周建中、張勇傳、李超順編著的《水電科技前沿
研究叢書：水輪發電機組動力學問題及故障診斷原理
與方法》從水輪發電機組動力學動力過程描述、建模
理論、機組非平穩信號處理與特征提取方法、智能故
障診斷理論與方法、狀態監測與故障診斷繫統等方面
進行了全面闡述，豐富和發展了水輪發電機組動力學
建模、狀態監測與故障診斷的理論與方法體繫，並進
行了應用繫統示範。本書共分為四篇，展示了機組的
特征提取、故障智能推理、最優模式識別、監測與診
斷繫統開發等方面的研究成果，並附有豐富的算例和
繫統應用示範。《水電科技前沿研究叢書：水輪發電
機組動力學問題及故障診斷原理與方法》適合相關方
向研究人員和工程技術人員參考借鋻，也可作為研究
生掌握基礎理論和培養創新能力的讀本。

第一篇 水輪發電機組動力學
第1章 水輪發電機組動力學問題及其研究概述
1.1 水輪發電機組產生振動的因素
1.2 水輪發電機組轉子動力學問題概述
1.2.1 轉子動力學問題簡介
1.2.2 轉子動力學問題研究現狀
1.3 水輪發電機組振動分析
第2章 單一故障影響下水輪發電機組振動分析
2.1 水輪發電機組徑向振動特性分析
2.1.1 水輪發電機組徑向振動動力學模型
2.1.2 水輪發電機組徑向振動特性分析
2.2 水輪發電機組轉子不對中的振動特性分析
2.2.1 綜合不對中機組軸繫動力學模型
2.2.2 綜合不對中機組軸繫動力學特性分析
2.2.3 本節小結
2.3 水輪發電機組在軸向推力作用下的振動特性分析
2.3.1 踫摩轉子在軸向推力作用下的動力學模型
2.3.2 軸向推力作用下踫摩發電機轉子特性分析
2.3.3 本節小結
2.4 水輪發電機組非線性電磁振動特性分析
2.4.1 不平衡磁拉力的計算方法簡介
2.4.2 機組軸繫非線性動力學模型
2.4.3 機組非線性電磁振動特性分析
2.4.4 本節小結
第3章 耦合振動作用下水輪發電機組轉子動力學分析
3.1 陀螺效應下水輪發電機組的彎扭耦合振動分析
3.1.1 立式轉子彎扭耦合振動基本原理
3.1.2 單質量不平衡轉子的彎扭耦合振動
3.2 水輪發電機組聯軸器不對中彎扭耦合振動分析
3.2.1 固定式剛性聯軸器平行不對中
3.2.2 可移式剛性聯軸器平行不對中
3.3 水輪發電機組踫摩彎扭耦合振動分析
3.3.1 踫摩轉子彎扭耦合振動動力學模型
3.3.2 踫摩轉子彎振和扭振特性分析
第二篇 信號處理與軸心軌跡特征提取
第4章 信號分析及特征提取
4.1 傳統信號分析方法
4.1.1 時域信號分析
4.1.2 振動信號的頻域分析
4.1.3 傳統信號分析方法存在的問題
4.2 小波變換
4.2.1 小波和小波變換
4.2.2 多分辨分析
4.3 Hilbert-Huang變換
4.3.1 經驗模態分解
4.3.2 Hilbert譜分析
4.4 微弱信號混沌振子檢測原理
4.4.1 混沌振子基本檢測原理
4.4.2 混沌振子檢測微弱信號的頻率和相位
4.4.3 信息融合與混沌振子檢測微弱信號幅值
4.4.4 加權平均融合與混沌振子檢測微弱信號幅值
4.4.5 基於信息融合技術的混沌振子狀態識別
4.4.6 信息融合與混沌振子在故障診斷中的應用
第5章 軸心軌跡自動識別方法
5.1 水輪發電機組軸心軌跡的特點
5.1.1 軸心軌跡形狀信息在故障診斷繫統中的作用
5.1.2 軸心軌跡自動識別方法分析
5.1.3 水輪發電機組軸心軌跡的特點
5.2 軸心軌跡自動識別原理
5.2.1 小波提純原理
5.2.2 軸心軌跡圖形特征提取
5.2.3 軸心軌跡形狀特征自動識別的常規方法
5.2.4 神經網絡原理
5.3 基於PJFMIs不變矩的軸心軌跡識別
5.3.1 Pseudo-Jacobi（p=4,q=3）-Fourier矩（PJFMIs）
5.3.2 Pseudo-Jacobi（p=4,q=3）-Fourier不變矩（PJFMIs）
5.3.3 PJFMs的快速算法
5.3.4 PJFMIs提取軸心軌跡特征
5.3.5 神經網絡及其參數選擇
5.4 基於快速變換的軸心軌跡識別
5.4.1 現代智能算法
5.4.2 基於Haar正交矩陣的夾角識別
5.4.3 基於幾何特征和Fourier描繪子的軸心軌跡識別
5.4.4 基於Walsh描繪子和支持向量機的軸心軌跡識別
5.5 基於混合神經網絡的軸心軌跡自動識別
5.5.1 引言
5.5.2 脈衝耦合神經網絡
5.5.3 基於脈衝耦合神經網絡融合的軸心軌跡特征提取
第三篇 水輪發電機組智能故障診斷方法
第6章 水輪發電機組的支持向量機故障診斷方法
6.1 支持向量機基本理論
6.1.1 統計學習理論
6.1.2 機器學習的本質
6.1.3 結構風險*小化
6.1.4 支持向量機
6.2 基於支持向量機的水輪發電機組振動故障分類研究
6.2.1 *小二乘支持向量機
6.2.2 基於*小二乘支持向量機的故障分類模型
6.2.3 水輪發電機組振動故障分類識別
6.3 基於遺傳算法的支持向量機模型參數選擇
6.3.1 遺傳算法
6.3.2 GA-LSSVM預測模型參數選擇
6.3.3 實例分析
6.4 基於支持向量機的水輪發電機組狀態預測研究
6.4.1 預測方法概述
6.4.2 基於小波與*小二乘支持向量機的集成預測模型
6.4.3 預測方法評價準則和誤差評價函數
6.4.4 水輪發電機組振動狀態預測分析
第7章 水輪發電機組的Bayes網絡故障診斷方法
7.1 Bayes網絡的基本理論
7.1.1 Bayes理論的基本思想
7.1.2 Bayes網絡的基本理論
7.2 PPTC概率推理算法的優化與實現
7.2.1 PPTC算法中的基本概念
7.2.2 聯合樹及其構造方法
7.2.3 PPTC算法的概率推理
7.2.4 PPTC算法實現中的優化
7.3 基於Bayes網絡的水輪發電機組狀態檢修繫統
7.3.1 基於Bayes網絡的知識表示
7.3.2 基於Bayes網絡的專家繫統建模
7.3.3 專家繫統的推理機制
7.3.4 專家繫統的應用與分析
7.3.5 基於Bayes網絡的水輪發電機組檢修策略
7.3.6 基於Bayes網絡的檢修決策繫統
7.4 水輪發電機組狀態檢修繫統的知識獲取
7.4.1 Bayes學習理論
7.4.2 完整數據集下的Bayes網絡參數學習
7.4.3 不完整數據下的參數學習
7.4.4 基於*大信息熵的學習算法ME算法
7.4.5 ME算法與EM算法的性能分析
第8章 基於信息融合技術的故障集成診斷
8.1 基於快速變換的故障信號分類
8.1.1 故障信號快速變換
8.1.2 快速變換基於Fisher準則的*優選取
8.2 基於熵權理論和信息融合技術的水輪發電機組振動故障診斷
8.2.1 灰色關聯原理
8.2.2 熵權理論
8.2.3 基於證據的信息融合理論
8.2.4 基於熵權理論和信息融合技術的水輪發電機組故障診斷
8.2.5 應用實例
8.3 基於粗糙集和信息融合技術的水輪發電機組振動故障診斷
8.3.1 基於粗糙集和證據理論的故障診斷
8.3.2 水輪機調速繫統故障診斷實例
第四篇 狀態監測與故障診斷繫統
第9章 水輪發電機組運行狀態監測
9.1 機組工況參數監測
9.2 機組穩定性監測
9.2.1 機組穩定性監測內容
9.2.2 機組穩定性監測技術
9.3 發電機狀態監測
9.3.1 發電機狀態監測內容
9.3.2 發電機狀態監測技術
9.4 水輪機空化空蝕監測
9.4.1 空化空蝕監測目的和原理
9.4.2 水輪機空化空蝕監測技術
9.5 主變壓器狀態監測
9.5.1 油色譜分析
9.5.2 油色譜分析診斷方法
9.6 水輪發電機組振動、擺度狀態監測繫統實例
9.6.1 繫統總體框架
9.6.2 繫統各部分功能概述
9.6.3 DSP信號處理板設計
9.6.4 信息分析功能要求
9.6.5 數據庫要求
9.6.6 決策繫統
**0章 分布式遠程故障診斷繫統工程應用
10.1 分布式遠程故障診斷繫統結構
10.2 專家繫統設計及基本診斷方法
10.2.1 繫統結構
10.2.2 知識庫模塊設計
10.2.3 推理機模塊設計
10.2.4 解釋器模塊設計
10.2.5 自學習機模塊設計
10.3 故障樹診斷方法
10.3.1 故障樹分析基礎
10.3.2 故障樹子繫統結構
10.3.3 故障樹管理維護模塊
10.3.4 故障樹分析模塊
10.3.5 故障樹診斷模塊
10.4 基於案例的故障診斷算法模型
10.4.1 繫統結構
10.4.2 故障征兆提取模塊設計
10.4.3 案例庫模塊設計
10.4.4 檢索機制模塊設計
10.4.5 解釋器模塊設計
10.4.6 案例庫的學習與維護模塊設計
10.5 多診斷方法的決策融合及應用
10.6 展望
參考文獻