前言
第1章 緒論
1.1 水力機組故障診斷概述
1.1.1 水力機組故障定義與分類
1.1.2 水力機組故障機理研究
1.1.3 水力機組故障診斷流程
1.2 水力機組故障診斷國內外發展狀況
1.3 水力機組故障診斷的發展趨勢
第2章 水力機組的主要故障
2.1 發電機故障
2.1.1 發電機定子故障
2.1.2 發電機轉子故障
2.1.3 發電機溫度故障
2.2 水輪機空化空蝕
2.2.1 空化空蝕機理
2.2.2 空蝕破壞程度
2.2.3 空化空蝕與磨損聯合作用
2.3 軸承故障
2.3.1 推力軸承故障
2.3.2 導軸承故障
2.4 機組振動故障
2.4.1 機械振動
2.4.2 電磁振動
2.4.3 水力振動
第3章 水力機組故障診斷原理與方法
3.1 故障診斷概述
3.1.1 故障診斷原理
3.1.2 故障診斷分類
3.2 故障信息與特征參量及提取
3.2.1 故障信息
3.2.2 故障特征參量
3.2.3 故障特征提取
3.3 故障診斷傳統識別方法
3.3.1 統計識別法
3.3.2 邏輯識別法
3.3.3 模糊識別法
3.3.4 灰色識別法
3.3.5 故障樹分析法
3.3.6 對比分析識別法
第4章 故障診斷專家系統
4.1 專家系統概述
4.1.1 專家系統的定義
4.1.2 專家系統的結構
4.1.3 專家系統的分類
4.1.4 水力機組專家系統
4.2 知識表示與獲取
4.2.1 知識表示
4.2.2 知識獲取
4.3 推理與控制策略
4.3.1 推理策略
4.3.2 控制策略
4.4 專家系統開發工具CLIPS
4.4.1 CLIPS語言基礎
4.4.2 CLIPS語言命令
4.5 專家系統的建造
4.5.1 專家系統的設計方法
4.5.2 專家系統的開發工具
第5章 機器學習故障診斷理論及算法
5.1 基于神經網絡的故障診斷理論
5.1.1 人工神經網絡的定義
5.1.2 人工神經網絡的特征
5.1.3 人工神經網絡模型
5.1.4 人工神經網絡的應用
5.2 基于深度學習算法的故障診斷理論
5.2.1 卷積神經網絡
5.2.2 受限玻爾茲曼機
5.2.3 自編碼器
5.2.4 基于深度學習算法的診斷應用
5.3 基于支持向量機的故障診斷理論
5.3.1 支持向量機概述
5.3.2 支持向量機原理
5.3.3 支持向量機核函數
5.3.4 基于支持向量機的診斷應用
第6章 水力機組診斷信息融合技術
6.1 信息融合技術概述
6.1.1 信息融合技術的發展歷史與應用領域
6.1.2 信息融合的定義
6.1.3 信息融合的層次
6.1.4 水力機組的融合診斷系統
6.2 基于D-S證據理論的信息融合診斷
6.2.1 D-S證據理論概述
6.2.2 D-S證據的基本理論
6.2.3 基于D-S證據理論的信息融合診斷一般過程
6.3 基于神經網絡的信息融合診斷
參考文獻