大数据下机械智能故障诊断研究

导语：大数据下机械智能故障诊断研究一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

摘要：大数据为机械智能故障诊断的全面使用和更深分析构建了全新的机会。文章全面研究了机械智能故障诊断的国外、国内发展现状和动态分析；明确解读了在大数据时期机械智能故障诊断的方式和理论挑战；分析了全面解决该挑战的发展趋势和解决途径。

关键词：智能故障诊断；大数据；机械设备

伴随物联网、互联网的迅猛普及和发展，目前社会数据的增长量和速度均呈现出直线增长的态势，是以往不能比拟的。2012年，美国花费2亿美元正式落实“大数据研究与发展计划”（BigDataResearchandDevelopmentPlan），大数据也被当做“未来的全新石油”，并正式将大数据纳入到国家战略标准。2014年，信息部、工业部颁发了“大数据白皮书”，代表大数据的产生实现了根本性的创新，更改了传统的信息技术，改变了人们的日常生活，改变了人们对世界的认识。2015年，国务院正式颁发“促进大数据发展行动纲要”，确定我国的基本战略资源涵盖了大数据，提倡对大数据关键应用技术的研究和分析，明确大数据分析方式，实现深入研究。出于机械化类型大数据的独特性质，当下迫切需要在当下具备的基础中凭借社会机遇进行过度。学术观念的改变：将积累知识、观察、特征提取、算法设计、决策和分析当做主线的全新的学术思维，其中心为数据、其基础为机制、其手段为计算、将智能数据决策和分析当做全新需求的学术思维。研究对象的改变：对拥有多故障互耦或整个设施的繁杂体系落实多级诊断和监测，对轴承、齿轮、转子等关键区域落实单级诊断和监测。转变分析手段为通过人为挑选可靠数据，全面的对多随机因子干扰中智能分析故障的动态改变环节落实全局研究和分析，进而获得故障弱特征切片分析的信号处理模式。机械故障诊断指标的改变为：快速、精准的识别机械故障的演化和发生，规避或降低重大灾难事故的产生，将大数据当做机械设备组动态、健康的综合控制两，对其落实智能优化和维护，实现生产环境的全面优化，确保质量品质，实现生产效率的提升。综上，机械大数据当下已经发展为呈现机械故障本质和演化环节的主要资源，数据解释能力、数据量规模开始发展为目前诊断机械故障的主要部分。但是对机械装备自身而言，其机理、结构比较繁杂，且由于受制于繁杂环境层面的干扰，受制于任务复杂导致的工况改变，造成机械大数据处理、分析、诊断具备诸多困难，难以落实。

1大数据故障诊断面临的挑战

机械大数据涵盖大知识、大信息，以更加广泛、高的视角，协助诊断成员对设备运行情况进行了解，实现洞察力的提高，实现决策成效的提升。但该具备价值的知识、信息均隐藏在机械大数据下，需要全面分析，探寻精准的方法、理论、技术。基于此，机械故障诊断开始全面步入大数据时期，当下的智能故障诊断的方式、理论也遭遇全新的困难和挑战。①当下的研究普遍应用单一的物理源信号进行某1设备的诊断，具备较小的数据量，基于此对诊断专家而言，其在诊断过程中可挑选具备价值的信号落实。但在大数据时期，一般应用传感器获得很多的物理源信号，真正有效、全面的呈现该设施的情况。出于多源信号具备很大的不同，且在抽样过程中形式多样，数据不具备较高的价值密度，质量此起彼伏，表现出“片段化”的特性，按照诊断专家，挑选信号宛如大海针，必然会在广阔的数据天空下逐渐的消失。②出于信号处理技术特征提取，结合某特殊问题，进行专家诊断，有效分析机械设施故障体系，掌控处理信号的基础，在该层面，进行特征提取算法的设计，落实故障特征。但，针对机器大数据而言，其具备多故障信息结合、多现状交替、多变化、模式不明确的特性，无法认为的落实涵盖全部信息的故障属性和特征。③机械大数据涵盖了并没有了解、落实的全新知识，也就是机械故障的演化规律、机制为由多源异构大数据（例如声场、震动、热图像等）代表。当下的智能算法只可以针对机械健康情况进行决策，无法肩负机械故障演化机制、故障性质的提取和大数据信息分析的工作。④仅管诸多文献资料均应用浅智能模型进行机械故障的智能识别，但在大数据时期，设施故障更多的表现出不确定性、耦合、并发性。出于浅层智能模型不具备较高的自学技能、建立模型和提取特征进行了有效隔离，导致识别故障中不具备较高的精准性，具备较低的泛化技能。基于此，在大数据情况下，从初步到深入均需要实现智能诊断模型的改变。⑤当下具备的诸多职能诊断模式均对单一标记识别进行了研究。但在大数据时期，单一标记体系不但分离了机械设施的故障关系，还很难对设施故障类型、位置、程度等信息进行描述。基于此，纳入多标签体系对多故障识别进行研究具备一定的必要性。⑥当下的预测数据驱动寿命的模式为在退化数据下探求某单一构件的失效问题和规律，并不考量部件不同的情况下其部件相互作用对系统失效导致的影响。机械体系为多部件通过耦合产生的整体，某1部件性能丧失或退化必然会导致其他部件产生感染，进而造成机械体系有所聚偏，进而导致该机械设施的全面运转。

2潜在方向与发展趋势

结合机械数据诊断当下面对的挑战，融合其特征，本人表示可在以下层面落实机械故障诊断的分析工作，为机械维护、诊断构建比较可靠和稳定的技术方式和理论支撑。进而有效释放机械数据涵盖的信息潜能。①大型标准数据库的构建数据为机械数据诊断分析的主要资源和基础，其数据库的建立和规划针对故障演化体系、技术创新诊断、科研协作等均具备显著的战略含义。公司共享设施的典型案例和长时间检测数据；主要收集机械设施在正常工作到故障发生的动态发展环节的数据；集中进化环节和记录零部件的相关信息。②评估大数据的可靠性。出于信号源的分散、机械数据量比较大、采样方式的多变性、随机干扰因素等诸多层面的影响，导致监测大数据表现出“不成体系”的形式，基于此，需要提升大数据的可靠性，集成智能诊断的设备方式和理论基础；研究多源信号的尺度、重采样、转换维度等规律性数据算法，实现信号一致性的提升；构建评价数据质量的统一标准，全面考量数据是否具备准确性、完整性、及时性；并在子空间聚类的层面提出智能数据清理算法，实现大数据质量的提升。③智能表示设备故障信息。机械大数据下，设施故障通常具备隐喻性的规律。唯有在数据驱动基础下研究其信号构成，实现故障特征的提取，落实故障信息的智能代表，方可有效利用大数据时期的机械价值。基于此，方可落实下面的工作：按照机械大数据比较稀疏的属性，分析稀疏非负分解、究稀疏字典学习等表达模式，研究稀疏表达方式的物理含义，例如字典可被当做某组别的特征波形基函数等，按照故障信号的产生原理，也就是响应信号为随机噪声、故障激励、系统传递函数卷积的结果，构建反馈体系。结合一般高维机械数据表现出低维特征的属性，提升高维特征到低维特征的提取和转换的方式。融合故障信息的记录和研究数据结构，研究全新的故障代表模式，提高故障体系的分析，主要分析了初期故障的组合故障耦合和弱特征的症状。④可视化分析。可视化为运用交互落实理解、呈现、解释，对机械大数据的内涵进行解读，明确故障的规律，落实精准的决策，确保在研究机械故障中了解其新认识、新现象。可在智能模型组织的提取特征、可视化参数、指标可视化预测、预测结果可视化识别等当做主线，研究故障表达方式，直观呈现大数据本质，通过可视化结果分析响应信号、故障的因果存在，并研究故障模式、特征两者的关系。分析预测结和识别结果的表达模式、交互式集成智能研究、多角度、多层次的表示设施健康情况等相关问题。

参考文献：

[1]雷亚国，何正嘉.混合智能故障诊断与预示技术的应用进展[J].振动与冲击，2011，30（9）：129-135.

[2]王国彪，何正嘉，陈雪峰，等.机械故障诊断基础研究“何去何从”[J].机械工程学报，2013，49（1）：63-72.

[3]沈朝萍，尚金秋，胡超，谢中敏，于鹏澎.航空机械装备失效分析技术在专家系统中的应用研究[J].内燃机与配件，2018（18）：225-226.

作者:申立新 单位:新兴重工（天津）国际贸易有限公司