數據驅動的風電滾動軸承故障診斷方法研究 王維慶 程靜 李強 9787568925341 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：重慶大學
物品所在地：中國大陸
原出版社：重慶大學
NT$623
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為正確資訊。 印行年月：202301*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：數據驅動的風電滾動軸承故障診斷方法研究 ISBN：9787568925341 出版社：重慶大學 著編譯者：王維慶 程靜 李強 頁數：234 所在地：中國大陸 *此為代購商品 書號：1555014 可大量預訂，請先連絡。 內容簡介 隨著我國風電裝機容量的井噴式增長，機組的運行維護需求越來越大，「運維市場」成為風電六大關鍵詞之一，我國風電事業的發展面臨著關鍵零部件及整機測試技術、智能故障診斷技術落後的瓶頸問題。 本書以風電機組旋轉部件中的滾動軸承為重點研究對象，開展智能故障診斷方法的研究，針對風力發電機組這種大型旋轉機械作為高階次、多變數、非線性、非平穩、強耦合的能量傳遞和轉換系統，闡述其核心旋轉部件故障監測與診斷相關的工作原理、方法理論、模擬建模與工程應用。 書中對風電機組滾動軸承信號特性及滾動軸承的各種故障形式進行分析與介紹，對故障診斷過程中的消噪、特徵提取與選擇、模式識別等關鍵問題的分析方法，以及聲學雜訊與振動相關性、風電機組聲學雜訊的測量和預測等問題進行了探索與研究，基於MATLAB軟體平台對風電機組滾動軸承智能故障監測與診斷中的關鍵方法進行了模擬建模與分析驗證，以期為我國風電機組故障診斷領域的理論研究和工程實踐提供一定的理論基礎和數據依據，解決風電現場機組故障快速診斷問題，提升風電機組發電量，提高風電機組運行壽命。目錄 第l章 緒論1 1 風電軸承故障診斷技術研究的背景及意義 1 1 1 風電發展現狀 1 1 2 故障診斷技術概述 1 1 3 機械設備故障診斷技術的發展與現狀 1 1 4 軸承故障診斷問題的提出 1 2 風電機組滾動軸承故障診斷技術 1 2 1 風力發電機組結構及傳動系統 1 2 2 滾動軸承故障形式 1 2 3 風電滾動軸承故障特性 1 2 4 風電滾動軸承故障診斷技術及其關鍵問題 第2章 風電滾動軸承振動信號的小波消噪 2 1 引言 2 2 風電軸承振動信號的小波消噪法 2 2 1 小波變換基礎理論 2 2 2 基於小波變換的消噪方法 2 2 3 基於風電軸承振動信號的自適應閾值小波消噪法 2 3 自適應閾值小波消噪模擬分析 2 3 1 模擬信號的自適應閾值小波消噪 2 3 2 軸承振動信號的自適應閾值小波消噪 2 4 小結 第3章 風電滾動軸承振動信號的故障特徵提取 3 1 時域故障特徵提取方法 3 1 1 相關分析故障特徵提取方法 3 1 2 相關分析故障特徵提取方法模擬分析 3 2 頻域故障特徵提取方法 3 2 1 頻域故障特徵提取方法 3 2 2 頻域故障特徵提取方法模擬分析 3 3 基於小波變換譜分析的故障特徵提取方法 3 3 1 基於小波變換譜分析方法 3 3 2 基於小波變換譜分析的故障特徵提取方法模擬分t 3 4 EMD故障特徵提取方法 3 4 1 EMD故障特徵提取方法 3 4 2 EMD故障特徵提取方法模擬分析 3 5 VMD故障特徵提取方法 3 5 1 VMD故障特徵提取方法 3 5 2 VMD故障特徵提取方法模擬分析 3 6 雙譜分析故障特徵提取方法 3 6 1 高階譜與雙譜 3 6 2 雙譜估計演算法 3 6 3 模擬分析 3 7 小結 第4章 風電滾動軸承的故障模式識別 4 1 引言 4 1 1 模式識別 4 1 2 模式識別的基本方法 4 2 模糊聚類分析法 4 2 1 模式相似度 4 2 2 聚類準則 4 3 基於二值雙譜特徵的模糊聚類故障模式識別 4 3 1 構造二值雙譜特徵目標模板 4 3 2 鄰近分類器的設計 4 3 3 模糊聚類演算法 4 3 4 模擬分析 4 4 基於KF-PP分析的風電軸承故障模式識別 4 4 1 基於KF-PP分析的模式識別方法 4 4 2 KF-PP方法的具體步驟及演算法 4 4 3 模擬分析 4 5 小結 第5章 風電滾動軸承聲學雜訊與振動的關係分析 5 1 引言 5 2 雜訊和振動的關係 5 2 1 雜訊和振動的本質關係 5 2 2 滾動軸承雜訊和振動的關係 5 3 基於灰色系統理論的雜訊和振動相關性分析 5 3 1 灰色系統理論概述 5 3 2 灰色關聯度分析 5 3 3 基於灰色系統理論的雜訊和振動相關性分析 5 4 基於GA—SVR的振動預測雜訊方法 5 4 1 支持向量機 5 4 2 遺傳演算法 5 4 3 基於遺傳演算法的支持向量機回歸方法 5 5 基於遺傳演算法的支持向量機回歸的預測方法模擬分析 5 6 小結 第6章 風電聲學雜訊的測量和預測 6 1 引言 6 2 風電機組雜訊產生機理 6 2 1 風力發電機組的雜訊來源 6 2 2 風力發電機組的雜訊輻射和傳播 6 2 3 風力發電機組雜訊的頻譜和評價 6 3 聲學雜訊的測量 6 3 1 雜訊的物理量度 6 3 2 雜訊的疊加與相減 6 3 3 風電機組雜訊測量儀器 6 3 4 風力發電機組雜訊檢測的標準 6 3 5 風力發電機組雜訊測試的方案設計 6 4 基於回歸分析與BP神經網路的風電機組雜訊預測 6 4 1 回歸分析法 6 4 2 神經網路分析法 6 4 3 回歸分析與BP神經網路相結合的分析方法 6 4 4 模擬分析 6 5 多元數據融合和信息熵的風電機組雜訊預測 6 5 1 多源數據融合技術 6 5 2 信息熵 6 5 3 改進GA SVR的特徵級數據融合氣動雜訊預測 6 6 小結 附錄 附表1 滾動軸承故障模擬實驗的振動測量數據 附表2 20 kW永磁同步風電機組振動與雜訊相關性分析實驗數據 參考文獻 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
