消息 首页 搜索 举报
  • 机电设备状态监测与预测 9787122378446 吴国新,刘秀丽,蒋章雷 化学工业出版社
21年品牌 40万+商家 超1.5亿件商品

机电设备状态监测与预测 9787122378446 吴国新,刘秀丽,蒋章雷 化学工业出版社

当天发货，全新正版书。

￥ 64.7 6.6折 ￥ 98 全新

库存17件

北京通州
认证卖家担保交易快速发货售后保障

作者吴国新,刘秀丽,蒋章雷

出版社化学工业出版社

ISBN9787122378446

出版时间2020-09

装帧平装

开本16开

定价98元

货号10975113

上书时间2024-05-31

白湘云书社

十四年老店
已实名 已认证 进店 收藏店铺
  • 最新上架

   商品详情   

品相描述：全新
商品描述
作者简介



目录
第1章绪论/001 

1.1机电设备状态监测技术的发展概况001 

1.1.1机电设备状态监测技术的发展历程及现状001 

1.1.2机电设备状态监测技术的发展趋势003 

1.2机电设备状态预测技术的发展概况004 

1.2.1机电设备状态预测技术的发展历程及现状004 

1.2.2机电设备状态预测技术的发展趋势005 

1.3大型机电设备状态在线监测及预测技术背景006 

1.3.1大型旋转注水机组及其故障监测及预测现状006 

1.3.2风电机组齿轮箱及其故障特点007 

第2章状态监测信息类型与处理/009 

2.1传感器009 

2.1.1传感器的组成009 

2.1.2传感器的分类010 

2.1.3传感器的选择010 

2.1.4不同类型的传感器简介010 

2.2振动信号016 

2.2.1振动信号分类016 

2.2.2信号分析与处理方法019 

2.3振动加速度信号029 

2.3.1采样频率与采样间隔029 

2.3.2振动加速度离散化计算029 

2.3.3振动烈度的后续处理031 

2.4功率谱信号处理031 

2.4.1经典频谱信号处理的步骤031 

2.4.2现代谱信号处理方法032 

2.5小波分析035 

2.5.1小波分析在机械故障诊断中的应用035 

2.5.2小波分析基本理论036 

2.5.3小波分析与傅里叶分析对比038 

2.5.4小波变换在信号处理与检测中的应用039 

2.5.5离散小波变换048 

2.5.6分析系统构成049 

2.5.7振动信号分析结果050 

第3章状态特征弱信息提取/054 

3.1基于μ-SVD和LMD的状态特征弱信息预处理方法054 

3.1.1μ-SVD降噪算法055 

3.1.2局部均值分解（LMD）算法057 

3.1.3状态特征弱信息预处理方法061 

3.1.4仿真验证062 

3.1.5实验验证067 

3.2基于Birgé-Massart阈值的状态特征弱信息预处理方法071 

3.2.1状态特征弱信息预处理方法的基本原理071 

3.2.2Birgé-Massart惩罚策略下的阈值确定方法073 

3.2.3状态特征弱信息预处理方法的实现074 

3.2.4仿真验证075 

3.2.5实验验证077 

3.3基于CEEMDAN-MFICA的非平稳信号预处理方法080 

3.3.1盲源分离081 

3.3.2基于CEEMDAN-MFICA的变工况非平稳信号预处理方法083 

3.3.3实验验证085 

3.4运行状态劣化的敏感HHT特征提取093 

3.4.1HHT基本理论094 

3.4.2基于劣化敏感IMF选择的HHT特征提取方法099 

3.4.3仿真验证100 

3.4.4实验验证102 

3.5高阶累积量对角切片谱运行状态劣化特征提取110 

3.5.1高阶累积量的基本理论110 

3.5.21.5维谱运行稳定性劣化特征提取方法115 

3.5.3四阶累积量对角切片谱运行稳定性劣化特征提取方法117 

3.5.4特征提取方法的趋势预测适用性118 

3.6计算阶次跟踪及包络解调分析特征提取119 

3.6.1振动信号的计算阶次跟踪120 

3.6.2振动信号的包络解调125 

3.6.3增速齿轮箱实测信号的计算阶次跟踪及包络解调130 

第4章状态监测分析技术/138 

4.1旋转机组状态分析的基本原理及方法138 

4.1.1旋转机组的状态分类及状态分析过程138 

4.1.2旋转机组状态分析的构成139 

4.1.3旋转机组状态分析的基本方法140 

4.2机组状态评定标准的选择及预警、报警限的设定141 

4.2.1机组状态评定的有关标准及选择141 

4.2.2机组工作状态的预警限及报警限的设定142 

4.3状态在线分析技术143 

4.3.1机组状态六测点烈度分析技术143 

4.3.2机组状态时域分析技术144 

4.3.3机组状态频域分析技术145 

4.4状态自动判别技术146 

4.4.1机组状态六段频率幅值自动判别技术147 

4.4.2机组状态谱展宽窄带自动判别技术148 

4.5大型旋转机组状态自动判别智能专家系统148 

4.5.1机组状态自动判别智能专家系统的结构148 

4.5.2智能专家系统实现机组状态自动判别的方法150 

4.5.3振动量的有关智能化处理152 

4.5.4机组状态智能专家系统全频段自动判别技术152 

4.6运行稳定性劣化状态的评价153 

4.6.1劣化演化矩阵的建立153 

4.6.2运行稳定性劣化程度的表征参数155 

4.6.3运行稳定性劣化状态的评价方法157 

4.6.4基于现场实验数据的运行稳定性劣化状态的评价158 

第5章状态在线预测技术/164 

5.1在线趋势预测概述164 

5.2振动级值预测的类型、基本方法和判据165 

5.2.1机组状态发展趋势与振动级值预测165 

5.2.2振动级值趋势预测的类型166 

5.2.3振动级值趋势预测的基本方法166 

5.2.4振动级值趋势预测的判据和评定方法168 

5.3时序模型与时序预测168 

5.4灰色预测方法及其改进169 

5.4.1灰色预测方法169 

5.4.2干涉因子灰色预测改进模型171 

5.4.3GMAR组合预测改进模型171 

5.5中心差分灰色模型173 

5.5.1中心差分基本原理173 

5.5.2中心差分灰色模型建模174 

5.5.3CDGM（1,1）模型烈度预测175 

5.6烈度序列的趋势项提取176 

5.6.1预测模型的烈度趋势项提取176 

5.6.2线性规划法进行烈度趋势项提取177 

5.6.3烈度趋势提取的精度校验179 

5.7分离趋势项新型组合预测模型180 

5.7.1分离趋势项组合预测模型的设计181 

5.7.2分离趋势项组合模型的烈度预测182 

5.7.3两种时区联合预测的实用方法184 

5.8六段频率幅值趋势预测设计185 

5.9人工智能预测方法185 

5.9.1人工神经网络趋势预测186 

5.9.2人工神经网络的结构和模型187 

5.9.3网络的拓扑结构及类型188 

5.9.4误差反传训练算法（BP算法）189 

5.9.5神经网络预测原理及模型的建立189 

5.9.6神经网络趋势预测方法193 

5.10采用遗传算法进行趋势预测198 

5.10.1遗传算法与机组状态预测198 

5.10.2遗传算法进行预测的方案198 

5.10.3遗传预测的适合度选择及步骤199 

第6章状态在线监测及预测系统/201 

6.1状态在线监测及预测系统的总体设计201 

6.1.1状态在线监测及预测系统的技术路线201 

6.1.2大型旋转机组状态在线监测及预测系统的技术特点202 

6.1.3状态在线监测及预测系统的类型203 

6.2状态在线监测及预测的软件系统设计205 

6.2.1在线监测软件系统设计原则205 

6.2.2软件模块结构及其功能206 

6.2.3面向对象程序设计（OOP）207 

6.3远程在线风机齿轮箱监测诊断系统208 

6.3.1嵌入式数据采集系统设计209 

6.3.2数据服务器软件开发215 

6.3.3数据存储数据库设计216 

6.3.4网页服务器软件开发217 

6.4风机齿轮箱早期故障征兆在线监测诊断系统构建219 

6.5基于Web的远程机械故障预测系统构建223 

6.5.1远程故障预测系统构建223 

6.5.2系统中非线性非平稳故障预测模块开发227 

参考文献230

内容摘要
1．2 机电设备状态预测技术的发展概况

1．2．1机电设备状态预测技术的发展历程及现状

机电设备发生故障时，不仅物质财富遭到破坏、服务被迫中断，甚至连工作人员也会受到威胁。在工业史上．南于机电设备故障造成的灾难和环境事故频频发生。例如，美国阿莫科·卡迪斯号油轮原油泄漏事故、苏联的切尔诺贝利核电站事故、印度博帕尔市农药厂毒气泄漏事故、墨西哥阿尔法市仓库石油气爆炸事故等。了解这些事故发生的过程以及如何加以防范，成为要考虑的重要问题．尤其这些故障大都是由于人为干预和不当措施所造成的，因而减少维护次数和提高维护的科学性是预防恶性事故发生的重点。

传统的机电设备维护方式概括为：运转至损坏再维护和以时间为基础的预防性维护。前者一般用于廉价的小型机器，采用后备设备来保证生产；后者也称定期维护，一般用于大中型设备，不论设备是否有故障都按人为计划的时间定期检修．为避免重要机电设备意外停产而造成巨大的经济损失，周期性强制维护时间往往留有较大的安全系数，因而这种维护方式是不经济的，是在尚不能掌握机电设备当前状态和无法预测未来发展的情况下不得已而采用。

20世纪80年代以来．以建立新的维修体制为目标形成了综合工程学科，这一工程学科在欧美、日本以不同的形式获得了推广。丹麦、美国、德国、日本等发达国家的专家学者在对大型机电设备工作状态监测和故障分析技术进行大量研究的基础上．进一步提出了预知维护的基本概念。90年代以来．开始研究新型机电设备工作状态分析和状态预测技术，研究采用专家系统、神经网络等新的应用技术。但是，人工智能状态在线预测和预知维护的研究还处于研究发展阶段。

设备预知维护是国内外有关设备动态维护的一项新兴技术，它是通过对机电设备运行状态做监测及预测来取代定期检修的方式，其原则是：只有当监测、分析和预测结果表明有必要维修时才进行或准备进行维修。这种现代化维护方式能监测和预报设备的故障和故障日期。因此在设备正常运转时可以不停机，在发现故障前兆时能及时停机，甚至能判别故障的性质和部位，做到有目的地进行检修。其监测方式通常是定期检测，但理想的方式是在线实时检测；其分析预测方式通常是在计算机上由专业人员评定完成，但理想的方式是由人工智能系统实时在线判断完成。

若能在线实时检测和以人工智能分析机电设备经历的和当前的状态·并预测随后的发展．则可以随时、科学、有效地揭示机电设备当前的工作状态，并预测之后多长时间设备状态将达到不可接受的程度而应当停机维修．从传统的预防维护上升到预知维护。

若对机电设备实行预知维护．需要在机电设备状态监测和故障分析的基础上，进一步通过对设备状态进行频域、时域的综合分析判断以及状态的趋势预测来实现。

国际上有代表性的预测系统是美国ENTEK Scientific Corporation的预测维修系统，其主要功能有：幅值趋势图显示；时域波形显示、频谱显示；六段频率频谱自动报警、窄带频谱自动报警；两频谱幅值比显示、两频谱幅值差显示；三维谱图显示；机电设备故障诊断专家系统进行离线故障诊断；支持铁谱分析；支持局域网。

该预测系统能对频谱进行自动比较，能识别由于机电设备转速变化所引起的频率漂移，并提供报警信号。

随着我国科学技术的发展，一些大型企业正在从单纯的振动测量或巡回检测、定期检测和检修，逐渐向长期连续监测和预测性维修过渡。有的高等院校和科研院所的研究方向也开始有相应变化，有代表性的是天津大学的基于Windows的IDPM智能诊断与预测维修软件系统的研究。但是国内当前研究的重点仍集中在机电设备的状态监测和故障分析方面，对大型机电设备的以预知维护为目标的智能状态在线预测技术尚待系统的研究。国内许多厂家和研究单位研制的监测系统，大多数测量项目单一，甚至还局限于对温度、压力、液位、电量等常规参数的检测．不具备对振动量为主的机械动态特性进行监测和分析的功能，因而无从反映机电设备的工作状态；即便具有监测振动量的功能．尚限于状态的监测和故障分析，不能对机电设备工作状杰发展趋势进行预测。

1．2．2机电设备状态预测技术的发展趋势

从机电设备的检修历史和现状来看，设备检修方式大致有：发生事故停机检修、定期停机检修或预防性维修、预知维修或状态维修。

预知维修方式可以从根本上改变原有的设备维修制度。在保证设备安全运行、避免人员伤亡、减少环境污染和避免重大的经济损失方面将产生巨大的作用。据有关文献介绍·在设备上应用预测技术，获利与投资比可达17：1，因而， 以先进的预知维护取代以时间为基础的预防性维修．成为关键设备和大中型设备维护方式的发展趋势。

国外有代表性的采用机电设备状态预测先进技术的系统是美国ENTEK公司的IRD一890PM预测维修系统、丹麦B＆K公司的COMPASS TYPE 3540系统和TYPE3560系统，这些系统一般用于设备的离线预测。

—  没有更多了  —

店铺评价
消息 首页 搜索

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP