齿轮故障智能诊断技术

前言

第1章 绪论 1

1.1 齿轮故障智能诊断概述 1

1.1.1 齿轮故障主要类型 2

1.1.2 齿轮故障诊断的发展过程 3

1.2 齿轮故障智能诊断的研究内容 5

1.2.1 齿轮故障机制研究 6

1.2.2 信号选择和检测机制研究 6

1.2.3 齿轮信号分析与处理方法研究 7

1.2.4 齿轮信号特征选择研究 7

1.2.5 齿轮故障诊断的智能决策方法研究 7

1.3 齿轮故障诊断方法 8

1.3.1 基于解析模型的齿轮故障诊断方法 8

1.3.2 基于信号分析与处理的齿轮故障诊断方法 8

1.3.3 基于知识的齿轮故障诊断方法 11

1.3.4 基于感知行为的齿轮故障诊断方法 15

1.4 小结 15

参考文献 15

第2章 齿轮故障信号的特征提取与选择 20

2.1 齿轮运行状态信号载体 20

2.1.1 振动信号 20

2.1.2 润滑油中颗粒信号 22

2.1.3 声发射信号 23

2.1.4 电流信号 24

2.1.5 温度信号 24

2.2 故障信号特征提取方法 25

2.2.1 信号的时域分析方法 25

2.2.2 信号的频域分析方法 30

2.2.3 信号的时频分析方法 35

2.3 齿轮故障信号的特征选择 41

2.3.1 特征选择概述 42

2.3.2 过滤式特征选择 44

2.3.3 封装式特征选择 45

2.3.4 嵌入式特征选择 48

2.4 小结 48

参考文献 48

第3章 基于广义同步挤压变换的齿轮故障识别 53

3.1 广义同步挤压变换原理 53

3.1.1 同步挤压变换 54

3.1.2 广义同步挤压变换 55

3.2 广义同步挤压变换在齿轮故障中的应用 56

3.2.1 基于广义同步挤压变换信号分析的齿轮箱故障诊断原理 56

3.2.2 仿真案例一 57

3.2.3 仿真案例二 64

3.2.4 实验测试 68

3.3 小结 73

参考文献 74

第4章 基于深度学习的齿轮箱故障识别 75

4.1 深度学习概述 75

4.1.1 浅层学习 75

4.1.2 深度学习基本思想 76

4.1.3 深度学习与神经网络 77

4.1.4 深度学习训练机制 77

4.1.5 深度学习的应用 78

4.2 深度学习的经典模型 79

4.2.1 自动编码器 79

4.2.2 稀疏自动编码器 82

4.2.3 受限玻尔兹曼机 83

4.2.4 深度信念网络 90

4.2.5 深度玻尔兹曼机 91

4.2.6 卷积神经网络 93

4.3 经典深度学习模型在齿轮箱故障识别中的应用 99

4.3.1 振动信号特征提取 100

4.3.2 实验平台 102

4.3.3 卷积神经网络实验评估 105

4.3.4 DBN、DBM、RBM和SAE实验评估 108

4.4 多模态深度支持向量机及其在齿轮箱故障诊断中的应用 116

4.4.1 高斯-伯努利深度玻尔兹曼机 117

4.4.2 基于多模态同源特征的高斯-伯努利深度玻尔兹曼机分类 118

4.4.3 支持向量机多模态融合 119

4.4.4 振动信号的多模态特征 121

4.4.5 齿轮箱故障诊断中的应用 123

4.4.6 实验评估 124

4.5 小结 127

参考文献 128

第5章 基于润滑油中磨损颗粒的齿轮箱故障诊断 132

5.1 油液中磨损颗粒信号中振动引发的干扰 132

5.2 颗粒信号中振动信号的分离和应用 133

5.2.1 基于积分变换的油中颗粒信号增强 134

5.2.2 基于小波变换的降噪和信号分离 136

5.2.3 积分和小波联合变换过程 137

5.2.4 振动信号灵敏度的比较实验 138

5.2.5 振动监控测试 145

5.3 基于积分增强经验模式分解和互相关重构的油中颗粒特征提取 147

5.3.1 经验模态分解 148

5.3.2 基于EMD和高通滤波器的趋势项去除 149

5.3.3 基于最大相关系数的信号重构 151

5.3.4 实验分析 155

5.4 基于最优分解小波变换的ODM信号增强方法 162

5.4.1 最优分解小波变换方法 162

5.4.2 实验测试 168

5.5 小结 174

参考文献 1742100433B

《齿轮故障智能诊断技术》基于振动信号和润滑油中颗粒信号，以齿轮箱作为设备维护对象，详细介绍了研究团队在齿轮故障智能诊断技术领域的研究成果。采取实验验证、仿真验证与理论分析相结合的方法，深度剖析了同步挤压变换方法在齿轮故障智能诊断领域的应用，系统评估了深度学习技术在齿轮故障识别中的应用，呈现了基于深度学习模型的齿轮故障智能诊断技术新成果。

电网故障诊断的智能技术基于专家系统的故障诊断方法

Feighbaum教授 于1968年开发了第一个专家系统((Expert System)并且具体说明专家系统是一种智能的计算机程序，它通过使用知识与推理过程，求解那些需要专家的知识才能求解的高难度问题。自从70年代人们将专家系统引入到电网的故障诊断领域，基于该方法的故障诊断应用较为成功。专家系统在电网故障诊断中的典型应用可以归结为:首先建立故障信息知识库，并用自然语言建立产生式规则;然后基于对这一产生式规则的理解，知识工程师将知识表示成机器语言并通过人机接口储存到知识库中;故障发生时，将故障信息输入到推理机，推理机根据当前输入的故障信息，运用知识库中的知识，按一定的策略进行推理，从而识别出故障元件。

专家系统将专家的知识应用于电网故障诊断，可以保证诊断系统的实时性和有效性，但是基于知识的本质和实现故障诊断的原理没有变，因此当前专家系统还存在着不足：(1)专家知识是人为移植到计算机的，所以难以建立完备的知识库；(2)容错性差，对于保护和断路器的误动作及知识库中不包含的情况，很难给出正确的判断；(3)系统的维护难度非常大，知识库要经常根据实际情况进行更新。

未来的研究中将专家系统与其他智能技术相结合是一种有效的方式，取长补短，弥补专家系统本身的缺陷。有研究将模糊集理论与专家系统结合，通过对电压和电流值以及保护和断路器信息进行模糊推理，能够有效地改善专家系统容错性差的问题。也有采用一种适用于电网故障诊断的整个协同式专家系统的结构体系，并且将其与多智能体技术相结合，克服了单一专家系统的局限性，增强了对复杂故障实时诊断的推理能力 。

电网故障诊断的智能技术基于人工神经网络的故障诊断方法

人工神经网络(Artificial Neural Network)是一种模拟神经系统来进行信息处理的数学模型，主要是基于输入和输出关系建立起来的，并由大量简单的处理单元(神经元)广泛互连而形成的复杂网络系统。神经网络能够对大量的训练样本进行分析推理，得到一般规律，从而能对未知的或无法预测的故障信息进行分析判断。前馈神经网络较广泛地应用于电网故障诊断领域，其中最具代表性的是BP(Back Propagation)神经网络和径向基神经网络。

有研究给出了BP神经网络在电网故障诊断中的典型应用:将保护器和断路器的动作信息作为神经网络的输入，可能发生的故障情况作为输出，以此来建立诊断模型;通过大量的故障实例形成训练神经网络的样本集;训练过程中，网络的输入节点加输入信号，此信号向前传播，并不断根据当时的节点活化函数、连接加权系数和给定值进行相应计算，此过程即为学习过程;在学习结束前，若前向计算的输出与期望的输出之间存在误差，则将误差信号反向传播，调整权值和值，直到输出满足要求。

神经网络有强大的学习能力，而且具有容错能力强、鲁棒性好、非线性映射和并行分布处理等特点。然而，神经网络还存在如下缺陷：(1)需要大量的训练样本以供学习，但获取完备优质的样本十分困难；(2)神经网络在诊断过程中被看成是“黑箱”，缺乏对自身行为的解释能力；(3)神经网络不善于处理启发式的规则。未来对基于神经网络的电网故障诊断方法的研究重点还是在选取有价值的训练样本、给予诊断过程解释能力、使适用于大规模电网故障诊断等方面。

电网故障诊断的智能技术基于贝叶斯网络的故障诊断方法

贝叶斯网络(Bayesian Network)是一种用来表示和推理不确定性知识的模型，它将概率论的相关知识与图形理论相结合，具有较为严格的理论基础，对解决复杂电网由于不确定因素引起的故障等问题具有明显作用。利用贝叶斯网络技术进行电网故障诊断的研究还处于初期阶段，但是发展的较为迅速。文献采用分层递归的思想，利用粗糙集理论对电网故障信息进行分层挖掘，达到属性优选，然后通过贝叶斯网络进行故障诊断，成功识别出故障元件。结合监测设备的状态信息，利用贝叶斯网络实现了故障情况的提前预测。也有文献基于元件建模，通过设置各节点的先验概率，使得故障信息经过贝叶斯网络后，得到各元件发生故障的概率，以此识别故障元件，若采用某个值作为判断条件，可同时对一个或多个元件的故障进行有效诊断。

贝叶斯网络的诊断模型清晰直观，对于不确定和不完备信息可以进行良好的诊断决策，然而，网络节点赋值需要大量的实际观察或统计分析方法来确定，而且贝叶斯网的训练属于NP难度问题，处理复杂问题时将变得非常困难。未来该领域的研究将主要集中在如何实现贝叶斯网络的自动建模，如何将其与信息融合理论相结合等方面。

电网故障诊断的智能技术基于优化技术的故障诊断方法

采用优化技术(Optimization Methods)的故障诊断方法是一种基于数学模型的求解方法。国内外学者提出了多种优化算法，可以将其应用到电网故障诊断领域，而且优化算法在电网规划等方面也有较好的应用。常用的优化算法包括:遗传算法，模拟退火算法和蚁群算法，还有较新的算法如交叉嫡算法。

优化技术应用于电网故障诊断的方法是考虑故障元件与保护器和断路器的动作关系，将电网故障诊断问题表示为使目标函数最小化的0-1整数规划问题，然后通过优化算法求解该问题的最优解。有文献基于小生境遗传算法，并结合粗糙集理论，来求取决策表约简，从而抽出诊断规则，提升了对不完备信息的分析能力。

基于优化技术的故障诊断方法具有严密的数学基础和理论依据，用常规的优化算法即能够实现而且能够在诊断信息不全面的条件下，给出局部和全局最优的多个诊断结果。不过该方法还存在的问题是：(1)目标函数的确定比较困难；(2)优化算法的多次迭代，导致诊断时间过长；(3)优化算法在寻优的过程中存在随机因素，可能导致丢失最优解。所以选择更全面的诊断模型以及采用合适的优化算法来提高诊断的准确性和实时性是该领域未来研究的重要方向。

电网故障诊断的智能技术基于支持向量机的故障诊断方法

统计学习理论是一种专门研究有限样本情况下机器学习规律的理论，为研究统计模式识别和更广泛的机器学习问题建立了一个较好的理论框架。Vapnik等人根据对统计学习理论的研究，提出了支持向量机(Support Vector Machine)这种全新的模式识别算法，有效地改善了传统分类方法的缺陷，具有充足的理论依据。它在文本分类、故障诊断、手写识别等领域中获得了较多的应用。

故障诊断问题从本质上来说就是一种分类问题，而支持向量机对于有限样本状况下的分类问题具有较强的针对性。有文献通过将粒子群优化算法与支持向量机相结合来进行故障诊断。由于在支持向量机算法中，核函数参数选择的好坏直接影响到诊断结果的准确度，而文中采用的方法能够实现参数的动态选取，达到优化诊断结果的目的 。

支持向量机基于统计学习理论，有效地改善了传统分类方法的缺陷，具有充足的理论依据，对解决有限样本的模式识别问题具有很高的适用性。下一步的研究重点在于如何改进算法，使诊断过程快速并满足实时性的要求以及处理大电网故障诊断、参数的选择等问题。该技术在故障诊断中的应用起步较晚，随着研究的加深，该方法有望成为电网故障诊断领域的实用方法之一。

电网故障诊断的智能技术基于模糊集理论的故障诊断方法

美国自动控制专家L A Zadek于1965年首次提出“模糊集合”的概念，并引入“隶属函数”来描述差异的中间过渡。模糊集理论(Fuzzy set Theory)将信息模糊化，首先系统获取的信息组成的集合可以看成一种经典集合，按照某种对应法则将集合中的元素映射到 [0，1]这一区间，这样集合中的每一个元素在0和1之间都对应一个实数，这个实数可以表明其隶属于0或1的程度，按照以上对应法则组成的函数就是隶属度函数，该理论就是以隶属度函数为基础建立的。在电网故障诊断领域发展的早期，人们对专家系统应用在故障诊断领域做了较多的研究，然而很少考虑到信息的不确定性，从而导致诊断的不精确。有文献针对电力系统故障诊断问题中的不确定信息给出解决方法，将模糊集理论应用在电网故障诊断领域，通过将故障信息模糊化，不仅可以减小数据信息的存储空间，也能提升诊断精度和容错性。

模糊集理论的特点就是可以处理信息的不确定性，然而基于模糊集理论的故障诊断方法还面临着一些弊端：(1)隶属函数的建立没有一个明确的标准；(2)可维护性差，当电网结构发生变化时，模糊知识库和隶属度也要做相应的变化；(3)大规模电网的模糊诊断模型建立困难。在实际应用中，常常将模糊集理论与其他智能方法相结合(如专家系统、神经网络、Petri网等)，用来分析不确定性信息对诊断系统的影响，提升诊断精度，增强系统的容错性。

电网故障诊断的智能技术基于Petri网技术的故障诊断方法

Petri网是德国科学家Carl Adam Petri 于1960到1965年提出的一种数学模型，它利用目标系统中元件之间的关系来构建有向图的组合模型，从而能够准确地表示离散事件发生的顺序、并发和冲突的关系。印度学者 Jenkensl和Khincha在1992年首先将Petri网技术应用于电网的建模中，在这之后Petri网在电力系统的很多领域中得到了应用，并显示出了其良好的应用前景。电网的故障可看成是离散事件，而Petri网是对离散事件组成的系统进行建模和分析的理想工具。

Petri网方法能够定性或定量地对系统中事件发生的各种过程采取准确的分析，同时还具有图形化的结构表示等优点，是对离散事件进行动态建模和分析的有效方法，不过还有一些尚需深入的问题存在，主要是：(1)系统网络拓扑的扩大，易导致建模时发生信息组合爆炸的情况；(2)电网多重故障时，诊断结果不够理想；(3)对于保护和断路器拒动或误动时产生的错误信息不能很好地分析识别。未来的研究中，将高级的Petri网用于复杂电网的故障诊断是一种有效的措施 。

电网故障诊断的智能技术基于信息融合技术的故障诊断方法

信息融合(Information fusion)技术实际上是一种多源信息的综合技术，通过对来自不同数据源的信息进行分析和智能化合成，获得被测对象及其性质的最佳一致估计，从而产生比单一信息源更精确、更完全的估计和决策。采用该方法的电网故障诊断已显示出了明显的优势。

采用信息融合技术将开关量与电气量等来自不同数据源的信息综合利用，可以极大地提高诊断系统的实时性和准确性，有效地避免由于故障信息的不确定性而导致的错误诊断。信息融合技术在今后的研究中，重点将放在解决如何选取合适的信息融合方法以及如何在实际中融合更多方面的信息，这会使得电网故障诊断水平上升到一个新高度。

电网故障诊断的智能技术基于MAS的故障诊断方法

多智能体(Multi-Agent System， MAS)技术是分布式人工智能技术的重要分支，它是一种将计算机、网络和分布式思想相结合的软件工程技术，能够将目标问题转变成在逻辑上或物理上分离的多个Agent，可分别针对每个Agent来解决问题，而且各个Agent之间相互协调信息得到最终结果，节约了数据和资源。文献将MAS技术应用于电网的故障诊断中，先将诊断系统智能分解，再通过软件技术来协调各Agent中的信息并得出诊断结果，满足了准确性和实时性的要求。有文献提出一种基于智能识别系统的MAS技术。MAS实现了控制过程的在线自适应识别和实时的进行离线故障诊断，同时可以适应和克服大规模电网的复杂性。

《机械设备故障诊断实用技术丛书：齿轮故障诊断实用技术》是第8分册。本分册共分四部分：第一部分是第一章和第二章，简要介绍了齿轮的发展、齿轮传动等，并详细介绍了渐开线齿轮、齿轮失效的形式及原因；第二部分是第三章和第四章，详细说明了齿轮的振动与噪声产生的原因、机理、特征等，并重点说明了齿轮振动信号的调制；第三部分是第五章和第六章，主要说明了齿轮故障诊断方法，包括振动信号和油样分析，还详尽介绍了齿轮的点检与修复，其中点检方法包括五官点检法和定量点检法；第四部分是第七章，总结了大量齿轮故障诊断案例。

《机械设备故障诊断实用技术丛书：齿轮故障诊断实用技术》内容详尽，通俗易懂，以解决实际问题为根本，主要作为现场从事机械设备管理与维护的工程技术人员使用，同时《机械设备故障诊断实用技术丛书：齿轮故障诊断实用技术》也为高等工科院校相关专业研究生或本科生在深入理解机械设备故障诊断理论体系方面提供了详尽的参考资料。

本书可作为从事齿轮箱的齿轮机械设备故障诊断的工程技术人员和科研人员的参考书，也可供高等院校相关专业高年级本科生、研究生使用。