第1章 绪论 1
1.1大型旋转机械运行状态及故障趋势预测的研究意义 1
1.2大型旋转机械运行状态及故障趋势预测的相关研究进展 2
1.3大型旋转机械运行状态及故障趋势预测的研究现状 6
1.4本书研究的主要内容 10
参考文献 12
第2章 大型旋转机械运行状态及故障趋势预测的信号处理方法 16
2.1状态及故障趋势预测中的平稳信号分析方法 16
2.2状态及故障趋势预测中的非平稳信号分析方法 18
2.2.1短时傅里叶变换 18
2.2.2小波分析 18
2.2.3经验模态分析的基本原理 20
2.2.4短时傅里叶变换、小波分析和Hilbert-Huang变换的比较 21
2.3基于数学形态谱的趋势预测特征提取方法 22
2.4基于循环平稳度的趋势预测特征提取方法 26
2.5基于无量纲参数的趋势预测特征提取方法 31
2.5.1重复性描述因子Rf 32
2.5.2相似性描述因子Ff 33
2.5.3跳跃性描述因子Jf 34
2.6基于经验模态分解的趋势预测特征提取方法 36
2.6.1基于经验模态分解的Hilbert-Huang变换 36
2.6.2经验模态分解中的端点效应及其抑制方法 39
2.6.3几种经验模态分解端点效应抑制方法的比较 47
2.6.4基于经验模态分解的典型旋转机械趋势预测特征提取验证 51
参考文献 55
第3章 基于模型的大型旋转机械运行状态及故障的趋势预测 58
3.1基于模型的趋势预测研究描述 58
3.2灰色预测 58
3.2.1灰色预测模型 58
3.2.2灰色预测特点 60
3.2.3干涉因子灰色预测改进模型 60
3.2.4 GMAR组合预测改进模型 61
3.2.5中心差分灰色模型 61
3.3分离趋势项组合预测模型 63
3.3.1分离趋势项组合预测模型的设计 63
3.3.2分离趋势项组合模型的烈度预测 66
3.3.3分离趋势项组合模型预测结果分析 68
3.4基于振动频率分量敏感因子的趋势预测模型 68
3.4.1振动频率分量基本概念 68
3.4.2振动频率分量敏感因子趋势预测方法 69
3.4.3振动频率分量敏感因子趋势预测结果分析 70
3.5基于隐马尔可夫模型的预测技术及其优化 71
3.5.1隐马尔可夫模型的理论基础 71
3.5.2基于隐马尔可夫模型预测的三个基本问题 72
3.5.3基于隐马尔可夫模型预测的三个基本问题的求解方法 72
3.5.4基于遗传算法的隐马尔可夫预测模型 74
3.5.5基于隐马尔可夫预测模型的水泵机组状态趋势预测 75
3.6设备趋势预测若干工程应用模型 77
3.6.1六段频率幅值趋势预测模型 77
3.6.2两种时区联合预测模型 77
3.7分整差分函数系数自回归预测模型和三次Holt指数平滑预测模型 78
3.7.1分数阶差分 79
3.7.2分整差分函数系数自回归预测模型 80
3.7.3分整差分函数系数自回归预测模型应用 83
3.7.4三次Holt指数平滑预测模型 87
3.7.5三次Holt指数平滑预测模型应用 90
参考文献 92
第4章 基于人工智能的大型旋转机械运行状态及故障的趋势预测 94
4.1基于人工智能的趋势预测研究描述 94
4.2人工神经网络及其趋势预测问题 95
4.2.1人工神经网络的基本构成 95
4.2.2人工神经网络的典型模型 95
4.2.3人工神经网络的拓扑结构及类型 96
4.2.4人工神经网络误差反传训练算法 97
4.2.5人工神经网络的趋势预测问题 98
4.3人工神经网络趋势预测 99
4.3.1人工神经网络趋势预测原理 99
4.3.2人工神经网络趋势预测构建方法 101
4.3.3人工神经网络趋势预测模型设计 103
4.3.4人工神经网络趋势预测方法 103
4.4基于新息加权的神经网络趋势预测方法 106
4.4.1人工神经网络新息加权趋势预测的提出 106
4.4.2人工神经网络新息加权趋势预测模型 107
4.4.3人工神经网络新息加权模型预测结果及分析 108
4.5基于均值函数的新息加权神经网络趋势预测方法 110
4.5.1基于均值函数的新息加权神经网络的提出 110
4.5.2基于均值函数的新息加权的神经网络预测模型 111
4.5.3基于均值函数的新息加权神经网络预测的应用 112
4.6变权重人工神经网络组合趋势预测方法 113
4.6.1变权重人工神经网络组合趋势预测的提出 113
4.6.2组合预测方法的理论及对现有组合预测方法的评述 114
4.6.3变权重人工神经网络组合预测方法 116
4.6.4变权重人工神经网络组合预测模型结构设计 117
4.6.5变权重人工神经网络组合预测应用及应用结果分析 118
4.7基于遗传算法的趋势预测 122
4.7.1遗传算法 122
4.7.2基于遗传算法的趋势预测方案 122
4.7.3基于遗传的趋势预测的适合度选择及步骤 123
4.8基于遗传算法的人工神经网络趋势预测方法 125
4.8.1基于遗传算法的人工神经网络基本流程及特征参数选取 126
4.8.2基于遗传算法的人工神经网络（GANN）预测模型 126
4.8.3 GANN预测模型在趋势预测中的应用及分析 128
4.9基于量子的人工神经网络故障趋势预测方法 131
4.9.1基于量子的人工神经网络故障趋势预测的提出 131
4.9.2量子计算 132
4.9.3量子计算与神经计算的结合 133
4.9.4基于量子的神经网络预测模型 134
4.9.5基于量子的神经网络预测方法应用 140
参考文献 142
第5章 基于支持向量机的大型旋转机械运行状态及故障的趋势预测 145
5.1基于支持向量机的趋势预测研究描述 145
5.2支持向量机及其回归算法 146
5.2.1支持向量机的基本概念 146
5.2.2支持向量机的回归算法 153
5.3基于支持向量机的预测模型 155
5.4基于支持向量机的旋转注水机组振动烈度预测 157
5.4.1样本的选取 157
5.4.2采用径向基核函数不同的C和ε对预测精度的影响 159
5.4.3不同核函数对训练精度的影响 161
5.5支持向量机预测模型与自回归预测模型的比较 162
5.6支持向量机的趋势预测与神经网络预测模型的比较 166
5.7机械系统状态趋势预测的支持向量机组合模型 168
5.7.1趋势预测敏感因子的提取 168
5.7.2基于支持向量机的组合模型预测的方法 168
5.7.3实际应用 170
参考文献 172
第6章 基于混沌时间序列的大型旋转机械运行状态及故障的趋势预测 173
6.1基于混沌时间序列的趋势预测研究描述 173
6.2混沌与分形的基本理论 173
6.2.1混沌与分形的基本概念 173
6.2.2混沌时间序列的相空间重构理论 174
6.2.3时间序列的混沌识别 182
6.3基于混沌理论的机电系统故障趋势预测技术 188
6.3.1基于混沌理论的机电系统故障趋势预测过程 188
6.3.2基于混沌理论的机电系统故障趋势预测的模型 189
6.4基于混沌的机电系统故障趋势预测方法 190
6.4.1基于神经网络的混沌时间序列全局预测法 191
6.4.2基于最大李雅普诺夫指数的局域预测法 193
6.4.3对基于最大李雅普诺夫指数预测方法的改进 194
6.5混沌趋势预测在大型烟气轮机故障趋势预测中的应用 195
6.5.1基于神经网络的混沌时间序列预测方法应用 196
6.5.2基于神经网络的混沌时间序列预测与灰色预测方法 197
6.5.3基于改进的最大李雅普诺夫指数预测方法应用 199
6.5.4两种混沌时间序列预测方法比较 200
参考文献 203
第7章 基于粗糙集和数据挖掘的大型旋转机械运行状态及故障的趋势预测 206
7.1基于粗糙集和数据挖掘的趋势预测研究描述 206
7.1.1基于粗糙集的趋势预测研究描述 207
7.1.2基于数据挖掘的趋势预测研究描述 208
7.2基于粗糙集的趋势状态故障预测与知识提取 208
7.2.1粗糙集理论的基本概念 208
7.2.2基于粗糙集趋势预测与故障诊断知识获取 210
7.2.3基于粗糙集的大型旋转机械转子系统振动故障的规则获取 217
7.2.4基于变精度粗糙集的大型旋转机械振动故障的知识获取 228
7.2.5基于经验模态分解和变精度粗糙集的趋势预测与故障预报 236
7.2.6基于粗糙集的故障诊断与趋势预示专家系统 242
7.3基于数据挖掘的大型旋转机械趋势预测知识获取 245
7.3.1数据挖掘定义与过程 245
7.3.2数据挖掘的分类对象与方法 248
7.3.3基于数据挖掘的趋势预测知识表达 249
7.3.4基于数据挖掘的趋势预测知识获取 251
7.3.5基于RIPPER的旋转机械故障诊断知识规则挖掘 255
7.3.6基于支持向量机的旋转机械故障诊断知识规则挖掘 265
7.3.7基于BP网络的旋转机械故障诊断知识规则挖掘 267
7.3.8基于数据挖掘的故障趋势预测与诊断的实际应用 267
7.4基于趋势预测方法的自适应选择和决策优化模型 270
参考文献 271
第8章 基于数据的多变换域大型旋转机械运行状态及故障的趋势预测 274
8.1基于数据的多变换域故障趋势预测研究描述 274
8.2基于数据的多变换域非线性故障趋势预测 275
8.2.1基于数据的设备故障发展特征提取技术路线 275
8.2.2基于数据的故障趋势预测模型及其系统构成 276
8.2.3基于数据的多变换域非线性故障趋势预测方法 277
8.3时频域的提升小波包故障敏感特征频带提取 279
8.3.1基于提升小波包的故障敏感特征频带提取方法 279
8.3.2基于提升小波包的故障敏感特征频带提取实例分析 283
8.4拓扑域的基于流形学习方法的故障特征非线性降维 286
8.4.1流形学习理论及流形学习算法 287
8.4.2基于K-ISOMAP的低维流形故障特征降维 290
8.4.3基于流形学习方法的非线性低维流形故障特征降维实例分析 293
8.5时域的动态自适应人工神经网络趋势预测方法 297
8.5.1信息熵加权神经网络预测模型 298
8.5.2信息熵加权Elman神经网络趋势预测方法 299
8.5.3信息熵加权Elman神经网络趋势预测应用 301
参考文献 305
第9章 大型旋转机械趋势预测的实验研究及系统集成 307
9.1故障模拟转子实验台系统的构建及实验研究 307
9.1.1故障模拟转子实验台系统 307
9.1.2破坏性故障转子实验台系统 308
9.1.3信号分析和处理实验平台 310
9.1.4基于知识的智能趋势预测实验系统 311
9.1.5基于远程网络的故障预报实验系统 314
9.2基于实验台的旋转机械故障特征实验研究实例 316
9.2.1旋转机械不平衡故障特征实验研究 316
9.2.2旋转机械油膜涡动和油膜振荡故障特征实验研究 319
9.3基于远程网络的工业现场大型旋转机械故障预测系统 324
9.3.1基于远程网络的故障预测系统的构建 324
9.3.2系统的远程网络设计 327
9.3.3系统的灵敏监测数据采集技术 329
9.4安全监测预测系统的集成研发 333
9.4.1面向安全监测预测系统的集成研发平台 333
9.4.2安全监测预测系统研发平台的构成 335
9.4.3大型旋转机械安全监测预测系统的研发 336
参考文献 338
第10章 大型旋转机械运行状态及故障的监测预测应用研究 341
10.1大型旋转烟气轮机发电机组监测预测的应用研究 341
10.1.1大型旋转烟气轮机机组状态及故障监测预测系统的应用 341
10.1.2远程机组状态及故障监测预测的应用 343
10.1.3远程机组状态及故障预测系统的应用研究 346
10.1.4机组状态及故障监测预测的实践验证 347
10.2大型旋转多级分段式离心泵机组故障预报的应用研究 350
10.2.1大型旋转离心泵机组故障预报的应用研究实例 350
10.2.2大型旋转离心泵机组故障预报的应用研究实例分析 352
10.3高档数控机床故障预报的应用研究 353
10.3.1高档数控机床故障预报的研究背景 353
10.3.2基于整机机械动态特性的故障预报平台构建 355
10.3.3高档数控机床故障预报样本数据获取 356
10.3.4高档数控机床状态信息的获取与建库 357
10.3.5车铣复合机床故障预报实验研究 358
10.3.6网络化故障预报样本案例数据库构建 361
10.3.7高档数控机床故障预报系统 363
10.4大型旋转-往复动力设备状态监测与故障预测研究 364
10.4.1大型旋转-往复动力设备故障诊断预报平台 364
10.4.2基于旋转-往复机械的状态监测与故障诊断预报案例 370
10.4.3基于多技术信息融合的大型旋转-往复机械故障预测方法 372
10.5关键设备群智能健康物联网的构建 373
10.5.1关键设备群智能健康物联网构建的背景 373
10.5.2关键设备群智能健康物联网构建的应用前景 374
10.5.3关键设备群智能健康物联网构建的关键技术 375
10.5.4关键设备群智能健康物联网的构建方案 376
参考文献 379