目錄
叢書序前言
第1章 緒論 1
1.1 壓縮機(jī)在工業(yè)中的地位和作用 1
1.2 壓縮機(jī)故障診斷的目標(biāo)和特點(diǎn) 4
1.3 壓縮機(jī)監(jiān)測診斷研究及應(yīng)用現(xiàn)狀 6
1.3.1 監(jiān)測信號與傳感技術(shù) 6
1.3.2 故障機(jī)理與征兆聯(lián)系 7
1.3.3 信號處理與特征提取 8
1.3.4 智能診斷與決策方法 9
1.3.5 商業(yè)化的監(jiān)測診斷系統(tǒng) 10
參考文獻(xiàn) 10
第2章 離心壓縮機(jī)葉片的葉尖定時監(jiān)測診斷 13
2.1 高速旋轉(zhuǎn)葉片監(jiān)測技術(shù)概述 13
2.1.1 旋轉(zhuǎn)葉片監(jiān)測技術(shù)研究現(xiàn)狀 13
2.1.2 葉尖定時監(jiān)測技術(shù)研究現(xiàn)狀 13
2.1.3 葉尖定時監(jiān)測技術(shù)存在的問題 14
2.2 葉尖定時監(jiān)測技術(shù)的原理 15
2.2.1 葉尖定時監(jiān)測技術(shù)基本原理 15
2.2.2 葉尖定時傳感器 16
2.2.3 葉片振動參數(shù)辨識方法 18
2.3 欠采樣葉尖定時信號的稀疏度自適應(yīng)重構(gòu)方法 20
2.3.1 葉尖定時監(jiān)測系統(tǒng)采樣模型 20
2.3.2 欠采樣葉尖定時信號的稀疏度自適應(yīng)重構(gòu)方法 21
2.3.3 數(shù)值建模及實驗驗證 23
2.4 噪聲干擾下葉尖定時信號降噪及方波整形算法 25
2.4.1 葉尖定時監(jiān)測系統(tǒng)誤差分析 25
2.4.2 噪聲干擾條件下葉尖定時信號準(zhǔn)確提取方法 30
2.4.3 方波整形算法 33
2.4.4 實驗驗證 39
2.5 變轉(zhuǎn)速葉片的多鍵相振動監(jiān)測方法 41
2.5.1 變轉(zhuǎn)速下葉片振動監(jiān)測存在的挑戰(zhàn) 41
2.5.2 變轉(zhuǎn)速下多鍵相振動監(jiān)測原理 42
2.5.3 基于多鍵相的葉片振動位移測量方程 44
2.5.4 基于數(shù)值建模及動力學(xué)仿真的方法驗證 45
參考文獻(xiàn) 51
第3章 往復(fù)壓縮機(jī)早期故障的提升小波診斷 53
3.1 往復(fù)壓縮機(jī)早期故障診斷的難點(diǎn) 53
3.2 提升小波的原理 54
3.3 非抽樣提升小波包的構(gòu)造 59
3.4 基于非抽樣提升小波包的頻率混疊消除原理 63
3.5 基于Volterra級數(shù)的邊界振蕩抑制 66
3.6 非抽樣提升小波包與奇異值分解相結(jié)合的信號降噪 72
3.7 非抽樣提升多小波包變換 75
3.7.1 提升多小波理論 75
3.7.2 冗余提升多小波包變換 76
3.8 基于提升小波與混沌理論的往復(fù)壓縮機(jī)狀態(tài)評級 79
3.8.1 往復(fù)壓縮機(jī)缸套振動信號的混沌特性 79
3.8.2 往復(fù)壓縮機(jī)狀態(tài)評級 91
參考文獻(xiàn) 95
第4章 壓縮機(jī)耦合故障的信息熵融合診斷 97
4.1 壓縮機(jī)常見耦合故障及其特點(diǎn) 97
4.1.1 壓縮機(jī)常見耦合故障 97
4.1.2 壓縮機(jī)耦合故障振動信號特征 98
4.2 壓縮機(jī)耦合故障診斷的難點(diǎn)與思路 98
4.2.1 壓縮機(jī)耦合故障診斷難點(diǎn) 98
4.2.2 壓縮機(jī)耦合故障診斷的思路 99
4.3 信息熵融合診斷理論 101
4.3.1 信息熵基本理論 101
4.3.2 信息熵故障分析方法 101
4.4 壓縮機(jī)振動信號的信息熵特征 103
4.4.1 時域奇異譜熵 103
4.4.2 自相關(guān)特征熵 104
4.4.3 頻域功率譜熵 104
4.4.4 小波空間狀態(tài)特征譜熵和小波能譜熵 105
4.4.5 小波包特征熵 106
4.5 壓縮機(jī)故障信息的盲源分離增強(qiáng)方法 106
4.5.1 盲源分離的基本數(shù)學(xué)模型 107
4.5.2 穩(wěn)健獨(dú)立分量分析方法 108
4.5.3 基于穩(wěn)健獨(dú)立分量分析的轉(zhuǎn)子仿真信號與實驗信號分析 112
4.5.4 工程應(yīng)用-基于穩(wěn)健獨(dú)立分量分析的離心壓縮機(jī)葉輪故障診斷 119
4.6 壓縮機(jī)耦合故障的波動熵診斷模型 124
4.6.1 波動熵特征敏感變換域的確定 125
4.6.2 波動度及波動熵特征的計算 125
4.6.3 基于波動熵的耦合故障診斷方法 126
參考文獻(xiàn) 127
第5章 數(shù)據(jù)集不均衡下的壓縮機(jī)故障診斷 129
5.1 不均衡數(shù)據(jù)集的概念 129
5.2 不均衡數(shù)據(jù)分類常用方法 129
5.3 基于互信息的非監(jiān)督式特征選擇 132
5.3.1 基于互信息的特征選擇 132
5.3.2 基于互信息的非監(jiān)督式特征選擇方法原理 133
5.3.3 工程應(yīng)用 135
5.4 不均衡數(shù)據(jù)的SMOTE上采樣算法 142
5.4.1 SMOTE算法 142
5.4.2 SMOTE算法中采樣率的實驗分析 144
5.4.3 壓縮機(jī)氣閥少數(shù)類樣本的采樣率分析 148
5.5 基于樣本不均衡度的加權(quán)C-SVM分類算法 156
5.5.1 加權(quán)C-SVM分類算法簡介 156
5.5.2 加權(quán)C-SVM算法性能分析 157
5.6 基于PSO和GA算法的加權(quán)C-SVM分類模型 159
5.6.1 粒子群優(yōu)化算法 160
5.6.2 基于PSOA的加權(quán)C-SVM分類器 162
5.6.3 遺傳算法 166
5.6.4 基于PSOA和GA的加權(quán)C-SVM分類模型應(yīng)用 168
參考文獻(xiàn) 171
第6章 變工況下壓縮機(jī)故障的遷移診斷 173
6.1 變工況下壓縮機(jī)診斷的難題 173
6.2 遷移學(xué)習(xí)與領(lǐng)域自適應(yīng)學(xué)習(xí) 174
6.3 符號近似聚合和關(guān)聯(lián)規(guī)則相結(jié)合的變工況下故障特征挖掘方法 177
6.3.1 關(guān)聯(lián)規(guī)則及其在信號特征挖掘中的應(yīng)用 177
6.3.2 適用于信號特征挖掘的Apriori算法 178
6.3.3 基于等概率關(guān)聯(lián)規(guī)則挖掘方法 179
6.3.4 特征挖掘案例分析 183
6.4 基于領(lǐng)域自適應(yīng)的變工況齒輪箱遷移診斷 188
6.4.1 邊緣降噪編碼器 189
6.4.2 卷積神經(jīng)網(wǎng)絡(luò) 190
6.4.3 AMDA特征學(xué)習(xí)模型 191
6.4.4 實驗分析 193
6.5 遷移診斷模型穩(wěn)定性和適應(yīng)性定量分析 199
6.5.1 目標(biāo)工況正常樣本不同比例輔助數(shù)據(jù)性能分析 200
6.5.2 目標(biāo)工況三類狀態(tài)數(shù)據(jù)樣本輔助數(shù)據(jù)性能分析 204
6.5.3 遷移率定義和計算 208
參考文獻(xiàn) 210
第7章 壓縮機(jī)故障的振動與紅外融合診斷 212
7.1 振動與紅外融合的目的與意義 212
7.2 紅外圖像用于故障診斷的機(jī)理 212
7.2.1 紅外成像原理 212
7.2.2 紅外圖像特點(diǎn) 213
7.2.3 紅外圖像特征提取 214
7.2.4 實例分析 217
7.3 紅外圖像故障信息的非下采樣輪廓變換增強(qiáng)方法 223
7.3.1 非下采樣輪廓變換方法 223
7.3.2 基于NSCT的紅外圖像增強(qiáng)方法 228
7.3.3 基于粒子群優(yōu)化的增強(qiáng)參數(shù)確定方法 230
7.3.4 實例分析 232
7.4 圖像分割與故障敏感區(qū)域選擇 235
7.4.1 基于網(wǎng)格劃分的圖像分割方法 235
7.4.2 基于離散度分析的敏感區(qū)域選取 238
7.4.3 實例分析 239
7.5 基于卷積神經(jīng)網(wǎng)絡(luò)的壓縮機(jī)振動與紅外融合診斷方法 243
7.5.1 基于相關(guān)分析的異類信息融合 244
7.5.2 卷積神經(jīng)網(wǎng)絡(luò) 247
7.5.3 基于相關(guān)分析與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的故障診斷 251
7.5.4 基于紅外圖像與振動信號融合的故障診斷實例分析 252
參考文獻(xiàn) 256
第8章 壓縮機(jī)診斷標(biāo)準(zhǔn)的自適應(yīng)建立方法 258
8.1 壓縮機(jī)診斷標(biāo)準(zhǔn)的適應(yīng)性問題 258
8.2 壓縮機(jī)組故障模式庫的建立 259
8.2.1 壓縮機(jī)組故障模式庫的內(nèi)容 259
8.2.2 故障模式庫制定依據(jù) 259
8.2.3 壓縮機(jī)組故障模式庫的建立 261
8.3 壓縮機(jī)個性化標(biāo)準(zhǔn)庫的建立方法 261
8.3.1 個性化標(biāo)準(zhǔn)庫的建立步驟 261
8.3.2 離心壓縮機(jī)個性化標(biāo)準(zhǔn)庫的建立 262
8.4 壓縮機(jī)診斷標(biāo)準(zhǔn)庫的動態(tài)更新方法 266
8.5 變速壓縮機(jī)振動閾值報警模型 267
8.5.1 RVM基本理論 267
8.5.2 基于RVM的閾值模型構(gòu)建 268
8.6 變工況壓縮機(jī)診斷標(biāo)準(zhǔn)建立與驗證 269
8.6.1 丙烷壓縮機(jī)工作原理和現(xiàn)狀統(tǒng)計 269
8.6.2 變工況丙烷壓縮機(jī)組振動標(biāo)準(zhǔn)建立 272
8.6.3 實例分析與驗證 275
8.7 壓縮機(jī)狀態(tài)的區(qū)間特征根-模糊評估方法 278
8.7.1 往復(fù)壓縮機(jī)狀態(tài)評估指標(biāo)體系的建立 279
8.7.2 區(qū)間數(shù)模糊分析評估模型 279
8.7.3 往復(fù)壓縮機(jī)狀態(tài)評估實例分析 283
參考文獻(xiàn) 287
第9章 壓縮機(jī)狀態(tài)退化預(yù)測和故障預(yù)后方法 289
9.1 壓縮機(jī)狀態(tài)預(yù)測的現(xiàn)狀與不足 289
9.1.1 壓縮機(jī)狀態(tài)預(yù)測技術(shù)研究現(xiàn)狀 289
9.1.2 壓縮機(jī)狀態(tài)預(yù)測技術(shù)的不足 290
9.2 壓縮機(jī)軸承性能退化的累積變換預(yù)測方法 291
9.2.1 累積損傷理論與累積變換算法 291
9.2.2 軸承性能退化的累積變換預(yù)測方法 294
9.2.3 軸承性能退化預(yù)測實例 296
9.3 大數(shù)據(jù)環(huán)境下壓縮機(jī)故障的高斯-深度玻爾茲曼機(jī)預(yù)測模型 306
9.3.1 高斯-深度玻爾茲曼機(jī)模型的預(yù)測原理 306
9.3.2 大數(shù)據(jù)環(huán)境下的數(shù)據(jù)清洗規(guī)則 307
9.3.3 高斯-深度玻爾茲曼機(jī)的預(yù)測模型構(gòu)建 307
9.3.4 高斯-深度玻爾茲曼機(jī)預(yù)測模型應(yīng)用 312
9.4 融合特征趨勢進(jìn)化的壓縮機(jī)故障預(yù)后方法 323
9.4.1 故障預(yù)后融合特征指標(biāo)的提取 324
9.4.2 壓縮機(jī)漸變性故障的預(yù)后方法 324
參考文獻(xiàn) 329
第10章 壓縮機(jī)關(guān)鍵部件故障的仿真診斷技術(shù) 331
10.1 壓縮機(jī)仿真診斷的目的與意義 331
10.2 關(guān)鍵部件載荷-強(qiáng)度干涉模型定量可靠性分析與優(yōu)化 331
10.2.1 載荷-強(qiáng)度干涉模型定量可靠性理論 331
10.2.2 可靠性定量分析與優(yōu)化理論研究 334
10.2.3 基于有限元-蒙特卡洛模擬法的可靠性分析與優(yōu)化理論 336
10.3 壓縮機(jī)關(guān)鍵部件的潛在失效模式及后果分析評價方法 337
10.3.1 壓縮機(jī)的可靠性、平均無故障時間、失效率指標(biāo)分析方法 337
10.3.2 壓縮機(jī)潛在失效模式及后果分析可靠性評價模型的建立 339
10.3.3 壓縮機(jī)關(guān)鍵部件的潛在失效模式及后果分析可靠性分析方法研究 340
10.4 壓縮機(jī)關(guān)鍵部件故障的仿真診斷實例分析 343
10.4.1 固有特性分析在壓縮機(jī)關(guān)鍵部件故障診斷中的應(yīng)用 343
10.4.2 靜力強(qiáng)度分析在壓縮機(jī)關(guān)鍵部件故障診斷中的應(yīng)用 348
10.4.3 基于固有特性分析的壓縮機(jī)機(jī)組振動異常診斷 354
10.4.4 基于瞬態(tài)動力學(xué)分析的壓縮機(jī)機(jī)組振動異常診斷 361
參考文獻(xiàn) 367
第11章 壓縮機(jī)智能診斷 369
11.1 智能診斷概述 369
11.2 壓縮機(jī)故障的深度學(xué)習(xí)智能診斷方法 369
11.2.1 深度學(xué)習(xí)思想 369
11.2.2 深度學(xué)習(xí)基本模型 370
11.2.3 基于深度學(xué)習(xí)的故障診斷案例 372
11.3 旋轉(zhuǎn)葉片故障的卷積神經(jīng)網(wǎng)絡(luò)診斷方法 378
11.3.1 卷積神經(jīng)網(wǎng)絡(luò) 379
11.3.2 基于卷積神經(jīng)網(wǎng)絡(luò)的高速旋轉(zhuǎn)葉片診斷方法 381
11.3.3 實驗驗證 385
11.4 變工況壓縮機(jī)的遷移學(xué)習(xí)診斷方法 388
11.4.1 遷移學(xué)習(xí) 388
11.4.2 壓縮機(jī)故障的遷移診斷模型 389
11.4.3 實例分析 391
11.5 不均衡數(shù)據(jù)集下故障的BT-SVDD分類方法 393
11.5.1 BT-SVDD的提出 393
11.5.2 SVDD概述 393
11.5.3 基于類間分離性測度的BT-SVDD多故障識別模型構(gòu)建 397
11.5.4 工程應(yīng)用 401
11.6 壓縮機(jī)故障診斷專家系統(tǒng) 404
11.6.1 專家系統(tǒng)的基本組成 404
11.6.2 故障診斷專家系統(tǒng)的特點(diǎn) 404
11.6.3 壓縮機(jī)故障診斷專家系統(tǒng) 405
11.7 智能診斷方法展望 409
11.7.1 智能診斷研究現(xiàn)狀 409
11.7.2 智能診斷研究不足 409
11.7.3 智能診斷發(fā)展方向 410
11.7.4 壓縮機(jī)智能診斷方法展望 413
參考文獻(xiàn) 414
第12章 壓縮機(jī)故障診斷典型案例 417
12.1 往復(fù)壓縮機(jī)氣閥故障診斷案例 417
12.1.1 氣閥彈簧故障診斷 417
12.1.2 氣閥閥片磨損故障診斷 420
12.2 往復(fù)壓縮機(jī)活塞-缸套磨損診斷案例 422
12.3 往復(fù)壓縮機(jī)十字頭故障診斷案例 426
12.4 往復(fù)壓縮機(jī)曲軸故障診斷案例 429
12.5 往復(fù)壓縮機(jī)-管線耦合故障診斷 431
12.5.1 波動熵熵帶標(biāo)準(zhǔn)建立 431
12.5.2 基于波動熵模型的耦合故障診斷案例 434
12.6 振動-紅外融合診斷案例 436
12.6.1 多模態(tài)CNN振動-紅外信息融合模型 436
12.6.2 多模態(tài)CNN的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計 436
12.6.3 基于多模態(tài)CNN的轉(zhuǎn)子平臺信息融合故障診斷 439
12.7 振動-熱力參數(shù)融合診斷案例 441
12.7.1 振動-熱力參數(shù)融合診斷的原理 441
12.7.2 應(yīng)用實例 441
12.8 振動-油液融合診斷案例 445
12.8.1 振動與油液融合的層次 445
12.8.2 振動與油液信息融合的原理 446
12.8.3 振動與油液信息融合的公式 446
12.8.4 應(yīng)用實例 447
參考文獻(xiàn) 450
彩圖