《壓縮機故障現代診斷理論、方法及套用》是2019年09月01日科學出版社出版的圖書，作者是段禮祥、張來斌、梁偉。
基本介紹
- 書名：壓縮機故障現代診斷理論、方法及套用
- 作者：段禮祥、張來斌、梁偉
- ISBN：9787030623317
- 頁數：450
- 定價：228.00元
- 出版社：科學出版社
- 出版時間：2019年09月01日
- 裝幀：圓脊精裝
- 開本：B5
內容簡介,圖書目錄,
內容簡介
本書基於作者團隊在壓縮機故障診斷方面積累的近20餘年研究成果與最新研究進展編寫而成。內容包括離心壓縮機葉片的葉尖定時監測診斷、往復壓縮機早期故障的提升小波診斷、壓縮機耦合故障的信息熵融合診斷、數據集不均衡下的壓縮機故障診斷、變工況下壓縮機故障的遷移診斷、壓縮機故障的振動與紅外融合診斷、壓縮機診斷標準的自適應建立、壓縮機狀態退化預測和故障預後、壓縮機關鍵部件故障的仿真診斷、壓縮機智慧型診斷，以及監測診斷技術在壓縮機上的典型套用。
圖書目錄
叢書序前言
第1章 緒論 1
1.1 壓縮機在工業中的地位和作用 1
1.2 壓縮機故障診斷的目標和特點 4
1.3 壓縮機監測診斷研究及套用現狀 6
1.3.1 監測信號與感測技術 6
1.3.2 故障機理與徵兆聯繫 7
1.3.3 信號處理與特徵提取 8
1.3.4 智慧型診斷與決策方法 9
1.3.5 商業化的監測診斷系統 10
參考文獻 10
第2章 離心壓縮機葉片的葉尖定時監測診斷 13
2.1 高速旋轉葉片監測技術概述 13
2.1.1 旋轉葉片監測技術研究現狀 13
2.1.2 葉尖定時監測技術研究現狀 13
2.1.3 葉尖定時監測技術存在的問題 14
2.2 葉尖定時監測技術的原理 15
2.2.1 葉尖定時監測技術基本原理 15
2.2.2 葉尖定時感測器 16
2.2.3 葉片振動參數辨識方法 18
2.3 欠採樣葉尖定時信號的稀疏度自適應重構方法 20
2.3.1 葉尖定時監測系統採樣模型 20
2.3.2 欠採樣葉尖定時信號的稀疏度自適應重構方法 21
2.3.3 數值建模及實驗驗證 23
2.4 噪聲干擾下葉尖定時信號降噪及方波整形算法 25
2.4.1 葉尖定時監測系統誤差分析 25
2.4.2 噪聲干擾條件下葉尖定時信號準確提取方法 30
2.4.3 方波整形算法 33
2.4.4 實驗驗證 39
2.5 變轉速葉片的多鍵相振動監測方法 41
2.5.1 變轉速下葉片振動監測存在的挑戰 41
2.5.2 變轉速下多鍵相振動監測原理 42
2.5.3 基於多鍵相的葉片振動位移測量方程 44
2.5.4 基於數值建模及動力學仿真的方法驗證 45
參考文獻 51
第3章 往復壓縮機早期故障的提升小波診斷 53
3.1 往復壓縮機早期故障診斷的難點 53
3.2 提升小波的原理 54
3.3 非抽樣提升小波包的構造 59
3.4 基於非抽樣提升小波包的頻率混疊消除原理 63
3.5 基於Volterra級數的邊界振盪抑制 66
3.6 非抽樣提升小波包與奇異值分解相結合的信號降噪 72
3.7 非抽樣提升多小波包變換 75
3.7.1 提升多小波理論 75
3.7.2 冗餘提升多小波包變換 76
3.8 基於提升小波與混沌理論的往復壓縮機狀態評級 79
3.8.1 往復壓縮機缸套振動信號的混沌特性 79
3.8.2 往復壓縮機狀態評級 91
參考文獻 95
第4章 壓縮機耦合故障的信息熵融合診斷 97
4.1 壓縮機常見耦合故障及其特點 97
4.1.1 壓縮機常見耦合故障 97
4.1.2 壓縮機耦合故障振動信號特徵 98
4.2 壓縮機耦合故障診斷的難點與思路 98
4.2.1 壓縮機耦合故障診斷難點 98
4.2.2 壓縮機耦合故障診斷的思路 99
4.3 信息熵融合診斷理論 101
4.3.1 信息熵基本理論 101
4.3.2 信息熵故障分析方法 101
4.4 壓縮機振動信號的信息熵特徵 103
4.4.1 時域奇異譜熵 103
4.4.2 自相關特徵熵 104
4.4.3 頻域功率譜熵 104
4.4.4 小波空間狀態特徵譜熵和小波能譜熵 105
4.4.5 小波包特徵熵 106
4.5 壓縮機故障信息的盲源分離增強方法 106
4.5.1 盲源分離的基本數學模型 107
4.5.2 穩健獨立分量分析方法 108
4.5.3 基於穩健獨立分量分析的轉子仿真信號與實驗信號分析 112
4.5.4 工程套用-基於穩健獨立分量分析的離心壓縮機葉輪故障診斷 119
4.6 壓縮機耦合故障的波動熵診斷模型 124
4.6.1 波動熵特徵敏感變換域的確定 125
4.6.2 波動度及波動熵特徵的計算 125
4.6.3 基於波動熵的耦合故障診斷方法 126
參考文獻 127
第5章 數據集不均衡下的壓縮機故障診斷 129
5.1 不均衡數據集的概念 129
5.2 不均衡數據分類常用方法 129
5.3 基於互信息的非監督式特徵選擇 132
5.3.1 基於互信息的特徵選擇 132
5.3.2 基於互信息的非監督式特徵選擇方法原理 133
5.3.3 工程套用 135
5.4 不均衡數據的SMOTE上採樣算法 142
5.4.1 SMOTE算法 142
5.4.2 SMOTE算法中採樣率的實驗分析 144
5.4.3 壓縮機氣閥少數類樣本的採樣率分析 148
5.5 基於樣本不均衡度的加權C-SVM分類算法 156
5.5.1 加權C-SVM分類算法簡介 156
5.5.2 加權C-SVM算法性能分析 157
5.6 基於PSO和GA算法的加權C-SVM分類模型 159
5.6.1 粒子群最佳化算法 160
5.6.2 基於PSOA的加權C-SVM分類器 162
5.6.3 遺傳算法 166
5.6.4 基於PSOA和GA的加權C-SVM分類模型套用 168
參考文獻 171
第6章 變工況下壓縮機故障的遷移診斷 173
6.1 變工況下壓縮機診斷的難題 173
6.2 遷移學習與領域自適應學習 174
6.3 符號近似聚合和關聯規則相結合的變工況下故障特徵挖掘方法 177
6.3.1 關聯規則及其在信號特徵挖掘中的套用 177
6.3.2 適用於信號特徵挖掘的Apriori算法 178
6.3.3 基於等機率關聯規則挖掘方法 179
6.3.4 特徵挖掘案例分析 183
6.4 基於領域自適應的變工況齒輪箱遷移診斷 188
6.4.1 邊緣降噪編碼器 189
6.4.2 卷積神經網路 190
6.4.3 AMDA特徵學習模型 191
6.4.4 實驗分析 193
6.5 遷移診斷模型穩定性和適應性定量分析 199
6.5.1 目標工況正常樣本不同比例輔助數據性能分析 200
6.5.2 目標工況三類狀態數據樣本輔助數據性能分析 204
6.5.3 遷移率定義和計算 208
參考文獻 210
第7章 壓縮機故障的振動與紅外融合診斷 212
7.1 振動與紅外融合的目的與意義 212
7.2 紅外圖像用於故障診斷的機理 212
7.2.1 紅外成像原理 212
7.2.2 紅外圖像特點 213
7.2.3 紅外圖像特徵提取 214
7.2.4 實例分析 217
7.3 紅外圖像故障信息的非下採樣輪廓變換增強方法 223
7.3.1 非下採樣輪廓變換方法 223
7.3.2 基於NSCT的紅外圖像增強方法 228
7.3.3 基於粒子群最佳化的增強參數確定方法 230
7.3.4 實例分析 232
7.4 圖像分割與故障敏感區域選擇 235
7.4.1 基於格線劃分的圖像分割方法 235
7.4.2 基於離散度分析的敏感區域選取 238
7.4.3 實例分析 239
7.5 基於卷積神經網路的壓縮機振動與紅外融合診斷方法 243
7.5.1 基於相關分析的異類信息融合 244
7.5.2 卷積神經網路 247
7.5.3 基於相關分析與卷積神經網路結合的故障診斷 251
7.5.4 基於紅外圖像與振動信號融合的故障診斷實例分析 252
參考文獻 256
第8章 壓縮機診斷標準的自適應建立方法 258
8.1 壓縮機診斷標準的適應性問題 258
8.2 壓縮機組故障模式庫的建立 259
8.2.1 壓縮機組故障模式庫的內容 259
8.2.2 故障模式庫制定依據 259
8.2.3 壓縮機組故障模式庫的建立 261
8.3 壓縮機個性化標準庫的建立方法 261
8.3.1 個性化標準庫的建立步驟 261
8.3.2 離心壓縮機個性化標準庫的建立 262
8.4 壓縮機診斷標準庫的動態更新方法 266
8.5 變速壓縮機振動閾值報警模型 267
8.5.1 RVM基本理論 267
8.5.2 基於RVM的閾值模型構建 268
8.6 變工況壓縮機診斷標準建立與驗證 269
8.6.1 丙烷壓縮機工作原理和現狀統計 269
8.6.2 變工況丙烷壓縮機組振動標準建立 272
8.6.3 實例分析與驗證 275
8.7 壓縮機狀態的區間特徵根-模糊評估方法 278
8.7.1 往復壓縮機狀態評估指標體系的建立 279
8.7.2 區間數模糊分析評估模型 279
8.7.3 往復壓縮機狀態評估實例分析 283
參考文獻 287
第9章 壓縮機狀態退化預測和故障預後方法 289
9.1 壓縮機狀態預測的現狀與不足 289
9.1.1 壓縮機狀態預測技術研究現狀 289
9.1.2 壓縮機狀態預測技術的不足 290
9.2 壓縮機軸承性能退化的累積變換預測方法 291
9.2.1 累積損傷理論與累積變換算法 291
9.2.2 軸承性能退化的累積變換預測方法 294
9.2.3 軸承性能退化預測實例 296
9.3 大數據環境下壓縮機故障的高斯-深度玻爾茲曼機預測模型 306
9.3.1 高斯-深度玻爾茲曼機模型的預測原理 306
9.3.2 大數據環境下的數據清洗規則 307
9.3.3 高斯-深度玻爾茲曼機的預測模型構建 307
9.3.4 高斯-深度玻爾茲曼機預測模型套用 312
9.4 融合特徵趨勢進化的壓縮機故障預後方法 323
9.4.1 故障預後融合特徵指標的提取 324
9.4.2 壓縮機漸變性故障的預後方法 324
參考文獻 329
第10章 壓縮機關鍵部件故障的仿真診斷技術 331
10.1 壓縮機仿真診斷的目的與意義 331
10.2 關鍵部件載荷-強度干涉模型定量可靠性分析與最佳化 331
10.2.1 載荷-強度干涉模型定量可靠性理論 331
10.2.2 可靠性定量分析與最佳化理論研究 334
10.2.3 基於有限元-蒙特卡洛模擬法的可靠性分析與最佳化理論 336
10.3 壓縮機關鍵部件的潛在失效模式及後果分析評價方法 337
10.3.1 壓縮機的可靠性、平均無故障時間、失效率指標分析方法 337
10.3.2 壓縮機潛在失效模式及後果分析可靠性評價模型的建立 339
10.3.3 壓縮機關鍵部件的潛在失效模式及後果分析可靠性分析方法研究 340
10.4 壓縮機關鍵部件故障的仿真診斷實例分析 343
10.4.1 固有特性分析在壓縮機關鍵部件故障診斷中的套用 343
10.4.2 靜力強度分析在壓縮機關鍵部件故障診斷中的套用 348
10.4.3 基於固有特性分析的壓縮機機組振動異常診斷 354
10.4.4 基於瞬態動力學分析的壓縮機機組振動異常診斷 361
參考文獻 367
第11章 壓縮機智慧型診斷 369
11.1 智慧型診斷概述 369
11.2 壓縮機故障的深度學習智慧型診斷方法 369
11.2.1 深度學習思想 369
11.2.2 深度學習基本模型 370
11.2.3 基於深度學習的故障診斷案例 372
11.3 旋轉葉片故障的卷積神經網路診斷方法 378
11.3.1 卷積神經網路 379
11.3.2 基於卷積神經網路的高速旋轉葉片診斷方法 381
11.3.3 實驗驗證 385
11.4 變工況壓縮機的遷移學習診斷方法 388
11.4.1 遷移學習 388
11.4.2 壓縮機故障的遷移診斷模型 389
11.4.3 實例分析 391
11.5 不均衡數據集下故障的BT-SVDD分類方法 393
11.5.1 BT-SVDD的提出 393
11.5.2 SVDD概述 393
11.5.3 基於類間分離性測度的BT-SVDD多故障識別模型構建 397
11.5.4 工程套用 401
11.6 壓縮機故障診斷專家系統 404
11.6.1 專家系統的基本組成 404
11.6.2 故障診斷專家系統的特點 404
11.6.3 壓縮機故障診斷專家系統 405
11.7 智慧型診斷方法展望 409
11.7.1 智慧型診斷研究現狀 409
11.7.2 智慧型診斷研究不足 409
11.7.3 智慧型診斷髮展方向 410
11.7.4 壓縮機智慧型診斷方法展望 413
參考文獻 414
第12章 壓縮機故障診斷典型案例 417
12.1 往復壓縮機氣閥故障診斷案例 417
12.1.1 氣閥彈簧故障診斷 417
12.1.2 氣閥閥片磨損故障診斷 420
12.2 往復壓縮機活塞-缸套磨損診斷案例 422
12.3 往復壓縮機十字頭故障診斷案例 426
12.4 往復壓縮機曲軸故障診斷案例 429
12.5 往復壓縮機-管線耦合故障診斷 431
12.5.1 波動熵熵帶標準建立 431
12.5.2 基於波動熵模型的耦合故障診斷案例 434
12.6 振動-紅外融合診斷案例 436
12.6.1 多模態CNN振動-紅外信息融合模型 436
12.6.2 多模態CNN的網路結構設計 436
12.6.3 基於多模態CNN的轉子平台信息融合故障診斷 439
12.7 振動-熱力參數融合診斷案例 441
12.7.1 振動-熱力參數融合診斷的原理 441
12.7.2 套用實例 441
12.8 振動-油液融合診斷案例 445
12.8.1 振動與油液融合的層次 445
12.8.2 振動與油液信息融合的原理 446
12.8.3 振動與油液信息融合的公式 446
12.8.4 套用實例 447
參考文獻 450
彩圖
第1章 緒論 1
1.1 壓縮機在工業中的地位和作用 1
1.2 壓縮機故障診斷的目標和特點 4
1.3 壓縮機監測診斷研究及套用現狀 6
1.3.1 監測信號與感測技術 6
1.3.2 故障機理與徵兆聯繫 7
1.3.3 信號處理與特徵提取 8
1.3.4 智慧型診斷與決策方法 9
1.3.5 商業化的監測診斷系統 10
參考文獻 10
第2章 離心壓縮機葉片的葉尖定時監測診斷 13
2.1 高速旋轉葉片監測技術概述 13
2.1.1 旋轉葉片監測技術研究現狀 13
2.1.2 葉尖定時監測技術研究現狀 13
2.1.3 葉尖定時監測技術存在的問題 14
2.2 葉尖定時監測技術的原理 15
2.2.1 葉尖定時監測技術基本原理 15
2.2.2 葉尖定時感測器 16
2.2.3 葉片振動參數辨識方法 18
2.3 欠採樣葉尖定時信號的稀疏度自適應重構方法 20
2.3.1 葉尖定時監測系統採樣模型 20
2.3.2 欠採樣葉尖定時信號的稀疏度自適應重構方法 21
2.3.3 數值建模及實驗驗證 23
2.4 噪聲干擾下葉尖定時信號降噪及方波整形算法 25
2.4.1 葉尖定時監測系統誤差分析 25
2.4.2 噪聲干擾條件下葉尖定時信號準確提取方法 30
2.4.3 方波整形算法 33
2.4.4 實驗驗證 39
2.5 變轉速葉片的多鍵相振動監測方法 41
2.5.1 變轉速下葉片振動監測存在的挑戰 41
2.5.2 變轉速下多鍵相振動監測原理 42
2.5.3 基於多鍵相的葉片振動位移測量方程 44
2.5.4 基於數值建模及動力學仿真的方法驗證 45
參考文獻 51
第3章 往復壓縮機早期故障的提升小波診斷 53
3.1 往復壓縮機早期故障診斷的難點 53
3.2 提升小波的原理 54
3.3 非抽樣提升小波包的構造 59
3.4 基於非抽樣提升小波包的頻率混疊消除原理 63
3.5 基於Volterra級數的邊界振盪抑制 66
3.6 非抽樣提升小波包與奇異值分解相結合的信號降噪 72
3.7 非抽樣提升多小波包變換 75
3.7.1 提升多小波理論 75
3.7.2 冗餘提升多小波包變換 76
3.8 基於提升小波與混沌理論的往復壓縮機狀態評級 79
3.8.1 往復壓縮機缸套振動信號的混沌特性 79
3.8.2 往復壓縮機狀態評級 91
參考文獻 95
第4章 壓縮機耦合故障的信息熵融合診斷 97
4.1 壓縮機常見耦合故障及其特點 97
4.1.1 壓縮機常見耦合故障 97
4.1.2 壓縮機耦合故障振動信號特徵 98
4.2 壓縮機耦合故障診斷的難點與思路 98
4.2.1 壓縮機耦合故障診斷難點 98
4.2.2 壓縮機耦合故障診斷的思路 99
4.3 信息熵融合診斷理論 101
4.3.1 信息熵基本理論 101
4.3.2 信息熵故障分析方法 101
4.4 壓縮機振動信號的信息熵特徵 103
4.4.1 時域奇異譜熵 103
4.4.2 自相關特徵熵 104
4.4.3 頻域功率譜熵 104
4.4.4 小波空間狀態特徵譜熵和小波能譜熵 105
4.4.5 小波包特徵熵 106
4.5 壓縮機故障信息的盲源分離增強方法 106
4.5.1 盲源分離的基本數學模型 107
4.5.2 穩健獨立分量分析方法 108
4.5.3 基於穩健獨立分量分析的轉子仿真信號與實驗信號分析 112
4.5.4 工程套用-基於穩健獨立分量分析的離心壓縮機葉輪故障診斷 119
4.6 壓縮機耦合故障的波動熵診斷模型 124
4.6.1 波動熵特徵敏感變換域的確定 125
4.6.2 波動度及波動熵特徵的計算 125
4.6.3 基於波動熵的耦合故障診斷方法 126
參考文獻 127
第5章 數據集不均衡下的壓縮機故障診斷 129
5.1 不均衡數據集的概念 129
5.2 不均衡數據分類常用方法 129
5.3 基於互信息的非監督式特徵選擇 132
5.3.1 基於互信息的特徵選擇 132
5.3.2 基於互信息的非監督式特徵選擇方法原理 133
5.3.3 工程套用 135
5.4 不均衡數據的SMOTE上採樣算法 142
5.4.1 SMOTE算法 142
5.4.2 SMOTE算法中採樣率的實驗分析 144
5.4.3 壓縮機氣閥少數類樣本的採樣率分析 148
5.5 基於樣本不均衡度的加權C-SVM分類算法 156
5.5.1 加權C-SVM分類算法簡介 156
5.5.2 加權C-SVM算法性能分析 157
5.6 基於PSO和GA算法的加權C-SVM分類模型 159
5.6.1 粒子群最佳化算法 160
5.6.2 基於PSOA的加權C-SVM分類器 162
5.6.3 遺傳算法 166
5.6.4 基於PSOA和GA的加權C-SVM分類模型套用 168
參考文獻 171
第6章 變工況下壓縮機故障的遷移診斷 173
6.1 變工況下壓縮機診斷的難題 173
6.2 遷移學習與領域自適應學習 174
6.3 符號近似聚合和關聯規則相結合的變工況下故障特徵挖掘方法 177
6.3.1 關聯規則及其在信號特徵挖掘中的套用 177
6.3.2 適用於信號特徵挖掘的Apriori算法 178
6.3.3 基於等機率關聯規則挖掘方法 179
6.3.4 特徵挖掘案例分析 183
6.4 基於領域自適應的變工況齒輪箱遷移診斷 188
6.4.1 邊緣降噪編碼器 189
6.4.2 卷積神經網路 190
6.4.3 AMDA特徵學習模型 191
6.4.4 實驗分析 193
6.5 遷移診斷模型穩定性和適應性定量分析 199
6.5.1 目標工況正常樣本不同比例輔助數據性能分析 200
6.5.2 目標工況三類狀態數據樣本輔助數據性能分析 204
6.5.3 遷移率定義和計算 208
參考文獻 210
第7章 壓縮機故障的振動與紅外融合診斷 212
7.1 振動與紅外融合的目的與意義 212
7.2 紅外圖像用於故障診斷的機理 212
7.2.1 紅外成像原理 212
7.2.2 紅外圖像特點 213
7.2.3 紅外圖像特徵提取 214
7.2.4 實例分析 217
7.3 紅外圖像故障信息的非下採樣輪廓變換增強方法 223
7.3.1 非下採樣輪廓變換方法 223
7.3.2 基於NSCT的紅外圖像增強方法 228
7.3.3 基於粒子群最佳化的增強參數確定方法 230
7.3.4 實例分析 232
7.4 圖像分割與故障敏感區域選擇 235
7.4.1 基於格線劃分的圖像分割方法 235
7.4.2 基於離散度分析的敏感區域選取 238
7.4.3 實例分析 239
7.5 基於卷積神經網路的壓縮機振動與紅外融合診斷方法 243
7.5.1 基於相關分析的異類信息融合 244
7.5.2 卷積神經網路 247
7.5.3 基於相關分析與卷積神經網路結合的故障診斷 251
7.5.4 基於紅外圖像與振動信號融合的故障診斷實例分析 252
參考文獻 256
第8章 壓縮機診斷標準的自適應建立方法 258
8.1 壓縮機診斷標準的適應性問題 258
8.2 壓縮機組故障模式庫的建立 259
8.2.1 壓縮機組故障模式庫的內容 259
8.2.2 故障模式庫制定依據 259
8.2.3 壓縮機組故障模式庫的建立 261
8.3 壓縮機個性化標準庫的建立方法 261
8.3.1 個性化標準庫的建立步驟 261
8.3.2 離心壓縮機個性化標準庫的建立 262
8.4 壓縮機診斷標準庫的動態更新方法 266
8.5 變速壓縮機振動閾值報警模型 267
8.5.1 RVM基本理論 267
8.5.2 基於RVM的閾值模型構建 268
8.6 變工況壓縮機診斷標準建立與驗證 269
8.6.1 丙烷壓縮機工作原理和現狀統計 269
8.6.2 變工況丙烷壓縮機組振動標準建立 272
8.6.3 實例分析與驗證 275
8.7 壓縮機狀態的區間特徵根-模糊評估方法 278
8.7.1 往復壓縮機狀態評估指標體系的建立 279
8.7.2 區間數模糊分析評估模型 279
8.7.3 往復壓縮機狀態評估實例分析 283
參考文獻 287
第9章 壓縮機狀態退化預測和故障預後方法 289
9.1 壓縮機狀態預測的現狀與不足 289
9.1.1 壓縮機狀態預測技術研究現狀 289
9.1.2 壓縮機狀態預測技術的不足 290
9.2 壓縮機軸承性能退化的累積變換預測方法 291
9.2.1 累積損傷理論與累積變換算法 291
9.2.2 軸承性能退化的累積變換預測方法 294
9.2.3 軸承性能退化預測實例 296
9.3 大數據環境下壓縮機故障的高斯-深度玻爾茲曼機預測模型 306
9.3.1 高斯-深度玻爾茲曼機模型的預測原理 306
9.3.2 大數據環境下的數據清洗規則 307
9.3.3 高斯-深度玻爾茲曼機的預測模型構建 307
9.3.4 高斯-深度玻爾茲曼機預測模型套用 312
9.4 融合特徵趨勢進化的壓縮機故障預後方法 323
9.4.1 故障預後融合特徵指標的提取 324
9.4.2 壓縮機漸變性故障的預後方法 324
參考文獻 329
第10章 壓縮機關鍵部件故障的仿真診斷技術 331
10.1 壓縮機仿真診斷的目的與意義 331
10.2 關鍵部件載荷-強度干涉模型定量可靠性分析與最佳化 331
10.2.1 載荷-強度干涉模型定量可靠性理論 331
10.2.2 可靠性定量分析與最佳化理論研究 334
10.2.3 基於有限元-蒙特卡洛模擬法的可靠性分析與最佳化理論 336
10.3 壓縮機關鍵部件的潛在失效模式及後果分析評價方法 337
10.3.1 壓縮機的可靠性、平均無故障時間、失效率指標分析方法 337
10.3.2 壓縮機潛在失效模式及後果分析可靠性評價模型的建立 339
10.3.3 壓縮機關鍵部件的潛在失效模式及後果分析可靠性分析方法研究 340
10.4 壓縮機關鍵部件故障的仿真診斷實例分析 343
10.4.1 固有特性分析在壓縮機關鍵部件故障診斷中的套用 343
10.4.2 靜力強度分析在壓縮機關鍵部件故障診斷中的套用 348
10.4.3 基於固有特性分析的壓縮機機組振動異常診斷 354
10.4.4 基於瞬態動力學分析的壓縮機機組振動異常診斷 361
參考文獻 367
第11章 壓縮機智慧型診斷 369
11.1 智慧型診斷概述 369
11.2 壓縮機故障的深度學習智慧型診斷方法 369
11.2.1 深度學習思想 369
11.2.2 深度學習基本模型 370
11.2.3 基於深度學習的故障診斷案例 372
11.3 旋轉葉片故障的卷積神經網路診斷方法 378
11.3.1 卷積神經網路 379
11.3.2 基於卷積神經網路的高速旋轉葉片診斷方法 381
11.3.3 實驗驗證 385
11.4 變工況壓縮機的遷移學習診斷方法 388
11.4.1 遷移學習 388
11.4.2 壓縮機故障的遷移診斷模型 389
11.4.3 實例分析 391
11.5 不均衡數據集下故障的BT-SVDD分類方法 393
11.5.1 BT-SVDD的提出 393
11.5.2 SVDD概述 393
11.5.3 基於類間分離性測度的BT-SVDD多故障識別模型構建 397
11.5.4 工程套用 401
11.6 壓縮機故障診斷專家系統 404
11.6.1 專家系統的基本組成 404
11.6.2 故障診斷專家系統的特點 404
11.6.3 壓縮機故障診斷專家系統 405
11.7 智慧型診斷方法展望 409
11.7.1 智慧型診斷研究現狀 409
11.7.2 智慧型診斷研究不足 409
11.7.3 智慧型診斷髮展方向 410
11.7.4 壓縮機智慧型診斷方法展望 413
參考文獻 414
第12章 壓縮機故障診斷典型案例 417
12.1 往復壓縮機氣閥故障診斷案例 417
12.1.1 氣閥彈簧故障診斷 417
12.1.2 氣閥閥片磨損故障診斷 420
12.2 往復壓縮機活塞-缸套磨損診斷案例 422
12.3 往復壓縮機十字頭故障診斷案例 426
12.4 往復壓縮機曲軸故障診斷案例 429
12.5 往復壓縮機-管線耦合故障診斷 431
12.5.1 波動熵熵帶標準建立 431
12.5.2 基於波動熵模型的耦合故障診斷案例 434
12.6 振動-紅外融合診斷案例 436
12.6.1 多模態CNN振動-紅外信息融合模型 436
12.6.2 多模態CNN的網路結構設計 436
12.6.3 基於多模態CNN的轉子平台信息融合故障診斷 439
12.7 振動-熱力參數融合診斷案例 441
12.7.1 振動-熱力參數融合診斷的原理 441
12.7.2 套用實例 441
12.8 振動-油液融合診斷案例 445
12.8.1 振動與油液融合的層次 445
12.8.2 振動與油液信息融合的原理 446
12.8.3 振動與油液信息融合的公式 446
12.8.4 套用實例 447
參考文獻 450
彩圖
