大数据分析在机械故障诊断中的应用 .pdfVIP

大数据分析在机械故障诊断中的应用

发布时间：2023-02-16T01:34:52.701Z来源：《中国科技信息》第2022年第9月第17期作者：李忠福张翔杜兆龙

[导读]:本文从信号获取、特征提取、识别和预测三个方面分析机械智能化故障诊断技术在大数据环境下所面临的问题，并提出相应的对策

和未来发展趋势。

李忠福，张翔，杜兆龙

徐州重型机械有限公司江苏徐州221000

摘要:本文从信号获取、特征提取、识别和预测三个方面分析机械智能化故障诊断技术在大数据环境下所面临的问题，并提出相应的对

策和未来发展趋势。

关键词：大数据机械故障诊断

大数据故障诊断面临的挑战1

目前大部分研究都是采用单个物理信号进行单台设备的故障诊断，数据量小，所以，诊断人员可以通过人(1)工方式来进行故障诊断。

但是在大数据时代的今天，为更好地体现设备状况，一般都是通过传感器网络来采集多个物理信号。但多个来源的信号差异较大，采样策

略形式多样，数据价值密度小，数据呈现“碎片化”，如果继续依靠诊断专家人工选取信号，无异于大海捞针，最终会在数据的汪洋大海中

迷失。

在信号(2)处理技术中，特征获取常常是为了解决具体问题，因此必须要有应对机械设备的失效机制和信号分析系统，并根据这些特

点，提出一种用于识别故障的特征获取方法。然而，在多工况交替、多故障信息耦合、模式不明、变化频繁的情况下，人工设计很难获取

包含全部信息的故障特性。

在机械故障诊断的大数据中，(3)存在大量未知的、崭新的信息，换而言之，在机械的失效机制和演变过程中，会以振动、声场、热图

像等多种来源的信息作为中介，以信息形式表现。目前的智能方法仅限于机械故障诊断，不适合机械故障问题本质和演化机制信息的提

取。

虽然(4)大部分研究都是以层次智能模式实现机械智能，但是在大数据环境下，设备的失效越来越具有耦合性、不确定性和并发性等特

点。浅层智能系统的学习能力较弱，特征提取和建模是独立进行的，因此它的识别精度较低，泛化能力较差。从“浅”到“深”的智能化诊断

模式成为大数据时代的必然选择。

目前大部分智能故障诊断技术都是(5)针对单一故障进行的，但在海量数据环境中，单一标识系统不但将故障与故障之间的相互关系分

割开来，也很难对故障位置、类型、程度等多种故障进行全面分析。

目前采用(6)基于数据驱动的生命周期预报主要是从失效规律中找出个别零件的故障特征，同时也要综合考量各元件间的交互作用对于

整个机械的破坏性。机械设备是多个零件相互联结的一个整体，个别零件的质量下降必然会“传染”到其它零件，造成“多症并发”，从而危

及设备的正常运转。在海量数据环境下，如何有效运用大数据进行全寿命的准确预报是一个尚未解决的难题。

潜在方2向与发展趋势

（1）标准大数据库建立

在数据基础之上进行大规模的数据库建设，对于诊断技术创新、揭示故障演化机制、大规模科研合作等都有重要的战略作用。可以从

以下几个层面着手：建立机械大数据采集、存储和传输的一般准则、科研人员分享标准化试验计划与资料、企业间的长期设备监控资料与

典型事例、重视对设备从常态到失效的全生命周期的动力学演化资料的采集、重视对其演化的各环节进行分析。

大数据可(2)靠性评估

机械数据量庞大，信号来源分散，采样形式多样，由于受各种随机因素的影响，大型仪器设备的监控数据具有“碎片化”的特征，必须

进一步加强其可靠性，为设备智能化检测的理论和技术奠定坚实的数据依据。提出以下几个方面的工作重点内容：对多信道传感网络的数

据使用标准进行深入探讨；对多源信号进行再采样、尺度和维度变换等规则化方法进行探讨；改善信号的相似性；建立数据质量评估指

标，考虑数据完整性、准确性和时效性；引入数据分类、子域分类等智能化数据清理方法，提高机械数据的品质。

装(3)备故障信息智能表征

机械设备失效行为的规律性常常以机械数据为“隐喻”。通过对数据进行分析，可以从机械故障特性获取故障信息智能表征，并对其进

行智能化的识别，使机械大数据应用更加有效。根据机械数据稀疏特性，对稀疏字典学习、稀疏非负分解等稀疏表示进行深入探讨；根据

故障信号生成的理论，将故障激励、随机噪声等与系统转移功能相叠，给出基于卷积模型的重建错误回馈学习机制；根据高维机械资料一

般具有较低维度的特性，从大数据条件下将高精度的机械高维特征获取的问题转换为低维度问题。

基于深度学习(4)的装备故障识别