返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 压缩机故障现代诊断理论、方法及应用 段礼祥,张来斌,梁伟 著 专业科技 文轩网
  • 新华书店正版
    • 作者: 段礼祥,张来斌,梁伟著
    • 出版社: 科学出版社
    • 出版时间:2019-10-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: 段礼祥,张来斌,梁伟著
    • 出版社:科学出版社
    • 出版时间:2019-10-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2019-09-01
    • 字数:585000
    • 页数:464
    • 开本:B5
    • 装帧:平装
    • ISBN:9787030623317
    • 国别/地区:中国
    • 版权提供:科学出版社

    压缩机故障现代诊断理论、方法及应用

    作  者:段礼祥,张来斌,梁伟 著
    定  价:228
    出 版 社:科学出版社
    出版日期:2019年09月01日
    页  数:464
    装  帧:精装
    ISBN:9787030623317
    主编推荐

    内容简介

    《压缩机故障现代诊断理论、方法及应用》基于作者团队在压缩机故障诊断方面积累的近20余年研究成果与*新研究进展编写而成。内容包括离心压缩机叶片的叶尖定时监测诊断、往复压缩机早期故障的提升小波诊断、压缩机耦合故障的信息熵融合诊断、数据集不均衡下的压缩机故障诊断、变工况下压缩机故障的迁移诊断、压缩机故障的振动与红外融合诊断、压缩机诊断标准的自适应建立、压缩机状态退化预测和故障预后、压缩机关键部件故障的仿真诊断、压缩机智能诊断,以及监测诊断技术在压缩机上的典型应用。

    作者简介

    精彩内容

    目录
    丛书序前言
    章绪论1
    1.1压缩机在工业中的地位和作用1
    1.2压缩机故障诊断的目标和特点4
    1.3压缩机监测诊断研究及应用现状6
    1.3.1监测信号与传感技术6
    1.3.2故障机理与征兆联系7
    1.3.3信号处理与特征提取8
    1.3.4智能诊断与决策方法9
    1.3.5商业化的监测诊断系统10
    参考文献10
    第2章离心压缩机叶片的叶尖定时监测诊断13
    2.1高速旋转叶片监测技术概述13
    2.1.1旋转叶片监测技术研究现状13
    2.1.2叶尖定时监测技术研究现状13
    2.1.3叶尖定时监测技术存在的问题14
    2.2叶尖定时监测技术的原理15
    2.2.1叶尖定时监测技术基本原理15
    2.2.2叶尖定时传感器16
    2.2.3叶片振动参数辨识方法18
    2.3欠采样叶尖定时信号的稀疏度自适应重构方法20
    2.3.1叶尖定时监测系统采样模型20
    2.3.2欠采样叶尖定时信号的稀疏度自适应重构方法21
    2.3.3数值建模及实验验证23
    2.4噪声干扰下叶尖定时信号降噪及方波整形算法25
    2.4.1叶尖定时监测系统误差分析25
    2.4.2噪声干扰条件下叶尖定时信号准确提取方法30
    2.4.3方波整形算法33
    2.4.4实验验证39
    2.5变转速叶片的多键相振动监测方法41
    2.5.1变转速下叶片振动监测存在的挑战41
    2.5.2变转速下多键相振动监测原理42
    2.5.3基于多键相的叶片振动位移测量方程44
    2.5.4基于数值建模及动力学仿真的方法验证45
    参考文献51
    第3章往复压缩机早期故障的提升小波诊断53
    3.1往复压缩机早期故障诊断的难点53
    3.2提升小波的原理54
    3.3非抽样提升小波包的构造59
    3.4基于非抽样提升小波包的频率混叠消除原理63
    3.5基于Volterra级数的边界振荡抑制66
    3.6非抽样提升小波包与奇异值分解相结合的信号降噪72
    3.7非抽样提升多小波包变换75
    3.7.1提升多小波理论75
    3.7.2冗余提升多小波包变换76
    3.8基于提升小波与混沌理论的往复压缩机状态评级79
    3.8.1往复压缩机缸套振动信号的混沌特性79
    3.8.2往复压缩机状态评级91
    参考文献95
    第4章压缩机耦合故障的信息熵融合诊断97
    4.1压缩机常见耦合故障及其特点97
    4.1.1压缩机常见耦合故障97
    4.1.2压缩机耦合故障振动信号特征98
    4.2压缩机耦合故障诊断的难点与思路98
    4.2.1压缩机耦合故障诊断难点98
    4.2.2压缩机耦合故障诊断的思路99
    4.3信息熵融合诊断理论101
    4.3.1信息熵基本理论101
    4.3.2信息熵故障分析方法101
    4.4压缩机振动信号的信息熵特征103
    4.4.1时域奇异谱熵103
    4.4.2自相关特征熵104
    4.4.3频域功率谱熵104
    4.4.4小波空间状态特征谱熵和小波能谱熵105
    4.4.5小波包特征熵106
    4.5压缩机故障信息的盲源分离增强方法106
    4.5.1盲源分离的基本数学模型107
    4.5.2稳健独立分量分析方法108
    4.5.3基于稳健独立分量分析的转子仿真信号与实验信号分析112
    4.5.4工程应用-基于稳健独立分量分析的离心压缩机叶轮故障诊断119
    4.6压缩机耦合故障的波动熵诊断模型124
    4.6.1波动熵特征敏感变换域的确定125
    4.6.2波动度及波动熵特征的计算125
    4.6.3基于波动熵的耦合故障诊断方法126
    参考文献127
    第5章数据集不均衡下的压缩机故障诊断129
    5.1不均衡数据集的概念129
    5.2不均衡数据分类常用方法129
    5.3基于互信息的非监督式特征选择132
    5.3.1基于互信息的特征选择132
    5.3.2基于互信息的非监督式特征选择方法原理133
    5.3.3工程应用135
    5.4不均衡数据的SMOTE上采样算法142
    5.4.1SMOTE算法142
    5.4.2SMOTE算法中采样率的实验分析144
    5.4.3压缩机气阀少数类样本的采样率分析148
    5.5基于样本不均衡度的加权C-SVM分类算法156
    5.5.1加权C-SVM分类算法简介156
    5.5.2加权C-SVM算法性能分析157
    5.6基于PSO和GA算法的加权C-SVM分类模型159
    5.6.1粒子群优化算法160
    5.6.2基于PSOA的加权C-SVM分类器162
    5.6.3遗传算法166
    5.6.4基于PSOA和GA的加权C-SVM分类模型应用168
    参考文献171
    第6章变工况下压缩机故障的迁移诊断173
    6.1变工况下压缩机诊断的难题173
    6.2迁移学习与领域自适应学习174
    6.3符号近似聚合和关联规则相结合的变工况下故障特征挖掘方法177
    6.3.1关联规则及其在信号特征挖掘中的应用177
    6.3.2适用于信号特征挖掘的Apriori算法178
    6.3.3基于等概率关联规则挖掘方法179
    6.3.4特征挖掘案例分析183
    6.4基于领域自适应的变工况齿轮箱迁移诊断188
    6.4.1边缘降噪编码器189
    6.4.2卷积神经网络190
    6.4.3AMDA特征学习模型191
    6.4.4实验分析193
    6.5迁移诊断模型稳定性和适应性定量分析199
    6.5.1目标工况正常样本不同比例辅助数据性能分析200
    6.5.2目标工况三类状态数据样本辅助数据性能分析204
    6.5.3迁移率定义和计算208
    参考文献210
    第7章压缩机故障的振动与红外融合诊断212
    7.1振动与红外融合的目的与意义212
    7.2红外图像用于故障诊断的机理212
    7.2.1红外成像原理212
    7.2.2红外图像特点213
    7.2.3红外图像特征提取214
    7.2.4实例分析217
    7.3红外图像故障信息的非下采样轮廓变换增强方法223
    7.3.1非下采样轮廓变换方法223
    7.3.2基于NSCT的红外图像增强方法228
    7.3.3基于粒子群优化的增强参数确定方法230
    7.3.4实例分析232
    7.4图像分割与故障敏感区域选择235
    7.4.1基于网格划分的图像分割方法235
    7.4.2基于离散度分析的敏感区域选取238
    7.4.3实例分析239
    7.5基于卷积神经网络的压缩机振动与红外融合诊断方法243
    7.5.1基于相关分析的异类信息融合244
    7.5.2卷积神经网络247
    7.5.3基于相关分析与卷积神经网络结合的故障诊断251
    7.5.4基于红外图像与振动信号融合的故障诊断实例分析252
    参考文献256
    第8章压缩机诊断标准的自适应建立方法258
    8.1压缩机诊断标准的适应性问题258
    8.2压缩机组故障模式库的建立259
    8.2.1压缩机组故障模式库的内容259
    8.2.2故障模式库制定依据259
    8.2.3压缩机组故障模式库的建立261
    8.3压缩机个性化标准库的建立方法261
    8.3.1个性化标准库的建立步骤261
    8.3.2离心压缩机个性化标准库的建立262
    8.4压缩机诊断标准库的动态更新方法266
    8.5变速压缩机振动阈值报警模型267
    8.5.1RVM基本理论267
    8.5.2基于RVM的阈值模型构建268
    8.6变工况压缩机诊断标准建立与验证269
    8.6.1丙烷压缩机工作原理和现状统计269
    8.6.2变工况丙烷压缩机组振动标准建立272
    8.6.3实例分析与验证275
    8.7压缩机状态的区间特征根-模糊评估方法278
    8.7.1往复压缩机状态评估指标体系的建立279
    8.7.2区间数模糊分析评估模型279
    8.7.3往复压缩机状态评估实例分析283
    参考文献287
    第9章压缩机状态退化预测和故障预后方法289
    9.1压缩机状态预测的现状与不足289
    9.1.1压缩机状态预测技术研究现状289
    9.1.2压缩机状态预测技术的不足290
    9.2压缩机轴承性能退化的累积变换预测方法291
    9.2.1累积损伤理论与累积变换算法291
    9.2.2轴承性能退化的累积变换预测方法294
    9.2.3轴承性能退化预测实例296
    9.3大数据环境下压缩机故障的高斯-深度玻尔兹曼机预测模型306
    9.3.1高斯-深度玻尔兹曼机模型的预测原理306
    9.3.2大数据环境下的数据清洗规则307
    9.3.3高斯-深度玻尔兹曼机的预测模型构建307
    9.3.4高斯-深度玻尔兹曼机预测模型应用312
    9.4融合特征趋势进化的压缩机故障预后方法323
    9.4.1故障预后融合特征指标的提取324
    9.4.2压缩机渐变性故障的预后方法324
    参考文献329
    0章压缩机关键部件故障的仿真诊断技术331
    10.1压缩机仿真诊断的目的与意义331
    10.2关键部件载荷-强度干涉模型定量可靠性分析与优化331
    10.2.1载荷-强度干涉模型定量可靠性理论331
    10.2.2可靠性定量分析与优化理论研究334
    10.2.3基于有限元-蒙特卡洛模拟法的可靠性分析与优化理论336
    10.3压缩机关键部件的潜在失效模式及后果分析评价方法337
    10.3.1压缩机的可靠性、平均无故障时间、失效率指标分析方法337
    10.3.2压缩机潜在失效模式及后果分析可靠性评价模型的建立339
    10.3.3压缩机关键部件的潜在失效模式及后果分析可靠性分析方法研究340
    10.4压缩机关键部件故障的仿真诊断实例分析343
    10.4.1固有特性分析在压缩机关键部件故障诊断中的应用343
    10.4.2静力强度分析在压缩机关键部件故障诊断中的应用348
    10.4.3基于固有特性分析的压缩机机组振动异常诊断354
    10.4.4基于瞬态动力学分析的压缩机机组振动异常诊断361
    参考文献367
    1章压缩机智能诊断369
    11.1智能诊断概述369
    11.2压缩机故障的深度学习智能诊断方法369
    11.2.1深度学习思想369
    ……

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购