新書推薦：
《
银元时代生活史
》
售價：HK$
105.6
《
大唐兴衰三百年3：从女主当国到开元盛世
》
售價：HK$
69.6
《
直击核心：通向卓越教练之路的革命性方法
》
售價：HK$
117.6
《
高性能储能器件电解质：设计、制备与应用
》
售價：HK$
105.6
《
四时如意 国风纹样线描涂色集
》
售價：HK$
59.8
《
活下去才是硬道理：华为的36条生存法则
》
售價：HK$
93.6
《
森林：保护6万种树木的家
》
售價：HK$
86.4
《
数字经济：“数字中国”顶层规划与实践路径
》
售價：HK$
82.8
|
| 編輯推薦： |
|
本书针对电力设备状态监测，立足于传统状态监测方法，深入探讨状态特征的提取方法；同时，致力于研究基于深度学习的电力设备运行状态智能监测方法，首次将振动状态识别与深度学习方法进行结合论述，详细研究探索了用于振动状态识别的深度学习模型结构、融合特征学习、图像化识别诊断等关键问题。本书将对振动状态监测的智能化、信息化等研究工作提供参考。
|
| 內容簡介： |
本书针对电力设备状态监测，立足于传统状态监测方法，深入探讨状态特征的提取方法；同时，致力于研究基于深度学习的电力设备运行状态智能监测方法，首次将振动状态识别与深度学习方法进行结合论述，详细研究探索了用于振动状态识别的深度学习模型结构、融合特征学习、图像化识别诊断等关键问题。
本书可供从事振动状态监测智能化、信息化的研究人员参考。
|
| 關於作者： |
|
华北电力大学能动学院教师，主要讲授本科生课程《电站设备故障诊断》、《风力发电原理》、研究生课程《检测技术》，主要研究方向为电站设备状态监测、综合能源系统
|
| 目錄：
|
第1章概述
1.1状态监测的意义
1.2国内外研究现状
1.3主要研究内容
第2章振动特征提取及诊断方法
2.1电力设备振动机理
2.2振动信号分类、描述与采集
2.3振动信号特征提取
2.4基于机器学习的状态识别方法
第3章基于KL-HVD的信号特征提取方法
3.1虚假分量问题
3.2基于KL散度的HVD虚假分量识别方法
3.3基于KL-HVD的实验研究
3.4小结
第4章基于深度学习的状态监测方法
4.1深度学习与大数据
4.2基于CNN图像识别的状态识别方法
4.3实验研究
4.4小结
第5章基于一维卷积神经网络的振动状态识别
5.11D-CNN方法
5.2基于1D-CNN的状态识别方法及模型研究
5.3基于最优感知野的卷积核尺度优化研究
5.4实验研究
5.5小结
第6章基于融合特征深度学习的振动状态识别
6.1基于融合特征深度学习的状态识别方法
6.2多特征向量卷积神经网络
6.3实验研究
6.4小结
第7章基于全局-局部特征深度学习的振动状态识别
7.1前置全连接深度神经网络方法
7.2基于FV-DNN的振动状态识别方法及模型
7.3实验研究
7.4小结
第8章结论与展望
8.1结论
8.2展望
参考文献
|
| 內容試閱：
|
|
机械状态监测与故障诊断是一门起源于20世纪的传统学科，通过对连续运行机械设备的状态进行监测、诊断和预示保障设备安全运行，在机械、能源、航空、石化和冶金等行业中发挥了巨大作用。机械状态监测与故障诊断学科突出特点是理论研究与工程实际应用紧密结合，是一门综合性的学科，涉及故障机理与征兆联系、信息获取与传感技术、信号处理与特征提取、智能决策与诊断系统等方面，经过近半个世纪的发展逐渐成熟，形成较完善的理论体系。但是，随着设备复杂化程度不断加深，故障机理研究不足、诊断方法有限和智能诊断系统薄弱等问题逐渐显现。加之大数据智慧化运行要求不断提升，“机理分析 特征提取 状态识别”的流程结构效率低、精度差的矛盾加剧。本书立足于传统状态监测方法，针对旋转设备状态监测深入探讨了状态特征的提取方法；同时，致力于研究基于深度学习的旋转设备运行状态监测方法。本书共分为8章，主要内容包括：第1章，对电力设备状态监测与故障诊断的发展进行现状分析。第2章，以汽轮发电机组、风力发电机组等电力设备为对象，分别对其振动机理、故障类别进行了系统性总结；相应地研究了振动模拟实验平台的搭建；从数据采集、信号基础等角度对设备振动状态监测进行了介绍，探讨时域、幅域、频域、时频分析以及图像特征提取方法。第3章，对信号处理及故障特征提取方法进行探讨，重点研究HVD时频分析方法在特征提取中的应用，并针对其虚假分量问题提出基于KL-HVD的状态特征提取方法。第4章，对基于深度学习的状态监测方法展开详细理论与应用研究，提出了基于CNN图像识别的振动状态识别方法，并针对振动轴心轨迹图、SDP图、SDP融合特征图搭建CNN识别模型，通过实验研究各模型的识别精度。第5章，针对一维振动信号识别问题，提出1D-CNN的状态识别方法，并重点研究了卷积核尺度的选取，提出基于卷积核尺度与信号匹配的卷积核尺度优化方法，确定模型的最优感知野。第6章，针对识别对象信息不完备问题，提出基于融合特征深度学习的振动状态识别方法，研究搭建了多向量深度卷积神经网络模型(MV-CNN)，并将多测点、多模态振动信号作为MV-CNN学习对象，提升学习信息的完备性。第7章，针对全局特征学习不足问题，提出全局-局部特征融合的深度学习方法，研究搭建前置全连接深度网络(FV-DNN)，实现了全局与局部特征的统一学习，提高了模型识别精度。第8章，对全书内容进行总结，并对未来的研究工作进行了展望。本书有幸得到了华北电力大学“双一流”建设项目、河北省自然科学基金的资助，特此致谢！本书在撰写过程得到了韩中合教授和祝晓燕教授的悉心指导。另外，本书涉及的部分理论和实验研究得到了本校智慧电力能源小组以及北京华智电科技有限公司的大力支持，并对侯栋楠、赵建宏、罗学智、刘铟、叶行飞、刘宝平、林佳伟、王瑞君、李震涛等参与项目研究的工程师、研究生表示真诚的感谢！由于作者水平有限，本书中的一些观点和方法可能还存在不妥之处，敬请各位专家和读者予以批评和指正！
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
