本書作者華中科技大學周建中教授與三峽大學付文龍博士所在團隊長期從事水電機組狀態監測、信號處理、特征提取、故障診斷、趨勢預測等課題的理論與應用研究。團隊主持或承擔了多項關繫到我國大型流域水利水電工程運行與管理的理論探索與應用研究任務，其中一批成果在工程實際應用中發揮了重要作用。本書包含了研究團隊在相關領域的重要研究成果，本書的出版對豐富和發展水電機組的安全、穩定運行理論研究的內涵與外延具有重要的文獻價值，可為相關研究人員提供一定的指導與借鋻。

●第1章緒論(1)
1.1水電機組故障診斷研究的背景與意義(1)
1.2水電機組振動故障機理(2)
1.2.1水力激勵振動(3)
1.2.2機械激勵振動(3)
1.2.3電磁激勵振動(4)
1.3水電機組信號處理與特征提取研究方法綜述(5)
1.3.1信號處理方法(5)
1.3.2特征提取方法(8)
1.4水電機組智能故障診斷研究方法綜述(9)
1.4.1基於規則的診斷推理(10)
1.4.2基於數據驅動的故障模式識別(11)
1.4.3基於序列建模的故障預測(12)
理論篇故障診斷及狀態趨勢預測理論與方法
第2章水電機組振動信號處理理論與方法(16)
2.1短時傅裡葉變換(16)
2.2小波變換(17)
2.2.1小波和小波變換(18)
2.2.2常見的小波基函數(20)
2.3經驗模態分解與集成經驗模態分解(22)
2.3.1經驗模態分解(22)
2.3.2集成經驗模態分解(24)
2.4局部均值分解(25)
2.5變分模態分解(27)
第3章水電機組振動故障特征提取理論與方法(30)
3.1時域、頻域特征提取(30)
3.1.1時域特征(30)
3.1.2頻域特征(32)
3.2基於熵的特征提取(33)
3.2.1信息熵(34)
3.2.2能量熵(34)
3.2.3近似熵(35)
3.2.4樣本熵(37)
3.2.5排列熵(38)
3.2.6多尺度熵(39)
3.3基於模型參數辨識的特征提取(40)
3.4分析的特征選擇(41)
第4章水電機組智能故障診斷理論與方法(43)
4.1基於規則的診斷推理(43)
4.1.1故障樹(43)
4.1.2專家繫統(44)
4.2基於數據驅動的故障模式識別(45)
4.2.1神經網絡(45)
4.2.2支持向量機(49)
4.2.3最小二乘支持向量機(52)
4.2.4支持向量數據描述(54)
4.2.5極限學習機(56)
第5章水電機組狀態趨勢預測理論與方法(59)
5.1時序分析(59)
5.1.1AR模型(59)
5.1.2MA模型(60)
5.1.3ARMA模型(60)
5.2自適應模糊神經繫統(60)
5.3支持向量回歸(62)
5.4最小二乘支持向量機回歸(63)
5.5極限學習機(64)
實踐篇水電機組振動故障診斷及狀態趨勢預測應用
第6章水電機組振動信號降噪研究(66)
6.1基於EMD與自相關函數的水電機組振動信號降噪研究(66)
6.1.1EMD降噪(66)
6.1.2自相關函數(67)
6.1.3基於EMD與自相關函數的降噪方法(67)
6.1.4仿真試驗與實例分析(69)
6.2基於EEMD與近似熵的水電機組振動信號降噪研究(75)
6.2.1EEMD降噪(75)
6.2.2近似熵降噪(75)
6.2.3基於EEMD與近似熵的降噪方法(75)
6.2.4仿真試驗與實例分析(76)
6.3基於增強VMD相關分析的水電機組振動信號降噪研究(81)
6.3.1SVD濾波(81)
6.3.2VMD降噪(82)
6.3.3基於增強VMD相關分析的降噪方法(83)
6.3.4仿真試驗與實例分析(84)
第7章水電機組振動故障診斷方法研究(92)
7.1自回歸模型參數盲辨識的非平穩故障特征提取(93)
7.1自回歸模型(93)
7.1.2基於VMD-MAR模型參數盲辨識的非平穩故障特征提取(94)
7.1.3實例分析(94)
7.2基於排列熵特征與混沌量子正弦餘弦算法優化SVM的故障診斷(101)
7.2.1混沌量子正弦餘弦算法(101)
7.2.2基於混沌量子正弦餘弦算法優化SVM的模式識別(104)
7.2.3基於VMD排列熵與混沌量子正弦餘弦算法優化SVM的故障診斷(106)
7.2.4工程應用(107)
7.3基於權重SVDD與模糊自適應閾值決策的故障診斷(113)
7.3.1K近鄰方法(114)
7.3.2權重SVDD(114)
7.3.3模糊自適應閾值決策(116)
7.3.4基於權重SVDD與模糊自適應閾值決策的故障診斷模型(118)
7.3.5研究試驗與實例分析(119)
第8章水電機組非線性狀態趨勢預測研究(125)
8.1狀態趨勢預測的可行性分析(126)
8.1.1水電機組狀態的發展特性(126)
8.1.2非線性行為分析(126)
8.1.3序列的可預測性(127)
8.2基於聚合EEMD與SVR的水電機組狀態趨勢預測(127)
8.2.1聚合EEMD基本原理(128)
8.2.2基於聚合EEMD與SVR的狀態趨勢預測(129)
8.2.3應用實例(130)
8.3基於很優變分模態分解與優化最小二乘支持向量機的水電機組狀態趨勢預測(141)
8.3.1很優變分模態分解(141)
8.3.2基於OVMD和CSCA-LSSVM的機組狀態趨勢預測(141)
8.3.3應用實例(142)
8.4基於多尺度主導成分混沌分析的水電機組狀態趨勢預測(150)
8.4.1多尺度主導成分混沌分析(151)
8.4.2核極限學習機(151)
8.4.3自適應變異灰狼優化算法(152)
8.4.4基於多尺度主導成分混沌分析與優化核極限學習機的預測模型(156)
8.4.5應用實例(156)
參考文獻(165)

本書針對水電機組狀態監測與故障診斷研究面臨的關鍵科學與技術問題，圍繞振動信號分析、非平穩故障特征提取、智能故障診斷以及狀態趨勢預測等開展了繫統性研究工作。全書共分為8章，其中第2~5章為理論篇，主要介紹相關理論與方法；第6~8章為實踐篇，主要介紹研究所提的水電機組振動故障診斷及狀態趨勢預測模型與方法。本書適合從事信號處理、故障診斷、趨勢預測等水電機組狀態監測與故障診斷研究方向相關學科高年級本科生、研究生學習參考，也可以作為水電機組運行管理人員、相關工程技術人員和研究人員參考資料。

周建中,付文龍 著