大數據背景下機械故障的智能診斷發展研究

摘 要：互聯網技術的發展與科技的進步使得整個社會生產水平取得了突飛猛進的發展，特別是大數據的出現為各行各業提供了有力展開，通過海量數據的整理與分析能夠準確發現客觀規律與發展動態，用科學的數據指導活動進行，當前和未來大數據必將進入各個領域。機械制造行業與社會生產息息相關，機械故障是導致機械失效和無法正常運行的重要原因，故障原因的分析與診斷會直接影響到故障解決的效率及效果，而如何進行故障診斷也是機械故障處理中的核心問題。大數據的發展使得數據獲取和分析更加便捷，機械故障的智能診斷有效打破了傳統故障診斷方式對技術人員依賴度過高及診斷效率偏低的現狀，在未來將具有更加廣闊的應用前景。

關鍵詞：大數據;機械故障;智能診斷

大數據時代的數據產生量超越了以往任何時代，數據種類更加豐富，結構更加復雜，產生速度更加迅猛，這也為各項生活與生產活動提供了更加準確而有效的數據參考，故障診斷也由此而進入了全新發展時期。我國機械行業在過去幾十年時間里保持了高速發展狀態，機械設計與機械應用均取得了較好成果。

一、大數據的發展概述

（一）大數據定義

大數據是指由數量眾多、類型紛雜而結構繁復的數據形成數據集合，利用云計算對這些數據進行收集和處理，最終得到的數據集合能夠成為一種非常寶貴的資源。各個領域有效應用大數據能夠形成豐富多樣的數據成果，決策力和洞察力在大數據的幫助下將得到極大地提升，數據資源的利用率也將不斷提高。大數據就是在海量數據中挖掘和利用有利用價值的數據資源，通過數據資源的整合與處理來推動科技的發展，促使某個行業進入高速發展狀態，同時也能夠進一步獲得更具有價值的數據資源，這也形成良性循環。

（二）大數據技術構成

大數據技術主要由數據處理、數據分析、數據可視化及分布式計算等四種技術構成，大數據需要處理的數據數量遠遠超出了傳統數據庫能夠承載和處理的份額，而如何將海量的數據收集并進行處理也成為大數據技術關注的重點內容。數據處理能夠將紛雜眾多的數據進行分析和梳理，從中提取最有價值的部分;數據分析技術則能夠將數據轉化為圖像，有效應對不同數據的使用需求;可視化技術能夠將數據轉化為圖像，用更加直觀的方式呈現和表達數據;普通計算機已經無法處理如此眾多的數據，而分布式計算架構能夠有效解決這個問題。社會發展及社會生產的需要使得大數據技術革命以前所未有的姿態發展和進步，智能制造依托大數據技術進入了全新階段。

（三）大數據及時特點

大數據具備了多樣性、時效性及大容量的特點。首先大數據涉及到民眾生活、社會生產、高新科技的方方面面，每一個行業都會出現海量的數據，數據種類呈現多樣性;其次大數據的收集與處理必須要在短時間內完成，這才能夠保證數據的應用價值，數據也才能更好地用于實際;最后大數據必須要通過大量數據分才能夠具有實用價值，數據越多也就越能準確地反應現實情況;另外大數據要求在最短時間內在海量的數據中找到最需要的數據，保證數據查找的精準性。

二、機械故障智能診斷的發展現狀分析

機械故障的診斷首先要利用先進傳感技術獲取機械的運行狀態參數，同時檢測各個部件的運行情況，從中發現異常信號并展開進一步分析診斷及故障處理。機械故障的判斷需要利用聲學、信號學和摩擦學等等領域知識，通過不同途徑獲得的信號必須要經過分析才能夠具有應用價值。以信號處理基礎為基礎特征的機械故障信息表能夠幫助技術人員在最短時間內做出判斷，這也是大數據技術應用于故障診斷的雛形。國內外專家圍繞機械故障信息提取展開了一系列研究并積累了豐富經驗，在故障診斷時可以根據時域、頻域及時頻方面的典型特征做出及時判斷，在最短時間內提取問題，為問題的解決奠定基礎。機械智能故障診斷主要為了獲取機械故障的典型特征，利用智能模型對故障做出判斷或進行預測，爭取在最短時間內解決機械故障或將機械故障消滅于萌芽。在實際研究過程中，研究者取得了一定成果，但仍然需要進行優化和深入探索。

三、大數據用于機械故障智能診斷的可能困難

大數據作為傳導媒介能夠逐漸反應機械故障，而智能診斷的發展層次決定了我們只能夠通過數據了解機械設備是否存在故障，卻無法準確判斷機械故障的具體情況。目前的研究主要針對單一物理信號源進行診斷，能夠利用的數據數量還不夠多，技術人員可以自己進行數據分析和價值判斷，確定哪些數據是有用的。但大數據時代的機械故障數據獲取主要通過傳感器獲取，從更加全面的程度對數據進行收集，這就導致數據差異明顯而數量眾多，技術人員或專家無法在短時間內完成數據的處理與診斷。另外單標簽式樣的數據收集與分析導致機械的故障被分隔處理，無法準確而全面地表述系統化的設備故障，這也是大數據時代機械故障智能診斷面臨的主要困難。

四、大數據背景下機械故障智能診斷的發展方向

機械涉及到的數據數量眾多而類型多樣，大數據呈現非常雜亂的狀態，這個數據收集與分析帶來了很大困擾，未來需要建立明確的數據質量評估標準，根據標準去選擇最有價值的數據，同時對多元數據的算法進行研究，將機械傳感器獲取的數據有效利用起來。機械的智能診斷需要依托數據進行，這時就需要建立數據庫，大型數據庫的建立能夠非常有效地提升數據利用有效性，為了達到這個目標，我們要注意觀察和記錄機械部件的信息狀態，特別是機械從正常運行到出現故障的變化過程。可視化研究有助于發現機械故障的內在規律，同時將故障直觀地呈現在我們面前，做出更加有效地故障解決決策，因此交互式一體化智能分析對于機械故障智能診斷發展是非常重要的。大數據的智能診斷也需要創新，深度學習也是處理大數據的一種方法，實現一些未解決的難題，到最后把豐富的數據內在消息識別得極為準確。建議從以下幾個方面進行研究：建立深層結構的深度學習網絡;分析機械多源異構大數據的內容;建立數據重組理論的監督學習準則。

參考文獻：

[1]李天舒.大數據下機械智能故障診斷的機遇與挑戰[J].湖北農機化，2019（13）：16.

[2]李洪濤，孟凡強，成鑫，卜林海.大數據模式下關于機械智能故障的相關思考[J].大眾投資指南，2018（13）：246.

[3]雷亞國，賈峰，孔德同，林京，邢賽博.大數據下機械智能故障診斷的機遇與挑戰[J].機械工程學報，2018，54（05）：94-104.

作者簡介：丁科（1978-），男，技師，教師，研究方向：機電類。