水电机组故障诊断及状态趋势预测理论与方法

　　本书针对水电机组状态监测与故障诊断研究面临的关键科学与技术问题，围绕振动信号分析、非平稳故障特征提取、智能故障诊断以及状态趋势预测等开展了系统性研究工作。全书共分为8章，其中第2~5章为理论篇，主要介绍相关理论与方法；第6~8章为实践篇，主要介绍研究所提的水电机组振动故障诊断及状态趋势预测模型与方法。本书适合从事信号处理、故障诊断、趋势预测等水电机组状态监测与故障诊断研究方向相关学科高年级本科生、研究生学习参考，也可以作为水电机组运行管理人员、相关工程技术人员和研究人员参考资料。

　　周建中，教授、博士生导师，华中科技大学水电与数字化工程学院院长。华中科技大学首届校内特聘教授、首届华中学者（领军岗），德国布伦瑞克理工大学客座教授。 获国家科技进步二等奖2项、省部级科技进步特等奖3项、一等奖10项、二等奖7项。2015年获中国大学出版社优秀学术著作一等奖1项、2017年获第三届湖北出版政府奖1项；获国家发明专利27项，获软件著作权22项。出版专著4部，在国内外重要学术刊物发表学术论文300多篇，其中被SCI、EI收录250多篇次。

第1章绪论(1)
1.1水电机组故障诊断研究的背景与意义(1)
1.2水电机组振动故障机理(2)
1.2.1水力激励振动(3)
1.2.2机械激励振动(3)
1.2.3电磁激励振动(4)
1.3水电机组信号处理与特征提取研究方法综述(5)
1.3.1信号处理方法(5)
1.3.2特征提取方法(8)
1.4水电机组智能故障诊断研究方法综述(9)
1.4.1基于规则的诊断推理(10)
1.4.2基于数据驱动的故障模式识别(11)
1.4.3基于序列建模的故障预测(12)
理论篇故障诊断及状态趋势预测理论与方法
第2章水电机组振动信号处理理论与方法(16)
2.1短时傅里叶变换(16)
2.2小波变换(17)
2.2.1小波和小波变换(18)
2.2.2常见的小波基函数(20)
2.3经验模态分解与集成经验模态分解(22)
2.3.1经验模态分解(22)
2.3.2集成经验模态分解(24)
2.4局部均值分解(25)
2.5变分模态分解(27)
第3章水电机组振动故障特征提取理论与方法(30)
3.1时域、频域特征提取(30)
3.1.1时域特征(30)
3.1.2频域特征(32)
3.2基于熵的特征提取(33)
3.2.1信息熵(34)
3.2.2能量熵(34)
3.2.3近似熵(35)
3.2.4样本熵(37)
3.2.5排列熵(38)
3.2.6多尺度熵(39)
3.3基于模型参数辨识的特征提取(40)
3.4基于主元分析的特征选择(41)
第4章水电机组智能故障诊断理论与方法(43)
4.1基于规则的诊断推理(43)
4.1.1故障树(43)
4.1.2专家系统(44)
4.2基于数据驱动的故障模式识别(45)
4.2.1神经网络(45)
4.2.2支持向量机(49)
4.2.3最小二乘支持向量机(52)
4.2.4支持向量数据描述(54)
4.2.5极限学习机(56)
第5章水电机组状态趋势预测理论与方法(59)
5.1时序分析(59)
5.1.1AR模型(59)
5.1.2MA模型(60)
5.1.3ARMA模型(60)
5.2自适应模糊神经系统(60)
5.3支持向量回归(62)
5.4最小二乘支持向量机回归(63)
5.5极限学习机(64)
实践篇水电机组振动故障诊断及状态趋势预测应用
第6章水电机组振动信号降噪研究(66)
6.1基于EMD与自相关函数的水电机组振动信号降噪研究(66)
6.1.1EMD降噪(66)
6.1.2自相关函数(67)
6.1.3基于EMD与自相关函数的降噪方法(67)
6.1.4仿真试验与实例分析(69)
6.2基于EEMD与近似熵的水电机组振动信号降噪研究(75)
6.2.1EEMD降噪(75)
6.2.2近似熵降噪(75)
6.2.3基于EEMD与近似熵的降噪方法(75)
6.2.4仿真试验与实例分析(76)
6.3基于增强VMD相关分析的水电机组振动信号降噪研究(81)
6.3.1SVD滤波(81)
6.3.2VMD降噪(82)
6.3.3基于增强VMD相关分析的降噪方法(83)
6.3.4仿真试验与实例分析(84)
第7章水电机组振动故障诊断方法研究(92)
7.1基于多元自回归模型参数盲辨识的非平稳故障特征提取(93)
7.1.1多元自回归模型(93)
7.1.2基于VMDMAR模型参数盲辨识的非平稳故障特征提取(94)
7.1.3实例分析(94)
7.2基于排列熵特征与混沌量子正弦余弦算法优化SVM的故障诊断(101)
7.2.1混沌量子正弦余弦算法(101)
7.2.2基于混沌量子正弦余弦算法优化SVM的模式识别(104)
7.2.3基于VMD排列熵与混沌量子正弦余弦算法
优化SVM的故障诊断(106)
7.2.4工程应用(107)
7.3基于权重SVDD与模糊自适应阈值决策的故障诊断(113)
7.3.1K近邻方法(114)
7.3.2权重SVDD(114)
7.3.3模糊自适应阈值决策(116)
7.3.4基于权重SVDD与模糊自适应阈值决策的故障诊断模型(118)
7.3.5研究试验与实例分析(119)
第8章水电机组非线性状态趋势预测研究(125)
8.1状态趋势预测的可行性分析(126)
8.1.1水电机组状态的发展特性(126)
8.1.2非线性行为分析(126)
8.1.3序列的可预测性(127)
8.2基于聚合EEMD与SVR的水电机组状态趋势预测(127)
8.2.1聚合EEMD基本原理(128)
8.2.2基于聚合EEMD与SVR的状态趋势预测(129)
8.2.3应用实例(130)
8.3基于最优变分模态分解与优化最小二乘支持向量机的水电机组状态
趋势预测(141)
8.3.1最优变分模态分解(141)
8.3.2基于OVMD和CSCALSSVM的机组状态趋势预测(141)
8.3.3应用实例(142)
8.4基于多尺度主导成分混沌分析的水电机组状态趋势预测(150)
8.4.1多尺度主导成分混沌分析(151)
8.4.2核极限学习机(151)
8.4.3自适应变异灰狼优化算法(152)
8.4.4基于多尺度主导成分混沌分析与优化核极限学习机的预测模型(156)
8.4.5应用实例(156)
参考文献(165)