齒輪故障智能診斷技術圖書目錄

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容 5

1.2.1 齒輪故障機制研究 6

1.2.2 信號選擇和檢測機制研究 6

1.2.3 齒輪信號分析與處理方法研究 7

1.2.4 齒輪信號特征選擇研究 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 基于信號分析與處理的齒輪故障診斷方法 8

1.3.3 基于知識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 15

參考文獻 15

第2章 齒輪故障信號的特征提取與選擇 20

2.1 齒輪運行狀態(tài)信號載體 20

2.1.1 振動信號 20

2.1.2 潤滑油中顆粒信號 22

2.1.3 聲發(fā)射信號 23

2.1.4 電流信號 24

2.1.5 溫度信號 24

2.2 故障信號特征提取方法 25

2.2.1 信號的時域分析方法 25

2.2.2 信號的頻域分析方法 30

2.2.3 信號的時頻分析方法 35

2.3 齒輪故障信號的特征選擇 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 48

參考文獻 48

第3章 基于廣義同步擠壓變換的齒輪故障識別 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用 56

3.2.1 基于廣義同步擠壓變換信號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 實驗測試 68

3.3 小結 73

參考文獻 74

第4章 基于深度學習的齒輪箱故障識別 75

4.1 深度學習概述 75

4.1.1 淺層學習 75

4.1.2 深度學習基本思想 76

4.1.3 深度學習與神經網絡 77

4.1.4 深度學習訓練機制 77

4.1.5 深度學習的應用 78

4.2 深度學習的經典模型 79

4.2.1 自動編碼器 79

4.2.2 稀疏自動編碼器 82

4.2.3 受限玻爾茲曼機 83

4.2.4 深度信念網絡 90

4.2.5 深度玻爾茲曼機 91

4.2.6 卷積神經網絡 93

4.3 經典深度學習模型在齒輪箱故障識別中的應用 99

4.3.1 振動信號特征提取 100

4.3.2 實驗平臺 102

4.3.3 卷積神經網絡實驗評估 105

4.3.4 DBN、DBM、RBM和SAE實驗評估 108

4.4 多模態(tài)深度支持向量機及其在齒輪箱故障診斷中的應用 116

4.4.1 高斯-伯努利深度玻爾茲曼機 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分類 118

4.4.3 支持向量機多模態(tài)融合 119

4.4.4 振動信號的多模態(tài)特征 121

4.4.5 齒輪箱故障診斷中的應用 123

4.4.6 實驗評估 124

4.5 小結 127

參考文獻 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中振動引發(fā)的干擾 132

5.2 顆粒信號中振動信號的分離和應用 133

5.2.1 基于積分變換的油中顆粒信號增強 134

5.2.2 基于小波變換的降噪和信號分離 136

5.2.3 積分和小波聯(lián)合變換過程 137

5.2.4 振動信號靈敏度的比較實驗 138

5.2.5 振動監(jiān)控測試 145

5.3 基于積分增強經驗模式分解和互相關重構的油中顆粒特征提取 147

5.3.1 經驗模態(tài)分解 148

5.3.2 基于EMD和高通濾波器的趨勢項去除 149

5.3.3 基于最大相關系數(shù)的信號重構 151

5.3.4 實驗分析 155

5.4 基于最優(yōu)分解小波變換的ODM信號增強方法 162

5.4.1 最優(yōu)分解小波變換方法 162

5.4.2 實驗測試 168

5.5 小結 174

參考文獻 1742100433B

《齒輪故障智能診斷技術》基于振動信號和潤滑油中顆粒信號，以齒輪箱作為設備維護對象，詳細介紹了研究團隊在齒輪故障智能診斷技術領域的研究成果。采取實驗驗證、仿真驗證與理論分析相結合的方法，深度剖析了同步擠壓變換方法在齒輪故障智能診斷領域的應用，系統(tǒng)評估了深度學習技術在齒輪故障識別中的應用，呈現(xiàn)了基于深度學習模型的齒輪故障智能診斷技術新成果。

電網故障診斷的智能技術基于專家系統(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)是一種智能的計算機程序，它通過使用知識與推理過程，求解那些需要專家的知識才能求解的高難度問題。自從70年代人們將專家系統(tǒng)引入到電網的故障診斷領域，基于該方法的故障診斷應用較為成功。專家系統(tǒng)在電網故障診斷中的典型應用可以歸結為:首先建立故障信息知識庫，并用自然語言建立產生式規(guī)則;然后基于對這一產生式規(guī)則的理解，知識工程師將知識表示成機器語言并通過人機接口儲存到知識庫中;故障發(fā)生時，將故障信息輸入到推理機，推理機根據(jù)當前輸入的故障信息，運用知識庫中的知識，按一定的策略進行推理，從而識別出故障元件。

專家系統(tǒng)將專家的知識應用于電網故障診斷，可以保證診斷系統(tǒng)的實時性和有效性，但是基于知識的本質和實現(xiàn)故障診斷的原理沒有變，因此當前專家系統(tǒng)還存在著不足：(1)專家知識是人為移植到計算機的，所以難以建立完備的知識庫；(2)容錯性差，對于保護和斷路器的誤動作及知識庫中不包含的情況，很難給出正確的判斷；(3)系統(tǒng)的維護難度非常大，知識庫要經常根據(jù)實際情況進行更新。

未來的研究中將專家系統(tǒng)與其他智能技術相結合是一種有效的方式，取長補短，彌補專家系統(tǒng)本身的缺陷。有研究將模糊集理論與專家系統(tǒng)結合，通過對電壓和電流值以及保護和斷路器信息進行模糊推理，能夠有效地改善專家系統(tǒng)容錯性差的問題。也有采用一種適用于電網故障診斷的整個協(xié)同式專家系統(tǒng)的結構體系，并且將其與多智能體技術相結合，克服了單一專家系統(tǒng)的局限性，增強了對復雜故障實時診斷的推理能力 。

電網故障診斷的智能技術基于人工神經網絡的故障診斷方法

人工神經網絡(Artificial Neural Network)是一種模擬神經系統(tǒng)來進行信息處理的數(shù)學模型，主要是基于輸入和輸出關系建立起來的，并由大量簡單的處理單元(神經元)廣泛互連而形成的復雜網絡系統(tǒng)。神經網絡能夠對大量的訓練樣本進行分析推理，得到一般規(guī)律，從而能對未知的或無法預測的故障信息進行分析判斷。前饋神經網絡較廣泛地應用于電網故障診斷領域，其中最具代表性的是BP(Back Propagation)神經網絡和徑向基神經網絡。

有研究給出了BP神經網絡在電網故障診斷中的典型應用:將保護器和斷路器的動作信息作為神經網絡的輸入，可能發(fā)生的故障情況作為輸出，以此來建立診斷模型;通過大量的故障實例形成訓練神經網絡的樣本集;訓練過程中，網絡的輸入節(jié)點加輸入信號，此信號向前傳播，并不斷根據(jù)當時的節(jié)點活化函數(shù)、連接加權系數(shù)和給定值進行相應計算，此過程即為學習過程;在學習結束前，若前向計算的輸出與期望的輸出之間存在誤差，則將誤差信號反向傳播，調整權值和值，直到輸出滿足要求。

神經網絡有強大的學習能力，而且具有容錯能力強、魯棒性好、非線性映射和并行分布處理等特點。然而，神經網絡還存在如下缺陷：(1)需要大量的訓練樣本以供學習，但獲取完備優(yōu)質的樣本十分困難；(2)神經網絡在診斷過程中被看成是“黑箱”，缺乏對自身行為的解釋能力；(3)神經網絡不善于處理啟發(fā)式的規(guī)則。未來對基于神經網絡的電網故障診斷方法的研究重點還是在選取有價值的訓練樣本、給予診斷過程解釋能力、使適用于大規(guī)模電網故障診斷等方面。

電網故障診斷的智能技術基于貝葉斯網絡的故障診斷方法

貝葉斯網絡(Bayesian Network)是一種用來表示和推理不確定性知識的模型，它將概率論的相關知識與圖形理論相結合，具有較為嚴格的理論基礎，對解決復雜電網由于不確定因素引起的故障等問題具有明顯作用。利用貝葉斯網絡技術進行電網故障診斷的研究還處于初期階段，但是發(fā)展的較為迅速。文獻采用分層遞歸的思想，利用粗糙集理論對電網故障信息進行分層挖掘，達到屬性優(yōu)選，然后通過貝葉斯網絡進行故障診斷，成功識別出故障元件。結合監(jiān)測設備的狀態(tài)信息，利用貝葉斯網絡實現(xiàn)了故障情況的提前預測。也有文獻基于元件建模，通過設置各節(jié)點的先驗概率，使得故障信息經過貝葉斯網絡后，得到各元件發(fā)生故障的概率，以此識別故障元件，若采用某個值作為判斷條件，可同時對一個或多個元件的故障進行有效診斷。

貝葉斯網絡的診斷模型清晰直觀，對于不確定和不完備信息可以進行良好的診斷決策，然而，網絡節(jié)點賦值需要大量的實際觀察或統(tǒng)計分析方法來確定，而且貝葉斯網的訓練屬于NP難度問題，處理復雜問題時將變得非常困難。未來該領域的研究將主要集中在如何實現(xiàn)貝葉斯網絡的自動建模，如何將其與信息融合理論相結合等方面。

電網故障診斷的智能技術基于優(yōu)化技術的故障診斷方法

采用優(yōu)化技術(Optimization Methods)的故障診斷方法是一種基于數(shù)學模型的求解方法。國內外學者提出了多種優(yōu)化算法，可以將其應用到電網故障診斷領域，而且優(yōu)化算法在電網規(guī)劃等方面也有較好的應用。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)化技術應用于電網故障診斷的方法是考慮故障元件與保護器和斷路器的動作關系，將電網故障診斷問題表示為使目標函數(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。有文獻基于小生境遺傳算法，并結合粗糙集理論，來求取決策表約簡，從而抽出診斷規(guī)則，提升了對不完備信息的分析能力。

基于優(yōu)化技術的故障診斷方法具有嚴密的數(shù)學基礎和理論依據(jù)，用常規(guī)的優(yōu)化算法即能夠實現(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)的多個診斷結果。不過該方法還存在的問題是：(1)目標函數(shù)的確定比較困難；(2)優(yōu)化算法的多次迭代，導致診斷時間過長；(3)優(yōu)化算法在尋優(yōu)的過程中存在隨機因素，可能導致丟失最優(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確性和實時性是該領域未來研究的重要方向。

電網故障診斷的智能技術基于支持向量機的故障診斷方法

統(tǒng)計學習理論是一種專門研究有限樣本情況下機器學習規(guī)律的理論，為研究統(tǒng)計模式識別和更廣泛的機器學習問題建立了一個較好的理論框架。Vapnik等人根據(jù)對統(tǒng)計學習理論的研究，提出了支持向量機(Support Vector Machine)這種全新的模式識別算法，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、手寫識別等領域中獲得了較多的應用。

故障診斷問題從本質上來說就是一種分類問題，而支持向量機對于有限樣本狀況下的分類問題具有較強的針對性。有文獻通過將粒子群優(yōu)化算法與支持向量機相結合來進行故障診斷。由于在支持向量機算法中，核函數(shù)參數(shù)選擇的好壞直接影響到診斷結果的準確度，而文中采用的方法能夠實現(xiàn)參數(shù)的動態(tài)選取，達到優(yōu)化診斷結果的目的 。

支持向量機基于統(tǒng)計學習理論，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)，對解決有限樣本的模式識別問題具有很高的適用性。下一步的研究重點在于如何改進算法，使診斷過程快速并滿足實時性的要求以及處理大電網故障診斷、參數(shù)的選擇等問題。該技術在故障診斷中的應用起步較晚，隨著研究的加深，該方法有望成為電網故障診斷領域的實用方法之一。

電網故障診斷的智能技術基于模糊集理論的故障診斷方法

美國自動控制專家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典集合，按照某種對應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元素在0和1之間都對應一個實數(shù)，這個實數(shù)可以表明其隸屬于0或1的程度，按照以上對應法則組成的函數(shù)就是隸屬度函數(shù)，該理論就是以隸屬度函數(shù)為基礎建立的。在電網故障診斷領域發(fā)展的早期，人們對專家系統(tǒng)應用在故障診斷領域做了較多的研究，然而很少考慮到信息的不確定性，從而導致診斷的不精確。有文獻針對電力系統(tǒng)故障診斷問題中的不確定信息給出解決方法，將模糊集理論應用在電網故障診斷領域，通過將故障信息模糊化，不僅可以減小數(shù)據(jù)信息的存儲空間，也能提升診斷精度和容錯性。

模糊集理論的特點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)的建立沒有一個明確的標準；(2)可維護性差，當電網結構發(fā)生變化時，模糊知識庫和隸屬度也要做相應的變化；(3)大規(guī)模電網的模糊診斷模型建立困難。在實際應用中，常常將模糊集理論與其他智能方法相結合(如專家系統(tǒng)、神經網絡、Petri網等)，用來分析不確定性信息對診斷系統(tǒng)的影響，提升診斷精度，增強系統(tǒng)的容錯性。

電網故障診斷的智能技術基于Petri網技術的故障診斷方法

Petri網是德國科學家Carl Adam Petri 于1960到1965年提出的一種數(shù)學模型，它利用目標系統(tǒng)中元件之間的關系來構建有向圖的組合模型，從而能夠準確地表示離散事件發(fā)生的順序、并發(fā)和沖突的關系。印度學者 Jenkensl和Khincha在1992年首先將Petri網技術應用于電網的建模中，在這之后Petri網在電力系統(tǒng)的很多領域中得到了應用，并顯示出了其良好的應用前景。電網的故障可看成是離散事件，而Petri網是對離散事件組成的系統(tǒng)進行建模和分析的理想工具。

Petri網方法能夠定性或定量地對系統(tǒng)中事件發(fā)生的各種過程采取準確的分析，同時還具有圖形化的結構表示等優(yōu)點，是對離散事件進行動態(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)網絡拓撲的擴大，易導致建模時發(fā)生信息組合爆炸的情況；(2)電網多重故障時，診斷結果不夠理想；(3)對于保護和斷路器拒動或誤動時產生的錯誤信息不能很好地分析識別。未來的研究中，將高級的Petri網用于復雜電網的故障診斷是一種有效的措施 。

電網故障診斷的智能技術基于信息融合技術的故障診斷方法

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

采用信息融合技術將開關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)的實時性和準確性，有效地避免由于故障信息的不確定性而導致的錯誤診斷。信息融合技術在今后的研究中，重點將放在解決如何選取合適的信息融合方法以及如何在實際中融合更多方面的信息，這會使得電網故障診斷水平上升到一個新高度。

電網故障診斷的智能技術基于MAS的故障診斷方法

多智能體(Multi-Agent System， MAS)技術是分布式人工智能技術的重要分支，它是一種將計算機、網絡和分布式思想相結合的軟件工程技術，能夠將目標問題轉變成在邏輯上或物理上分離的多個Agent，可分別針對每個Agent來解決問題，而且各個Agent之間相互協(xié)調信息得到最終結果，節(jié)約了數(shù)據(jù)和資源。文獻將MAS技術應用于電網的故障診斷中，先將診斷系統(tǒng)智能分解，再通過軟件技術來協(xié)調各Agent中的信息并得出診斷結果，滿足了準確性和實時性的要求。有文獻提出一種基于智能識別系統(tǒng)的MAS技術。MAS實現(xiàn)了控制過程的在線自適應識別和實時的進行離線故障診斷，同時可以適應和克服大規(guī)模電網的復雜性。

《機械設備故障診斷實用技術叢書：齒輪故障診斷實用技術》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、齒輪傳動等，并詳細介紹了漸開線齒輪、齒輪失效的形式及原因；第二部分是第三章和第四章，詳細說明了齒輪的振動與噪聲產生的原因、機理、特征等，并重點說明了齒輪振動信號的調制；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，包括振動信號和油樣分析，還詳盡介紹了齒輪的點檢與修復，其中點檢方法包括五官點檢法和定量點檢法；第四部分是第七章，總結了大量齒輪故障診斷案例。

《機械設備故障診斷實用技術叢書：齒輪故障診斷實用技術》內容詳盡，通俗易懂，以解決實際問題為根本，主要作為現(xiàn)場從事機械設備管理與維護的工程技術人員使用，同時《機械設備故障診斷實用技術叢書：齒輪故障診斷實用技術》也為高等工科院校相關專業(yè)研究生或本科生在深入理解機械設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械設備故障診斷的工程技術人員和科研人員的參考書，也可供高等院校相關專業(yè)高年級本科生、研究生使用。