水轮发电机组动力学问题及故障诊断原理与方法PDF电子书下载

第一篇 水轮发电机组动力学 3

第1章 水轮发电机组动力学问题及其研究概述 3

1.1 水轮发电机组产生振动的因素 3

1.2 水轮发电机组转子动力学问题概述 6

1.2.1 转子动力学问题简介 6

1.2.2 转子动力学问题研究现状 7

1.3 水轮发电机组振动分析 8

第2章 单一故障影响下水轮发电机组振动分析 10

2.1 水轮发电机组径向振动特性分析 10

2.1.1 水轮发电机组径向振动动力学模型 11

2.1.2 水轮发电机组径向振动特性分析 14

2.2 水轮发电机组转子不对中的振动特性分析 22

2.2.1 综合不对中机组轴系动力学模型 23

2.2.2 综合不对中机组轴系动力学特性分析 26

2.2.3 本节小结 36

2.3 水轮发电机组在轴向推力作用下的振动特性分析 37

2.3.1 碰摩转子在轴向推力作用下的动力学模型 38

2.3.2 轴向推力作用下碰摩发电机转子特性分析 40

2.3.3 本节小结 58

2.4 水轮发电机组非线性电磁振动特性分析 59

2.4.1 不平衡磁拉力的计算方法简介 60

2.4.2 机组轴系非线性动力学模型 63

2.4.3 机组非线性电磁振动特性分析 65

2.4.4 本节小结 72

第3章 耦合振动作用下水轮发电机组转子动力学分析 73

3.1 陀螺效应下水轮发电机组的弯扭耦合振动分析 73

3.1.1 立式转子弯扭耦合振动基本原理 73

3.1.2 单质量不平衡转子的弯扭耦合振动 77

3.2 水轮发电机组联轴器不对中弯扭耦合振动分析 94

3.2.1 固定式刚性联轴器平行不对中 94

3.2.2 可移式刚性联轴器平行不对中 102

3.3 水轮发电机组碰摩弯扭耦合振动分析 106

3.3.1 碰摩转子弯扭耦合振动动力学模型 107

3.3.2 碰摩转子弯振和扭振特性分析 111

第二篇 信号处理与轴心轨迹特征提取 125

第4章 信号分析及特征提取 125

4.1 传统信号分析方法 125

4.1.1 时域信号分析 126

4.1.2 振动信号的频域分析 127

4.1.3 传统信号分析方法存在的问题 128

4.2 小波变换 128

4.2.1 小波和小波变换 128

4.2.2 多分辨分析 130

4.3 Hilbert-Huang变换 133

4.3.1 经验模态分解 133

4.3.2 Hilbert谱分析 136

4.4 微弱信号混沌振子检测原理 136

4.4.1 混沌振子基本检测原理 137

4.4.2 混沌振子检测微弱信号的频率和相位 138

4.4.3 信息融合与混沌振子检测微弱信号幅值 140

4.4.4 加权平均融合与混沌振子检测微弱信号幅值 141

4.4.5 基于信息融合技术的混沌振子状态识别 143

4.4.6 信息融合与混沌振子在故障诊断中的应用 145

第5章 轴心轨迹自动识别方法 148

5.1 水轮发电机组轴心轨迹的特点 148

5.1.1 轴心轨迹形状信息在故障诊断系统中的作用 148

5.1.2 轴心轨迹自动识别方法分析 149

5.1.3 水轮发电机组轴心轨迹的特点 149

5.2 轴心轨迹自动识别原理 150

5.2.1 小波提纯原理 150

5.2.2 轴心轨迹图形特征提取 150

5.2.3 轴心轨迹形状特征自动识别的常规方法 153

5.2.4 神经网络原理 153

5.3 基于PJFMIs不变矩的轴心轨迹识别 157

5.3.1 Pseudo-Jacobi（p=4,q=3）-Fourier矩（PJFMs） 157

5.3.2 Pseudo-Jacobi（p=4,q=3）-Fourier不变矩（PJFMIs） 158

5.3.3 PJFMs的快速算法 158

5.3.4 PJFMIs提取轴心轨迹特征 159

5.3.5 神经网络及其参数选择 159

5.4 基于快速变换的轴心轨迹识别 159

5.4.1 现代智能算法 160

5.4.2 基于Haar正交矩阵的夹角识别 174

5.4.3 基于几何特征和Fourier描绘子的轴心轨迹识别 181

5.4.4 基于Walsh描绘子和支持向量机的轴心轨迹识别 188

5.5 基于混合神经网络的轴心轨迹自动识别 194

5.5.1 引言 194

5.5.2 脉冲耦合神经网络 194

5.5.3 基于脉冲耦合神经网络融合的轴心轨迹特征提取 200

第三篇 水轮发电机组智能故障诊断方法 209

第6章 水轮发电机组的支持向量机故障诊断方法 209

6.1 支持向量机基本理论 209

6.1.1 统计学习理论 209

6.1.2 机器学习的本质 212

6.1.3 结构风险最小化 214

6.1.4 支持向量机 216

6.2 基于支持向量机的水轮发电机组振动故障分类研究 222

6.2.1 最小二乘支持向量机 222

6.2.2 基于最小二乘支持向量机的故障分类模型 225

6.2.3 水轮发电机组振动故障分类识别 229

6.3 基于遗传算法的支持向量机模型参数选择 232

6.3.1 遗传算法 233

6.3.2 GA-LSSVM预测模型参数选择 236

6.3.3 实例分析 239

6.4 基于支持向量机的水轮发电机组状态预测研究 241

6.4.1 预测方法概述 241

6.4.2 基于小波与最小二乘支持向量机的集成预测模型 242

6.4.3 预测方法评价准则和误差评价函数 246

6.4.4 水轮发电机组振动状态预测分析 249

第7章 水轮发电机组的Bayes网络故障诊断方法 255

7.1 Bayes网络的基本理论 255

7.1.1 Bayes理论的基本思想 256

7.1.2 Bayes网络的基本理论 257

7.2 PPTC概率推理算法的优化与实现 265

7.2.1 PPTC算法中的基本概念 265

7.2.2 联合树及其构造方法 267

7.2.3 PPTC算法的概率推理 271

7.2.4 PPTC算法实现中的优化 278

7.3 基于Bayes网络的水轮发电机组状态检修系统 279

7.3.1 基于Bayes网络的知识表示 280

7.3.2 基于Bayes网络的专家系统建模 281

7.3.3 专家系统的推理机制 283

7.3.4 专家系统的应用与分析 285

7.3.5 基于Bayes网络的水轮发电机组检修策略 286

7.3.6 基于Bayes网络的检修决策系统 287

7.4 水轮发电机组状态检修系统的知识获取 290

7.4.1 Bayes学习理论 291

7.4.2 完整数据集下的Bayes网络参数学习 297

7.4.3 不完整数据下的参数学习 298

7.4.4 基于最大信息熵的学习算法（ME算法） 300

7.4.5 ME算法与EM算法的性能分析 301

第8章 基于信息融合技术的故障集成诊断 303

8.1 基于快速变换的故障信号分类 304

8.1.1 故障信号快速变换 304

8.1.2 快速变换基于Fisher准则的最优选取 307

8.2 基于熵权理论和信息融合技术的水轮发电机组振动故障诊断 315

8.2.1 灰色关联原理 315

8.2.2 熵权理论 317

8.2.3 基于证据的信息融合理论 318

8.2.4 基于熵权理论和信息融合技术的水轮发电机组故障诊断 319

8.2.5 应用实例 321

8.3 基于粗糙集和信息融合技术的水轮发电机组振动故障诊断 323

8.3.1 基于粗糙集和证据理论的故障诊断 323

8.3.2 水轮机调速系统故障诊断实例 325

第四篇 状态监测与故障诊断系统 331

第9章 水轮发电机组运行状态监测 331

9.1 机组工况参数监测 332

9.2 机组稳定性监测 335

9.2.1 机组稳定性监测内容 335

9.2.2 机组稳定性监测技术 335

9.3 发电机状态监测 335

9.3.1 发电机状态监测内容 335

9.3.2 发电机状态监测技术 335

9.4 水轮机空化空蚀监测 336

9.4.1 空化空蚀监测目的和原理 336

9.4.2 水轮机空化空蚀监测技术 337

9.5 主变压器状态监测 338

9.5.1 油色谱分析 338

9.5.2 油色谱分析诊断方法 339

9.6 水轮发电机组振动、摆度状态监测系统实例 341

9.6.1 系统总体框架 341

9.6.2 系统各部分功能概述 342

9.6.3 DSP信号处理板设计 348

9.6.4 信息分析功能要求 352

9.6.5 数据库要求 353

9.6.6 决策系统 354

第10章 分布式远程故障诊断系统工程应用 358

10.1 分布式远程故障诊断系统结构 359

10.2 专家系统设计及基本诊断方法 361

10.2.1 系统结构 361

10.2.2 知识库模块设计 362

10.2.3 推理机模块设计 365

10.2.4 解释器模块设计 369

10.2.5 自学习机模块设计 369

10.3 故障树诊断方法 374

10.3.1 故障树分析基础 374

10.3.2 故障树子系统结构 375

10.3.3 故障树管理维护模块 375

10.3.4 故障树分析模块 377

10.3.5 故障树诊断模块 379

10.4 基于案例的故障诊断算法模型 379

10.4.1 系统结构 379

10.4.2 故障征兆提取模块设计 380

10.4.3 案例库模块设计 381

10.4.4 检索机制模块设计 381

10.4.5 解释器模块设计 383

10.4.6 案例库的学习与维护模块设计 383

10.5 多诊断方法的决策融合及应用 385

10.6 展望 386

参考文献 389