隨著我國能源戰(zhàn)略的不斷調(diào)整，現(xiàn)代能源體系正邁入安全、清潔、高效的低碳時代。一方面，常規(guī)水電和抽水蓄能迎來新的發(fā)展機遇，裝機規(guī)�？焖僭鲩L；另一方面，為消納風(fēng)電、太陽能、海洋能等新能源并網(wǎng)時給電網(wǎng)帶來的沖擊，水電能源將承擔(dān)更多的調(diào)峰、調(diào)頻任務(wù)，同時，為切實解決新能源背景下的棄風(fēng)、棄水、棄光等問題，對水電的運行與管理提出了更高的要求。而水電機組作為水電能源轉(zhuǎn)換的關(guān)鍵設(shè)備，正朝著復(fù)雜化、巨型化方向發(fā)展，各部件間的耦合作用更加強烈，由此帶來機組振動信號的非線性與非平穩(wěn)性不斷增強，尤其是故障與征兆間的映射關(guān)系更為復(fù)雜。對此，傳統(tǒng)的狀態(tài)監(jiān)測與故障診斷方法已難以很好地滿足新形勢下的水電機組運行分析需求，迫切需要研究新的理論與方法，譬如在監(jiān)測系統(tǒng)采集到的水電機組實際運行數(shù)據(jù)基礎(chǔ)上，探索新的信號分析與故障診斷方法，以提高狀態(tài)監(jiān)測與故障診斷的分析精度，進(jìn)而提升水電機組的運行穩(wěn)定性。
本書在深入分析水電機組振動故障機理的基礎(chǔ)上，針對實際課題——水電機組振動信號處理與故障診斷中存在的若干問題，結(jié)合自適應(yīng)信號處理、模型參數(shù)盲辨識、人工智能等交叉學(xué)科的理論與方法，圍繞水電機組振動信號分析、非平穩(wěn)故障特征提取、智能故障診斷以及狀態(tài)趨勢預(yù)測等展開了系統(tǒng)性的研究工作，相關(guān)結(jié)論可為水電機組的運行與管理提供一定的工程應(yīng)用指導(dǎo)。全書共分為8章，其中第2～5章為理論篇，主要介紹相關(guān)理論與方法；第6～8章為實踐篇，主要介紹水電機組振動故障診斷及狀態(tài)趨勢預(yù)測模型與方法。
第1章為緒論，圍繞所要研究的主要內(nèi)容論述了背景與意義；闡述了水電機組在不同振源激勵作用下的振動故障機理；結(jié)合工程實際應(yīng)用中水電機組狀態(tài)監(jiān)測與故障診斷時的故障信號特點及分析需求，對當(dāng)前較為常用的信號處理與特征提取方法的優(yōu)勢與不足做了詳細(xì)分析；同時，對主流故障模式識別方法的優(yōu)勢和劣勢也進(jìn)行了綜合性論述。
第2章為水電機組振動信號處理理論與方法，詳細(xì)闡述了短時傅里葉變換、小波變換、經(jīng)驗?zāi)�態(tài)分解、集成經(jīng)驗?zāi)�態(tài)分解、局部均值分解、變分模態(tài)分解等非平穩(wěn)信號處理方法，為后續(xù)故障診斷與狀態(tài)趨勢預(yù)測研究提供理論基礎(chǔ)。
第3章為水電機組振動故障特征提取理論與方法，闡述了時域和頻域特征提取、基于多種熵的特征提取，以及基于模型參數(shù)辨識的特征提取等方法，并進(jìn)一步分析了基于主元分析的特征選擇方法，以充分表征水電機組運行狀態(tài)的特征信息。
第4章為水電機組智能故障診斷理論與方法，闡述了基于規(guī)則的診斷推理與基于數(shù)據(jù)驅(qū)動的故障模式識別方法，為后續(xù)故障診斷提供技術(shù)支持。
第5章為水電機組狀態(tài)趨勢預(yù)測理論與方法，闡述了時序分析、自適應(yīng)模糊神經(jīng)系統(tǒng)、支持向量回歸、最小二乘支持向量機回歸、極限學(xué)習(xí)機等預(yù)測方法，為后續(xù)章節(jié)的狀態(tài)趨勢預(yù)測提供理論基礎(chǔ)。
第6章為水電機組振動信號降噪研究，探索了普通信號與噪聲信號的自相關(guān)函數(shù)特點，定義了歸一化自相關(guān)函數(shù)的能量集中度指標(biāo)，提出了基于經(jīng)驗?zāi)�態(tài)分解(EMD)與自相關(guān)函數(shù)的水電機組振動信號降噪方法；同時提出了基于集成經(jīng)驗?zāi)�態(tài)分解(EEMD)與近似熵的水電機組振動信號降噪方法；進(jìn)一步為有效提升強背景噪聲與復(fù)雜電磁干擾下水電機組振動信號的分析精度，引入Hankel矩陣變換與奇異值分解技術(shù)，提出了一種基于增強變分模態(tài)分解（VMD）相關(guān)分析的水電機組振動信號降噪方法，推求了有效模態(tài)分量選擇的能量集中度指標(biāo)邊界，實現(xiàn)了水電機組振動信號的降噪分析。
第7章為水電機組振動故障診斷方法研究，針對水電機組多重激勵耦合作用下故障類別與征兆間映射關(guān)系難以精確描述的問題，融合時序模型在處理復(fù)雜動力系統(tǒng)參數(shù)盲辨識時的優(yōu)勢與變分模態(tài)分解的非平穩(wěn)信號處理能力，提出了一種基于多元自回歸模型參數(shù)盲辨識的非平穩(wěn)故障特征提取方法；進(jìn)一步為提升故障診斷精度，提出了基于排列熵特征與混沌量子正弦余弦算法(SCA)優(yōu)化SVM的故障診斷模型；針對水電機組故障診斷面臨的樣本分布不均勻與數(shù)量傾斜問題，充分融合支持向量數(shù)據(jù)描述(SVDD)的學(xué)習(xí)能力與K近鄰方法的鄰域刻畫優(yōu)勢，引入考慮局部密度與各類樣本規(guī)模的復(fù)合權(quán)重，構(gòu)建了基于相對距離模糊閾值和K近鄰的決策規(guī)則，提出了一種基于權(quán)重SVDD與模糊自適應(yīng)閾值決策的故障診斷模型，有效提升了水電機組振動故障診斷的精度。
第8章為水電機組非線性狀態(tài)趨勢預(yù)測研究，分析了開展水電機組狀態(tài)趨勢預(yù)測研究的可行性，構(gòu)建了基于頻率與能量相似性的聚合策略，進(jìn)而建立了基于集成經(jīng)驗?zāi)�態(tài)分解與支持向量回歸的預(yù)測模型；推求了預(yù)測建模下變分模態(tài)分解的最優(yōu)分解參數(shù)，提出了一種基于最優(yōu)變分模態(tài)分解與優(yōu)化最小二乘支持向量機的水電機組狀態(tài)趨勢預(yù)測方法；進(jìn)一步為充分減小分量非平穩(wěn)性對預(yù)測結(jié)果的影響，結(jié)合奇異譜分解技術(shù)，提出了多尺度主導(dǎo)成分混沌分析策略，引入灰狼優(yōu)化算法并對其進(jìn)行自適應(yīng)變異改進(jìn)，提出了基于多尺度主導(dǎo)成分混沌分析與優(yōu)化核極限學(xué)習(xí)機的預(yù)測模型，實現(xiàn)了水電機組狀態(tài)趨勢的準(zhǔn)確預(yù)測。
本書作者華中科技大學(xué)周建中教授與三峽大學(xué)付文龍博士所在團(tuán)隊長期從事水電機組狀態(tài)監(jiān)測、信號處理、特征提取、故障診斷、趨勢預(yù)測等課題的理論與應(yīng)用研究。團(tuán)隊主持或承擔(dān)了多項關(guān)系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(yīng)用研究任務(wù)，其中一批成果在工程實際應(yīng)用中發(fā)揮了重要作用。本書包含了研究團(tuán)隊在相關(guān)領(lǐng)域的重要研究成果，本書的出版對豐富和發(fā)展水電機組的安全、穩(wěn)定運行理論研究的內(nèi)涵與外延具有重要的文獻(xiàn)價值，可為相關(guān)研究人員提供一定的指導(dǎo)與借鑒。
由于作者水平有限及完成時間較緊，書中難免有紕漏之處或值得商榷的地方，懇請廣大專家同行和讀者提出寶貴意見，以便再版時對相關(guān)內(nèi)容進(jìn)行調(diào)整與完善，甚為感謝。