導語：大數據下機械智能故障診斷研究一文來源于網友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要：大數據為機械智能故障診斷的全面使用和更深分析構建了全新的機會。文章全面研究了機械智能故障診斷的國外、國內發(fā)展現狀和動態(tài)分析；明確解讀了在大數據時期機械智能故障診斷的方式和理論挑戰(zhàn)；分析了全面解決該挑戰(zhàn)的發(fā)展趨勢和解決途徑。

關鍵詞：智能故障診斷；大數據；機械設備

伴隨物聯(lián)網、互聯(lián)網的迅猛普及和發(fā)展，目前社會數據的增長量和速度均呈現出直線增長的態(tài)勢，是以往不能比擬的。2012年，美國花費2億美元正式落實“大數據研究與發(fā)展計劃”（BigDataResearchandDevelopmentPlan），大數據也被當做“未來的全新石油”，并正式將大數據納入到國家戰(zhàn)略標準。2014年，信息部、工業(yè)部頒發(fā)了“大數據白皮書”，代表大數據的產生實現了根本性的創(chuàng)新，更改了傳統(tǒng)的信息技術，改變了人們的日常生活，改變了人們對世界的認識。2015年，國務院正式頒發(fā)“促進大數據發(fā)展行動綱要”，確定我國的基本戰(zhàn)略資源涵蓋了大數據，提倡對大數據關鍵應用技術的研究和分析，明確大數據分析方式，實現深入研究。出于機械化類型大數據的獨特性質，當下迫切需要在當下具備的基礎中憑借社會機遇進行過度。學術觀念的改變：將積累知識、觀察、特征提取、算法設計、決策和分析當做主線的全新的學術思維，其中心為數據、其基礎為機制、其手段為計算、將智能數據決策和分析當做全新需求的學術思維。研究對象的改變：對擁有多故障互耦或整個設施的繁雜體系落實多級診斷和監(jiān)測，對軸承、齒輪、轉子等關鍵區(qū)域落實單級診斷和監(jiān)測。轉變分析手段為通過人為挑選可靠數據，全面的對多隨機因子干擾中智能分析故障的動態(tài)改變環(huán)節(jié)落實全局研究和分析，進而獲得故障弱特征切片分析的信號處理模式。機械故障診斷指標的改變?yōu)椋嚎焖?、精準的識別機械故障的演化和發(fā)生，規(guī)避或降低重大災難事故的產生，將大數據當做機械設備組動態(tài)、健康的綜合控制兩，對其落實智能優(yōu)化和維護，實現生產環(huán)境的全面優(yōu)化，確保質量品質，實現生產效率的提升。綜上，機械大數據當下已經發(fā)展為呈現機械故障本質和演化環(huán)節(jié)的主要資源，數據解釋能力、數據量規(guī)模開始發(fā)展為目前診斷機械故障的主要部分。但是對機械裝備自身而言，其機理、結構比較繁雜，且由于受制于繁雜環(huán)境層面的干擾，受制于任務復雜導致的工況改變，造成機械大數據處理、分析、診斷具備諸多困難，難以落實。

1大數據故障診斷面臨的挑戰(zhàn)

機械大數據涵蓋大知識、大信息，以更加廣泛、高的視角，協(xié)助診斷成員對設備運行情況進行了解，實現洞察力的提高，實現決策成效的提升。但該具備價值的知識、信息均隱藏在機械大數據下，需要全面分析，探尋精準的方法、理論、技術?；诖?，機械故障診斷開始全面步入大數據時期，當下的智能故障診斷的方式、理論也遭遇全新的困難和挑戰(zhàn)。①當下的研究普遍應用單一的物理源信號進行某1設備的診斷，具備較小的數據量，基于此對診斷專家而言，其在診斷過程中可挑選具備價值的信號落實。但在大數據時期，一般應用傳感器獲得很多的物理源信號，真正有效、全面的呈現該設施的情況。出于多源信號具備很大的不同，且在抽樣過程中形式多樣，數據不具備較高的價值密度，質量此起彼伏，表現出“片段化”的特性，按照診斷專家，挑選信號宛如大海針，必然會在廣闊的數據天空下逐漸的消失。②出于信號處理技術特征提取，結合某特殊問題，進行專家診斷，有效分析機械設施故障體系，掌控處理信號的基礎，在該層面，進行特征提取算法的設計，落實故障特征。但，針對機器大數據而言，其具備多故障信息結合、多現狀交替、多變化、模式不明確的特性，無法認為的落實涵蓋全部信息的故障屬性和特征。③機械大數據涵蓋了并沒有了解、落實的全新知識，也就是機械故障的演化規(guī)律、機制為由多源異構大數據（例如聲場、震動、熱圖像等）代表。當下的智能算法只可以針對機械健康情況進行決策，無法肩負機械故障演化機制、故障性質的提取和大數據信息分析的工作。④僅管諸多文獻資料均應用淺智能模型進行機械故障的智能識別，但在大數據時期，設施故障更多的表現出不確定性、耦合、并發(fā)性。出于淺層智能模型不具備較高的自學技能、建立模型和提取特征進行了有效隔離，導致識別故障中不具備較高的精準性，具備較低的泛化技能?；诖?，在大數據情況下，從初步到深入均需要實現智能診斷模型的改變。⑤當下具備的諸多職能診斷模式均對單一標記識別進行了研究。但在大數據時期，單一標記體系不但分離了機械設施的故障關系，還很難對設施故障類型、位置、程度等信息進行描述。基于此，納入多標簽體系對多故障識別進行研究具備一定的必要性。⑥當下的預測數據驅動壽命的模式為在退化數據下探求某單一構件的失效問題和規(guī)律，并不考量部件不同的情況下其部件相互作用對系統(tǒng)失效導致的影響。機械體系為多部件通過耦合產生的整體，某1部件性能喪失或退化必然會導致其他部件產生感染，進而造成機械體系有所聚偏，進而導致該機械設施的全面運轉。

2潛在方向與發(fā)展趨勢

結合機械數據診斷當下面對的挑戰(zhàn)，融合其特征，本人表示可在以下層面落實機械故障診斷的分析工作，為機械維護、診斷構建比較可靠和穩(wěn)定的技術方式和理論支撐。進而有效釋放機械數據涵蓋的信息潛能。①大型標準數據庫的構建數據為機械數據診斷分析的主要資源和基礎，其數據庫的建立和規(guī)劃針對故障演化體系、技術創(chuàng)新診斷、科研協(xié)作等均具備顯著的戰(zhàn)略含義。公司共享設施的典型案例和長時間檢測數據；主要收集機械設施在正常工作到故障發(fā)生的動態(tài)發(fā)展環(huán)節(jié)的數據；集中進化環(huán)節(jié)和記錄零部件的相關信息。②評估大數據的可靠性。出于信號源的分散、機械數據量比較大、采樣方式的多變性、隨機干擾因素等諸多層面的影響，導致監(jiān)測大數據表現出“不成體系”的形式，基于此，需要提升大數據的可靠性，集成智能診斷的設備方式和理論基礎；研究多源信號的尺度、重采樣、轉換維度等規(guī)律性數據算法，實現信號一致性的提升；構建評價數據質量的統(tǒng)一標準，全面考量數據是否具備準確性、完整性、及時性；并在子空間聚類的層面提出智能數據清理算法，實現大數據質量的提升。③智能表示設備故障信息。機械大數據下，設施故障通常具備隱喻性的規(guī)律。唯有在數據驅動基礎下研究其信號構成，實現故障特征的提取，落實故障信息的智能代表，方可有效利用大數據時期的機械價值?；诖耍娇陕鋵嵪旅娴墓ぷ鳎喊凑諜C械大數據比較稀疏的屬性，分析稀疏非負分解、究稀疏字典學習等表達模式，研究稀疏表達方式的物理含義，例如字典可被當做某組別的特征波形基函數等，按照故障信號的產生原理，也就是響應信號為隨機噪聲、故障激勵、系統(tǒng)傳遞函數卷積的結果，構建反饋體系。結合一般高維機械數據表現出低維特征的屬性，提升高維特征到低維特征的提取和轉換的方式。融合故障信息的記錄和研究數據結構，研究全新的故障代表模式，提高故障體系的分析，主要分析了初期故障的組合故障耦合和弱特征的癥狀。④可視化分析?？梢暬癁檫\用交互落實理解、呈現、解釋，對機械大數據的內涵進行解讀，明確故障的規(guī)律，落實精準的決策，確保在研究機械故障中了解其新認識、新現象。可在智能模型組織的提取特征、可視化參數、指標可視化預測、預測結果可視化識別等當做主線，研究故障表達方式，直觀呈現大數據本質，通過可視化結果分析響應信號、故障的因果存在，并研究故障模式、特征兩者的關系。分析預測結和識別結果的表達模式、交互式集成智能研究、多角度、多層次的表示設施健康情況等相關問題。

參考文獻：

[1]雷亞國，何正嘉.混合智能故障診斷與預示技術的應用進展[J].振動與沖擊，2011，30（9）：129-135.

[2]王國彪，何正嘉，陳雪峰，等.機械故障診斷基礎研究“何去何從”[J].機械工程學報，2013，49（1）：63-72.

[3]沈朝萍，尚金秋，胡超，謝中敏，于鵬澎.航空機械裝備失效分析技術在專家系統(tǒng)中的應用研究[J].內燃機與配件，2018（18）：225-226.

作者:申立新 單位:新興重工（天津）國際貿易有限公司