4.3 實(shí)例分析 239

7.5 基于卷積神經(jīng)網(wǎng)絡(luò)的壓縮機(jī)振動(dòng)與紅外融合診斷方法 243

7.5.1 基于相關(guān)分析的異類信息融合 244

7.5.2 卷積神經(jīng)網(wǎng)絡(luò) 247

7.5.3 基于相關(guān)分析與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的故障診斷 251

7.5.4 基于紅外圖像與振動(dòng)信號(hào)融合的故障診斷實(shí)例分析 252

參考文獻(xiàn) 256

第8章 壓縮機(jī)診斷標(biāo)準(zhǔn)的自適應(yīng)建立方法 258

8.1 壓縮機(jī)診斷標(biāo)準(zhǔn)的適應(yīng)性問(wèn)題 258

8.2 壓縮機(jī)組故障模式庫(kù)的建立 259

8.2.1 壓縮機(jī)組故障模式庫(kù)的內(nèi)容 259

8.2.2 故障模式庫(kù)制定依據(jù) 259

8.2.3 壓縮機(jī)組故障模式庫(kù)的建立 261

8.3 壓縮機(jī)個(gè)性化標(biāo)準(zhǔn)庫(kù)的建立方法 261

8.3.1 個(gè)性化標(biāo)準(zhǔn)庫(kù)的建立步驟 261

8.3.2 離心壓縮機(jī)個(gè)性化標(biāo)準(zhǔn)庫(kù)的建立 262

8.4 壓縮機(jī)診斷標(biāo)準(zhǔn)庫(kù)的動(dòng)態(tài)更新方法 266

8.5 變速壓縮機(jī)振動(dòng)閾值報(bào)警模型 267

8.5.1 RVM基本理論 267

8.5.2 基于RVM的閾值模型構(gòu)建 268

8.6 變工況壓縮機(jī)診斷標(biāo)準(zhǔn)建立與驗(yàn)證 269

8.6.1 丙烷壓縮機(jī)工作原理和現(xiàn)狀統(tǒng)計(jì) 269

8.6.2 變工況丙烷壓縮機(jī)組振動(dòng)標(biāo)準(zhǔn)建立 272

8.6.3 實(shí)例分析與驗(yàn)證 275

8.7 壓縮機(jī)狀態(tài)的區(qū)間特征根-模糊評(píng)估方法 278

8.7.1 往復(fù)壓縮機(jī)狀態(tài)評(píng)估指標(biāo)體系的建立 279

8.7.2 區(qū)間數(shù)模糊分析評(píng)估模型 279

8.7.3 往復(fù)壓縮機(jī)狀態(tài)評(píng)估實(shí)例分析 283

參考文獻(xiàn) 287

第9章 壓縮機(jī)狀態(tài)退化預(yù)測(cè)和故障預(yù)后方法 289

9.1 壓縮機(jī)狀態(tài)預(yù)測(cè)的現(xiàn)狀與不足 289

9.1.1 壓縮機(jī)狀態(tài)預(yù)測(cè)技術(shù)研究現(xiàn)狀 289

9.1.2 壓縮機(jī)狀態(tài)預(yù)測(cè)技術(shù)的不足 290

9.2 壓縮機(jī)軸承性能退化的累積變換預(yù)測(cè)方法 291

9.2.1 累積損傷理論與累積變換算法 291

9.2.2 軸承性能退化的累積變換預(yù)測(cè)方法 294

9.2.3 軸承性能退化預(yù)測(cè)實(shí)例 296

9.3 大數(shù)據(jù)環(huán)境下壓縮機(jī)故障的高斯-深度玻爾茲曼機(jī)預(yù)測(cè)模型 306

9.3.1 高斯-深度玻爾茲曼機(jī)模型的預(yù)測(cè)原理 306

9.3.2 大數(shù)據(jù)環(huán)境下的數(shù)據(jù)清洗規(guī)則 307

9.3.3 高斯-深度玻爾茲曼機(jī)的預(yù)測(cè)模型構(gòu)建 307

9.3.4 高斯-深度玻爾茲曼機(jī)預(yù)測(cè)模型應(yīng)用 312

9.4 融合特征趨勢(shì)進(jìn)化的壓縮機(jī)故障預(yù)后方法 323

9.4.1 故障預(yù)后融合特征指標(biāo)的提取 324

9.4.2 壓縮機(jī)漸變性故障的預(yù)后方法 324

參考文獻(xiàn) 329

第10章 壓縮機(jī)關(guān)鍵部件故障的仿真診斷技術(shù) 331

10.1 壓縮機(jī)仿真診斷的目的與意義 331

10.2 關(guān)鍵部件載荷-強(qiáng)度干涉模型定量可靠性分析與優(yōu)化 331

10.2.1 載荷-強(qiáng)度干涉模型定量可靠性理論 331

10.2.2 可靠性定量分析與優(yōu)化理論研究 334

10.2.3 基于有限元-蒙特卡洛模擬法的可靠性分析與優(yōu)化理論 336

10.3 壓縮機(jī)關(guān)鍵部件的潛在失效模式及后果分析評(píng)價(jià)方法 337

10.3.1 壓縮機(jī)的可靠性、平均無(wú)故障時(shí)間、失效率指標(biāo)分析方法 337

10.3.2 壓縮機(jī)潛在失效模式及后果分析可靠性評(píng)價(jià)模型的建立 339

10.3.3 壓縮機(jī)關(guān)鍵部件的潛在失效模式及后果分析可靠性分析方法研究 340

10.4 壓縮機(jī)關(guān)鍵部件故障的仿真診斷實(shí)例分析 343

10.4.1 固有特性分析在壓縮機(jī)關(guān)鍵部件故障診斷中的應(yīng)用 343

10.4.2 靜力強(qiáng)度分析在壓縮機(jī)關(guān)鍵部件故障診斷中的應(yīng)用 348

10.4.3 基于固有特性分析的壓縮機(jī)機(jī)組振動(dòng)異常診斷 354

10.4.4 基于瞬態(tài)動(dòng)力學(xué)分析的壓縮機(jī)機(jī)組振動(dòng)異常診斷 361

參考文獻(xiàn) 367

第11章 壓縮機(jī)智能診斷 369

11.1 智能診斷概述 369

11.2 壓縮機(jī)故障的深度學(xué)習(xí)智能診斷方法 369

11.2.1 深度學(xué)習(xí)思想 369

11.2.2 深度學(xué)習(xí)基本模型 370

11.2.3 基于深度學(xué)習(xí)的故障診斷案例 372

11.3 旋轉(zhuǎn)葉片故障的卷積神經(jīng)網(wǎng)絡(luò)診斷方法 378

11.3.1 卷積神經(jīng)網(wǎng)絡(luò) 379

11.3.2 基于卷積神經(jīng)網(wǎng)絡(luò)的高速旋轉(zhuǎn)葉片診斷方法 381

11.3.3 實(shí)驗(yàn)驗(yàn)證 385

11.4 變工況壓縮機(jī)的遷移學(xué)習(xí)診斷方法 388

11.4.1 遷移學(xué)習(xí) 388

11.4.2 壓縮機(jī)故障的遷移診斷模型 389

11.4.3 實(shí)例分析 391

11.5 不均衡數(shù)據(jù)集下故障的BT-SVDD分類方法 393

11.5.1 BT-SVDD的提出 393

11.5.2 SVDD概述 393

11.5.3 基于類間分離性測(cè)度的BT-SVDD多故障識(shí)別模型構(gòu)建 397

11.5.4 工程應(yīng)用 401

11.6 壓縮機(jī)故障診斷專家系統(tǒng) 404

11.6.1 專家系統(tǒng)的基本組成 404

11.6.2 故障診斷專家系統(tǒng)的特點(diǎn) 404

11.6.3 壓縮機(jī)故障診斷專家系統(tǒng) 405

11.7 智能診斷方法展望 409

11.7.1 智能診斷研究現(xiàn)狀 409

11.7.2 智能診斷研究不足 409

11.7.3 智能診斷發(fā)展方向 410

11.7.4 壓縮機(jī)智能診斷方法展望 413

參考文獻(xiàn) 414

第12章 壓縮機(jī)故障診斷典型案例 417

12.1 往復(fù)壓縮機(jī)氣閥故障診斷案例 417

12.1.1 氣閥彈簧故障診斷 417

12.1.2 氣閥閥片磨損故障診斷 420

12.2 往復(fù)壓縮機(jī)活塞-缸套磨損診斷案例 422

12.3 往復(fù)壓縮機(jī)十字頭故障診斷案例 426

12.4 往復(fù)壓縮機(jī)曲軸故障診斷案例 429

12.5 往復(fù)壓縮機(jī)-管線耦合故障診斷 431

12.5.1 波動(dòng)熵熵帶標(biāo)準(zhǔn)建立 431

12.5.2 基于波動(dòng)熵模型的耦合故障診斷案例 434

12.6 振動(dòng)-紅外融合診斷案例 436

12.6.1 多模態(tài)CNN振動(dòng)-紅外信息融合模型 436

12.6.2 多模態(tài)CNN的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) 436

12.6.3 基于多模態(tài)CNN的轉(zhuǎn)子平臺(tái)信息融合故障診斷 439

12.7 振動(dòng)-熱力參數(shù)融合診斷案例 441

12.7.1 振動(dòng)-熱力參數(shù)融合診斷的原理 441

12.7.2 應(yīng)用實(shí)例 441

12.8 振動(dòng)-油液融合診斷案例 445

12.8.1 振動(dòng)與油液融合的層次 445

12.8.2 振動(dòng)與油液信息融合的原理 446

12.8.3 振動(dòng)與油液信息融合的公式 446

12.8.4 應(yīng)用實(shí)例 447

參考文獻(xiàn) 450

彩圖 2100433B

本書基于作者團(tuán)隊(duì)在壓縮機(jī)故障診斷方面積累的近20余年研究成果與最新研究進(jìn)展編寫而成。內(nèi)容包括離心壓縮機(jī)葉片的葉尖定時(shí)監(jiān)測(cè)診斷、往復(fù)壓縮機(jī)早期故障的提升小波診斷、壓縮機(jī)耦合故障的信息熵融合診斷、數(shù)據(jù)集不均衡下的壓縮機(jī)故障診斷、變工況下壓縮機(jī)故障的遷移診斷、壓縮機(jī)故障的振動(dòng)與紅外融合診斷、壓縮機(jī)診斷標(biāo)準(zhǔn)的自適應(yīng)建立、壓縮機(jī)狀態(tài)退化預(yù)測(cè)和故障預(yù)后、壓縮機(jī)關(guān)鍵部件故障的仿真診斷、壓縮機(jī)智能診斷，以及監(jiān)測(cè)診斷技術(shù)在壓縮機(jī)上的典型應(yīng)用。

本書采用理論方法和實(shí)際應(yīng)用案例結(jié)合的方式，系統(tǒng)介紹了往復(fù)式壓縮機(jī)故障監(jiān)測(cè)診斷領(lǐng)域中的新方法、新技術(shù)及其應(yīng)用成果，包括小波包算法、能量算子方法、活塞桿軸心軌跡與軸心振動(dòng)能量方法、仿真動(dòng)態(tài)壓力方法等，為往復(fù)式壓縮機(jī)典型故障監(jiān)測(cè)診斷提供了新思路和新途徑。

內(nèi)容介紹

本書涵蓋了故障診斷的數(shù)學(xué)方法、電力設(shè)備的故障診斷、電力系統(tǒng)的故障診斷以及黑啟動(dòng)方面的內(nèi)容。系統(tǒng)介紹了電力系統(tǒng)故障診斷與故障恢復(fù)研究的進(jìn)展，就基于小波變換、遺傳算法、粗糙集理論等方法的電力系統(tǒng)故障診斷和故障恢復(fù)問(wèn)題進(jìn)行了比較系統(tǒng)的闡述，其中包括了作者自己的研究成果。全書分為六章。其中，第1章為緒論；第2章介紹了一些電力系統(tǒng)故障診斷問(wèn)題的數(shù)學(xué)手段和方法；第3、4章對(duì)電網(wǎng)及電力設(shè)備的一些典型故障診斷問(wèn)題做了系統(tǒng)的闡述；第5、6章對(duì)電網(wǎng)的故障恢復(fù)及黑啟動(dòng)問(wèn)題做了一定深度的探討和研究。

本書可供省市級(jí)電網(wǎng)調(diào)度工作者及科研院所工程技術(shù)人員工作中學(xué)習(xí)參考，也可供電氣工程類高等院校本科生、教師及研究生學(xué)習(xí)參考。2100433B

《現(xiàn)代設(shè)備管理、故障診斷及維修技術(shù)》：高職高?！笆晃濉币?guī)劃教材·機(jī)械電子類系列