黃小華

（江西科技學院，江西 南昌 330098）

智能故障診斷可以有效對大數據機械裝備數據進行處理，其首先進行設備中的故障信息的提取，再通過專家識別系統(tǒng)對其識別的故障進行剩余使用年限的預測，然后制定出相應的維修方案對裝備進行保護。智能診斷系統(tǒng)與傳統(tǒng)診斷相比優(yōu)勢在于不需要過分依賴故障診斷專家和專業(yè)技術人員，使大量的裝備診斷數據可以通過智能診斷系統(tǒng)進行。

1 大數據故障診斷面臨的挑戰(zhàn)

在機械大數據中隱藏著大量有價值的信息和知識，診斷人員在機械大數據的指導下更清楚的了解設備的運行，對于機械大數據下中潛在的信息和知識需要利用科學的理論和方法進行深度的探索。所以，在大數據背景下，現有的智能診斷理論和方法遇到了新的挑戰(zhàn)。

（1）目前大多數診斷中都是以單一的物理源信號為基礎，進行單臺設備的診斷，這樣得到的數據量比較小，所以在診斷專家進行診斷時可以自行進行信號的價值分析。但是在大數據時代，是以多個物理源為基礎，通過傳感器網絡收集的方式對設備進行全面的信息采集。但是在進行多方位的信號采集時，常常會因為信號差異大，數據價值密度低等問題導致數據質量不高，如果在數據中依賴專家進行挑選，無異于大海撈針。

（2）在進行信號處理技術的特征提取時，診斷專家需要十分了解機械裝備故障機理，并且掌握信號處理技術，然后針對特定的問題進行解決。但是并非所有的故障都是單一存在的，在大數據中有許多故障都是多種情況交替存在，所以僅僅通過人為的方式并不能解決所有的故障特征。

（3）在機械大數據中可能還隱含著尚未被發(fā)覺的新知識，也就是說機械故障機理和演化規(guī)律并沒有通過一定的方式表現出來。如今的智能算法針對的只是機械的健康狀態(tài)，并不能分析出機械故障的根本。

（4）雖然在大多數的文獻中對機械智能故障識別采用的是淺層智能模型，但是淺層智能模型在自學習能力和孤立的建設特征并不能適應大數據時代裝備故障耦合性、不確定性和并發(fā)性等特點，導致故障識別存在識別精度低，泛化能力弱的缺點。所以在數據大背景下，智能診斷模型需要不斷深化。

（5）大多數可用的智能診斷程序都研究單標記識別體系。但是在大數據的情況下，單標記系統(tǒng)不僅斷開機械設備的故障之間聯系，而且使得設備故障的位置，類型和程度難以完全解釋出來。應該研究各種故障模式的識別，建設多標簽系統(tǒng)。

（6）預測現有數據壽命的方法是基于單個組件故障的退化數據以及機械故障過程中各個組件之間的交互作用，查找規(guī)則。單個組件“卡住”引起其他組件的退化，從而導致該機制的“多個癥狀”，威脅到整個機器的安全運行。因此，充分利用大數據源來預測所有系統(tǒng)的壽命是診斷大數據下的故障的一大挑戰(zhàn)。

2 潛在方向和發(fā)展趨勢

針對大數據機械診斷的特點和挑戰(zhàn)，作者認為應該在以下領域中實施對大數據下機械故障診斷維護，盡可能多的釋放包含在大數據中的價值信息。

（1）創(chuàng)建一個標準的大型數據庫。數據是發(fā)展大規(guī)模機械數據診斷研究的重要基礎和資源。計劃和建立大型標準數據庫對于診斷技術創(chuàng)新具有戰(zhàn)略重要性，其在錯誤演變機理和進行大型科研合作方面發(fā)揮重要作用。為建立用于接收，存儲和傳輸大量機械數據的通用標準，學者和企業(yè)可以在標準測試臺，數據組織，長期檢查和一般案例中共享數據；并專注于從正常和錯誤的演化數據中收集機械動態(tài)，進行全壽命記錄，在演化過程中記錄組件狀態(tài)數據。

（2）評估大數據的可靠性。由于大量的機械數據，零碎的信號源，可變的采樣模式和隨機因素，形成了大數據監(jiān)視的分散性。因此，有必要提高大型機械數據的可靠性，并且有必要將基礎設備的智能診斷理論與數據相結合。我們建議從以下研究進行：研究網絡的數據使用準則，多通道傳感器可以有效合理地使用大型機械數據；研究數據規(guī)整算法通，改善信號一致性，創(chuàng)建對標準化大數據，機械數據的評估機制；研究智能數據清理算法，例如通過聚類來提高數據質量。

（3）設備故障數據的智能表征。機械設備的故障行為定律通常被大型機械數據“隱藏”。為了增加機械大數據的價值，分析信號配置中的數據結構，促進機械缺陷特征的分離，并在大數據下提取機械缺陷數據的智能特征是必要的?？梢赃M行以下研究：研究稀疏表示方法，例如學習稀疏字典，非負分解和根據大型機械數據的特點，探索稀疏表示方法的物理意義；新的故障調查數據有助于錯誤機制的研究，要重視初始錯誤的弱特征，進行復雜故障的組合研究。

（4）通過深入學習發(fā)現設備故障。大數據智能診斷需要新的理論和方法，大數據在深度學習中創(chuàng)建深度模型，并通過模擬大腦學習過程以實現整合。建議進行以下內容研究：研究如何提取淺層稀疏網絡屬性，分析如何優(yōu)化故障數據處理，建立學習網絡評估標準，在一個深層結構中創(chuàng)建一個深入學習網絡，使用傳統(tǒng)的機械信號作為輸入，分離過程的抽象缺陷，調整每一層的分離屬性，自動區(qū)分設備的健康狀況；研究機器裝備的多標記系統(tǒng)，創(chuàng)建包含多個標簽故障的深度學習網絡，并使用深度學習網絡。

（5）大數據驅動下的壽命預測。機械數據中有大量關于設備退化的數據，為預測設備剩余壽命提供了全面的數據支持，并為壽命理論的發(fā)展開辟了新的機遇。建議在以下領域進行研究：加速壽命測試中機械設備的壽命衰退行為檢測，使用大數據研究設備劣化的演化機理；使用數據收集機制構建遞歸深度網絡，并根據大型機械數據索引自動創(chuàng)建年齡預測，以評估故障發(fā)展趨勢；創(chuàng)建用于預測不同操作條件下的使用壽命的多因素預測模型；研究由于各種零件和零件的故障而導致的機械設備壽命的惡化規(guī)律，并創(chuàng)建了混合模型來進行設備故障檢測和壽命預測。

（6）可視化研究。通過交互式可視化表現方式幫助呈現，理解和解釋大數據的含義，并發(fā)現新現象。建議研究以下方面：構建可視化的參數、智能模型、屬性和預測指標的提取、識別和預測結果，并將它們作為主線分析數據表達模式；在可視化結果的基礎上，研究發(fā)現故障和響應信號之間的因果關系，以及故障模式之間的關系；研究智能、交互式和集成的顯示方法，對設備的健康狀況進行多角度的顯示等。

（7）遠程診斷系統(tǒng)。遠程診斷基于計算、數據、通信、控制和其他技術，綜合故障診斷方法，收集、分析、挖掘和預測大型機械數據，進而實現健康數據的分析，集成和管理。建議進行以下研究：探索壓縮檢測技術，突破奈奎斯特采樣定理的局限，收集少量數據以獲得最大的機械數據運算，并促進通信和數據存儲；使用諸如HadoopSpark之類的框架來創(chuàng)建云計算開發(fā)環(huán)境，然后結合大規(guī)模處理技術對數據進行分布式計算；研究可擴展學習算法以提高學習，監(jiān)視和診斷功能；使用緊急控制措施來防止發(fā)生事故，從而實現對機械系統(tǒng)的遠程監(jiān)控。

3 結 語

以機械大數據智能診斷面臨的挑戰(zhàn)為立足點，對機械大數據的潛在發(fā)展方向進行深入研究，希望可以將以大數據為基礎的機械智能故障診斷廣泛應用于工程中。