水電機組作為水電廠生產設備，其狀態(tài)成為水電企業(yè)優(yōu)化維護決策的重要因素。本書研究了水電機組優(yōu)化維護系統(tǒng)中實時狀態(tài)監(jiān)測和故障診斷的原理和方法，并介紹了應用實例。
周建中，男，1959年生，華中科技大學首屆校內特聘教授；博士生導師，德國布倫瑞克理工大學客座教授，1994年IEEE高級會員，1997年德國信息工程學會會員，1994年當選為湖北省自動化學會理事，1995受聘為年國家機電部部儀器儀表專業(yè)學科科學技術咨詢委員會委員；1996年受聘為中國計算機學會外圍設備專業(yè)委員會副主任委員；2001年受聘為中國城市規(guī)劃學會生態(tài)城市專業(yè)委員會副主任委員；2001年受聘為全國水利學科水利水電工程專業(yè)教學指導委員會委員；2002年受聘為全國電氣學科電氣自動化專業(yè)教學指導委員會委員；2002年當選為湖北省振動學會秘書長；2003年受聘為國家自然科學基金項目同行評議專家；2004年當選為湖北省水力發(fā)電工程學會常務理事；2004年受聘為中國水力發(fā)電工程學會水電控制設備專委會委員；2004年受聘為國家科學技術獎評審專家；2005年當選為國際一般系統(tǒng)論研究會中國分會信息系統(tǒng)與信息理論專委會副理事長；2005年受聘為湖北省水利學會水利規(guī)劃專業(yè)委員會副主任委員；2005年受聘為數字流域科學與技術湖北省重點實驗室副主任；2006年受聘為國家核心學術刊物《水電能源科學》副主編；2007年受聘為國際一般系統(tǒng)論研究會中國分會理事；2007年受聘為湖北省系統(tǒng)工程學會常務理事；2008年受聘為教育部水利學科水文與水資源工程專業(yè)教學指導分委員會委員；2009年受聘為中國人工智能學會自然計算與數字智能城市專委會委員；2009年受聘為中國水利教育協會高等教育分會第四屆理事會常務理事；2009年受聘為冶金工業(yè)過程系統(tǒng)科學湖北省重點實驗室學術委員會委員；2009年受聘為全球水伙伴（中國）技術委員會委員；2009年受聘為湖北省水力發(fā)電工程學會副理事長；2010年受聘為湖北省水土保持學會常務理事；2010年受聘為《當代水科學前沿叢書》學術委員會委員；2010年受聘為中國農業(yè)機械學會排灌機械分會第九屆委員會委員；2010年受聘為《排灌機械工程學報》第九屆編輯委員會委員；2010年受聘為江蘇省水利動力工程重點實驗室學術委員會委員；2011年受聘為中國水利學會水生態(tài)專業(yè)委員會委員；2011年受聘為水利部、中國科學院水工程生態(tài)研究所學術委員會委員；2011年受聘為水利部水工程生態(tài)效應與生態(tài)修復重點實驗室第一屆學術委員會委員；2012年受聘為潘家錚水電科技基金第二屆理事會理事；2012年受聘為湖北省建設粒料制備工程中心學術委員會專家；2013年受聘為流域水資源與生態(tài)環(huán)境科學湖北省重點實驗室學術委員會委員。
第一篇 水輪發(fā)電機組動力學
第1章 水輪發(fā)電機組動力學問題及其研究概述（3）
1.1水輪發(fā)電機組產生振動的因素（3）
1.2水輪發(fā)電機組轉子動力學問題概述（6）
1.2.1轉子動力學問題簡介（6）
1.2.2轉子動力學問題研究現狀（7）
1.3水輪發(fā)電機組振動分析（8）
第2章 單一故障影響下水輪發(fā)電機組振動分析（10）
2.1水輪發(fā)電機組徑向振動特性分析（10）
2.1.1水輪發(fā)電機組徑向振動動力學模型（11）
2.1.2水輪發(fā)電機組徑向振動特性分析（14）
2.2水輪發(fā)電機組轉子不對中的振動特性分析（22）
2.2.1綜合不對中機組軸系動力學模型（23）
2.2.2綜合不對中機組軸系動力學特性分析（26）
2.2.3本節(jié)小結（36）
2.3水輪發(fā)電機組在軸向推力作用下的振動特性分析（37）
2.3.1碰摩轉子在軸向推力作用下的動力學模型（38）
2.3.2軸向推力作用下碰摩發(fā)電機轉子特性分析（40）
2.3.3本節(jié)小結（58）
2.4水輪發(fā)電機組非線性電磁振動特性分析（59）
2.4.1不平衡磁拉力的計算方法簡介（60）
2.4.2機組軸系非線性動力學模型（63）
2.4.3機組非線性電磁振動特性分析（65）
2.4.4本節(jié)小結（72）
第3章 耦合振動作用下水輪發(fā)電機組轉子動力學分析（73）
3.1陀螺效應下水輪發(fā)電機組的彎扭耦合振動分析（73）
3.1.1立式轉子彎扭耦合振動基本原理（73）
3.1.2單質量不平衡轉子的彎扭耦合振動（77）
3.2水輪發(fā)電機組聯軸器不對中彎扭耦合振動分析（94）
3.2.1固定式剛性聯軸器平行不對中（94）
3.2.2可移式剛性聯軸器平行不對中（102）
3.3水輪發(fā)電機組碰摩彎扭耦合振動分析（106）
3.3.1碰摩轉子彎扭耦合振動動力學模型（107）
3.3.2碰摩轉子彎振和扭振特性分析（111）
第二篇 信號處理與軸心軌跡特征提取
第4章 信號分析及特征提�。�125）
4.1傳統(tǒng)信號分析方法（125）
4.1.1時域信號分析（126）
4.1.2振動信號的頻域分析（127）
4.1.3傳統(tǒng)信號分析方法存在的問題（128）
4.2小波變換（128）
4.2.1小波和小波變換（128）
4.2.2多分辨分析（130）
4.3Hilbert-Huang變換（133）
4.3.1經驗模態(tài)分解（133）
4.3.2Hilbert譜分析（136）
4.4微弱信號混沌振子檢測原理（136）
4.4.1混沌振子基本檢測原理（137）
4.4.2混沌振子檢測微弱信號的頻率和相位（138）
4.4.3信息融合與混沌振子檢測微弱信號幅值（140）
4.4.4加權平均融合與混沌振子檢測微弱信號幅值（141）
4.4.5基于信息融合技術的混沌振子狀態(tài)識別（143）
4.4.6信息融合與混沌振子在故障診斷中的應用（145）
第5章 軸心軌跡自動識別方法（148）
5.1水輪發(fā)電機組軸心軌跡的特點（148）
5.1.1軸心軌跡形狀信息在故障診斷系統(tǒng)中的作用（148）
5.1.2軸心軌跡自動識別方法分析（149）
5.1.3水輪發(fā)電機組軸心軌跡的特點（149）
5.2軸心軌跡自動識別原理（150）
5.2.1小波提純原理（150）
5.2.2軸心軌跡圖形特征提取（150）
5.2.3軸心軌跡形狀特征自動識別的常規(guī)方法（153）
5.2.4神經網絡原理（153）
5.3基于PJFMIs不變矩的軸心軌跡識別（157）
5.3.1Pseudo-Jacobi（p=4,q=3）-Fourier矩（PJFMs）（157）
5.3.2Pseudo-Jacobi（p=4,q=3）-Fourier不變矩（PJFMIs）（158）
5.3.3PJFMs的快速算法（158）
5.3.4PJFMIs提取軸心軌跡特征（159）
5.3.5神經網絡及其參數選擇（159）
5.4基于快速變換的軸心軌跡識別（159）
5.4.1現代智能算法（160）
5.4.2基于Haar正交矩陣的夾角識別（174）
5.4.3基于幾何特征和Fourier描繪子的軸心軌跡識別（181）
5.4.4基于Walsh描繪子和支持向量機的軸心軌跡識別（188）
5.5基于混合神經網絡的軸心軌跡自動識別（194）
5.5.1引言（194）
5.5.2脈沖耦合神經網絡（194）
5.5.3基于脈沖耦合神經網絡融合的軸心軌跡特征提�。�200）
第三篇 水輪發(fā)電機組智能故障診斷方法
第6章 水輪發(fā)電機組的支持向量機故障診斷方法（209）
6.1支持向量機基本理論（209）
6.1.1統(tǒng)計學習理論（209）
6.1.2機器學習的本質（212）
6.1.3結構風險最小化（214）
6.1.4支持向量機（216）
6.2基于支持向量機的水輪發(fā)電機組振動故障分類研究（222）
6.2.1最小二乘支持向量機（222）
6.2.2基于最小二乘支持向量機的故障分類模型（225）
6.2.3水輪發(fā)電機組振動故障分類識別（229）
6.3基于遺傳算法的支持向量機模型參數選擇（232）
6.3.1遺傳算法（233）
6.3.2GA-LSSVM預測模型參數選擇（236）
6.3.3實例分析（239）
6.4基于支持向量機的水輪發(fā)電機組狀態(tài)預測研究（241）
6.4.1預測方法概述（241）
6.4.2基于小波與最小二乘支持向量機的集成預測模型（242）
6.4.3預測方法評價準則和誤差評價函數（246）
6.4.4水輪發(fā)電機組振動狀態(tài)預測分析（249）
第7章 水輪發(fā)電機組的Bayes網絡故障診斷方法（255）
7.1Bayes網絡的基本理論（255）
7.1.1Bayes理論的基本思想（256）
7.1.2Bayes網絡的基本理論（257）
7.2PPTC概率推理算法的優(yōu)化與實現（265）
7.2.1PPTC算法中的基本概念（265）
7.2.2聯合樹及其構造方法（267）
7.2.3PPTC算法的概率推理（271）
7.2.4PPTC算法實現中的優(yōu)化（278）
7.3基于Bayes網絡的水輪發(fā)電機組狀態(tài)檢修系統(tǒng)（279）
7.3.1基于Bayes網絡的知識表示（280）
7.3.2基于Bayes網絡的專家系統(tǒng)建模（281）
7.3.3專家系統(tǒng)的推理機制（283）
7.3.4專家系統(tǒng)的應用與分析（285）
7.3.5基于Bayes網絡的水輪發(fā)電機組檢修策略（286）
7.3.6基于Bayes網絡的檢修決策系統(tǒng)（287）
7.4水輪發(fā)電機組狀態(tài)檢修系統(tǒng)的知識獲�。�290）
7.4.1Bayes學習理論（291）
7.4.2完整數據集下的Bayes網絡參數學習（297）
7.4.3不完整數據下的參數學習（298）
7.4.4基于最大信息熵的學習算法（ME算法）（300）
7.4.5ME算法與EM算法的性能分析（301）
第8章 基于信息融合技術的故障集成診斷（303）
8.1基于快速變換的故障信號分類（304）
8.1.1故障信號快速變換（304）
8.1.2快速變換基于Fisher準則的最優(yōu)選�。�307）
8.2基于熵權理論和信息融合技術的水輪發(fā)電機組振動故障診斷（315）
8.2.1灰色關聯原理（315）
8.2.2熵權理論（317）
8.2.3基于證據的信息融合理論（318）
8.2.4基于熵權理論和信息融合技術的水輪發(fā)電機組故障診斷（319）
8.2.5應用實例（321）
8.3基于粗糙集和信息融合技術的水輪發(fā)電機組振動故障診斷（323）
8.3.1基于粗糙集和證據理論的故障診斷（323）
8.3.2水輪機調速系統(tǒng)故障診斷實例（325）
第四篇 狀態(tài)監(jiān)測與故障診斷系統(tǒng)
第9章 水輪發(fā)電機組運行狀態(tài)監(jiān)測（331）
9.1機組工況參數監(jiān)測（332）
9.2機組穩(wěn)定性監(jiān)測（335）
9.2.1機組穩(wěn)定性監(jiān)測內容（335）
9.2.2機組穩(wěn)定性監(jiān)測技術（335）
9.3發(fā)電機狀態(tài)監(jiān)測（335）
9.3.1發(fā)電機狀態(tài)監(jiān)測內容（335）
9.3.2發(fā)電機狀態(tài)監(jiān)測技術（335）
9.4水輪機空化空蝕監(jiān)測（336）
9.4.1空化空蝕監(jiān)測目的和原理（336）
9.4.2水輪機空化空蝕監(jiān)測技術（337）
9.5主變壓器狀態(tài)監(jiān)測（338）
9.5.1油色譜分析（338）
9.5.2油色譜分析診斷方法（339）
9.6水輪發(fā)電機組振動、擺度狀態(tài)監(jiān)測系統(tǒng)實例（341）
9.6.1系統(tǒng)總體框架（341）
9.6.2系統(tǒng)各部分功能概述（342）
9.6.3DSP信號處理板設計（348）
9.6.4信息分析功能要求（352）
9.6.5數據庫要求（353）
9.6.6決策系統(tǒng)（354）
第10章 分布式遠程故障診斷系統(tǒng)工程應用（358）
10.1分布式遠程故障診斷系統(tǒng)結構（359）
10.2專家系統(tǒng)設計及基本診斷方法（361）
10.2.1系統(tǒng)結構（361）
10.2.2知識庫模塊設計（362）
10.2.3推理機模塊設計（365）
10.2.4解釋器模塊設計（369）
10.2.5自學習機模塊設計（369）
10.3故障樹診斷方法（374）
10.3.1故障樹分析基礎（374）
10.3.2故障樹子系統(tǒng)結構（375）
10.3.3故障樹管理維護模塊（375）
10.3.4故障樹分析模塊（377）
10.3.5故障樹診斷模塊（379）
10.4基于案例的故障診斷算法模型（379）
10.4.1系統(tǒng)結構（379）
10.4.2故障征兆提取模塊設計（380）
10.4.3案例庫模塊設計（381）
10.4.4檢索機制模塊設計（381）
10.4.5解釋器模塊設計（383）
10.4.6案例庫的學習與維護模塊設計（383）
10.5多診斷方法的決策融合及應用（385）
10.6展望（386）
參考文獻（389）
書單推薦
