第1章 绪论 1
1.1 引言 1
1.1.1 故障诊断技术的国内外研究现状 1
1.1.2 故障诊断技术的经济效益 2
1.2 故障诊断技术的常用术语及基本内容 3
1.2.1 故障诊断技术的常用术语 3
1.2.2 故障诊断技术的基本内容 4
1.3 数据驱动故障诊断的方法与分类 6
1.3.1 定性分析的方法 7
1.3.2 基于解析模型的方法 8
1.3.3 基于数据驱动的方法 9
1.4 电气设备故障诊断技术及热点问题 11
1.4.1 电气设备概述 11
1.4.2 电气设备故障诊断技术现状 11
1.4.3 电气设备状态监测与故障诊断 12
1.5 电气设备故障诊断数据驱动与人工智能技术 13
1.5.1 电气设备故障诊断涉及的学科领域 13
1.5.2 电气设备故障诊断中的重要环节 13
1.5.3 电气设备故障诊断系统 14
1.5.4 电气设备故障诊断技术的应用 15
1.6 故障诊断技术的发展趋势 16
1.6.1 应用故障诊断技术的优势 16
1.6.2 故障诊断技术的发展方向 16
参考文献 17
第2章 电气设备故障及常规诊断方法 21
2.1 电气绝缘的基本知识 21
2.1.1 电介质及介质的击穿 21
2.1.2 绝缘材料老化 22
2.2 电气设备的主要类型及工作制 24
2.2.1 电磁基本定律和电机主要类型 24
2.2.2 电动机工作制 25
2.2.3 电动机运行条件 26
2.3 电气设备检测的常规方法 26
2.3.1 利用人的感官检查设备故障 26
2.3.2 故障检测装置及其使用方法 29
2.4 电力变压器故障及常规诊断方法 35
2.4.1 变压器的基本工作原理和结构 35
2.4.2 变压器的数学模型 37
2.4.3 变压器的故障检测 39
2.5 异步电动机故障及常规诊断方法 43
2.5.1 三相异步电动机工作原理 43
2.5.2 异步电动机机械特性 45
2.5.3 异步电动机的数学模型 45
2.5.4 异步电动机故障机理 47
2.5.5 异步电动机的故障检测 48
2.6 同步发电机故障及常规诊断方法 50
2.6.1 同步发电机 50
2.6.2 同步发电机的故障检测 52
参考文献 54
第3章 基于主元分析的故障诊断及应用技术 55
3.1 引言 55
3.2 主元分析 56
3.2.1 主元分析建模的方法 56
3.2.2 主元分析的性质 58
3.2.3 主元子空间和残差子空间 58
3.2.4 多尺度主元分析 61
3.3 基于PCA故障检测 72
3.3.1 基于传统贡献图的故障诊断技术 74
3.3.2 基于传感器有效度指标的故障诊断技术 75
3.3.3 基于重构贡献图的故障诊断技术 75
3.3.4 PCA方法及其在故障诊断中的应用 76
参考文献 81
第4章 基于神经网络的故障诊断及应用技术 84
4.1 引言 84
4.1.1 神经网络的发展 84
4.1.2 神经网络的特点及功能 86
4.2 神经网络基础 88
4.2.1 神经网络原理 88
4.2.2 神经网络学习规则 89
4.3 BP神经网络 90
4.3.1 BP神经网络的前向计算 90
4.3.2 BP神经网络加权系数的调整规则 91
4.3.3 BP学习算法计算步骤及注意事项 93
4.4 RBF神经网络 93
4.4.1 RBF神经网络概述 93
4.4.2 RBF神经网络模型 94
4.4.3 RBF网络的学习方法 95
4.4.4 BRF学习算法的改进 96
4.5 神经网络方法在故障诊断中的应用 98
4.5.1 BP神经网络在故障诊断中的应用 99
4.5.2 RBF神经网络在故障诊断中的应用 107
参考文献 111
第5章 基于证据理论的故障诊断及应用技术 113
5.1 引言 113
5.1.1 证据理论的发展概况 113
5.1.2 证据理论的应用 115
5.1.3 证据冲突的问题 116
5.2 D-S证据理论 118
5.2.1 识别框架与基本信任分配函数 118
5.2.2 信任函数、众信度函数与似然函数 119
5.2.3 函数的几何意义 123
5.2.4 证据理论的合成规则 123
5.3 D-S证据理论故障检测 127
5.3.1 概率分配函数 127
5.3.2 基于基本概率赋值的决策 129
5.4 D-S证据理论方法及在故障诊断中的应用 129
5.4.1 电动执行器故障 129
5.4.2 电动执行器故障实验 132
5.4.3 电动执行器故障诊断系统设计 133
参考文献 138
第6章 基于支持向量机的故障诊断及应用技术 140
6.1 引言 140
6.1.1 机器学习的基本问题 140
6.1.2 支持向量机的研究现状 141
6.2 支持向量机的理论基础 144
6.2.1 支持向量机的基本原理 144
6.2.2 支持向量机的特点 148
6.2.3 基于支持向量机故障诊断的基本步骤 149
6.3 基于支持向量机的故障诊断方法 149
6.3.1 最小二乘支持向量机的故障诊断方法 150
6.3.2 基于多类分类支持向量机的故障诊断方法 151
6.4 支持向量机在故障诊断中的应用 153
6.4.1 支持向量机在电机故障诊断中的应用 153
6.4.2 基于独立主成分分析的支持向量机在交流电机故障诊断中的应用 154
6.4.3 最小二乘支持向量机在变压器故障诊断中的应用 159
6.4.4 基于K-均值聚类的支持向量机在变压器故障诊断中的应用 161
参考文献 163
第7章 基于小波分析的故障诊断及应用技术 167
7.1 引言 167
7.2 小波分析 167
7.2.1 傅里叶变换到小波分析 167
7.2.2 连续小波变换 171
7.2.3 离散小波变换 173
7.2.4 小波包 177
7.3 小波分析故障检测 181
7.3.1 李普西兹指数的定义 181
7.3.2 基于连续小波变换的极值点进行故障检测 182
7.4 小波分析方法及在故障诊断中的应用 183
7.4.1 电机故障的小波分析 183
7.4.2 电机故障的振动与噪声分析 186
7.4.3 电动机转子断条小波诊断 191
参考文献 196
第8章 基于信息融合的故障诊断及应用技术 199
8.1 引言 199
8.1.1 信息融合技术的国内外研究现状分析 199
8.1.2 信息融合技术在工程领域中的应用 200
8.1.3 信息融合技术潜在能力及发展方向 200
8.2 信息融合技术 201
8.2.1 信息融合理论基础 201
8.2.2 信息融合系统的结构模型和功能模型 202
8.2.3 信息融合技术方法 205
8.3 状态估计理论基础 206
8.3.1 离散系统卡尔曼最优预测基本方程 206
8.3.2 离散系统卡尔曼最优滤波基本方程 207
8.4 多尺度系统理论 208
8.5 信息融合故障诊断方法及应用 210
8.5.1 多传感器状态／参数融合估计 210
8.5.2 基于强跟踪滤波器的变压器故障在线诊断 221
8.5.3 异步信息融合故障模型 227
8.5.4 基于智能技术的故障诊断方法 230
参考文献 237