大数据下机械智能故障诊断的机遇与挑战

黄小华

（江西科技学院，江西 南昌 330098）

智能故障诊断可以有效对大数据机械装备数据进行处理，其首先进行设备中的故障信息的提取，再通过专家识别系统对其识别的故障进行剩余使用年限的预测，然后制定出相应的维修方案对装备进行保护。智能诊断系统与传统诊断相比优势在于不需要过分依赖故障诊断专家和专业技术人员，使大量的装备诊断数据可以通过智能诊断系统进行。

1 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）在机械大数据中可能还隐含着尚未被发觉的新知识，也就是说机械故障机理和演化规律并没有通过一定的方式表现出来。如今的智能算法针对的只是机械的健康状态，并不能分析出机械故障的根本。

（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。

2 潜在方向和发展趋势

针对大数据机械诊断的特点和挑战，作者认为应该在以下领域中实施对大数据下机械故障诊断维护，尽可能多的释放包含在大数据中的价值信息。

（1）创建一个标准的大型数据库。数据是发展大规模机械数据诊断研究的重要基础和资源。计划和建立大型标准数据库对于诊断技术创新具有战略重要性，其在错误演变机理和进行大型科研合作方面发挥重要作用。为建立用于接收，存储和传输大量机械数据的通用标准，学者和企业可以在标准测试台，数据组织，长期检查和一般案例中共享数据；并专注于从正常和错误的演化数据中收集机械动态，进行全寿命记录，在演化过程中记录组件状态数据。

（2）评估大数据的可靠性。由于大量的机械数据，零碎的信号源，可变的采样模式和随机因素，形成了大数据监视的分散性。因此，有必要提高大型机械数据的可靠性，并且有必要将基础设备的智能诊断理论与数据相结合。我们建议从以下研究进行：研究网络的数据使用准则，多通道传感器可以有效合理地使用大型机械数据；研究数据规整算法通，改善信号一致性，创建对标准化大数据，机械数据的评估机制；研究智能数据清理算法，例如通过聚类来提高数据质量。

（3）设备故障数据的智能表征。机械设备的故障行为定律通常被大型机械数据“隐藏”。为了增加机械大数据的价值，分析信号配置中的数据结构，促进机械缺陷特征的分离，并在大数据下提取机械缺陷数据的智能特征是必要的。可以进行以下研究：研究稀疏表示方法，例如学习稀疏字典，非负分解和根据大型机械数据的特点，探索稀疏表示方法的物理意义；新的故障调查数据有助于错误机制的研究，要重视初始错误的弱特征，进行复杂故障的组合研究。

（4）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。

（5）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。

（6）可视化研究。通过交互式可视化表现方式帮助呈现，理解和解释大数据的含义，并发现新现象。建议研究以下方面：构建可视化的参数、智能模型、属性和预测指标的提取、识别和预测结果，并将它们作为主线分析数据表达模式；在可视化结果的基础上，研究发现故障和响应信号之间的因果关系，以及故障模式之间的关系；研究智能、交互式和集成的显示方法，对设备的健康状况进行多角度的显示等。

（7）远程诊断系统。远程诊断基于计算、数据、通信、控制和其他技术，综合故障诊断方法，收集、分析、挖掘和预测大型机械数据，进而实现健康数据的分析，集成和管理。建议进行以下研究：探索压缩检测技术，突破奈奎斯特采样定理的局限，收集少量数据以获得最大的机械数据运算，并促进通信和数据存储；使用诸如HadoopSpark之类的框架来创建云计算开发环境，然后结合大规模处理技术对数据进行分布式计算；研究可扩展学习算法以提高学习，监视和诊断功能；使用紧急控制措施来防止发生事故，从而实现对机械系统的远程监控。

3 结 语

以机械大数据智能诊断面临的挑战为立足点，对机械大数据的潜在发展方向进行深入研究，希望可以将以大数据为基础的机械智能故障诊断广泛应用于工程中。