设备故障诊断技术PDF电子书下载

第1章 设备故障诊断概述 1

1.1 设备故障诊断的基本概念和特点 1

1.1.1 设备故障的基本概念 1

1.1.2 设备故障诊断的内容及特点 2

1.2 故障诊断的基本问题 4

1.2.1 故障分类 4

1.2.2 故障诊断的任务 4

1.2.3 评价故障诊断系统的性能指标 5

1.3 设备故障诊断的知识构成和求解过程 6

1.3.1 设备故障诊断的知识构成 6

1.3.2 设备故障诊断的求解过程 7

1.4 设备故障诊断的基本方法及研究现状 7

1.4.1 基于解析模型的故障诊断方法 8

1.4.2 基于知识的故障诊断方法 9

1.4.3 基于信号处理的故障诊断方法 11

1.4.4 其他故障诊断方法 11

1.4.5 设备故障诊断技术研究的热点 12

1.5 设备故障诊断技术的发展趋势 13

复习思考题 14

第2章 故障诊断中的数据处理 15

2.1 数据处理的有关知识 15

2.1.1 动态测试数据的分类 15

2.1.2 随机过程的基本概念 20

2.1.3 测试数据处理方法 37

2.1.4 数据检验 38

2.1.5 数据分析流程 39

2.2 随机数据统计参量的数值分析 40

2.2.1 估计理论的基本概念 40

2.2.2 均值和方差的计算 41

2.3 离散傅里叶变换（DFT） 42

2.3.1 采样与混叠 42

2.3.2 截断与泄漏 45

2.3.3 频率采样（延拓） 45

2.4 小波分析的基本原理 47

2.4.1 小波变换 47

2.4.2 小波变换的直观理解及其工程解释 50

2.4.3 小波包分析 52

2.4.4 适合故障信号分析的小波函数选择 55

复习思考题 57

第3章 基于统计理论的诊断方法 58

3.1 Bayes决策诊断方法 58

3.1.1 概述 58

3.1.2 基于最大后验概率的Bayes诊断 59

3.1.3 基于最小风险的Bayes诊断 61

3.2 时序模型诊断法 63

3.2.1 ARMA,AR和MA模型 64

3.2.2 故障诊断时序方法的步骤 65

3.2.3 故障诊断时序方法的内容 66

3.2.4 ARMA模型的建模 67

3.2.5 根据模型参数进行故障诊断 69

3.2.6 距离判别函数故障诊断法 70

3.3 序贯模式分类故障诊断法 75

3.3.1 概述 75

3.3.2 序贯分类原理及步骤 75

3.3.3 Bayes序贯判别步骤 76

3.4 主分量分析法 77

3.4.1 引言 77

3.4.2 主分量分析 77

3.5 线性判别函数法 79

3.5.1 引言 79

3.5.2 Fisher判别式分析（FDA） 80

3.6 灰色系统的关联分析诊断方法 81

3.6.1 概述 81

3.6.2 关联度分析法在故障诊断模式识别中的应用 82

3.6.3 灰色预测在设备状态趋势预报中的应用 86

3.7 基于支持向量机的故障诊断方法 89

3.7.1 支持向量机的基本原理 89

3.7.2 多类支持向量机 92

3.7.3 支持向量机的故障诊断方法 93

3.7.4 实例 94

复习思考题 97

第4章 基于模糊理论的诊断方法 98

4.1 模糊集合理论基础 98

4.1.1 模糊集与隶属函数 98

4.1.2 隶属函数的确定 99

4.1.3 常用的隶属函数图表 102

4.1.4 模糊集的表示方法及其运算 105

4.2 基于模糊模式的故障诊断方法 107

4.2.1 模糊模式识别的直接方法 107

4.2.2 模糊模式识别的间接方法 109

4.3 故障诊断的模糊综合评判原则 111

4.3.1 综合评判的数学原理 111

4.3.2 模糊综合评判的五种具体模型 113

4.3.3 综合评判模型的故障诊断应用实例 115

4.3.4 几种综合评判模型的适用范围 117

4.3.5 故障诊断的多级模糊综合评判方法 118

4.4 故障诊断的模糊聚类分析方法 121

复习思考题 125

第5章 故障树分析诊断方法 126

5.1 故障树分析概述 126

5.1.1 故障树分析及其特点 126

5.1.2 故障树分析使用的符号 127

5.2 故障树分析的一般步骤及表述 128

5.2.1 故障树分析的步骤 128

5.2.2 故障树建造的一般方法 129

5.2.3 故障树的结构函数 132

5.3 故障树的分析 134

5.3.1 故障树的定性分析 135

5.3.2 故障树的定量分析 136

5.4 诊断实例 139

复习思考题 141

第6章 专家系统故障诊断方法 142

6.1 专家系统概述 142

6.1.1 专家系统的基本概念 142

6.1.2 专家系统的结构 143

6.1.3 专家系统的特点 145

6.2 专家系统的知识表示 146

6.2.1 知识的层次结构 147

6.2.2 公共知识和私有知识 148

6.2.3 陈述性知识与过程性知识 148

6.2.4 对知识表示的要求 149

6.3 知识的产生式表示 150

6.3.1 产生式规则的形式 150

6.3.2 产生式系统 151

6.3.3 产生式表示的优缺点 152

6.4 知识的框架表示 153

6.4.1 框架表示的形式 153

6.4.2 框架表示下的推理 155

6.5 故障诊断专家系统的推理方式与控制策略 157

6.5.1 基于规则的诊断推理 157

6.5.2 基于模型的诊断推理 159

6.5.3 基于案例的诊断推理 160

6.5.4 不精确推理 164

6.6 故障诊断专家系统知识的获取 168

6.6.1 间接获取方式 168

6.6.2 直接获取方式 169

6.7 故障诊断专家系统的开发工具 170

6.7.1 骨架型开发工具 170

6.7.2 语言型开发工具 171

6.7.3 构造辅助工具 171

6.7.4 支撑环境 171

6.8 故障诊断专家系统应用实例 172

6.8.1 核电站常见的故障模式 173

6.8.2 核电站故障诊断专家系统 175

复习思考题 179

第7章 神经网络故障诊断方法 180

7.1 概述 180

7.1.1 神经网络故障诊断的优越性及其存在的问题 180

7.1.2 神经网络故障诊断研究现状及其发展 181

7.2 神经网络基础 182

7.2.1 神经元模型 182

7.2.2 神经网络的拓扑结构 184

7.2.3 神经网络的学习规则 185

7.3 典型结构的神经网络及故障诊断方法 188

7.3.1 反向传播（BP）网络 189

7.3.2 径向基函数（RBF）网络 191

7.3.3 Hopfield网络 192

7.3.4 自组织特征映射网络 194

7.3.5 递归神经网络 195

7.3.6 模式识别故障诊断方法 196

7.3.7 知识处理故障诊断方法 197

7.4 神经网络故障诊断的方式和结构 199

7.4.1 神经网络用于故障诊断的方式 199

7.4.2 神经网络用于故障诊断的结构 199

7.4.3 神经网络用于机械设备故障诊断的一般方法 201

7.5 神经网络故障诊断实例 202

复习思考题 203

第8章 数据融合故障诊断方法 205

8.1 数据融合的原理 205

8.1.1 数据融合的定义 206

8.1.2 数据融合的过程 206

8.1.3 数据融合的时间性与空间性 206

8.2 数据融合的结构 208

8.2.1 数据融合的结构形式 208

8.2.2 数据融合的功能模型 209

8.2.3 数据融合的级别 210

8.3 数据融合在故障诊断中的优势 212

8.3.1 数据融合在故障诊断中应用的实际背景 212

8.3.2 数据融合在故障诊断中应用的理论基础 214

8.4 数据融合故障诊断模型 215

8.4.1 数据融合诊断级别 216

8.4.2 数据融合故障诊断过程 217

8.4.3 数据融合故障诊断系统 218

8.5 数据融合故障诊断方法 219

8.5.1 基于统计的融合诊断方法 219

8.5.2 D-S证据理论的融合诊断方法 221

8.5.3 基于认识模型的融合诊断方法 224

8.5.4 基于参数估计的融合诊断方法 224

8.5.5 基于滤波技术的融合诊断方法 225

8.5.6 基于人工智能的融合诊断方法 225

8.5.7 基于模糊逻辑的融合诊断方法 227

8.5.8 神经网络与D-S证据理论相结合的融合诊断方法 227

8.6 数据融合故障诊断实例 228

8.6.1 数据融合诊断系统结构 228

8.6.2 基于数据融合的汽轮机转子故障诊断系统 230

复习思考题 233

第9章 集成技术的故障诊断方法 234

9.1 集成的概念 234

9.1.1 诊断信息集成 234

9.1.2 诊断知识集成 235

9.1.3 诊断方法集成 236

9.2 集成化故障诊断体系结构 236

9.2.1 集成化故障诊断模型 236

9.2.2 集成化故障诊断系统结构 237

9.2.3 集成化故障诊断系统功能及其实现 239

9.3 集成化推理和诊断策略 239

9.3.1 集成化推理机制 240

9.3.2 集成化诊断策略 240

9.4 神经网络与模糊逻辑集成故障诊断 241

9.4.1 模糊逻辑系统与神经网络 241

9.4.2 神经网络－模糊推理协作系统 243

9.4.3 神经网络与模糊逻辑系统结合的基本方式 244

9.4.4 模糊神经网络模型 245

9.4.5 模糊神经网络（FNN）学习方法 247

9.5 基于神经网络的故障诊断专家系统 249

9.5.1 专家系统与神经网络的特点 249

9.5.2 专家系统与神经网络结合的途径和方法 250

9.5.3 基于神经网络的故障诊断专家系统 253

9.6 基于小波神经网络的故障诊断 255

9.6.1 小波分析和神经网络的结合途径 255

9.6.2 小波分析和神经网络的松散型结合 256

9.6.3 从函数逼近到小波神经网络 262

9.6.4 小波神经网络的训练 264

9.6.5 小波神经网络函数逼近特性分析 266

9.6.6 多维小波神经网络 267

复习思考题 268

参考文献 269