水电机组振动故障的智能诊断方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-13页 |
| 1 绪论 | 第13-33页 |
| ·水电机组振动故障诊断技术研究的意义 | 第13-14页 |
| ·水电机组振动故障的原因及分类 | 第14页 |
| ·水电机组振动故障的诊断方法 | 第14-27页 |
| ·因果分析诊断法 | 第15-16页 |
| ·故障树诊断法 | 第16-18页 |
| ·模糊诊断法 | 第18-19页 |
| ·专家系统诊断法 | 第19-21页 |
| ·神经网络诊断法 | 第21-23页 |
| ·遗传算法诊断法 | 第23-24页 |
| ·粗糙集诊断法 | 第24-25页 |
| ·支持向量机诊断法 | 第25-27页 |
| ·水电机组振动故障诊断的国内外研究现状 | 第27-31页 |
| ·故障诊断研究现状 | 第27-28页 |
| ·水电机组故障诊断的主要制约因素 | 第28-30页 |
| ·水电机组故障诊断的发展趋势 | 第30-31页 |
| ·本文研究的内容 | 第31-33页 |
| 2 水电机组振动信号的采集 | 第33-49页 |
| ·引言 | 第33页 |
| ·水电机组振动信号的监测 | 第33-35页 |
| ·监测部位的选择 | 第33页 |
| ·监测点的确定 | 第33-35页 |
| ·拾振传感器的选择 | 第35-44页 |
| ·传感器的选择原则 | 第35-36页 |
| ·测量主轴摆度的传感器 | 第36-38页 |
| ·测量机架、定子及顶盖振动的传感器 | 第38-41页 |
| ·测量水轮机压力脉动的传感器 | 第41-42页 |
| ·测量键相信号的传感器 | 第42-43页 |
| ·传感器的标定 | 第43-44页 |
| ·数据采集系统 | 第44-48页 |
| ·数据采集的基本原理 | 第44页 |
| ·数据采集系统的基本组成 | 第44-46页 |
| ·采样参数的选择 | 第46-47页 |
| ·数据采集系统的主要性能指标 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 3 水电机组振动信号处理 | 第49-67页 |
| ·引言 | 第49页 |
| ·信号的时频分析原理 | 第49-59页 |
| ·信号的局部变换 | 第49-50页 |
| ·短时Fourier 变换 | 第50-51页 |
| ·小波变换 | 第51-53页 |
| ·小波的多分辨分析 | 第53-55页 |
| ·小波包分析 | 第55-57页 |
| ·第二代小波变换 | 第57-59页 |
| ·水电机组振动信号的预处理 | 第59-61页 |
| ·小波消噪 | 第59-60页 |
| ·小波包消噪 | 第60-61页 |
| ·第二代小波消噪 | 第61页 |
| ·水电机组振动故障特征的提取 | 第61-63页 |
| ·小波包提取故障特征的理论依据 | 第61-62页 |
| ·小波包提取故障特征的算法 | 第62-63页 |
| ·小波包提取故障特征的算例 | 第63页 |
| ·水电机组振动信号预处理的算例 | 第63-66页 |
| ·振动信号的采集 | 第63-64页 |
| ·采用小波消噪 | 第64-65页 |
| ·采用小波包消噪 | 第65页 |
| ·采用第二代小波消噪 | 第65-66页 |
| ·对比分析 | 第66页 |
| ·本章小结 | 第66-67页 |
| 4 水电机组振动故障的神经网络诊断方法 | 第67-87页 |
| ·引言 | 第67页 |
| ·BP 神经网络及其算法 | 第67-75页 |
| ·前馈神经网络 | 第67页 |
| ·BP 网络的学习算法 | 第67-71页 |
| ·BP 学习算法步骤 | 第71-72页 |
| ·BP 网络设计分析 | 第72-74页 |
| ·BP 神经网络算法的缺点及改进措施 | 第74-75页 |
| ·径向基网络原理及算法 | 第75-78页 |
| ·径向基网络的原理 | 第75-76页 |
| ·RBF 神经网络的训练算法 | 第76-77页 |
| ·RBF 网络与BP 网络的比较 | 第77-78页 |
| ·带偏差单元递归神经网络的原理及算法 | 第78-80页 |
| ·带偏差单元递归神经网络的原理 | 第78页 |
| ·带偏差单元递归神经网络的算法 | 第78-80页 |
| ·学习矢量量化神经网络的原理及算法 | 第80-81页 |
| ·学习矢量量化神经网络的原理 | 第80-81页 |
| ·LVQ 神经网络的学习规则 | 第81页 |
| ·诊断仿真 | 第81-85页 |
| ·算例及故障诊断的特征参数选取 | 第81-82页 |
| ·水电机组振动故障的不同神经网络诊断 | 第82-84页 |
| ·诊断结果分析 | 第84-85页 |
| ·本章小结 | 第85-87页 |
| 5 遗传算法与BP 网络结合的故障诊断方法 | 第87-101页 |
| ·引言 | 第87页 |
| ·遗传算法的基本原理 | 第87-93页 |
| ·模式定理 | 第87-88页 |
| ·基因编码 | 第88-89页 |
| ·遗传操作算子 | 第89-90页 |
| ·遗传算法的构造和应用步骤 | 第90-92页 |
| ·遗传算法的改进 | 第92-93页 |
| ·遗传算法与人工神经网络的结合 | 第93-99页 |
| ·GA-BP 混合算法的基本思想 | 第93-95页 |
| ·编码策略 | 第95-96页 |
| ·群体设定 | 第96页 |
| ·适应度函数的确定 | 第96页 |
| ·混合算法的实现 | 第96-99页 |
| ·混合算法的优点 | 第99页 |
| ·诊断仿真 | 第99-100页 |
| ·算例及故障诊断的特征参数选取 | 第99-100页 |
| ·水电机组振动故障的GA-BP 混合神经网络诊断 | 第100页 |
| ·GA-BP 神经网络与其它神经网络的诊断比较 | 第100页 |
| ·本章小结 | 第100-101页 |
| 6 水电机组振动故障诊断的支持向量机诊断方法 | 第101-117页 |
| ·引言 | 第101-102页 |
| ·统计学习理论概述 | 第102-107页 |
| ·升维和分类超平面 | 第102页 |
| ·学习问题的表示 | 第102-103页 |
| ·经验风险最小化归纳原则 | 第103-104页 |
| ·VC 维 | 第104页 |
| ·泛化推广边界 | 第104-105页 |
| ·结构风险最小化 | 第105-107页 |
| ·支持向量机原理 | 第107-113页 |
| ·支持向量机 | 第107页 |
| ·线性支持向量机算法原理及数学推导 | 第107-109页 |
| ·非线性支持向量机算法原理及数学推导 | 第109-111页 |
| ·核函数 | 第111-112页 |
| ·支持向量机算法学习步骤 | 第112页 |
| ·支持向量机的缺点及改进措施 | 第112-113页 |
| ·支持向量机与前馈神经网络的比较 | 第113页 |
| ·诊断仿真 | 第113-115页 |
| ·多分类的支持向量机设计 | 第113-114页 |
| ·故障诊断的特征参数选取及学习样本构建 | 第114-115页 |
| ·测试样本构建及故障分类 | 第115页 |
| ·分析讨论 | 第115页 |
| ·本章小结 | 第115-117页 |
| 7 粗糙集理论与支持向量机结合的故障诊断方法 | 第117-127页 |
| ·引言 | 第117页 |
| ·粗糙集理论的基本概念 | 第117-119页 |
| ·知识及知识的表达 | 第117-118页 |
| ·不可分辨关系 | 第118页 |
| ·近似与粗糙集 | 第118页 |
| ·约简与核 | 第118-119页 |
| ·粗糙集数据预处理 | 第119-123页 |
| ·缺失值的处理 | 第119页 |
| ·数据的离散化处理 | 第119-120页 |
| ·基于粗糙集理论的知识约简 | 第120-123页 |
| ·支持向量机与粗糙集的结合 | 第123页 |
| ·SVM-RS 结合的基本思想 | 第123页 |
| ·SVM-RS 结合算法的步骤 | 第123页 |
| ·诊断仿真 | 第123-126页 |
| ·算例及故障诊断特征的参数选取 | 第123-124页 |
| ·连续属性值的离散 | 第124页 |
| ·用RS 理论对条件属性约简 | 第124-125页 |
| ·SVM 故障分类器的构建 | 第125页 |
| ·核函数及其参数的选择 | 第125页 |
| ·SVM 分类器的训练与测试 | 第125页 |
| ·对比分析 | 第125-126页 |
| ·本章小结 | 第126-127页 |
| 8 总结与展望 | 第127-130页 |
| ·总结 | 第127-128页 |
| ·展望 | 第128-130页 |
| 致谢 | 第130-131页 |
| 参考文献 | 第131-142页 |
| 附录 | 第142页 |
| 攻读博士学位期间发表的学术论文 | 第142页 |
| 攻读博士期间参加的科研工作 | 第142页 |
