基于大数据背景下机械智能故障诊断研究

祝俊皓

摘 要：当今社会的机械化程度得到了显著的提升，诸如制造、航天等多个领域中，各类大型机械设施的应用使得生产效率得到了极大的提升。同时，现如今机械设备也在逐渐向着高精密度、高效的方向不断的发展，而这类设施运行的安全稳定与否是各个领域生产活动得以有效开展的重要保障，这也就意味着需要一个完善故障诊断系统作为机械设施安全稳定运行的保障。但在设施数量激增、监测点数量快速增加的影响下，使得机械故障诊断技术进入到了大数据时代。本文就围绕着大数据时代下的机械智能故障诊断展开了有关研究。

关键词：大数据时代 机械故障 智能诊断

1 大数据背景下机械智能故障诊断的应用分析

1.1 大数据下的智能故障监测系统

对于汽车制造行业来说，其中最为基本的四大基本工艺就是冲压、车身焊装、油漆以及总装。在汽车生产环节中涉及的机械设施数量较为庞大，一旦其出现了故障，轻者带来生产效率下降的问题，重者带来生产活动的被迫停止，将会带来巨大的经济损失。而作为整个车间内部最为常用的设施之一，转台主要负责的是夹具台及上料工位的旋转工作，在监测诊断这一机械设施故障的过程中，当前使用较为频繁故障诊断技术主要包括振动、油液及无损探伤三种检测技术。但此三者因为各自具备相应的局限性，导致无法很好的在车间内部进行应用。而在当前大数据技术下机械故障诊断背景下，有关研究人员在全面跟踪观察转台工作流程的前提下，发现转台在出现从动建锁死等故障的时候，其原本稳定的电流周期及曲线就会发生对应的变化。在此基础上，借助电力传感器的安装来实时监控转电机的电流和电压，并在振动监控转台传动主轴的前提下，使用大数据分析方式来拟合分析转台每动作周期内的振动频谱与电流数据，并最终组成一个智能化故障诊断系统，其具体原理如图1所示。

這一系统的应用可以做到实时侦测预先规定采样周期的电流波动异常，并做到及时提醒有关人员机械出现故障。同时，这一系统依旧存在着如下几方面的不足：第一，当前这一系统仅可以将电流的异常变化作为主要的分析点，在故障诊断的过程中往往会出现不够精准的问题，在今后的发展过程中，还需要将全息谱和人工神经网络技术引入其中，并在全面优化系统算法的前提下，做到传动主轴振动的幅频相信息的全面提取，借此来不断提升故障智能诊断系统的精准性。第二，故障智能诊断系统中的云服务器使用的是TCP/IP网络协议，而监控信息接入的MES制造执行系统中使用的是工业网络协议，二者之间存在着转换的问题。

1.2 深度学习下的机械健康监测

机械设施在运行的过程中，在部分运行环境较为恶劣的情形下，在收集的机械运行大数据中，包含了机械内部各零件丰富的故障信息，之前的智能诊断故障方式，主要是依靠诊断及处理信号的经验将机械信号中的特征提取出来，随后借助机器学习模型进行故障的智能诊断工作，但是这一方式在工况频繁交替及故障信息耦合程度较为严重的情形下，对于特征提取的精准性就会显著降低。由此出发，有关研究人员在全面结合机械设备大数据特点及深度学习优势的前提下，研发了一种深度学习的机械健康监测方法，方法的具体流程如图2所示。这一方式可以在全面结合无监督和监督学习的基础上，同时完成自适应提取机械大数据故障特征及识别机械设备健康状况这两项工作，很好地避免了传统故障智能诊断系统中的故障特征提取受限的问题，对于保障机械设备的安全稳定运行有着十分显著的作用。

2 大数据背景下机械故障诊断的发展趋势分析

2.1 构建大型数据库及评估其可靠性

在分析诊断机械故障的过程中，主要的资源和基础就是大型标准数据库的构建数据，这也就意味着这一数据库的合理规划及建立对于故障诊断技术体系创新有着十分重要的作用。这一大型数据库中主要包括了如下几项数据：第一，企业共享的机械设施故障典型案例。第二，各项机械设施的长时间运行监测数据。第三，机械设施从正常运行状态到故障发生这段时间内的动态变化数据。第四，机械设施内部各个零件的有关信息。

通过智能化故障诊断系统监测得到的机械故障大数据，会因为受到信号源头较为分散、数据采集方式多元化以及其他一些随机性干扰因素的影响，而出现不成体系的现象。在这种情形之下，就需要全面提升机械故障大数据的可靠性。这也就意味着在未来的发展过程中，需要在全面集成智能诊断的实施方式和理论基础的前提下，对于多元化信号的尺度、样本采集重复率和转换维度等具备规律性的数据算法做出全面的研究，从而确保信号的一致性。除此之外，还需要通过数据质量统一标准的全面合理构建，对于这些机器故障大数据准确完整与否做出全面考量。同时从子空间聚类这个层面出发，提出智能化的数据清理算法，从而真正意义上提升整体机器故障大数据的质量。

2.2 设备故障信息的智能化展示

在当前机械大数据的背景下，机械设施的故障，在通常情况下具备着隐喻性的规律。在这种情况下，只有以数据驱动作为基础，对其实际的信号构成进行全面的研究，方可在真实有效提取机械故障特征的前提下，将故障信息的智能代表作出有效的落实，从而真正有效利用机械大数据。由此出发，需要在全面遵循机械大数据稀疏属性的前提下，针对稀疏恢复分解等表达模式做出全面的分析，以便全面的研究稀疏表达方式的具体物理含义。通过在全面结合一般高为机械数据所展示出的低维特征属性的前提下，对高维到低维特征的数据提取和转换方式做出全面的提升。并在全面融合故障信息的记录和数据结构研究的前提下，开发出全新的故障代表模式，从而逐步提升故障体系的分析能力。

2.3 故障分析的可视化

通过可视化的应用，可以对机械大数据的内涵做出明确的解读，并明确的发现机械故障数据中的规律，并且制定出一个完整且精准的故障处理决策。这也就意味着可以将智能模型组织的数据特征提取、参数和指标的可视化预测等作为未来的研究主要方向，进一步深化机械故障的表达方式，从而更为直观的呈现出机械故障大数据的本质。并最终借助可视化分析得到的结果，来全面分析机器故障的因果所在，从而在真正意义上做到多层次、多角度来展示机械设施的健康状况。

3 结语

在当前机械设备深入到各个行业生产的大背景下，为了保障机械设施可以维持正常运转的状态，就需要建立一个全面完整的智能故障诊断系统，在当前这个机械故障大数据的时代中，除了机械故障的智能诊断系统之外，还包括了深度学习下的健康状况监测系统等。同时在大数据技术不断发展的前提下，未来的机械设施故障智能诊断系统能够实现故障信息的可视化分析以及智能化展示。

参考文献：

[1]唐伟峰，宋岩，张颖，茅乐.大数据下机械智能故障诊断的机遇与挑战[J].南方农机，2020，51（07）：124.

[2]黄小华.大数据下机械智能故障诊断的机遇与挑战[J].时代农机，2019，46（12）：94-95+102.

[3]李天舒.大数据下机械智能故障诊断的机遇与挑战[J].湖北农机化，2019（13）：16.