制造過(guò)程質(zhì)量異常診斷的智能方法研究

第1章 緒論

1．1 質(zhì)量診斷技術(shù)的研究意義

1．2 質(zhì)量診斷

1．3 質(zhì)量診斷技術(shù)的發(fā)展及國(guó)內(nèi)外研究現(xiàn)狀

1．4 本書(shū)的研究?jī)?nèi)容、結(jié)構(gòu)和研究方法

第2章 基于PNN的制造過(guò)程質(zhì)量診斷

2．1 過(guò)程異常與控制圖的使用

2．2 控制圖模式識(shí)別問(wèn)題

2．3 神經(jīng)網(wǎng)絡(luò)與控制圖模式識(shí)別

2．4 基于PNN控制圖模式識(shí)別的過(guò)程異常診斷

2．5 本章小結(jié)

第3章 基于LS-SVM的小樣本過(guò)程質(zhì)量診斷

3．1 制造過(guò)程的小樣本質(zhì)量診斷問(wèn)題

3．2 有限樣本條件下的統(tǒng)計(jì)學(xué)習(xí)理論

3．3 支持向量機(jī)理論

3．4 基于LS-SVM控制圖模式識(shí)別的過(guò)程異常診斷

3．5 基于智能進(jìn)化算法和LS-SVM的過(guò)程異常診斷技術(shù)

3．6 本章小結(jié)

第4章 基于Cuscore統(tǒng)計(jì)量的過(guò)程質(zhì)量智能診斷

4．1 Cuscore統(tǒng)計(jì)量與過(guò)程異常診斷問(wèn)題

4．2 cuscore統(tǒng)計(jì)量對(duì)于非線(xiàn)性預(yù)期異常信號(hào)的診斷性能

4．3 解決Cuscore圖失配問(wèn)題的智能變點(diǎn)模型

4．4 本章小結(jié)

第5章 多元過(guò)程質(zhì)量智能診斷與異常變量識(shí)別

5．1 多元過(guò)程質(zhì)量診斷問(wèn)題

5．2 多元統(tǒng)計(jì)過(guò)程控制圖

5．3 多元過(guò)程均值異常診斷與變量識(shí)別的智能診斷模型

5．4 多元過(guò)程散度異常診斷與變量識(shí)別的智能模型

5．5 本章小結(jié)

第6章 總結(jié)與展望

6．1 研究?jī)?nèi)容總結(jié)

6．2 展望

附錄 以第一作者身份發(fā)表的主要學(xué)術(shù)論文

參考文獻(xiàn)

后記2100433B

產(chǎn)品的質(zhì)量水平高低是影響一個(gè)國(guó)家經(jīng)濟(jì)發(fā)展和國(guó)際市場(chǎng)競(jìng)爭(zhēng)力的重要因素。產(chǎn)品質(zhì)量、制造過(guò)程質(zhì)量、服務(wù)質(zhì)量問(wèn)題近年來(lái)日益得到我國(guó)政府和廣大公眾的關(guān)注和重視。

《制造過(guò)程質(zhì)量異常診斷的智能方法研究》對(duì)制造過(guò)程質(zhì)量異常診斷的智能方法進(jìn)行了研究，主要內(nèi)容涵涵蓋基于PNN的制造過(guò)程質(zhì)量診斷、基于LS-SVM的小樣本過(guò)程質(zhì)量診斷、基于Cuscore統(tǒng)計(jì)量的過(guò)程質(zhì)量智能診斷、多元過(guò)程質(zhì)量智能診斷與異常變量識(shí)別等。

《制造過(guò)程質(zhì)量異常診斷的智能方法研究》結(jié)構(gòu)合理，條理清晰，內(nèi)容豐富新穎，可供從事納米材料研究的相關(guān)人員參考使用。

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

Feighbaum教授 于1968年開(kāi)發(fā)了第一個(gè)專(zhuān)家系統(tǒng)((Expert System)并且具體說(shuō)明專(zhuān)家系統(tǒng)是一種智能的計(jì)算機(jī)程序，它通過(guò)使用知識(shí)與推理過(guò)程，求解那些需要專(zhuān)家的知識(shí)才能求解的高難度問(wèn)題。自從70年代人們將專(zhuān)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(zhuān)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(kù)，并用自然語(yǔ)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(yǔ)言并通過(guò)人機(jī)接口儲(chǔ)存到知識(shí)庫(kù)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(kù)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(zhuān)家系統(tǒng)將專(zhuān)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(méi)有變，因此當(dāng)前專(zhuān)家系統(tǒng)還存在著不足：(1)專(zhuān)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(kù)；(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(kù)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(kù)要經(jīng)常根據(jù)實(shí)際情況進(jìn)行更新。

未來(lái)的研究中將專(zhuān)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(zhǎng)補(bǔ)短，彌補(bǔ)專(zhuān)家系統(tǒng)本身的缺陷。有研究將模糊集理論與專(zhuān)家系統(tǒng)結(jié)合，通過(guò)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(zhuān)家系統(tǒng)容錯(cuò)性差的問(wèn)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(zhuān)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(zhuān)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(lái)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(lái)的，并由大量簡(jiǎn)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(wú)法預(yù)測(cè)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(lái)建立診斷模型;通過(guò)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(guò)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(guò)程即為學(xué)習(xí)過(guò)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(mǎn)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(xiàn)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(guò)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(lái)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(guò)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(lái)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(wèn)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?xún)?yōu)選，然后通過(guò)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(cè)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(cè)。也有文獻(xiàn)基于元件建模，通過(guò)設(shè)置各節(jié)點(diǎn)的先驗(yàn)概率，使得故障信息經(jīng)過(guò)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(lái)確定，而且貝葉斯網(wǎng)的訓(xùn)練屬于NP難度問(wèn)題，處理復(fù)雜問(wèn)題時(shí)將變得非常困難。未來(lái)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(guó)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(wèn)題表示為使目標(biāo)函數(shù)最小化的0-1整數(shù)規(guī)劃問(wèn)題，然后通過(guò)優(yōu)化算法求解該問(wèn)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(lái)求取決策表約簡(jiǎn)，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(guò)該方法還存在的問(wèn)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(guò)長(zhǎng)；(3)優(yōu)化算法在尋優(yōu)的過(guò)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(lái)提高診斷的準(zhǔn)確性和實(shí)時(shí)性是該領(lǐng)域未來(lái)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(zhuān)門(mén)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(wèn)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(lèi)方法的缺陷，具有充足的理論依據(jù)。它在文本分類(lèi)、故障診斷、手寫(xiě)識(shí)別等領(lǐng)域中獲得了較多的應(yīng)用。

故障診斷問(wèn)題從本質(zhì)上來(lái)說(shuō)就是一種分類(lèi)問(wèn)題，而支持向量機(jī)對(duì)于有限樣本狀況下的分類(lèi)問(wèn)題具有較強(qiáng)的針對(duì)性。有文獻(xiàn)通過(guò)將粒子群優(yōu)化算法與支持向量機(jī)相結(jié)合來(lái)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(lèi)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(wèn)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(guò)程快速并滿(mǎn)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(wèn)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(guó)自動(dòng)控制專(zhuān)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(lái)描述差異的中間過(guò)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(zhuān)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(wèn)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(guò)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(méi)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(kù)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(zhuān)家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、Petri網(wǎng)等)，用來(lái)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(guó)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(lái)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(guò)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(guò)還有一些尚需深入的問(wèn)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(lái)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(guò)對(duì)來(lái)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(cè)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(shì)。

采用信息融合技術(shù)將開(kāi)關(guān)量與電氣量等來(lái)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(wèn)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(lái)解決問(wèn)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(guò)軟件技術(shù)來(lái)協(xié)調(diào)各Agent中的信息并得出診斷結(jié)果，滿(mǎn)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(guò)程的在線(xiàn)自適應(yīng)識(shí)別和實(shí)時(shí)的進(jìn)行離線(xiàn)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。

變壓器故障引發(fā)的系統(tǒng)事故和停電后果十分嚴(yán)重。目前，大型變壓器通常都配有油色譜在線(xiàn)監(jiān)測(cè)手段，并輔以多種離線(xiàn)檢測(cè)手段，電力企業(yè)迫切需要對(duì)不同手段所測(cè)得的數(shù)據(jù)進(jìn)行綜合分析和智能診斷。本書(shū)是作者多年來(lái)對(duì)變壓器故障智能診斷方法研究的理論和技術(shù)的總結(jié)。本書(shū)首先介紹變壓器的常見(jiàn)故障及常用監(jiān)測(cè)/檢測(cè)手段，以及基于多監(jiān)測(cè)參量融合診斷的診斷框架；然后講述非平穩(wěn)信號(hào)的典型分析與處理方法；接下來(lái)分別論述基于油色譜數(shù)據(jù)、振動(dòng)信號(hào)、寬頻帶脈沖電流信號(hào)以及超聲信號(hào)等單一手段的變壓器故障智能診斷方法；最后闡述變壓器多檢測(cè)手段的融合診斷方法，并給出變壓器故障診斷系統(tǒng)的實(shí)現(xiàn)方法。

本課題針對(duì)智能制造系統(tǒng)的基礎(chǔ)理論展開(kāi)了一系列研究。首先參考CIM-OSA體系結(jié)構(gòu)并利用分形的思想，建立了IMS的嵌套式知識(shí)模型。然后用面向?qū)ο蟮目蚣苷Z(yǔ)言對(duì)IMS知識(shí)模型進(jìn)行仿真。結(jié)合IMS的底層組成單元FMS的調(diào)度問(wèn)題，采取Petri網(wǎng)和啟發(fā)式算法結(jié)合的方法來(lái)解決。進(jìn)一步為了提高IMS 的自組織性，我們提出了基于FBS模型的經(jīng)營(yíng)過(guò)程重組策略和實(shí)現(xiàn)方法。這種方法首先用重級(jí)算法對(duì)企業(yè)活動(dòng)重新安排，并用過(guò)程規(guī)則集來(lái)反映企業(yè)的行為變化，從而完成功能視圖的重組。然后由功能視圖重級(jí)導(dǎo)出信息、資源和組織視圖的重組。通過(guò)建立基于模型的經(jīng)營(yíng)過(guò)程重組織知識(shí)系統(tǒng)，可以提高重組過(guò)程的決策自動(dòng)化和智能化水平。所有這些可以運(yùn)用工廠(chǎng)中去，提高企業(yè)的競(jìng)爭(zhēng)能力。 2100433B