黃小華

（江西科技學(xué)院，江西 南昌 330098）

智能故障診斷可以有效對(duì)大數(shù)據(jù)機(jī)械裝備數(shù)據(jù)進(jìn)行處理，其首先進(jìn)行設(shè)備中的故障信息的提取，再通過(guò)專家識(shí)別系統(tǒng)對(duì)其識(shí)別的故障進(jìn)行剩余使用年限的預(yù)測(cè)，然后制定出相應(yīng)的維修方案對(duì)裝備進(jìn)行保護(hù)。智能診斷系統(tǒng)與傳統(tǒng)診斷相比優(yōu)勢(shì)在于不需要過(guò)分依賴故障診斷專家和專業(yè)技術(shù)人員，使大量的裝備診斷數(shù)據(jù)可以通過(guò)智能診斷系統(tǒng)進(jìn)行。

1 大數(shù)據(jù)故障診斷面臨的挑戰(zhàn)

在機(jī)械大數(shù)據(jù)中隱藏著大量有價(jià)值的信息和知識(shí)，診斷人員在機(jī)械大數(shù)據(jù)的指導(dǎo)下更清楚的了解設(shè)備的運(yùn)行，對(duì)于機(jī)械大數(shù)據(jù)下中潛在的信息和知識(shí)需要利用科學(xué)的理論和方法進(jìn)行深度的探索。所以，在大數(shù)據(jù)背景下，現(xiàn)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(shù)診斷中都是以單一的物理源信號(hào)為基礎(chǔ)，進(jìn)行單臺(tái)設(shè)備的診斷，這樣得到的數(shù)據(jù)量比較小，所以在診斷專家進(jìn)行診斷時(shí)可以自行進(jìn)行信號(hào)的價(jià)值分析。但是在大數(shù)據(jù)時(shí)代，是以多個(gè)物理源為基礎(chǔ)，通過(guò)傳感器網(wǎng)絡(luò)收集的方式對(duì)設(shè)備進(jìn)行全面的信息采集。但是在進(jìn)行多方位的信號(hào)采集時(shí)，常常會(huì)因?yàn)樾盘?hào)差異大，數(shù)據(jù)價(jià)值密度低等問(wèn)題導(dǎo)致數(shù)據(jù)質(zhì)量不高，如果在數(shù)據(jù)中依賴專家進(jìn)行挑選，無(wú)異于大海撈針。

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

（3）在機(jī)械大數(shù)據(jù)中可能還隱含著尚未被發(fā)覺(jué)的新知識(shí)，也就是說(shuō)機(jī)械故障機(jī)理和演化規(guī)律并沒(méi)有通過(guò)一定的方式表現(xiàn)出來(lái)。如今的智能算法針對(duì)的只是機(jī)械的健康狀態(tài)，并不能分析出機(jī)械故障的根本。

（4）雖然在大多數(shù)的文獻(xiàn)中對(duì)機(jī)械智能故障識(shí)別采用的是淺層智能模型，但是淺層智能模型在自學(xué)習(xí)能力和孤立的建設(shè)特征并不能適應(yīng)大數(shù)據(jù)時(shí)代裝備故障耦合性、不確定性和并發(fā)性等特點(diǎn)，導(dǎo)致故障識(shí)別存在識(shí)別精度低，泛化能力弱的缺點(diǎn)。所以在數(shù)據(jù)大背景下，智能診斷模型需要不斷深化。

（5）大多數(shù)可用的智能診斷程序都研究單標(biāo)記識(shí)別體系。但是在大數(shù)據(jù)的情況下，單標(biāo)記系統(tǒng)不僅斷開(kāi)機(jī)械設(shè)備的故障之間聯(lián)系，而且使得設(shè)備故障的位置，類型和程度難以完全解釋出來(lái)。應(yīng)該研究各種故障模式的識(shí)別，建設(shè)多標(biāo)簽系統(tǒng)。

（6）預(yù)測(cè)現(xiàn)有數(shù)據(jù)壽命的方法是基于單個(gè)組件故障的退化數(shù)據(jù)以及機(jī)械故障過(guò)程中各個(gè)組件之間的交互作用，查找規(guī)則。單個(gè)組件“卡住”引起其他組件的退化，從而導(dǎo)致該機(jī)制的“多個(gè)癥狀”，威脅到整個(gè)機(jī)器的安全運(yùn)行。因此，充分利用大數(shù)據(jù)源來(lái)預(yù)測(cè)所有系統(tǒng)的壽命是診斷大數(shù)據(jù)下的故障的一大挑戰(zhàn)。

2 潛在方向和發(fā)展趨勢(shì)

針對(duì)大數(shù)據(jù)機(jī)械診斷的特點(diǎn)和挑戰(zhàn)，作者認(rèn)為應(yīng)該在以下領(lǐng)域中實(shí)施對(duì)大數(shù)據(jù)下機(jī)械故障診斷維護(hù)，盡可能多的釋放包含在大數(shù)據(jù)中的價(jià)值信息。

（1）創(chuàng)建一個(gè)標(biāo)準(zhǔn)的大型數(shù)據(jù)庫(kù)。數(shù)據(jù)是發(fā)展大規(guī)模機(jī)械數(shù)據(jù)診斷研究的重要基礎(chǔ)和資源。計(jì)劃和建立大型標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)對(duì)于診斷技術(shù)創(chuàng)新具有戰(zhàn)略重要性，其在錯(cuò)誤演變機(jī)理和進(jìn)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(chǔ)和傳輸大量機(jī)械數(shù)據(jù)的通用標(biāo)準(zhǔn)，學(xué)者和企業(yè)可以在標(biāo)準(zhǔn)測(cè)試臺(tái)，數(shù)據(jù)組織，長(zhǎng)期檢查和一般案例中共享數(shù)據(jù)；并專注于從正常和錯(cuò)誤的演化數(shù)據(jù)中收集機(jī)械動(dòng)態(tài)，進(jìn)行全壽命記錄，在演化過(guò)程中記錄組件狀態(tài)數(shù)據(jù)。

（2）評(píng)估大數(shù)據(jù)的可靠性。由于大量的機(jī)械數(shù)據(jù)，零碎的信號(hào)源，可變的采樣模式和隨機(jī)因素，形成了大數(shù)據(jù)監(jiān)視的分散性。因此，有必要提高大型機(jī)械數(shù)據(jù)的可靠性，并且有必要將基礎(chǔ)設(shè)備的智能診斷理論與數(shù)據(jù)相結(jié)合。我們建議從以下研究進(jìn)行：研究網(wǎng)絡(luò)的數(shù)據(jù)使用準(zhǔn)則，多通道傳感器可以有效合理地使用大型機(jī)械數(shù)據(jù)；研究數(shù)據(jù)規(guī)整算法通，改善信號(hào)一致性，創(chuàng)建對(duì)標(biāo)準(zhǔn)化大數(shù)據(jù)，機(jī)械數(shù)據(jù)的評(píng)估機(jī)制；研究智能數(shù)據(jù)清理算法，例如通過(guò)聚類來(lái)提高數(shù)據(jù)質(zhì)量。

（3）設(shè)備故障數(shù)據(jù)的智能表征。機(jī)械設(shè)備的故障行為定律通常被大型機(jī)械數(shù)據(jù)“隱藏”。為了增加機(jī)械大數(shù)據(jù)的價(jià)值，分析信號(hào)配置中的數(shù)據(jù)結(jié)構(gòu)，促進(jìn)機(jī)械缺陷特征的分離，并在大數(shù)據(jù)下提取機(jī)械缺陷數(shù)據(jù)的智能特征是必要的?？梢赃M(jìn)行以下研究：研究稀疏表示方法，例如學(xué)習(xí)稀疏字典，非負(fù)分解和根據(jù)大型機(jī)械數(shù)據(jù)的特點(diǎn)，探索稀疏表示方法的物理意義；新的故障調(diào)查數(shù)據(jù)有助于錯(cuò)誤機(jī)制的研究，要重視初始錯(cuò)誤的弱特征，進(jìn)行復(fù)雜故障的組合研究。

（4）通過(guò)深入學(xué)習(xí)發(fā)現(xiàn)設(shè)備故障。大數(shù)據(jù)智能診斷需要新的理論和方法，大數(shù)據(jù)在深度學(xué)習(xí)中創(chuàng)建深度模型，并通過(guò)模擬大腦學(xué)習(xí)過(guò)程以實(shí)現(xiàn)整合。建議進(jìn)行以下內(nèi)容研究：研究如何提取淺層稀疏網(wǎng)絡(luò)屬性，分析如何優(yōu)化故障數(shù)據(jù)處理，建立學(xué)習(xí)網(wǎng)絡(luò)評(píng)估標(biāo)準(zhǔn)，在一個(gè)深層結(jié)構(gòu)中創(chuàng)建一個(gè)深入學(xué)習(xí)網(wǎng)絡(luò)，使用傳統(tǒng)的機(jī)械信號(hào)作為輸入，分離過(guò)程的抽象缺陷，調(diào)整每一層的分離屬性，自動(dòng)區(qū)分設(shè)備的健康狀況；研究機(jī)器裝備的多標(biāo)記系統(tǒng)，創(chuàng)建包含多個(gè)標(biāo)簽故障的深度學(xué)習(xí)網(wǎng)絡(luò)，并使用深度學(xué)習(xí)網(wǎng)絡(luò)。

（5）大數(shù)據(jù)驅(qū)動(dòng)下的壽命預(yù)測(cè)。機(jī)械數(shù)據(jù)中有大量關(guān)于設(shè)備退化的數(shù)據(jù)，為預(yù)測(cè)設(shè)備剩余壽命提供了全面的數(shù)據(jù)支持，并為壽命理論的發(fā)展開(kāi)辟了新的機(jī)遇。建議在以下領(lǐng)域進(jìn)行研究：加速壽命測(cè)試中機(jī)械設(shè)備的壽命衰退行為檢測(cè)，使用大數(shù)據(jù)研究設(shè)備劣化的演化機(jī)理；使用數(shù)據(jù)收集機(jī)制構(gòu)建遞歸深度網(wǎng)絡(luò)，并根據(jù)大型機(jī)械數(shù)據(jù)索引自動(dòng)創(chuàng)建年齡預(yù)測(cè)，以評(píng)估故障發(fā)展趨勢(shì)；創(chuàng)建用于預(yù)測(cè)不同操作條件下的使用壽命的多因素預(yù)測(cè)模型；研究由于各種零件和零件的故障而導(dǎo)致的機(jī)械設(shè)備壽命的惡化規(guī)律，并創(chuàng)建了混合模型來(lái)進(jìn)行設(shè)備故障檢測(cè)和壽命預(yù)測(cè)。

（6）可視化研究。通過(guò)交互式可視化表現(xiàn)方式幫助呈現(xiàn)，理解和解釋大數(shù)據(jù)的含義，并發(fā)現(xiàn)新現(xiàn)象。建議研究以下方面：構(gòu)建可視化的參數(shù)、智能模型、屬性和預(yù)測(cè)指標(biāo)的提取、識(shí)別和預(yù)測(cè)結(jié)果，并將它們作為主線分析數(shù)據(jù)表達(dá)模式；在可視化結(jié)果的基礎(chǔ)上，研究發(fā)現(xiàn)故障和響應(yīng)信號(hào)之間的因果關(guān)系，以及故障模式之間的關(guān)系；研究智能、交互式和集成的顯示方法，對(duì)設(shè)備的健康狀況進(jìn)行多角度的顯示等。

（7）遠(yuǎn)程診斷系統(tǒng)。遠(yuǎn)程診斷基于計(jì)算、數(shù)據(jù)、通信、控制和其他技術(shù)，綜合故障診斷方法，收集、分析、挖掘和預(yù)測(cè)大型機(jī)械數(shù)據(jù)，進(jìn)而實(shí)現(xiàn)健康數(shù)據(jù)的分析，集成和管理。建議進(jìn)行以下研究：探索壓縮檢測(cè)技術(shù)，突破奈奎斯特采樣定理的局限，收集少量數(shù)據(jù)以獲得最大的機(jī)械數(shù)據(jù)運(yùn)算，并促進(jìn)通信和數(shù)據(jù)存儲(chǔ)；使用諸如HadoopSpark之類的框架來(lái)創(chuàng)建云計(jì)算開(kāi)發(fā)環(huán)境，然后結(jié)合大規(guī)模處理技術(shù)對(duì)數(shù)據(jù)進(jìn)行分布式計(jì)算；研究可擴(kuò)展學(xué)習(xí)算法以提高學(xué)習(xí)，監(jiān)視和診斷功能；使用緊急控制措施來(lái)防止發(fā)生事故，從而實(shí)現(xiàn)對(duì)機(jī)械系統(tǒng)的遠(yuǎn)程監(jiān)控。

3 結(jié) 語(yǔ)

以機(jī)械大數(shù)據(jù)智能診斷面臨的挑戰(zhàn)為立足點(diǎn)，對(duì)機(jī)械大數(shù)據(jù)的潛在發(fā)展方向進(jìn)行深入研究，希望可以將以大數(shù)據(jù)為基礎(chǔ)的機(jī)械智能故障診斷廣泛應(yīng)用于工程中。