机电设备状态监测与预测

1、本书集工作十多年的多位老师的成果与经验，对机电设备的运转状态监测和故障预测从理论和实践方面做了完整的总结。 2、本书以设备维护为主要方向，在信号分析、状态监测、故障诊断、故障预测方面都有大量可参考的内容。 3、本书在深挖基础理论的同时，结合实例和实践，不仅对相关专业研究人员有参考价值，对工程实际人员也有多帮助。

现代工业及信息科学技术的发展推动了现代机械设备的自动化、复杂化、高速化、智能化的快速进步。机电设备的状态监测与故障趋势预测研究已成为国内外科学研究中的热点课题，主要包括数据采集、信号处理、趋势分析和决策分析四个阶段，融合了机械动力学、机械故障诊断学、信号处理、数据挖掘和人工智能等多学科知识。开展该研究能够保障机械设备长期安全、满负荷运行，实现设备早期故障预警，提高设备安全性、任务可靠性以及降低设备全寿命周期费用，对实施机电设备科学维护具有重要意义。
本书针对机电设备，以揭示设备机械动态特性为手段，介绍设备状态自动在线监测及预测的方法以及相应的软件系统和硬件系统。主要内容有：
（1）介绍常用传感器的原理及应用；研究时域、频域信号处理方法，突出信号特征，便于自动比较、判别；围绕信号处理的实时性、实用性、稳定性进行相应的设计和改进；探讨新的谱估计方法以及小波分析方法。
（2）介绍变工况非平稳信号预处理及特征提取方法，去除冗余信息，分离工况影响及背景噪声，提高信噪比，使得提取的故障趋势特征与机电系统负载变化等非故障变化特征弱耦合以致分离。
（3）介绍大型机组状态监测的准则，选择安全评定的标准，确定机组状态评价的判据；介绍机组状态特征信号的敏感因子（特征参数）提取方法和机组异常情况的判断方法；介绍状态自动判别智能专家系统；提出机组运行稳定性劣化状态的评价分析方法。
（4）介绍趋势预测模型中时间序列模型预测、灰色模型预测、组合模型预测、联合预测等方法的应用，围绕提高预测精度研究新型改进模型；探讨神经网络ANN在机电设备状态预测中的应用；研究适用于预测用途的新型神经网络模型；探索了采用遗传算法GA优化模型进行机组运行趋势预测的途径。
（5）介绍建立机组状态自动判别和趋势预示智能专家系统的方案，介绍由智能专家系统实现在线分析及决策判断自动化的方法；研制具有典型机械结构和现代测试分析功能的新型实验系统，模拟典型机电设备的运行状态，进行机电设备状态在线监测及预测技术的实验研究。
本书内容有利于保障机电装备的安全运行，提高设备故障维护保养效率及信息化管理水平，在机电设备状态监测与故障趋势预测研究方面提供了可靠、有效及适用的研究思路，对相关领域的工程实践人员具有较大参考价值。
本书得到了国家自然科学基金项目“基于能量解耦的风力发电旋转机械故障趋势预示方法研究”、北京市自然科学基金重点项目（A类）“面向新能源装备的复杂机电系统运行稳定性劣化趋势方法研究”、北京市自然科学基金重点项目（B类）“变工况风力发电旋转机械的故障特征趋势预示方法研究”、北京市优秀人才培养资助项目“热流瞬态失衡的信息获取与检测方法研究”、北京市教委青年拔尖人才培育计划“热流瞬态失衡的多元信息获取与传热效应优化研究”、北京市2011协同创新中心项目“世界城市循环经济体系产业协同创新中心建设项目——高端装备过程监控与安全服役关键技术”等项目的资助，在此表示衷心感谢。
本书由吴国新、刘秀丽、蒋章雷等编著。参加编写的人员还有徐小力、左云波、谷玉海、王立勇、王少红、马超、赵西伟、陈涛、孟玲霞等。在编写过程中我们得到北京信息科技大学、现代测控技术教育部重点实验室、机电系统测控北京市重点实验室、机械工程学会设备与维修工程分会等单位的大力支持和帮助，在此表示衷心感谢。
由于机电设备状态监测与故障趋势预测技术还在不断地发展，编者水平有限，书中不妥之处在所难免，热诚地欢迎各位专家学者对本书提出宝贵建议。

编著者

《机电设备状态监测与预测》主要以理论、仿真和试验相结合的形式，以揭示机电设备机械动态特性为手段，介绍设备状态自动在线监测与预测的方法以及相应的软件系统和硬件系统。本书从状态监测信息类型与处理方法出发，结合状态特征弱信息提取的相关方法，对状态监测分析技术和状态在线预测技术进行了详细的讨论与总结，同时也对状态在线监测及预测系统做了全面的介绍。
本书内容有利于保障机电设备的安全运行，提高设备故障维护保养效率等，适合从事机电系统测控与信息化处理、机电设备状态监测与故障趋势预测方面的研究人员和工程实践人员阅读和参考。

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