齒輪故障智能診斷技術(shù)內(nèi)容簡介

《齒輪故障智能診斷技術(shù)》基于振動(dòng)信號(hào)和潤滑油中顆粒信號(hào)，以齒輪箱作為設(shè)備維護(hù)對(duì)象，詳細(xì)介紹了研究團(tuán)隊(duì)在齒輪故障智能診斷技術(shù)領(lǐng)域的研究成果。采取實(shí)驗(yàn)驗(yàn)證、仿真驗(yàn)證與理論分析相結(jié)合的方法，深度剖析了同步擠壓變換方法在齒輪故障智能診斷領(lǐng)域的應(yīng)用，系統(tǒng)評(píng)估了深度學(xué)習(xí)技術(shù)在齒輪故障識(shí)別中的應(yīng)用，呈現(xiàn)了基于深度學(xué)習(xí)模型的齒輪故障智能診斷技術(shù)新成果。

前言

第1章 緒論 1

1.1 齒輪故障智能診斷概述 1

1.1.1 齒輪故障主要類型 2

1.1.2 齒輪故障診斷的發(fā)展過程 3

1.2 齒輪故障智能診斷的研究內(nèi)容 5

1.2.1 齒輪故障機(jī)制研究 6

1.2.2 信號(hào)選擇和檢測機(jī)制研究 6

1.2.3 齒輪信號(hào)分析與處理方法研究 7

1.2.4 齒輪信號(hào)特征選擇研究 7

1.2.5 齒輪故障診斷的智能決策方法研究 7

1.3 齒輪故障診斷方法 8

1.3.1 基于解析模型的齒輪故障診斷方法 8

1.3.2 基于信號(hào)分析與處理的齒輪故障診斷方法 8

1.3.3 基于知識(shí)的齒輪故障診斷方法 11

1.3.4 基于感知行為的齒輪故障診斷方法 15

1.4 小結(jié) 15

參考文獻(xiàn) 15

第2章 齒輪故障信號(hào)的特征提取與選擇 20

2.1 齒輪運(yùn)行狀態(tài)信號(hào)載體 20

2.1.1 振動(dòng)信號(hào) 20

2.1.2 潤滑油中顆粒信號(hào) 22

2.1.3 聲發(fā)射信號(hào) 23

2.1.4 電流信號(hào) 24

2.1.5 溫度信號(hào) 24

2.2 故障信號(hào)特征提取方法 25

2.2.1 信號(hào)的時(shí)域分析方法 25

2.2.2 信號(hào)的頻域分析方法 30

2.2.3 信號(hào)的時(shí)頻分析方法 35

2.3 齒輪故障信號(hào)的特征選擇 41

2.3.1 特征選擇概述 42

2.3.2 過濾式特征選擇 44

2.3.3 封裝式特征選擇 45

2.3.4 嵌入式特征選擇 48

2.4 小結(jié) 48

參考文獻(xiàn) 48

第3章 基于廣義同步擠壓變換的齒輪故障識(shí)別 53

3.1 廣義同步擠壓變換原理 53

3.1.1 同步擠壓變換 54

3.1.2 廣義同步擠壓變換 55

3.2 廣義同步擠壓變換在齒輪故障中的應(yīng)用 56

3.2.1 基于廣義同步擠壓變換信號(hào)分析的齒輪箱故障診斷原理 56

3.2.2 仿真案例一 57

3.2.3 仿真案例二 64

3.2.4 實(shí)驗(yàn)測試 68

3.3 小結(jié) 73

參考文獻(xiàn) 74

第4章 基于深度學(xué)習(xí)的齒輪箱故障識(shí)別 75

4.1 深度學(xué)習(xí)概述 75

4.1.1 淺層學(xué)習(xí) 75

4.1.2 深度學(xué)習(xí)基本思想 76

4.1.3 深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò) 77

4.1.4 深度學(xué)習(xí)訓(xùn)練機(jī)制 77

4.1.5 深度學(xué)習(xí)的應(yīng)用 78

4.2 深度學(xué)習(xí)的經(jīng)典模型 79

4.2.1 自動(dòng)編碼器 79

4.2.2 稀疏自動(dòng)編碼器 82

4.2.3 受限玻爾茲曼機(jī) 83

4.2.4 深度信念網(wǎng)絡(luò) 90

4.2.5 深度玻爾茲曼機(jī) 91

4.2.6 卷積神經(jīng)網(wǎng)絡(luò) 93

4.3 經(jīng)典深度學(xué)習(xí)模型在齒輪箱故障識(shí)別中的應(yīng)用 99

4.3.1 振動(dòng)信號(hào)特征提取 100

4.3.2 實(shí)驗(yàn)平臺(tái) 102

4.3.3 卷積神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)評(píng)估 105

4.3.4 DBN、DBM、RBM和SAE實(shí)驗(yàn)評(píng)估 108

4.4 多模態(tài)深度支持向量機(jī)及其在齒輪箱故障診斷中的應(yīng)用 116

4.4.1 高斯-伯努利深度玻爾茲曼機(jī) 117

4.4.2 基于多模態(tài)同源特征的高斯-伯努利深度玻爾茲曼機(jī)分類 118

4.4.3 支持向量機(jī)多模態(tài)融合 119

4.4.4 振動(dòng)信號(hào)的多模態(tài)特征 121

4.4.5 齒輪箱故障診斷中的應(yīng)用 123

4.4.6 實(shí)驗(yàn)評(píng)估 124

4.5 小結(jié) 127

參考文獻(xiàn) 128

第5章 基于潤滑油中磨損顆粒的齒輪箱故障診斷 132

5.1 油液中磨損顆粒信號(hào)中振動(dòng)引發(fā)的干擾 132

5.2 顆粒信號(hào)中振動(dòng)信號(hào)的分離和應(yīng)用 133

5.2.1 基于積分變換的油中顆粒信號(hào)增強(qiáng) 134

5.2.2 基于小波變換的降噪和信號(hào)分離 136

5.2.3 積分和小波聯(lián)合變換過程 137

5.2.4 振動(dòng)信號(hào)靈敏度的比較實(shí)驗(yàn) 138

5.2.5 振動(dòng)監(jiān)控測試 145

5.3 基于積分增強(qiáng)經(jīng)驗(yàn)?zāi)Ｊ椒纸夂突ハ嚓P(guān)重構(gòu)的油中顆粒特征提取 147

5.3.1 經(jīng)驗(yàn)?zāi)B(tài)分解 148

5.3.2 基于EMD和高通濾波器的趨勢項(xiàng)去除 149

5.3.3 基于最大相關(guān)系數(shù)的信號(hào)重構(gòu) 151

5.3.4 實(shí)驗(yàn)分析 155

5.4 基于最優(yōu)分解小波變換的ODM信號(hào)增強(qiáng)方法 162

5.4.1 最優(yōu)分解小波變換方法 162

5.4.2 實(shí)驗(yàn)測試 168

5.5 小結(jié) 174

參考文獻(xiàn) 1742100433B

電網(wǎng)故障診斷的智能技術(shù)基于專家系統(tǒng)的故障診斷方法

Feighbaum教授 于1968年開發(fā)了第一個(gè)專家系統(tǒng)((Expert System)并且具體說明專家系統(tǒng)是一種智能的計(jì)算機(jī)程序，它通過使用知識(shí)與推理過程，求解那些需要專家的知識(shí)才能求解的高難度問題。自從70年代人們將專家系統(tǒng)引入到電網(wǎng)的故障診斷領(lǐng)域，基于該方法的故障診斷應(yīng)用較為成功。專家系統(tǒng)在電網(wǎng)故障診斷中的典型應(yīng)用可以歸結(jié)為:首先建立故障信息知識(shí)庫，并用自然語言建立產(chǎn)生式規(guī)則;然后基于對(duì)這一產(chǎn)生式規(guī)則的理解，知識(shí)工程師將知識(shí)表示成機(jī)器語言并通過人機(jī)接口儲(chǔ)存到知識(shí)庫中;故障發(fā)生時(shí)，將故障信息輸入到推理機(jī)，推理機(jī)根據(jù)當(dāng)前輸入的故障信息，運(yùn)用知識(shí)庫中的知識(shí)，按一定的策略進(jìn)行推理，從而識(shí)別出故障元件。

專家系統(tǒng)將專家的知識(shí)應(yīng)用于電網(wǎng)故障診斷，可以保證診斷系統(tǒng)的實(shí)時(shí)性和有效性，但是基于知識(shí)的本質(zhì)和實(shí)現(xiàn)故障診斷的原理沒有變，因此當(dāng)前專家系統(tǒng)還存在著不足：(1)專家知識(shí)是人為移植到計(jì)算機(jī)的，所以難以建立完備的知識(shí)庫；(2)容錯(cuò)性差，對(duì)于保護(hù)和斷路器的誤動(dòng)作及知識(shí)庫中不包含的情況，很難給出正確的判斷；(3)系統(tǒng)的維護(hù)難度非常大，知識(shí)庫要經(jīng)常根據(jù)實(shí)際情況進(jìn)行更新。

未來的研究中將專家系統(tǒng)與其他智能技術(shù)相結(jié)合是一種有效的方式，取長補(bǔ)短，彌補(bǔ)專家系統(tǒng)本身的缺陷。有研究將模糊集理論與專家系統(tǒng)結(jié)合，通過對(duì)電壓和電流值以及保護(hù)和斷路器信息進(jìn)行模糊推理，能夠有效地改善專家系統(tǒng)容錯(cuò)性差的問題。也有采用一種適用于電網(wǎng)故障診斷的整個(gè)協(xié)同式專家系統(tǒng)的結(jié)構(gòu)體系，并且將其與多智能體技術(shù)相結(jié)合，克服了單一專家系統(tǒng)的局限性，增強(qiáng)了對(duì)復(fù)雜故障實(shí)時(shí)診斷的推理能力 。

電網(wǎng)故障診斷的智能技術(shù)基于人工神經(jīng)網(wǎng)絡(luò)的故障診斷方法

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network)是一種模擬神經(jīng)系統(tǒng)來進(jìn)行信息處理的數(shù)學(xué)模型，主要是基于輸入和輸出關(guān)系建立起來的，并由大量簡單的處理單元(神經(jīng)元)廣泛互連而形成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)能夠?qū)Υ罅康挠?xùn)練樣本進(jìn)行分析推理，得到一般規(guī)律，從而能對(duì)未知的或無法預(yù)測的故障信息進(jìn)行分析判斷。前饋神經(jīng)網(wǎng)絡(luò)較廣泛地應(yīng)用于電網(wǎng)故障診斷領(lǐng)域，其中最具代表性的是BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)。

有研究給出了BP神經(jīng)網(wǎng)絡(luò)在電網(wǎng)故障診斷中的典型應(yīng)用:將保護(hù)器和斷路器的動(dòng)作信息作為神經(jīng)網(wǎng)絡(luò)的輸入，可能發(fā)生的故障情況作為輸出，以此來建立診斷模型;通過大量的故障實(shí)例形成訓(xùn)練神經(jīng)網(wǎng)絡(luò)的樣本集;訓(xùn)練過程中，網(wǎng)絡(luò)的輸入節(jié)點(diǎn)加輸入信號(hào)，此信號(hào)向前傳播，并不斷根據(jù)當(dāng)時(shí)的節(jié)點(diǎn)活化函數(shù)、連接加權(quán)系數(shù)和給定值進(jìn)行相應(yīng)計(jì)算，此過程即為學(xué)習(xí)過程;在學(xué)習(xí)結(jié)束前，若前向計(jì)算的輸出與期望的輸出之間存在誤差，則將誤差信號(hào)反向傳播，調(diào)整權(quán)值和值，直到輸出滿足要求。

神經(jīng)網(wǎng)絡(luò)有強(qiáng)大的學(xué)習(xí)能力，而且具有容錯(cuò)能力強(qiáng)、魯棒性好、非線性映射和并行分布處理等特點(diǎn)。然而，神經(jīng)網(wǎng)絡(luò)還存在如下缺陷：(1)需要大量的訓(xùn)練樣本以供學(xué)習(xí)，但獲取完備優(yōu)質(zhì)的樣本十分困難；(2)神經(jīng)網(wǎng)絡(luò)在診斷過程中被看成是“黑箱”，缺乏對(duì)自身行為的解釋能力；(3)神經(jīng)網(wǎng)絡(luò)不善于處理啟發(fā)式的規(guī)則。未來對(duì)基于神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷方法的研究重點(diǎn)還是在選取有價(jià)值的訓(xùn)練樣本、給予診斷過程解釋能力、使適用于大規(guī)模電網(wǎng)故障診斷等方面。

電網(wǎng)故障診斷的智能技術(shù)基于貝葉斯網(wǎng)絡(luò)的故障診斷方法

貝葉斯網(wǎng)絡(luò)(Bayesian Network)是一種用來表示和推理不確定性知識(shí)的模型，它將概率論的相關(guān)知識(shí)與圖形理論相結(jié)合，具有較為嚴(yán)格的理論基礎(chǔ)，對(duì)解決復(fù)雜電網(wǎng)由于不確定因素引起的故障等問題具有明顯作用。利用貝葉斯網(wǎng)絡(luò)技術(shù)進(jìn)行電網(wǎng)故障診斷的研究還處于初期階段，但是發(fā)展的較為迅速。文獻(xiàn)采用分層遞歸的思想，利用粗糙集理論對(duì)電網(wǎng)故障信息進(jìn)行分層挖掘，達(dá)到屬性優(yōu)選，然后通過貝葉斯網(wǎng)絡(luò)進(jìn)行故障診斷，成功識(shí)別出故障元件。結(jié)合監(jiān)測設(shè)備的狀態(tài)信息，利用貝葉斯網(wǎng)絡(luò)實(shí)現(xiàn)了故障情況的提前預(yù)測。也有文獻(xiàn)基于元件建模，通過設(shè)置各節(jié)點(diǎn)的先驗(yàn)概率，使得故障信息經(jīng)過貝葉斯網(wǎng)絡(luò)后，得到各元件發(fā)生故障的概率，以此識(shí)別故障元件，若采用某個(gè)值作為判斷條件，可同時(shí)對(duì)一個(gè)或多個(gè)元件的故障進(jìn)行有效診斷。

貝葉斯網(wǎng)絡(luò)的診斷模型清晰直觀，對(duì)于不確定和不完備信息可以進(jìn)行良好的診斷決策，然而，網(wǎng)絡(luò)節(jié)點(diǎn)賦值需要大量的實(shí)際觀察或統(tǒng)計(jì)分析方法來確定，而且貝葉斯網(wǎng)的訓(xùn)練屬于NP難度問題，處理復(fù)雜問題時(shí)將變得非常困難。未來該領(lǐng)域的研究將主要集中在如何實(shí)現(xiàn)貝葉斯網(wǎng)絡(luò)的自動(dòng)建模，如何將其與信息融合理論相結(jié)合等方面。

電網(wǎng)故障診斷的智能技術(shù)基于優(yōu)化技術(shù)的故障診斷方法

采用優(yōu)化技術(shù)(Optimization Methods)的故障診斷方法是一種基于數(shù)學(xué)模型的求解方法。國內(nèi)外學(xué)者提出了多種優(yōu)化算法，可以將其應(yīng)用到電網(wǎng)故障診斷領(lǐng)域，而且優(yōu)化算法在電網(wǎng)規(guī)劃等方面也有較好的應(yīng)用。常用的優(yōu)化算法包括:遺傳算法，模擬退火算法和蟻群算法，還有較新的算法如交叉嫡算法。

優(yōu)化技術(shù)應(yīng)用于電網(wǎng)故障診斷的方法是考慮故障元件與保護(hù)器和斷路器的動(dòng)作關(guān)系，將電網(wǎng)故障診斷問題表示為使目標(biāo)函數(shù)最小化的0-1整數(shù)規(guī)劃問題，然后通過優(yōu)化算法求解該問題的最優(yōu)解。有文獻(xiàn)基于小生境遺傳算法，并結(jié)合粗糙集理論，來求取決策表約簡，從而抽出診斷規(guī)則，提升了對(duì)不完備信息的分析能力。

基于優(yōu)化技術(shù)的故障診斷方法具有嚴(yán)密的數(shù)學(xué)基礎(chǔ)和理論依據(jù)，用常規(guī)的優(yōu)化算法即能夠?qū)崿F(xiàn)而且能夠在診斷信息不全面的條件下，給出局部和全局最優(yōu)的多個(gè)診斷結(jié)果。不過該方法還存在的問題是：(1)目標(biāo)函數(shù)的確定比較困難；(2)優(yōu)化算法的多次迭代，導(dǎo)致診斷時(shí)間過長；(3)優(yōu)化算法在尋優(yōu)的過程中存在隨機(jī)因素，可能導(dǎo)致丟失最優(yōu)解。所以選擇更全面的診斷模型以及采用合適的優(yōu)化算法來提高診斷的準(zhǔn)確性和實(shí)時(shí)性是該領(lǐng)域未來研究的重要方向。

電網(wǎng)故障診斷的智能技術(shù)基于支持向量機(jī)的故障診斷方法

統(tǒng)計(jì)學(xué)習(xí)理論是一種專門研究有限樣本情況下機(jī)器學(xué)習(xí)規(guī)律的理論，為研究統(tǒng)計(jì)模式識(shí)別和更廣泛的機(jī)器學(xué)習(xí)問題建立了一個(gè)較好的理論框架。Vapnik等人根據(jù)對(duì)統(tǒng)計(jì)學(xué)習(xí)理論的研究，提出了支持向量機(jī)(Support Vector Machine)這種全新的模式識(shí)別算法，有效地改善了傳統(tǒng)分類方法的缺陷，具有充足的理論依據(jù)。它在文本分類、故障診斷、手寫識(shí)別等領(lǐng)域中獲得了較多的應(yīng)用。

故障診斷問題從本質(zhì)上來說就是一種分類問題，而支持向量機(jī)對(duì)于有限樣本狀況下的分類問題具有較強(qiáng)的針對(duì)性。有文獻(xiàn)通過將粒子群優(yōu)化算法與支持向量機(jī)相結(jié)合來進(jìn)行故障診斷。由于在支持向量機(jī)算法中，核函數(shù)參數(shù)選擇的好壞直接影響到診斷結(jié)果的準(zhǔn)確度，而文中采用的方法能夠?qū)崿F(xiàn)參數(shù)的動(dòng)態(tài)選取，達(dá)到優(yōu)化診斷結(jié)果的目的 。

支持向量機(jī)基于統(tǒng)計(jì)學(xué)習(xí)理論，有效地改善了傳統(tǒng)分類方法的缺陷，具有充足的理論依據(jù)，對(duì)解決有限樣本的模式識(shí)別問題具有很高的適用性。下一步的研究重點(diǎn)在于如何改進(jìn)算法，使診斷過程快速并滿足實(shí)時(shí)性的要求以及處理大電網(wǎng)故障診斷、參數(shù)的選擇等問題。該技術(shù)在故障診斷中的應(yīng)用起步較晚，隨著研究的加深，該方法有望成為電網(wǎng)故障診斷領(lǐng)域的實(shí)用方法之一。

電網(wǎng)故障診斷的智能技術(shù)基于模糊集理論的故障診斷方法

美國自動(dòng)控制專家L A Zadek于1965年首次提出“模糊集合”的概念，并引入“隸屬函數(shù)”來描述差異的中間過渡。模糊集理論(Fuzzy set Theory)將信息模糊化，首先系統(tǒng)獲取的信息組成的集合可以看成一種經(jīng)典集合，按照某種對(duì)應(yīng)法則將集合中的元素映射到 [0，1]這一區(qū)間，這樣集合中的每一個(gè)元素在0和1之間都對(duì)應(yīng)一個(gè)實(shí)數(shù)，這個(gè)實(shí)數(shù)可以表明其隸屬于0或1的程度，按照以上對(duì)應(yīng)法則組成的函數(shù)就是隸屬度函數(shù)，該理論就是以隸屬度函數(shù)為基礎(chǔ)建立的。在電網(wǎng)故障診斷領(lǐng)域發(fā)展的早期，人們對(duì)專家系統(tǒng)應(yīng)用在故障診斷領(lǐng)域做了較多的研究，然而很少考慮到信息的不確定性，從而導(dǎo)致診斷的不精確。有文獻(xiàn)針對(duì)電力系統(tǒng)故障診斷問題中的不確定信息給出解決方法，將模糊集理論應(yīng)用在電網(wǎng)故障診斷領(lǐng)域，通過將故障信息模糊化，不僅可以減小數(shù)據(jù)信息的存儲(chǔ)空間，也能提升診斷精度和容錯(cuò)性。

模糊集理論的特點(diǎn)就是可以處理信息的不確定性，然而基于模糊集理論的故障診斷方法還面臨著一些弊端：(1)隸屬函數(shù)的建立沒有一個(gè)明確的標(biāo)準(zhǔn)；(2)可維護(hù)性差，當(dāng)電網(wǎng)結(jié)構(gòu)發(fā)生變化時(shí)，模糊知識(shí)庫和隸屬度也要做相應(yīng)的變化；(3)大規(guī)模電網(wǎng)的模糊診斷模型建立困難。在實(shí)際應(yīng)用中，常常將模糊集理論與其他智能方法相結(jié)合(如專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、Petri網(wǎng)等)，用來分析不確定性信息對(duì)診斷系統(tǒng)的影響，提升診斷精度，增強(qiáng)系統(tǒng)的容錯(cuò)性。

電網(wǎng)故障診斷的智能技術(shù)基于Petri網(wǎng)技術(shù)的故障診斷方法

Petri網(wǎng)是德國科學(xué)家Carl Adam Petri 于1960到1965年提出的一種數(shù)學(xué)模型，它利用目標(biāo)系統(tǒng)中元件之間的關(guān)系來構(gòu)建有向圖的組合模型，從而能夠準(zhǔn)確地表示離散事件發(fā)生的順序、并發(fā)和沖突的關(guān)系。印度學(xué)者 Jenkensl和Khincha在1992年首先將Petri網(wǎng)技術(shù)應(yīng)用于電網(wǎng)的建模中，在這之后Petri網(wǎng)在電力系統(tǒng)的很多領(lǐng)域中得到了應(yīng)用，并顯示出了其良好的應(yīng)用前景。電網(wǎng)的故障可看成是離散事件，而Petri網(wǎng)是對(duì)離散事件組成的系統(tǒng)進(jìn)行建模和分析的理想工具。

Petri網(wǎng)方法能夠定性或定量地對(duì)系統(tǒng)中事件發(fā)生的各種過程采取準(zhǔn)確的分析，同時(shí)還具有圖形化的結(jié)構(gòu)表示等優(yōu)點(diǎn)，是對(duì)離散事件進(jìn)行動(dòng)態(tài)建模和分析的有效方法，不過還有一些尚需深入的問題存在，主要是：(1)系統(tǒng)網(wǎng)絡(luò)拓?fù)涞臄U(kuò)大，易導(dǎo)致建模時(shí)發(fā)生信息組合爆炸的情況；(2)電網(wǎng)多重故障時(shí)，診斷結(jié)果不夠理想；(3)對(duì)于保護(hù)和斷路器拒動(dòng)或誤動(dòng)時(shí)產(chǎn)生的錯(cuò)誤信息不能很好地分析識(shí)別。未來的研究中，將高級(jí)的Petri網(wǎng)用于復(fù)雜電網(wǎng)的故障診斷是一種有效的措施 。

電網(wǎng)故障診斷的智能技術(shù)基于信息融合技術(shù)的故障診斷方法

信息融合(Information fusion)技術(shù)實(shí)際上是一種多源信息的綜合技術(shù)，通過對(duì)來自不同數(shù)據(jù)源的信息進(jìn)行分析和智能化合成，獲得被測對(duì)象及其性質(zhì)的最佳一致估計(jì)，從而產(chǎn)生比單一信息源更精確、更完全的估計(jì)和決策。采用該方法的電網(wǎng)故障診斷已顯示出了明顯的優(yōu)勢。

采用信息融合技術(shù)將開關(guān)量與電氣量等來自不同數(shù)據(jù)源的信息綜合利用，可以極大地提高診斷系統(tǒng)的實(shí)時(shí)性和準(zhǔn)確性，有效地避免由于故障信息的不確定性而導(dǎo)致的錯(cuò)誤診斷。信息融合技術(shù)在今后的研究中，重點(diǎn)將放在解決如何選取合適的信息融合方法以及如何在實(shí)際中融合更多方面的信息，這會(huì)使得電網(wǎng)故障診斷水平上升到一個(gè)新高度。

電網(wǎng)故障診斷的智能技術(shù)基于MAS的故障診斷方法

多智能體(Multi-Agent System， MAS)技術(shù)是分布式人工智能技術(shù)的重要分支，它是一種將計(jì)算機(jī)、網(wǎng)絡(luò)和分布式思想相結(jié)合的軟件工程技術(shù)，能夠?qū)⒛繕?biāo)問題轉(zhuǎn)變成在邏輯上或物理上分離的多個(gè)Agent，可分別針對(duì)每個(gè)Agent來解決問題，而且各個(gè)Agent之間相互協(xié)調(diào)信息得到最終結(jié)果，節(jié)約了數(shù)據(jù)和資源。文獻(xiàn)將MAS技術(shù)應(yīng)用于電網(wǎng)的故障診斷中，先將診斷系統(tǒng)智能分解，再通過軟件技術(shù)來協(xié)調(diào)各Agent中的信息并得出診斷結(jié)果，滿足了準(zhǔn)確性和實(shí)時(shí)性的要求。有文獻(xiàn)提出一種基于智能識(shí)別系統(tǒng)的MAS技術(shù)。MAS實(shí)現(xiàn)了控制過程的在線自適應(yīng)識(shí)別和實(shí)時(shí)的進(jìn)行離線故障診斷，同時(shí)可以適應(yīng)和克服大規(guī)模電網(wǎng)的復(fù)雜性。

《機(jī)械設(shè)備故障診斷實(shí)用技術(shù)叢書：齒輪故障診斷實(shí)用技術(shù)》是第8分冊。本分冊共分四部分：第一部分是第一章和第二章，簡要介紹了齒輪的發(fā)展、齒輪傳動(dòng)等，并詳細(xì)介紹了漸開線齒輪、齒輪失效的形式及原因；第二部分是第三章和第四章，詳細(xì)說明了齒輪的振動(dòng)與噪聲產(chǎn)生的原因、機(jī)理、特征等，并重點(diǎn)說明了齒輪振動(dòng)信號(hào)的調(diào)制；第三部分是第五章和第六章，主要說明了齒輪故障診斷方法，包括振動(dòng)信號(hào)和油樣分析，還詳盡介紹了齒輪的點(diǎn)檢與修復(fù)，其中點(diǎn)檢方法包括五官點(diǎn)檢法和定量點(diǎn)檢法；第四部分是第七章，總結(jié)了大量齒輪故障診斷案例。

《機(jī)械設(shè)備故障診斷實(shí)用技術(shù)叢書：齒輪故障診斷實(shí)用技術(shù)》內(nèi)容詳盡，通俗易懂，以解決實(shí)際問題為根本，主要作為現(xiàn)場從事機(jī)械設(shè)備管理與維護(hù)的工程技術(shù)人員使用，同時(shí)《機(jī)械設(shè)備故障診斷實(shí)用技術(shù)叢書：齒輪故障診斷實(shí)用技術(shù)》也為高等工科院校相關(guān)專業(yè)研究生或本科生在深入理解機(jī)械設(shè)備故障診斷理論體系方面提供了詳盡的參考資料。

本書可作為從事齒輪箱的齒輪機(jī)械設(shè)備故障診斷的工程技術(shù)人員和科研人員的參考書，也可供高等院校相關(guān)專業(yè)高年級(jí)本科生、研究生使用。