声明
摘要
第一章 绪论
1.1 故障诊断技术研究的目的和意义
1.2 故障诊断技术的研究现状
1.3 水电机组故障诊断理论及诊断方法
1.3.1 基于信号处理的诊断方法
1.3.2 基于解析模型的诊断方法
1.3.3 基于经验知识的诊断方法
1.3.4 基于数据驱动的诊断方法
1.4 水电机组智能诊断原则及技术发展趋势
1.4.1 水电机组故障诊断原则
1.4.2 水电机组故障诊断技术的发展趋势
1.5 本文研究思路和研究内容
1.5.1 本文研究思路
1.5.2 本文结构和主要研究内容
第二章 水电机组运行状态特征提取
2.1 引言
2.2 机组运行状态特征参数的选择
2.3 特征参数的监测方法
2.3.1 机组出力和效率
2.3.2 机组稳定性参数
2.3.3 发电机气隙和磁场强度
2.3.4 发电机局部放电
2.3.5 其它特征参数
2.4 特征量的计算方法
2.4.1 幅域统计法
2.4.2 时域分析法
2.4.3 频域分析法
2.5 本章小结
第三章 水电机组运行状态健康标准研究
3.1 引言
3.2 样本统计理论
3.2.1 大数定律和中心极限定理
3.2.2 3σ准则(莱以特准则)
3.2.3 休哈特控制图
3.2.4 主元分析法(PCA)
3.3 健康状态评价标准
3.3.1 绝对评价标准
3.3.2 相对评价标准
3.3.3 类比评价标准
3.4 振动评价标准
3.4.1 现有的振动评价标准
3.4.2 对现有振动评价标准的探讨
3.4.3 确定振动评价标准的讨论
3.5 本章小结
第四章 基于特征量健康样本的健康评估及趋势预测
4.1 引言
4.2 特征量健康样本子集的确定
4.2.1 特征量健康样本指标的种类
4.2.2 特征量健康样本指标集
4.3 基于特征量健康样本的状态识别
4.3.1 数据的统计分布特性
4.3.2 特征量健康样本的建立与状态识别
4.3.3 特征量健康模型的建立与状态识别
4.4 基于时间序列分解模型的趋势预测
4.4.1 时间序列分解模型
4.4.2 基于时间序列的趋势预测算法
4.4.3 基于时间序列的趋势预测实例
4.5 本章小结
第五章 水电机组振动参数性能退化趋势评估与预测模型
5.1 引言
5.2 最小二乘支持向量机回归原理
5.3 基于LS-SVM的水电机组振动参数性能退化评估模型
5.4 基于LS-SVM的水电机组振动参数性能退化预测模型
5.5 实例分析
5.5.1 上导摆度参数退化评估与预测
5.5.2 上机架振动参数退化评估与预测
5.6 本章小结
第六章 集成化故障诊断系统的研究及应用
6.1 引言
6.2 系统总体结构
6.2.1 现地监测层
6.2.2 厂站集成层
6.2.3 中心诊断层
6.3 标准化数据平台的集成
6.3.1 诊断系统常规集成模式
6.3.2 标准化数据平台
6.3.3 标准通讯接口
6.4 数据通信与存储
6.4.1 数据通信
5.4.2 数据存储
6.4.3 数据存储内容
6.5 系统软件功能
6.5.1 实时监测界面设计
6.5.2 信号分析与数据统计
6.5.3 健康评估与性能退化预测
6.5.4 共性故障的智能诊断
6.6 本章小结
第七章 结论与展望
7.1 结论
7.2 主要创新点
7.3 展望
参考文献
附录一 攻读博士期间发表的论文
附录二 攻读博士期间所取得的研究成果
致谢