大型旋转机械系统运行状态的趋势预测技术2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

大型旋转机械系统运行状态的趋势预测技术PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1大型旋转机械运行状态及故障趋势预测的研究意义1

1.2大型旋转机械运行状态及故障趋势预测的相关研究进展2

1.3大型旋转机械运行状态及故障趋势预测的研究现状6

1.4本书研究的主要内容10

参考文献12

第2章 大型旋转机械运行状态及故障趋势预测的信号处理方法16

2.1状态及故障趋势预测中的平稳信号分析方法16

2.2状态及故障趋势预测中的非平稳信号分析方法18

2.2.1短时傅里叶变换18

2.2.2小波分析18

2.2.3经验模态分析的基本原理20

2.2.4短时傅里叶变换、小波分析和Hilbert-Huang变换的比较21

2.3基于数学形态谱的趋势预测特征提取方法22

2.4基于循环平稳度的趋势预测特征提取方法26

2.5基于无量纲参数的趋势预测特征提取方法31

2.5.1重复性描述因子Rf32

2.5.2相似性描述因子Ff33

2.5.3跳跃性描述因子Jf34

2.6基于经验模态分解的趋势预测特征提取方法36

2.6.1基于经验模态分解的Hilbert-Huang变换36

2.6.2经验模态分解中的端点效应及其抑制方法39

2.6.3几种经验模态分解端点效应抑制方法的比较47

2.6.4基于经验模态分解的典型旋转机械趋势预测特征提取验证51

参考文献55

第3章 基于模型的大型旋转机械运行状态及故障的趋势预测58

3.1基于模型的趋势预测研究描述58

3.2灰色预测58

3.2.1灰色预测模型58

3.2.2灰色预测特点60

3.2.3干涉因子灰色预测改进模型60

3.2.4 GMAR组合预测改进模型61

3.2.5中心差分灰色模型61

3.3分离趋势项组合预测模型63

3.3.1分离趋势项组合预测模型的设计63

3.3.2分离趋势项组合模型的烈度预测66

3.3.3分离趋势项组合模型预测结果分析68

3.4基于振动频率分量敏感因子的趋势预测模型68

3.4.1振动频率分量基本概念68

3.4.2振动频率分量敏感因子趋势预测方法69

3.4.3振动频率分量敏感因子趋势预测结果分析70

3.5基于隐马尔可夫模型的预测技术及其优化71

3.5.1隐马尔可夫模型的理论基础71

3.5.2基于隐马尔可夫模型预测的三个基本问题72

3.5.3基于隐马尔可夫模型预测的三个基本问题的求解方法72

3.5.4基于遗传算法的隐马尔可夫预测模型74

3.5.5基于隐马尔可夫预测模型的水泵机组状态趋势预测75

3.6设备趋势预测若干工程应用模型77

3.6.1六段频率幅值趋势预测模型77

3.6.2两种时区联合预测模型77

3.7分整差分函数系数自回归预测模型和三次Holt指数平滑预测模型78

3.7.1分数阶差分79

3.7.2分整差分函数系数自回归预测模型80

3.7.3分整差分函数系数自回归预测模型应用83

3.7.4三次Holt指数平滑预测模型87

3.7.5三次Holt指数平滑预测模型应用90

参考文献92

第4章 基于人工智能的大型旋转机械运行状态及故障的趋势预测94

4.1基于人工智能的趋势预测研究描述94

4.2人工神经网络及其趋势预测问题95

4.2.1人工神经网络的基本构成95

4.2.2人工神经网络的典型模型95

4.2.3人工神经网络的拓扑结构及类型96

4.2.4人工神经网络误差反传训练算法97

4.2.5人工神经网络的趋势预测问题98

4.3人工神经网络趋势预测99

4.3.1人工神经网络趋势预测原理99

4.3.2人工神经网络趋势预测构建方法101

4.3.3人工神经网络趋势预测模型设计103

4.3.4人工神经网络趋势预测方法103

4.4基于新息加权的神经网络趋势预测方法106

4.4.1人工神经网络新息加权趋势预测的提出106

4.4.2人工神经网络新息加权趋势预测模型107

4.4.3人工神经网络新息加权模型预测结果及分析108

4.5基于均值函数的新息加权神经网络趋势预测方法110

4.5.1基于均值函数的新息加权神经网络的提出110

4.5.2基于均值函数的新息加权的神经网络预测模型111

4.5.3基于均值函数的新息加权神经网络预测的应用112

4.6变权重人工神经网络组合趋势预测方法113

4.6.1变权重人工神经网络组合趋势预测的提出113

4.6.2组合预测方法的理论及对现有组合预测方法的评述114

4.6.3变权重人工神经网络组合预测方法116

4.6.4变权重人工神经网络组合预测模型结构设计117

4.6.5变权重人工神经网络组合预测应用及应用结果分析118

4.7基于遗传算法的趋势预测122

4.7.1遗传算法122

4.7.2基于遗传算法的趋势预测方案122

4.7.3基于遗传的趋势预测的适合度选择及步骤123

4.8基于遗传算法的人工神经网络趋势预测方法125

4.8.1基于遗传算法的人工神经网络基本流程及特征参数选取126

4.8.2基于遗传算法的人工神经网络（GANN）预测模型126

4.8.3 GANN预测模型在趋势预测中的应用及分析128

4.9基于量子的人工神经网络故障趋势预测方法131

4.9.1基于量子的人工神经网络故障趋势预测的提出131

4.9.2量子计算132

4.9.3量子计算与神经计算的结合133

4.9.4基于量子的神经网络预测模型134

4.9.5基于量子的神经网络预测方法应用140

参考文献142

第5章 基于支持向量机的大型旋转机械运行状态及故障的趋势预测145

5.1基于支持向量机的趋势预测研究描述145

5.2支持向量机及其回归算法146

5.2.1支持向量机的基本概念146

5.2.2支持向量机的回归算法153

5.3基于支持向量机的预测模型155

5.4基于支持向量机的旋转注水机组振动烈度预测157

5.4.1样本的选取157

5.4.2采用径向基核函数不同的C和ε对预测精度的影响159

5.4.3不同核函数对训练精度的影响161

5.5支持向量机预测模型与自回归预测模型的比较162

5.6支持向量机的趋势预测与神经网络预测模型的比较166

5.7机械系统状态趋势预测的支持向量机组合模型168

5.7.1趋势预测敏感因子的提取168

5.7.2基于支持向量机的组合模型预测的方法168

5.7.3实际应用170

参考文献172

第6章 基于混沌时间序列的大型旋转机械运行状态及故障的趋势预测173

6.1基于混沌时间序列的趋势预测研究描述173

6.2混沌与分形的基本理论173

6.2.1混沌与分形的基本概念173

6.2.2混沌时间序列的相空间重构理论174

6.2.3时间序列的混沌识别182

6.3基于混沌理论的机电系统故障趋势预测技术188

6.3.1基于混沌理论的机电系统故障趋势预测过程188

6.3.2基于混沌理论的机电系统故障趋势预测的模型189

6.4基于混沌的机电系统故障趋势预测方法190

6.4.1基于神经网络的混沌时间序列全局预测法191

6.4.2基于最大李雅普诺夫指数的局域预测法193

6.4.3对基于最大李雅普诺夫指数预测方法的改进194

6.5混沌趋势预测在大型烟气轮机故障趋势预测中的应用195

6.5.1基于神经网络的混沌时间序列预测方法应用196

6.5.2基于神经网络的混沌时间序列预测与灰色预测方法197

6.5.3基于改进的最大李雅普诺夫指数预测方法应用199

6.5.4两种混沌时间序列预测方法比较200

参考文献203

第7章 基于粗糙集和数据挖掘的大型旋转机械运行状态及故障的趋势预测206

7.1基于粗糙集和数据挖掘的趋势预测研究描述206

7.1.1基于粗糙集的趋势预测研究描述207

7.1.2基于数据挖掘的趋势预测研究描述208

7.2基于粗糙集的趋势状态故障预测与知识提取208

7.2.1粗糙集理论的基本概念208

7.2.2基于粗糙集趋势预测与故障诊断知识获取210

7.2.3基于粗糙集的大型旋转机械转子系统振动故障的规则获取217

7.2.4基于变精度粗糙集的大型旋转机械振动故障的知识获取228

7.2.5基于经验模态分解和变精度粗糙集的趋势预测与故障预报236

7.2.6基于粗糙集的故障诊断与趋势预示专家系统242

7.3基于数据挖掘的大型旋转机械趋势预测知识获取245

7.3.1数据挖掘定义与过程245

7.3.2数据挖掘的分类对象与方法248

7.3.3基于数据挖掘的趋势预测知识表达249

7.3.4基于数据挖掘的趋势预测知识获取251

7.3.5基于RIPPER的旋转机械故障诊断知识规则挖掘255

7.3.6基于支持向量机的旋转机械故障诊断知识规则挖掘265

7.3.7基于BP网络的旋转机械故障诊断知识规则挖掘267

7.3.8基于数据挖掘的故障趋势预测与诊断的实际应用267

7.4基于趋势预测方法的自适应选择和决策优化模型270

参考文献271

第8章 基于数据的多变换域大型旋转机械运行状态及故障的趋势预测274

8.1基于数据的多变换域故障趋势预测研究描述274

8.2基于数据的多变换域非线性故障趋势预测275

8.2.1基于数据的设备故障发展特征提取技术路线275

8.2.2基于数据的故障趋势预测模型及其系统构成276

8.2.3基于数据的多变换域非线性故障趋势预测方法277

8.3时频域的提升小波包故障敏感特征频带提取279

8.3.1基于提升小波包的故障敏感特征频带提取方法279

8.3.2基于提升小波包的故障敏感特征频带提取实例分析283

8.4拓扑域的基于流形学习方法的故障特征非线性降维286

8.4.1流形学习理论及流形学习算法287

8.4.2基于K-ISOMAP的低维流形故障特征降维290

8.4.3基于流形学习方法的非线性低维流形故障特征降维实例分析293

8.5时域的动态自适应人工神经网络趋势预测方法297

8.5.1信息熵加权神经网络预测模型298

8.5.2信息熵加权Elman神经网络趋势预测方法299

8.5.3信息熵加权Elman神经网络趋势预测应用301

参考文献305

第9章 大型旋转机械趋势预测的实验研究及系统集成307

9.1故障模拟转子实验台系统的构建及实验研究307

9.1.1故障模拟转子实验台系统307

9.1.2破坏性故障转子实验台系统308

9.1.3信号分析和处理实验平台310

9.1.4基于知识的智能趋势预测实验系统311

9.1.5基于远程网络的故障预报实验系统314

9.2基于实验台的旋转机械故障特征实验研究实例316

9.2.1旋转机械不平衡故障特征实验研究316

9.2.2旋转机械油膜涡动和油膜振荡故障特征实验研究319

9.3基于远程网络的工业现场大型旋转机械故障预测系统324

9.3.1基于远程网络的故障预测系统的构建324

9.3.2系统的远程网络设计327

9.3.3系统的灵敏监测数据采集技术329

9.4安全监测预测系统的集成研发333

9.4.1面向安全监测预测系统的集成研发平台333

9.4.2安全监测预测系统研发平台的构成335

9.4.3大型旋转机械安全监测预测系统的研发336

参考文献338

第10章 大型旋转机械运行状态及故障的监测预测应用研究341

10.1大型旋转烟气轮机发电机组监测预测的应用研究341

10.1.1大型旋转烟气轮机机组状态及故障监测预测系统的应用341

10.1.2远程机组状态及故障监测预测的应用343

10.1.3远程机组状态及故障预测系统的应用研究346

10.1.4机组状态及故障监测预测的实践验证347

10.2大型旋转多级分段式离心泵机组故障预报的应用研究350

10.2.1大型旋转离心泵机组故障预报的应用研究实例350

10.2.2大型旋转离心泵机组故障预报的应用研究实例分析352

10.3高档数控机床故障预报的应用研究353

10.3.1高档数控机床故障预报的研究背景353

10.3.2基于整机机械动态特性的故障预报平台构建355

10.3.3高档数控机床故障预报样本数据获取356

10.3.4高档数控机床状态信息的获取与建库357

10.3.5车铣复合机床故障预报实验研究358

10.3.6网络化故障预报样本案例数据库构建361

10.3.7高档数控机床故障预报系统363

10.4大型旋转-往复动力设备状态监测与故障预测研究364

10.4.1大型旋转-往复动力设备故障诊断预报平台364

10.4.2基于旋转-往复机械的状态监测与故障诊断预报案例370

10.4.3基于多技术信息融合的大型旋转-往复机械故障预测方法372

10.5关键设备群智能健康物联网的构建373

10.5.1关键设备群智能健康物联网构建的背景373

10.5.2关键设备群智能健康物联网构建的应用前景374

10.5.3关键设备群智能健康物联网构建的关键技术375

10.5.4关键设备群智能健康物联网的构建方案376

参考文献379