機(jī)電設(shè)備狀態(tài)監(jiān)測與預(yù)測

第1章緒論/001
1.1機(jī)電設(shè)備狀態(tài)監(jiān)測技術(shù)的發(fā)展概況001
1.1.1機(jī)電設(shè)備狀態(tài)監(jiān)測技術(shù)的發(fā)展歷程及現(xiàn)狀001
1.1.2機(jī)電設(shè)備狀態(tài)監(jiān)測技術(shù)的發(fā)展趨勢003
1.2機(jī)電設(shè)備狀態(tài)預(yù)測技術(shù)的發(fā)展概況004
1.2.1機(jī)電設(shè)備狀態(tài)預(yù)測技術(shù)的發(fā)展歷程及現(xiàn)狀004
1.2.2機(jī)電設(shè)備狀態(tài)預(yù)測技術(shù)的發(fā)展趨勢005
1.3大型機(jī)電設(shè)備狀態(tài)在線監(jiān)測及預(yù)測技術(shù)背景006
1.3.1大型旋轉(zhuǎn)注水機(jī)組及其故障監(jiān)測及預(yù)測現(xiàn)狀006
1.3.2風(fēng)電機(jī)組齒輪箱及其故障特點(diǎn)007

第2章狀態(tài)監(jiān)測信息類型與處理/009
2.1傳感器009
2.1.1傳感器的組成009
2.1.2傳感器的分類010
2.1.3傳感器的選擇010
2.1.4不同類型的傳感器簡介010
2.2振動(dòng)信號(hào)016
2.2.1振動(dòng)信號(hào)分類016
2.2.2信號(hào)分析與處理方法019
2.3振動(dòng)加速度信號(hào)029
2.3.1采樣頻率與采樣間隔029
2.3.2振動(dòng)加速度離散化計(jì)算029
2.3.3振動(dòng)烈度的后續(xù)處理031
2.4功率譜信號(hào)處理031
2.4.1經(jīng)典頻譜信號(hào)處理的步驟031
2.4.2現(xiàn)代譜信號(hào)處理方法032
2.5小波分析035
2.5.1小波分析在機(jī)械故障診斷中的應(yīng)用035
2.5.2小波分析基本理論036
2.5.3小波分析與傅里葉分析對比038
2.5.4小波變換在信號(hào)處理與檢測中的應(yīng)用039
2.5.5離散小波變換048
2.5.6分析系統(tǒng)構(gòu)成049
2.5.7振動(dòng)信號(hào)分析結(jié)果050

第3章狀態(tài)特征弱信息提取/054
3.1基于μ-SVD和LMD的狀態(tài)特征弱信息預(yù)處理方法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狀態(tài)特征弱信息預(yù)處理方法061
3.1.4仿真驗(yàn)證062
3.1.5實(shí)驗(yàn)驗(yàn)證067
3.2基于Birgé-Massart閾值的狀態(tài)特征弱信息預(yù)處理方法071
3.2.1狀態(tài)特征弱信息預(yù)處理方法的基本原理071
3.2.2Birgé-Massart懲罰策略下的閾值確定方法073
3.2.3狀態(tài)特征弱信息預(yù)處理方法的實(shí)現(xiàn)074
3.2.4仿真驗(yàn)證075
3.2.5實(shí)驗(yàn)驗(yàn)證077
3.3基于CEEMDAN-MFICA的非平穩(wěn)信號(hào)預(yù)處理方法080
3.3.1盲源分離081
3.3.2基于CEEMDAN-MFICA的變工況非平穩(wěn)信號(hào)預(yù)處理方法083
3.3.3實(shí)驗(yàn)驗(yàn)證085
3.4運(yùn)行狀態(tài)劣化的敏感HHT特征提取093
3.4.1HHT基本理論094
3.4.2基于劣化敏感IMF選擇的HHT特征提取方法099
3.4.3仿真驗(yàn)證100
3.4.4實(shí)驗(yàn)驗(yàn)證102
3.5高階累積量對角切片譜運(yùn)行狀態(tài)劣化特征提取110
3.5.1高階累積量的基本理論110
3.5.21.5維譜運(yùn)行穩(wěn)定性劣化特征提取方法115
3.5.3四階累積量對角切片譜運(yùn)行穩(wěn)定性劣化特征提取方法117
3.5.4特征提取方法的趨勢預(yù)測適用性118
3.6計(jì)算階次跟蹤及包絡(luò)解調(diào)分析特征提取119
3.6.1振動(dòng)信號(hào)的計(jì)算階次跟蹤120
3.6.2振動(dòng)信號(hào)的包絡(luò)解調(diào)125
3.6.3增速齒輪箱實(shí)測信號(hào)的計(jì)算階次跟蹤及包絡(luò)解調(diào)130

第4章狀態(tài)監(jiān)測分析技術(shù)/138
4.1旋轉(zhuǎn)機(jī)組狀態(tài)分析的基本原理及方法138
4.1.1旋轉(zhuǎn)機(jī)組的狀態(tài)分類及狀態(tài)分析過程138
4.1.2旋轉(zhuǎn)機(jī)組狀態(tài)分析的構(gòu)成139
4.1.3旋轉(zhuǎn)機(jī)組狀態(tài)分析的基本方法140
4.2機(jī)組狀態(tài)評定標(biāo)準(zhǔn)的選擇及預(yù)警、報(bào)警限的設(shè)定141
4.2.1機(jī)組狀態(tài)評定的有關(guān)標(biāo)準(zhǔn)及選擇141
4.2.2機(jī)組工作狀態(tài)的預(yù)警限及報(bào)警限的設(shè)定142
4.3狀態(tài)在線分析技術(shù)143
4.3.1機(jī)組狀態(tài)六測點(diǎn)烈度分析技術(shù)143
4.3.2機(jī)組狀態(tài)時(shí)域分析技術(shù)144
4.3.3機(jī)組狀態(tài)頻域分析技術(shù)145
4.4狀態(tài)自動(dòng)判別技術(shù)146
4.4.1機(jī)組狀態(tài)六段頻率幅值自動(dòng)判別技術(shù)147
4.4.2機(jī)組狀態(tài)譜展寬窄帶自動(dòng)判別技術(shù)148
4.5大型旋轉(zhuǎn)機(jī)組狀態(tài)自動(dòng)判別智能專家系統(tǒng)148
4.5.1機(jī)組狀態(tài)自動(dòng)判別智能專家系統(tǒng)的結(jié)構(gòu)148
4.5.2智能專家系統(tǒng)實(shí)現(xiàn)機(jī)組狀態(tài)自動(dòng)判別的方法150
4.5.3振動(dòng)量的有關(guān)智能化處理152
4.5.4機(jī)組狀態(tài)智能專家系統(tǒng)全頻段自動(dòng)判別技術(shù)152
4.6運(yùn)行穩(wěn)定性劣化狀態(tài)的評價(jià)153
4.6.1劣化演化矩陣的建立153
4.6.2運(yùn)行穩(wěn)定性劣化程度的表征參數(shù)155
4.6.3運(yùn)行穩(wěn)定性劣化狀態(tài)的評價(jià)方法157
4.6.4基于現(xiàn)場實(shí)驗(yàn)數(shù)據(jù)的運(yùn)行穩(wěn)定性劣化狀態(tài)的評價(jià)158

第5章狀態(tài)在線預(yù)測技術(shù)/164
5.1在線趨勢預(yù)測概述164
5.2振動(dòng)級(jí)值預(yù)測的類型、基本方法和判據(jù)165
5.2.1機(jī)組狀態(tài)發(fā)展趨勢與振動(dòng)級(jí)值預(yù)測165
5.2.2振動(dòng)級(jí)值趨勢預(yù)測的類型166
5.2.3振動(dòng)級(jí)值趨勢預(yù)測的基本方法166
5.2.4振動(dòng)級(jí)值趨勢預(yù)測的判據(jù)和評定方法168
5.3時(shí)序模型與時(shí)序預(yù)測168
5.4灰色預(yù)測方法及其改進(jìn)169
5.4.1灰色預(yù)測方法169
5.4.2干涉因子灰色預(yù)測改進(jìn)模型171
5.4.3GMAR組合預(yù)測改進(jìn)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）模型烈度預(yù)測175
5.6烈度序列的趨勢項(xiàng)提取176
5.6.1預(yù)測模型的烈度趨勢項(xiàng)提取176
5.6.2線性規(guī)劃法進(jìn)行烈度趨勢項(xiàng)提取177
5.6.3烈度趨勢提取的精度校驗(yàn)179
5.7分離趨勢項(xiàng)新型組合預(yù)測模型180
5.7.1分離趨勢項(xiàng)組合預(yù)測模型的設(shè)計(jì)181
5.7.2分離趨勢項(xiàng)組合模型的烈度預(yù)測182
5.7.3兩種時(shí)區(qū)聯(lián)合預(yù)測的實(shí)用方法184
5.8六段頻率幅值趨勢預(yù)測設(shè)計(jì)185
5.9人工智能預(yù)測方法185
5.9.1人工神經(jīng)網(wǎng)絡(luò)趨勢預(yù)測186
5.9.2人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和模型187
5.9.3網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)及類型188
5.9.4誤差反傳訓(xùn)練算法（BP算法）189
5.9.5神經(jīng)網(wǎng)絡(luò)預(yù)測原理及模型的建立189
5.9.6神經(jīng)網(wǎng)絡(luò)趨勢預(yù)測方法193
5.10采用遺傳算法進(jìn)行趨勢預(yù)測198
5.10.1遺傳算法與機(jī)組狀態(tài)預(yù)測198
5.10.2遺傳算法進(jìn)行預(yù)測的方案198
5.10.3遺傳預(yù)測的適合度選擇及步驟199

第6章狀態(tài)在線監(jiān)測及預(yù)測系統(tǒng)/201
6.1狀態(tài)在線監(jiān)測及預(yù)測系統(tǒng)的總體設(shè)計(jì)201
6.1.1狀態(tài)在線監(jiān)測及預(yù)測系統(tǒng)的技術(shù)路線201
6.1.2大型旋轉(zhuǎn)機(jī)組狀態(tài)在線監(jiān)測及預(yù)測系統(tǒng)的技術(shù)特點(diǎn)202
6.1.3狀態(tài)在線監(jiān)測及預(yù)測系統(tǒng)的類型203
6.2狀態(tài)在線監(jiān)測及預(yù)測的軟件系統(tǒng)設(shè)計(jì)205
6.2.1在線監(jiān)測軟件系統(tǒng)設(shè)計(jì)原則205
6.2.2軟件模塊結(jié)構(gòu)及其功能206
6.2.3面向?qū)ο蟪绦蛟O(shè)計(jì)（OOP）207
6.3遠(yuǎn)程在線風(fēng)機(jī)齒輪箱監(jiān)測診斷系統(tǒng)208
6.3.1嵌入式數(shù)據(jù)采集系統(tǒng)設(shè)計(jì)209
6.3.2數(shù)據(jù)服務(wù)器軟件開發(fā)215
6.3.3數(shù)據(jù)存儲(chǔ)數(shù)據(jù)庫設(shè)計(jì)216
6.3.4網(wǎng)頁服務(wù)器軟件開發(fā)217
6.4風(fēng)機(jī)齒輪箱早期故障征兆在線監(jiān)測診斷系統(tǒng)構(gòu)建219
6.5基于Web的遠(yuǎn)程機(jī)械故障預(yù)測系統(tǒng)構(gòu)建223
6.5.1遠(yuǎn)程故障預(yù)測系統(tǒng)構(gòu)建223
6.5.2系統(tǒng)中非線性非平穩(wěn)故障預(yù)測模塊開發(fā)227

參考文獻(xiàn)230