本书基于作者团队在压缩机故障诊断方面积累的近20余年研究成果与最新研究进展编写而成。内容包括离心压缩机叶片的叶尖定时监测诊断、往复压缩机早期故障的提升小波诊断、压缩机耦合故障的信息熵融合诊断、数据集不均衡下的压缩机故障诊断、变工况下压缩机故障的迁移诊断、压缩机故障的振动与红外融合诊断、压缩机诊断标准的自适应建立、压缩机状态退化预测和故障预后、压缩机关键部件故障的仿真诊断、压缩机智能诊断，以及监测诊断技术在压缩机上的典型应用。
样章试读
目录
- 目录
丛书序前言
第1章 绪论 1
1.1 压缩机在工业中的地位和作用 1
1.2 压缩机故障诊断的目标和特点 4
1.3 压缩机监测诊断研究及应用现状 6
1.3.1 监测信号与传感技术 6
1.3.2 故障机理与征兆联系 7
1.3.3 信号处理与特征提取 8
1.3.4 智能诊断与决策方法 9
1.3.5 商业化的监测诊断系统 10
参考文献 10
第2章 离心压缩机叶片的叶尖定时监测诊断 13
2.1 高速旋转叶片监测技术概述 13
2.1.1 旋转叶片监测技术研究现状 13
2.1.2 叶尖定时监测技术研究现状 13
2.1.3 叶尖定时监测技术存在的问题 14
2.2 叶尖定时监测技术的原理 15
2.2.1 叶尖定时监测技术基本原理 15
2.2.2 叶尖定时传感器 16
2.2.3 叶片振动参数辨识方法 18
2.3 欠采样叶尖定时信号的稀疏度自适应重构方法 20
2.3.1 叶尖定时监测系统采样模型 20
2.3.2 欠采样叶尖定时信号的稀疏度自适应重构方法 21
2.3.3 数值建模及实验验证 23
2.4 噪声干扰下叶尖定时信号降噪及方波整形算法 25
2.4.1 叶尖定时监测系统误差分析 25
2.4.2 噪声干扰条件下叶尖定时信号准确提取方法 30
2.4.3 方波整形算法 33
2.4.4 实验验证 39
2.5 变转速叶片的多键相振动监测方法 41
2.5.1 变转速下叶片振动监测存在的挑战 41
2.5.2 变转速下多键相振动监测原理 42
2.5.3 基于多键相的叶片振动位移测量方程 44
2.5.4 基于数值建模及动力学仿真的方法验证 45
参考文献 51
第3章 往复压缩机早期故障的提升小波诊断 53
3.1 往复压缩机早期故障诊断的难点 53
3.2 提升小波的原理 54
3.3 非抽样提升小波包的构造 59
3.4 基于非抽样提升小波包的频率混叠消除原理 63
3.5 基于Volterra级数的边界振荡抑制 66
3.6 非抽样提升小波包与奇异值分解相结合的信号降噪 72
3.7 非抽样提升多小波包变换 75
3.7.1 提升多小波理论 75
3.7.2 冗余提升多小波包变换 76
3.8 基于提升小波与混沌理论的往复压缩机状态评级 79
3.8.1 往复压缩机缸套振动信号的混沌特性 79
3.8.2 往复压缩机状态评级 91
参考文献 95
第4章 压缩机耦合故障的信息熵融合诊断 97
4.1 压缩机常见耦合故障及其特点 97
4.1.1 压缩机常见耦合故障 97
4.1.2 压缩机耦合故障振动信号特征 98
4.2 压缩机耦合故障诊断的难点与思路 98
4.2.1 压缩机耦合故障诊断难点 98
4.2.2 压缩机耦合故障诊断的思路 99
4.3 信息熵融合诊断理论 101
4.3.1 信息熵基本理论 101
4.3.2 信息熵故障分析方法 101
4.4 压缩机振动信号的信息熵特征 103
4.4.1 时域奇异谱熵 103
4.4.2 自相关特征熵 104
4.4.3 频域功率谱熵 104
4.4.4 小波空间状态特征谱熵和小波能谱熵 105
4.4.5 小波包特征熵 106
4.5 压缩机故障信息的盲源分离增强方法 106
4.5.1 盲源分离的基本数学模型 107
4.5.2 稳健独立分量分析方法 108
4.5.3 基于稳健独立分量分析的转子仿真信号与实验信号分析 112
4.5.4 工程应用-基于稳健独立分量分析的离心压缩机叶轮故障诊断 119
4.6 压缩机耦合故障的波动熵诊断模型 124
4.6.1 波动熵特征敏感变换域的确定 125
4.6.2 波动度及波动熵特征的计算 125
4.6.3 基于波动熵的耦合故障诊断方法 126
参考文献 127
第5章 数据集不均衡下的压缩机故障诊断 129
5.1 不均衡数据集的概念 129
5.2 不均衡数据分类常用方法 129
5.3 基于互信息的非监督式特征选择 132
5.3.1 基于互信息的特征选择 132
5.3.2 基于互信息的非监督式特征选择方法原理 133
5.3.3 工程应用 135
5.4 不均衡数据的SMOTE上采样算法 142
5.4.1 SMOTE算法 142
5.4.2 SMOTE算法中采样率的实验分析 144
5.4.3 压缩机气阀少数类样本的采样率分析 148
5.5 基于样本不均衡度的加权C-SVM分类算法 156
5.5.1 加权C-SVM分类算法简介 156
5.5.2 加权C-SVM算法性能分析 157
5.6 基于PSO和GA算法的加权C-SVM分类模型 159
5.6.1 粒子群优化算法 160
5.6.2 基于PSOA的加权C-SVM分类器 162
5.6.3 遗传算法 166
5.6.4 基于PSOA和GA的加权C-SVM分类模型应用 168
参考文献 171
第6章 变工况下压缩机故障的迁移诊断 173
6.1 变工况下压缩机诊断的难题 173
6.2 迁移学习与领域自适应学习 174
6.3 符号近似聚合和关联规则相结合的变工况下故障特征挖掘方法 177
6.3.1 关联规则及其在信号特征挖掘中的应用 177
6.3.2 适用于信号特征挖掘的Apriori算法 178
6.3.3 基于等概率关联规则挖掘方法 179
6.3.4 特征挖掘案例分析 183
6.4 基于领域自适应的变工况齿轮箱迁移诊断 188
6.4.1 边缘降噪编码器 189
6.4.2 卷积神经网络 190
6.4.3 AMDA特征学习模型 191
6.4.4 实验分析 193
6.5 迁移诊断模型稳定性和适应性定量分析 199
6.5.1 目标工况正常样本不同比例辅助数据性能分析 200
6.5.2 目标工况三类状态数据样本辅助数据性能分析 204
6.5.3 迁移率定义和计算 208
参考文献 210
第7章 压缩机故障的振动与红外融合诊断 212
7.1 振动与红外融合的目的与意义 212
7.2 红外图像用于故障诊断的机理 212
7.2.1 红外成像原理 212
7.2.2 红外图像特点 213
7.2.3 红外图像特征提取 214
7.2.4 实例分析 217
7.3 红外图像故障信息的非下采样轮廓变换增强方法 223
7.3.1 非下采样轮廓变换方法 223
7.3.2 基于NSCT的红外图像增强方法 228
7.3.3 基于粒子群优化的增强参数确定方法 230
7.3.4 实例分析 232
7.4 图像分割与故障敏感区域选择 235
7.4.1 基于网格划分的图像分割方法 235
7.4.2 基于离散度分析的敏感区域选取 238
7.4.3 实例分析 239
7.5 基于卷积神经网络的压缩机振动与红外融合诊断方法 243
7.5.1 基于相关分析的异类信息融合 244
7.5.2 卷积神经网络 247
7.5.3 基于相关分析与卷积神经网络结合的故障诊断 251
7.5.4 基于红外图像与振动信号融合的故障诊断实例分析 252
参考文献 256
第8章 压缩机诊断标准的自适应建立方法 258
8.1 压缩机诊断标准的适应性问题 258
8.2 压缩机组故障模式库的建立 259
8.2.1 压缩机组故障模式库的内容 259
8.2.2 故障模式库制定依据 259
8.2.3 压缩机组故障模式库的建立 261
8.3 压缩机个性化标准库的建立方法 261
8.3.1 个性化标准库的建立步骤 261
8.3.2 离心压缩机个性化标准库的建立 262
8.4 压缩机诊断标准库的动态更新方法 266
8.5 变速压缩机振动阈值报警模型 267
8.5.1 RVM基本理论 267
8.5.2 基于RVM的阈值模型构建 268
8.6 变工况压缩机诊断标准建立与验证 269
8.6.1 丙烷压缩机工作原理和现状统计 269
8.6.2 变工况丙烷压缩机组振动标准建立 272
8.6.3 实例分析与验证 275
8.7 压缩机状态的区间特征根-模糊评估方法 278
8.7.1 往复压缩机状态评估指标体系的建立 279
8.7.2 区间数模糊分析评估模型 279
8.7.3 往复压缩机状态评估实例分析 283
参考文献 287
第9章 压缩机状态退化预测和故障预后方法 289
9.1 压缩机状态预测的现状与不足 289
9.1.1 压缩机状态预测技术研究现状 289
9.1.2 压缩机状态预测技术的不足 290
9.2 压缩机轴承性能退化的累积变换预测方法 291
9.2.1 累积损伤理论与累积变换算法 291
9.2.2 轴承性能退化的累积变换预测方法 294
9.2.3 轴承性能退化预测实例 296
9.3 大数据环境下压缩机故障的高斯-深度玻尔兹曼机预测模型 306
9.3.1 高斯-深度玻尔兹曼机模型的预测原理 306
9.3.2 大数据环境下的数据清洗规则 307
9.3.3 高斯-深度玻尔兹曼机的预测模型构建 307
9.3.4 高斯-深度玻尔兹曼机预测模型应用 312
9.4 融合特征趋势进化的压缩机故障预后方法 323
9.4.1 故障预后融合特征指标的提取 324
9.4.2 压缩机渐变性故障的预后方法 324
参考文献 329
第10章 压缩机关键部件故障的仿真诊断技术 331
10.1 压缩机仿真诊断的目的与意义 331
10.2 关键部件载荷-强度干涉模型定量可靠性分析与优化 331
10.2.1 载荷-强度干涉模型定量可靠性理论 331
10.2.2 可靠性定量分析与优化理论研究 334
10.2.3 基于有限元-蒙特卡洛模拟法的可靠性分析与优化理论 336
10.3 压缩机关键部件的潜在失效模式及后果分析评价方法 337
10.3.1 压缩机的可靠性、平均无故障时间、失效率指标分析方法 337
10.3.2 压缩机潜在失效模式及后果分析可靠性评价模型的建立 339
10.3.3 压缩机关键部件的潜在失效模式及后果分析可靠性分析方法研究 340
10.4 压缩机关键部件故障的仿真诊断实例分析 343
10.4.1 固有特性分析在压缩机关键部件故障诊断中的应用 343
10.4.2 静力强度分析在压缩机关键部件故障诊断中的应用 348
10.4.3 基于固有特性分析的压缩机机组振动异常诊断 354
10.4.4 基于瞬态动力学分析的压缩机机组振动异常诊断 361
参考文献 367
第11章 压缩机智能诊断 369
11.1 智能诊断概述 369
11.2 压缩机故障的深度学习智能诊断方法 369
11.2.1 深度学习思想 369
11.2.2 深度学习基本模型 370
11.2.3 基于深度学习的故障诊断案例 372
11.3 旋转叶片故障的卷积神经网络诊断方法 378
11.3.1 卷积神经网络 379
11.3.2 基于卷积神经网络的高速旋转叶片诊断方法 381
11.3.3 实验验证 385
11.4 变工况压缩机的迁移学习诊断方法 388
11.4.1 迁移学习 388
11.4.2 压缩机故障的迁移诊断模型 389
11.4.3 实例分析 391
11.5 不均衡数据集下故障的BT-SVDD分类方法 393
11.5.1 BT-SVDD的提出 393
11.5.2 SVDD概述 393
11.5.3 基于类间分离性测度的BT-SVDD多故障识别模型构建 397
11.5.4 工程应用 401
11.6 压缩机故障诊断专家系统 404
11.6.1 专家系统的基本组成 404
11.6.2 故障诊断专家系统的特点 404
11.6.3 压缩机故障诊断专家系统 405
11.7 智能诊断方法展望 409
11.7.1 智能诊断研究现状 409
11.7.2 智能诊断研究不足 409
11.7.3 智能诊断发展方向 410
11.7.4 压缩机智能诊断方法展望 413
参考文献 414
第12章 压缩机故障诊断典型案例 417
12.1 往复压缩机气阀故障诊断案例 417
12.1.1 气阀弹簧故障诊断 417
12.1.2 气阀阀片磨损故障诊断 420
12.2 往复压缩机活塞-缸套磨损诊断案例 422
12.3 往复压缩机十字头故障诊断案例 426
12.4 往复压缩机曲轴故障诊断案例 429
12.5 往复压缩机-管线耦合故障诊断 431
12.5.1 波动熵熵带标准建立 431
12.5.2 基于波动熵模型的耦合故障诊断案例 434
12.6 振动-红外融合诊断案例 436
12.6.1 多模态CNN振动-红外信息融合模型 436
12.6.2 多模态CNN的网络结构设计 436
12.6.3 基于多模态CNN的转子平台信息融合故障诊断 439
12.7 振动-热力参数融合诊断案例 441
12.7.1 振动-热力参数融合诊断的原理 441
12.7.2 应用实例 441
12.8 振动-油液融合诊断案例 445
12.8.1 振动与油液融合的层次 445
12.8.2 振动与油液信息融合的原理 446
12.8.3 振动与油液信息融合的公式 446
12.8.4 应用实例 447
参考文献 450
彩图
京公网安备 11010102004214号