目錄
前言
引入篇　電力設備關鍵部件機械故障診斷
第1章　緒論　2
1.1　研究背景及意義　2
1.2　斷路器機械故障診斷研究綜述　4
1.2.1　斷路器機械故障診斷的監(jiān)測對象　5
1.2.2　斷路器振動信號處理方法　6
1.2.3　斷路器狀態(tài)識別方法的研究　8
1.3　風電機組機械故障診斷研究綜述　9
1.3.1　風電機組傳動系統(tǒng)故障診斷的監(jiān)測對象　9
1.3.2　基于振動信號分析的風電機組傳動系統(tǒng)故障診斷研究現(xiàn)狀　11
1.3.3　風電機組傳動系統(tǒng)狀態(tài)識別方法研究現(xiàn)狀　12
1.4　高壓斷路器機械故障診斷方案設計　14
1.4.1　高壓斷路器的基本結構及工作原理　14
1.4.2　高壓斷路器的常見機械故障　20
1.4.3　高壓斷路器機械故障診斷總體方案　23
1.5　風電機組傳動系統(tǒng)機械故障診斷方案設計　24
1.5.1　風電機組傳動系統(tǒng)基本結構和原理　24
1.5.2　風電機組傳動系統(tǒng)常見機械故障　25
1.5.3　風電機組傳動系統(tǒng)機械故障診斷總體方案　28
1.6　本章小結　29
參考文獻　29
高壓斷路器篇　關鍵部件機械故障診斷
第2章　基于單類分類器的高壓斷路器機械故障診斷　36
2.1　基于S變換的高壓斷路器振動信號處理及特征提取　36
2.1.1　S變換　36
2.1.2　基于S變換的高壓斷路器振動信號處理　37
2.1.3　基于S變換時-頻熵的高壓斷路器機械故障診斷特征提取　39
2.2　基于經驗小波變換的高壓斷路器振動信號處理及特征提取　43
2.2.1　經驗小波變換　43
2.2.2　經驗小波變換與經驗模態(tài)分解的對比　46
2.2.3　基于經驗小波變換和時-頻熵的斷路器機械故障診斷特征提取　47
2.3　基于單類分類器的高壓斷路器機械故障診斷　53
2.3.1　單類分類器概述　53
2.3.2　基于單類支持向量機的高壓斷路器機械故障診斷　54
2.3.3　基于支持向量數(shù)據描述的高壓斷路器機械故障診斷　60
2.4　本章小結　65
參考文獻　66
第3章　基于多層分類器的高壓斷路器機械故障診斷　68
3.1　高壓斷路器振動信號采集與特征提取　68
3.1.1　基于變分模態(tài)分解的斷路器振動信號處理　68
3.1.2　基于局部奇異值分解的特征提取　75
3.2　基于多層分類器的故障分類方法研究　76
3.2.1　支持向量機和單類支持向量機原理　77
3.2.2　多層分類器的構建和診斷流程　79
3.3　高壓斷路器故障診斷實例分析　80
3.3.1　實測振動信號特征分析　80
3.3.2　診斷結果及分析　87
3.4　本章小結　90
參考文獻　90
第4章　基于時域分割特征的斷路器彈簧操動機構機械故障　92
4.1　基于時域分割的振動信號故障特征提取　92
4.1.1　基于時域分割的斷路器振動信號處理　92
4.1.2　基于時域分割的時域特征提取　95
4.1.3　基于散布矩陣的特征分類能力分析　95
4.1.4　基于Gmi重要度的特征選擇分析　98
4.1.5　基于時域分割特征的特征選擇方案　99
4.2　基于層次化混合分類器的斷路器機械故障分類　100
4.2.1　隨機森林原理　100
4.2.2　基于時域分割的斷路器機械故障診斷方案設計　102
4.3　基于實測振動信號的高壓斷路器機械故障診斷　103
4.3.1　實測振動信號特征分析　103
4.3.2　實驗結果及分析　112
4.4　本章小結　115
參考文獻　116
第5章　基于熵特征高效時域特征提取的高壓斷路器機械故障診斷　118
5.1　基于時域分割的特征提取　118
5.1.1　原始信號時域分割方式和依據　118
5.1.2　時域分割后的特征計算　119
5.2　特征選擇　120
5.2.1　Split重要度值對特征分類能力的衡量效果　120
5.2.2　基于Split重要度值的前項特征選擇　122
5.3　高壓斷路器高效故障診斷分類器的構建　123
5.3.1　梯度提升決策樹　123
5.3.2　基于高壓斷路器振動信號時域特征的分類器構建　124
5.3.3　多線程并行直方圖加速　125
5.3.4　帶深度限制的Leaf-wise生長策略　126
5.4　案例分析　126
5.4.1　故障診斷流程　126
5.4.2　基于時域分割的特征提取效率分析　126
5.4.3　LightGBM分類器的分類效果分析　128
5.5　本章小結　129
參考文獻　129
第6章　采用局部時-頻奇異值與優(yōu)化隨機森林的高壓斷路器機械故障診斷　131
6.1　隨機森林分類原理及優(yōu)化　131
6.2　故障診斷流程　132
6.2.1　HVCBs故障診斷流程　132
6.2.2　基于虛擬儀器的實測信號采集系統(tǒng)　133
6.2.3　振動信號處理　134
6.2.4　局部奇異值分解提取特征　135
6.2.5　優(yōu)化隨機森林進行故障診斷　136
6.3　故障診斷實例分析　136
6.3.1　不同特征提取方式比較　136
6.3.2　不同分類器的比較　137
6.4　本章小結　138
參考文獻　138
風電機組篇　傳動系統(tǒng)關鍵部件機械故障診斷
第7章　基于混合分類器的風電機組傳動系統(tǒng)機械故障診斷　140
7.1　風電機組傳動系統(tǒng)振動信號處理　140
7.1.1　自適應信號處理方法性能對比　140
7.1.2　基于EWT的風機傳動系統(tǒng)振動信號處理與分析　142
7.2　風電機組傳動系統(tǒng)振動信號特征提取及選擇　149
7.2.1　風電機組傳動系統(tǒng)原始特征集合構建　150
7.2.2　基于隨機森林的風電機組傳動系統(tǒng)故障特征選擇　151
7.3　基于混合分類器的故障診斷方法研究　156
7.3.1　模糊C均值聚類原理　156
7.3.2　混合分類器構建和診斷流程　157
7.3.3　軸承故障診斷結果及分析　158
7.3.4　齒輪箱故障診斷結果及分析　161
7.4　本章小結　164
參考文獻　165
第8章　采用非平衡小樣本數(shù)據的風機主軸承故障深度對抗診斷　167
8.1　輔助分類生成對抗網絡　167
8.2　改進AC-GAN　168
8.3　改進AC-GAN實驗樣本構建　170
8.4　實驗設計與分析　171
8.4.1　生成樣本真實性與差異性分析　171
8.4.2　復雜噪聲環(huán)境下主軸承故障診斷實驗　173
8.4.3　小樣本場景主軸承故障診斷　176
8.4.4　樣本非平衡場景下主軸承故障診斷　178
8.4.5　不同分類方法對比實驗　179
8.5　本章小結　180
參考文獻　180
第9章　基于噪聲標簽有限數(shù)據驅動的風電機組傳動系統(tǒng)軸承故障診斷　182
9.1　魯棒性輔助分類生成對抗網絡　182
9.2　實驗數(shù)據集的構建　184
9.2.1　傳動系統(tǒng)典型故障診斷數(shù)據集　184
9.2.2　傳動系統(tǒng)故障診斷數(shù)據集構建　186
9.3　含噪聲標簽場景生成樣本分析　188
9.3.1　生成器樣本生成能力分析　188
9.3.2　生成樣本分析　189
9.4　含噪聲標簽有限數(shù)據驅動場景故障診斷　191
9.4.1　訓練樣本減少實驗　191
9.4.2　訓練樣本非平衡實驗　197
9.4.3　含不同比例噪聲標簽樣本實驗　200
9.5　含噪聲標簽有限數(shù)據驅動場景下不同方法對比實驗　200
9.5.1　含噪聲標簽有限數(shù)據場景對比實驗　200
9.5.2　含不同比例噪聲標簽場景對比實驗　201
9.6　本章小結　202
參考文獻　202