大数据下机械智能故障诊断的机遇与挑战

大数据下机械智能故障诊断的机遇与挑战

朴喜豪

鞍钢集团本钢板材股份有限公司热连轧厂

摘要

现如今各行各业都涉及到机械的运用，一旦机械发生了故障就会带来不良影响。由于机械的使用范围广，一旦机械发生故障，就需要进行大面积的检查。对于机械的检查所要采取的数据非常庞大，机械的故障诊断进入了大数据时代。本文针对大数据下机械智能故障诊断所面临的机遇与挑战展开了分析。

关键词：大数据；智能故障诊断；机遇；挑战

随着我国互联网的不断发展和普及，目前的社会数据比以往的增长速度要迅猛得多，数据种类丰富，结构复杂，一直呈上升状态。而大数据的特殊性使得故障诊断迫切需要在目前的基础上做出一定的改变，并且迎来了史无前例的发展机遇。智能诊断避免了传统诊断过分依赖专业人员的问题，打破了机械设备诊断数据数量大和专家少的局面，它既是智能机械的重要组成部分，也是“中国制造2025”的重要内容。

一、机械智能故障诊断的研究现状

机械智能故障的诊断主要分为信号获取、 特征提取以及故 障的识别与预测等三个步骤。

（1）信号获取：进行机械故障诊断的前提是要先了解机械设备在运行时的 状态，目前，已经可以利用先进的传感技术将机械设备的运行状 态的信号表进行绘制了。 国内外学者已经开始从动力学、声学、 热力学及摩擦学等多个物理场获取信号， 并从中进行故障的分析与诊断。虽然国内外学者已经利用不同的物理信号对机械设备进行了检测工作， 但是他们在获取信号的过程中大都没有对 信号的可靠性做出验证。

（2）特征提取：机械故障信息表的主要途径是信号处理技术为基本的特征提取。在机械出现故障的时候，基本在时域、频域和时频域会有不同的性能，因此国内外学者针对不同领域的机械故障信息提取问题进行了相当丰富的分析。

（3）故障预测和识别：机械智能故障诊断的目的是以提取特征作为输入，采用人工智能模型和故障信息实现机械设备故障的自动预测和识别。国内外的学者在故障的预测和识别上的研究有了很多结论，但是在实际应用上还有些许问题，若想充分利用大数据资源的机械智能进行故障诊断，还是需要认真研究和分析的。

二、大数据故障诊断面临的挑战

在机械大数据中隐藏着大量有价值的信息和知识，诊断人员在机械大数据的指导下更清楚的了解设备的运行，对于机械大数据下中潜在的信息和知识需要利用科学的理论和方法进行深度的探索。所以，在大数据背景下，现有的智能诊断理论和方法遇到了新的挑战。

（1）目前大多数诊断中都是以单一的物理源信号为基础，进行单台设备的诊断，这样得到的数据量比较小，所以在诊断专家进行诊断时可以自行进行信号的价值分析。但是在大数据时代，是以多个物理源为基础，通过传感器网络收集的方式对设备进行全面的信息采集。但是在进行多方位的信号采集时，常常会因为信号差异大，数据价值密度低等问题导致数据质量不高，如果在数据中依赖专家进行挑选，无异于大海捞针。

（2）在进行信号处理技术的特征提取时，诊断专家需要十分了解机械装备故障机理，并且掌握信号处理技术，然后针对特定的问题进行解决。但是并非所有的故障都是单一存在的，在大数据中有许多故障都是多种情况交替存在，所以仅仅通过人为的方式并不能解决所有的故障特征。

（3）现在智能诊断的方式基本上是研究单标签识别问题，在大数据的背景下，单标签不仅仅是分割不同机械设备故障之间的关系，很难完整地描述设备故障的位置、程度和类型，需要更多的标记系统，一起研究并分析多故障下的问题识别。

（4）虽然在大多数的文献中对机械智能故障识别采用的是浅层智能模型，但是浅层智能模型在自学习能力和孤立的建设特征并不能适应大数据时代装备故障耦合性、不确定性和并发性等特点，导致故障识别存在识别精度低，泛化能力弱的缺点。所以在数据大背景下，智能诊断模型需要不断深化。

（5）大多数可用的智能诊断程序都研究单标记识别体系。但是在大数据的情况下，单标记系统不仅断开机械设备的故障之间联系，而且使得设备故障的位置，类型和程度难以完全解释出来。应该研究各种故障模式的识别，建设多标签系统。

（6）预测现有数据寿命的方法是基于单个组件故障的退化数据以及机械故障过程中各个组件之间的交互作用，查找规则。单个组件“卡住”引起其他组件的退化，从而导致该机制的“多个症状”，威胁到整个机器的安全运行。因此，充分利用大数据源来预测所有系统的寿命是诊断大数据下的故障的一大挑战。

三、机械智能故障诊断潜在的发展趋势

（1）建立相应的数据库由于对于机械采集的数据值多，分散且采取的手段多样。对这些数据进行合理的划分，总结和存储，建立相应的大数据库，可以为研究提供基础的资源。同时对于相应的数据值的变化进行记录，跟踪，以便进行更好的研究。

（2）进行可靠性评价大数据的状态下，并不是每个数据都是可靠有效的，因此就需要对其进行分析判断，进行合理的规划、划分，改善数据杂乱的现状。所以可以对这些数据进行质量评估的标准，进行相应数据的规整和计算，将数据的采取形式也进行相应的归类，剔除杂而无用的数据，使得研究工作高效优质的完成。

（3）研究可视化将大数据整理出来，总结出它们的规律，进行整理分类。机械发生故障，从大数据里往往可以找到规律的，利用这些数据总结出相应的规律。用规律将机械发生故障的内在原因探究出来，对其进行分析，实现机械故障智能化的解决。

（4）进行深度学习时代在不断的变化和进步，数据也需要的进行不断更新，与此同时，大数据的诊断和处理也需要不断的进行更新，这就要求相关人员不断的进行知识的学习和处理方法的创新。可以建立深层学习的平台，不断地将相关人员的知识体系进行更新。

（5）通过深入学习发现设备故障。大数据智能诊断需要新的理论和方法，大数据在深度学习中创建深度模型，并通过模拟大脑学习过程以实现整合。建议进行以下内容研究：研究如何提取浅层稀疏网络属性，分析如何优化故障数据处理，建立学习网络评估标准，在一个深层结构中创建一个深入学习网络，使用传统的机械信号作为输入，分离过程的抽象缺陷，调整每一层的分离属性，自动区分设备的健康状况；研究机器装备的多标记系统，创建包含多个标签故障的深度学习网络，并使用深度学习网络。

（6）大数据驱动下的寿命预测。机械数据中有大量关于设备退化的数据，为预测设备剩余寿命提供了全面的数据支持，并为寿命理论的发展开辟了新的机遇。建议在以下领域进行研究：加速寿命测试中机械设备的寿命衰退行为检测，使用大数据研究设备劣化的演化机理；使用数据收集机制构建递归深度网络，并根据大型机械数据索引自动创建年龄预测，以评估故障发展趋势；创建用于预测不同操作条件下的使用寿命的多因素预测模型；研究由于各种零件和零件的故障而导致的机械设备寿命的恶化规律，并创建了混合模型来进行设备故障检测和寿命预测。

四、结语

综上所述，本文经过对机械故障诊断大数据的特点分析，又论述了其面临的挑战和发展趋势，从中揭示了大数据智能故障诊断的一些问题，而后给出了大致的发展方向。希望本文的研究和分析可以给相关从业者带来帮助和借鉴，将大数据下机械智能故障诊断实际应用到工作中去，从而促进我国发展的全面智能化。

参考文献：

[1]马鑫.关于机械设计制造及其自动化研究[J].山东工业技术，2016(3)：9+4.

[2]朱夏银.思考机械设计制造及其自动化的运用[J].四川水泥，2018(6)：96.