| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第9-25页 |
| 1.1 研究的背景及意义 | 第9页 |
| 1.2 水电机组振动故障的原因及分类 | 第9-12页 |
| 1.2.1 水力振动 | 第10页 |
| 1.2.2 机械振动 | 第10-11页 |
| 1.2.3 电磁振动 | 第11-12页 |
| 1.3 国内外故障诊断技术发展现状 | 第12-13页 |
| 1.3.1 国外状态监测故障诊断研究现状 | 第12页 |
| 1.3.2 国内状态监测故障诊断研究现状 | 第12-13页 |
| 1.4 水电机组振动信号分析方法 | 第13-20页 |
| 1.4.1 时域分析法 | 第13-14页 |
| 1.4.2 频域分析法 | 第14-16页 |
| 1.4.3 时频分析法 | 第16-20页 |
| 1.5 水电机组故障诊断方法 | 第20-23页 |
| 1.5.1 人工神经网络 | 第20-21页 |
| 1.5.2 模糊聚类 | 第21页 |
| 1.5.3 故障树 | 第21-22页 |
| 1.5.4 专家系统 | 第22-23页 |
| 1.5.5 支持向量机 | 第23页 |
| 1.6 论文的研究内容 | 第23-25页 |
| 2 水电机组振动信号的采集 | 第25-37页 |
| 2.1 引言 | 第25页 |
| 2.2 水电机组振动测点的选择与布置 | 第25-27页 |
| 2.2.1 振动测点选择 | 第25-26页 |
| 2.2.2 振动测点布置 | 第26-27页 |
| 2.3 传感器的选择 | 第27-33页 |
| 2.3.1 振动传感器 | 第27-30页 |
| 2.3.2 摆度传感器 | 第30-32页 |
| 2.3.3 压力脉动传感器 | 第32页 |
| 2.3.4 键相信号传感器 | 第32-33页 |
| 2.4 数据采集系统 | 第33-35页 |
| 2.4.1 数据采集的基本原理 | 第33-34页 |
| 2.4.2 数据采集系统的基本组成 | 第34-35页 |
| 2.5 本章小结 | 第35-37页 |
| 3 水电机组振动信号的小波预处理 | 第37-51页 |
| 3.1 引言 | 第37页 |
| 3.2 基于小波分析的振动信号奇异数据还原研究 | 第37-41页 |
| 3.2.1 小波变换原理 | 第37-38页 |
| 3.2.2 小波变换的奇异性检测原理 | 第38页 |
| 3.2.3 奇异点平滑 | 第38-39页 |
| 3.2.4 实例研究 | 第39-41页 |
| 3.2.5 结果分析 | 第41页 |
| 3.3 基于多小波的振动信号降噪方法研究 | 第41-49页 |
| 3.3.1 多小波理论 | 第41-43页 |
| 3.3.2 多小波降噪的基本原理 | 第43-44页 |
| 3.3.3 多小波的降噪评价指标 | 第44-45页 |
| 3.3.4 多小波自适应阈值降噪 | 第45-46页 |
| 3.3.5 降噪效果验证 | 第46-49页 |
| 3.4 本章小结 | 第49-51页 |
| 4 经验模态分解方法研究 | 第51-71页 |
| 4.1 引言 | 第51页 |
| 4.2 经验模态分解方法 | 第51-54页 |
| 4.2.1 瞬时频率 | 第51-52页 |
| 4.2.2 本征模式函数 | 第52页 |
| 4.2.3 EMD方法 | 第52-54页 |
| 4.3 HILBERT-HUANG谱与边际谱 | 第54-55页 |
| 4.4 EMD虚假分量研究 | 第55-60页 |
| 4.4.1 能量波动法 | 第55-56页 |
| 4.4.2 仿真分析 | 第56-57页 |
| 4.4.3 实例分析 | 第57-60页 |
| 4.5 I-CEEMDAN方法研究 | 第60-70页 |
| 4.5.1 EEMD算法 | 第61页 |
| 4.5.2 CEEMDAN算法 | 第61-62页 |
| 4.5.3 I-CEEMDAN算法 | 第62-63页 |
| 4.5.4 仿真分析 | 第63-67页 |
| 4.5.5 实例分析 | 第67-70页 |
| 4.6 本章小结 | 第70-71页 |
| 5 基于I-CEEMDAN和SOM神经网络的振动故障诊断研究 | 第71-79页 |
| 5.1 引言 | 第71页 |
| 5.2 SOM神经网络 | 第71-72页 |
| 5.2.1 SOM神经网络的结构 | 第71页 |
| 5.2.2 SOM网络的工作原理 | 第71-72页 |
| 5.2.3 SOM网络的算法步骤 | 第72页 |
| 5.3 奇异谱熵 | 第72-75页 |
| 5.3.1 信息熵 | 第72-73页 |
| 5.3.2 奇异谱熵 | 第73-75页 |
| 5.4 故障诊断应用实例 | 第75-78页 |
| 5.4.1 信号收集 | 第75-76页 |
| 5.4.2 网络训练与参数取值 | 第76-77页 |
| 5.4.3 未知信号测试 | 第77-78页 |
| 5.5 本章小结 | 第78-79页 |
| 6 基于I-CEEMDAN和支持向量机的振动故障诊断研究 | 第79-93页 |
| 6.1 引言 | 第79页 |
| 6.2 统计学习理论 | 第79-82页 |
| 6.2.1 VC维 | 第79-80页 |
| 6.2.2 推广性的界 | 第80-81页 |
| 6.2.3 结构风险最小化原则 | 第81-82页 |
| 6.3 支持向量机基本理论 | 第82-85页 |
| 6.3.1 最优分类超平面 | 第82-84页 |
| 6.3.2 支持向量机 | 第84-85页 |
| 6.3.3 核函数的选取 | 第85页 |
| 6.4 最小二乘支持向量机 | 第85-87页 |
| 6.4.1 基本原理 | 第85-86页 |
| 6.4.2 参数的优化 | 第86-87页 |
| 6.4.3 实现多分类 | 第87页 |
| 6.5 实例分析 | 第87-91页 |
| 6.5.1 特征提取 | 第87-89页 |
| 6.5.2 多分类 | 第89-91页 |
| 6.6 本章小结 | 第91-93页 |
| 7 结论和展望 | 第93-95页 |
| 7.1 结论 | 第93-94页 |
| 7.2 展望 | 第94-95页 |
| 致谢 | 第95-96页 |
| 参考文献 | 第96-106页 |
| 附录 | 第106页 |
| 博士研究生期间发表的学术论文 | 第106页 |
| 博士研究生期间获得的其他成果 | 第106页 |
| 博士研究生期间参加的科研项目 | 第106页 |