壓縮機故障現(xiàn)代診斷理論、方法及應用

目錄
叢書序前言
第1章 緒論 1
1.1 壓縮機在工業(yè)中的地位和作用 1
1.2 壓縮機故障診斷的目標和特點 4
1.3 壓縮機監(jiān)測診斷研究及應用現(xiàn)狀 6
1.3.1 監(jiān)測信號與傳感技術 6
1.3.2 故障機理與征兆聯(lián)系 7
1.3.3 信號處理與特征提取 8
1.3.4 智能診斷與決策方法 9
1.3.5 商業(yè)化的監(jiān)測診斷系統(tǒng) 10
參考文獻 10
第2章 離心壓縮機葉片的葉尖定時監(jiān)測診斷 13
2.1 高速旋轉葉片監(jiān)測技術概述 13
2.1.1 旋轉葉片監(jiān)測技術研究現(xiàn)狀 13
2.1.2 葉尖定時監(jiān)測技術研究現(xiàn)狀 13
2.1.3 葉尖定時監(jiān)測技術存在的問題 14
2.2 葉尖定時監(jiān)測技術的原理 15
2.2.1 葉尖定時監(jiān)測技術基本原理 15
2.2.2 葉尖定時傳感器 16
2.2.3 葉片振動參數(shù)辨識方法 18
2.3 欠采樣葉尖定時信號的稀疏度自適應重構方法 20
2.3.1 葉尖定時監(jiān)測系統(tǒng)采樣模型 20
2.3.2 欠采樣葉尖定時信號的稀疏度自適應重構方法 21
2.3.3 數(shù)值建模及實驗驗證 23
2.4 噪聲干擾下葉尖定時信號降噪及方波整形算法 25
2.4.1 葉尖定時監(jiān)測系統(tǒng)誤差分析 25
2.4.2 噪聲干擾條件下葉尖定時信號準確提取方法 30
2.4.3 方波整形算法 33
2.4.4 實驗驗證 39
2.5 變轉速葉片的多鍵相振動監(jiān)測方法 41
2.5.1 變轉速下葉片振動監(jiān)測存在的挑戰(zhàn) 41
2.5.2 變轉速下多鍵相振動監(jiān)測原理 42
2.5.3 基于多鍵相的葉片振動位移測量方程 44
2.5.4 基于數(shù)值建模及動力學仿真的方法驗證 45
參考文獻 51
第3章 往復壓縮機早期故障的提升小波診斷 53
3.1 往復壓縮機早期故障診斷的難點 53
3.2 提升小波的原理 54
3.3 非抽樣提升小波包的構造 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合的信號降噪 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壓縮機狀態(tài)評級 79
3.8.1 往復壓縮機缸套振動信號的混沌特性 79
3.8.2 往復壓縮機狀態(tài)評級 91
參考文獻 95
第4章 壓縮機耦合故障的信息熵融合診斷 97
4.1 壓縮機常見耦合故障及其特點 97
4.1.1 壓縮機常見耦合故障 97
4.1.2 壓縮機耦合故障振動信號特征 98
4.2 壓縮機耦合故障診斷的難點與思路 98
4.2.1 壓縮機耦合故障診斷難點 98
4.2.2 壓縮機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 壓縮機振動信號的信息熵特征 103
4.4.1 時域奇異譜熵 103
4.4.2 自相關特征熵 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 壓縮機故障信息的盲源分離增強方法 106
4.5.1 盲源分離的基本數(shù)學模型 107
4.5.2 穩(wěn)健獨立分量分析方法 108
4.5.3 基于穩(wěn)健獨立分量分析的轉子仿真信號與實驗信號分析 112
4.5.4 工程應用-基于穩(wěn)健獨立分量分析的離心壓縮機葉輪故障診斷 119
4.6 壓縮機耦合故障的波動熵診斷模型 124
4.6.1 波動熵特征敏感變換域的確定 125
4.6.2 波動度及波動熵特征的計算 125
4.6.3 基于波動熵的耦合故障診斷方法 126
參考文獻 127
第5章 數(shù)據(jù)集不均衡下的壓縮機故障診斷 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算法中采樣率的實驗分析 144
5.4.3 壓縮機氣閥少數(shù)類樣本的采樣率分析 148
5.5 基于樣本不均衡度的加權C-SVM分類算法 156
5.5.1 加權C-SVM分類算法簡介 156
5.5.2 加權C-SVM算法性能分析 157
5.6 基于PSO和GA算法的加權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C-SVM分類模型應用 168
參考文獻 171
第6章 變工況下壓縮機故障的遷移診斷 173
6.1 變工況下壓縮機診斷的難題 173
6.2 遷移學習與領域自適應學習 174
6.3 符號近似聚合和關聯(lián)規(guī)則相結合的變工況下故障特征挖掘方法 177
6.3.1 關聯(lián)規(guī)則及其在信號特征挖掘中的應用 177
6.3.2 適用于信號特征挖掘的Apriori算法 178
6.3.3 基于等概率關聯(lián)規(guī)則挖掘方法 179
6.3.4 特征挖掘案例分析 183
6.4 基于領域自適應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 190
6.4.3 AMDA特征學習模型 191
6.4.4 實驗分析 193
6.5 遷移診斷模型穩(wěn)定性和適應性定量分析 199
6.5.1 目標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 遷移率定義和計算 208
參考文獻 210
第7章 壓縮機故障的振動與紅外融合診斷 212
7.1 振動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理 212
7.2.1 紅外成像原理 212
7.2.2 紅外圖像特點 213
7.2.3 紅外圖像特征提取 214
7.2.4 實例分析 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的紅外圖像增強方法 228
7.3.3 基于粒子群優(yōu)化的增強參數(shù)確定方法 230
7.3.4 實例分析 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 實例分析 239
7.5 基于卷積神經(jīng)網(wǎng)絡的壓縮機振動與紅外融合診斷方法 243
7.5.1 基于相關分析的異類信息融合 244
7.5.2 卷積神經(jīng)網(wǎng)絡 247
7.5.3 基于相關分析與卷積神經(jīng)網(wǎng)絡結合的故障診斷 251
7.5.4 基于紅外圖像與振動信號融合的故障診斷實例分析 252
參考文獻 256
第8章 壓縮機診斷標準的自適應建立方法 258
8.1 壓縮機診斷標準的適應性問題 258
8.2 壓縮機組故障模式庫的建立 259
8.2.1 壓縮機組故障模式庫的內容 259
8.2.2 故障模式庫制定依據(jù) 259
8.2.3 壓縮機組故障模式庫的建立 261
8.3 壓縮機個性化標準庫的建立方法 261
8.3.1 個性化標準庫的建立步驟 261
8.3.2 離心壓縮機個性化標準庫的建立 262
8.4 壓縮機診斷標準庫的動態(tài)更新方法 266
8.5 變速壓縮機振動閾值報警模型 267
8.5.1 RVM基本理論 267
8.5.2 基于RVM的閾值模型構建 268
8.6 變工況壓縮機診斷標準建立與驗證 269
8.6.1 丙烷壓縮機工作原理和現(xiàn)狀統(tǒng)計 269
8.6.2 變工況丙烷壓縮機組振動標準建立 272
8.6.3 實例分析與驗證 275
8.7 壓縮機狀態(tài)的區(qū)間特征根-模糊評估方法 278
8.7.1 往復壓縮機狀態(tài)評估指標體系的建立 279
8.7.2 區(qū)間數(shù)模糊分析評估模型 279
8.7.3 往復壓縮機狀態(tài)評估實例分析 283
參考文獻 287
第9章 壓縮機狀態(tài)退化預測和故障預后方法 289
9.1 壓縮機狀態(tài)預測的現(xiàn)狀與不足 289
9.1.1 壓縮機狀態(tài)預測技術研究現(xiàn)狀 289
9.1.2 壓縮機狀態(tài)預測技術的不足 290
9.2 壓縮機軸承性能退化的累積變換預測方法 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測方法 294
9.2.3 軸承性能退化預測實例 296
9.3 大數(shù)據(jù)環(huán)境下壓縮機故障的高斯-深度玻爾茲曼機預測模型 306
9.3.1 高斯-深度玻爾茲曼機模型的預測原理 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-深度玻爾茲曼機的預測模型構建 307
9.3.4 高斯-深度玻爾茲曼機預測模型應用 312
9.4 融合特征趨勢進化的壓縮機故障預后方法 323
9.4.1 故障預后融合特征指標的提取 324
9.4.2 壓縮機漸變性故障的預后方法 324
參考文獻 329
第10章 壓縮機關鍵部件故障的仿真診斷技術 331
10.1 壓縮機仿真診斷的目的與意義 331
10.2 關鍵部件載荷-強度干涉模型定量可靠性分析與優(yōu)化 331
10.2.1 載荷-強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 壓縮機關鍵部件的潛在失效模式及后果分析評價方法 337
10.3.1 壓縮機的可靠性、平均無故障時間、失效率指標分析方法 337
10.3.2 壓縮機潛在失效模式及后果分析可靠性評價模型的建立 339
10.3.3 壓縮機關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 壓縮機關鍵部件故障的仿真診斷實例分析 343
10.4.1 固有特性分析在壓縮機關鍵部件故障診斷中的應用 343
10.4.2 靜力強度分析在壓縮機關鍵部件故障診斷中的應用 348
10.4.3 基于固有特性分析的壓縮機機組振動異常診斷 354
10.4.4 基于瞬態(tài)動力學分析的壓縮機機組振動異常診斷 361
參考文獻 367
第11章 壓縮機智能診斷 369
11.1 智能診斷概述 369
11.2 壓縮機故障的深度學習智能診斷方法 369
11.2.1 深度學習思想 369