基于大數據背景下機械智能故障診斷研究

祝俊皓

摘 要：當今社會的機械化程度得到了顯著的提升，諸如制造、航天等多個領域中，各類大型機械設施的應用使得生產效率得到了極大的提升。同時，現如今機械設備也在逐漸向著高精密度、高效的方向不斷的發展，而這類設施運行的安全穩定與否是各個領域生產活動得以有效開展的重要保障，這也就意味著需要一個完善故障診斷系統作為機械設施安全穩定運行的保障。但在設施數量激增、監測點數量快速增加的影響下，使得機械故障診斷技術進入到了大數據時代。本文就圍繞著大數據時代下的機械智能故障診斷展開了有關研究。

關鍵詞：大數據時代 機械故障 智能診斷

1 大數據背景下機械智能故障診斷的應用分析

1.1 大數據下的智能故障監測系統

對于汽車制造行業來說，其中最為基本的四大基本工藝就是沖壓、車身焊裝、油漆以及總裝。在汽車生產環節中涉及的機械設施數量較為龐大，一旦其出現了故障，輕者帶來生產效率下降的問題，重者帶來生產活動的被迫停止，將會帶來巨大的經濟損失。而作為整個車間內部最為常用的設施之一，轉臺主要負責的是夾具臺及上料工位的旋轉工作，在監測診斷這一機械設施故障的過程中，當前使用較為頻繁故障診斷技術主要包括振動、油液及無損探傷三種檢測技術。但此三者因為各自具備相應的局限性，導致無法很好的在車間內部進行應用。而在當前大數據技術下機械故障診斷背景下，有關研究人員在全面跟蹤觀察轉臺工作流程的前提下，發現轉臺在出現從動建鎖死等故障的時候，其原本穩定的電流周期及曲線就會發生對應的變化。在此基礎上，借助電力傳感器的安裝來實時監控轉電機的電流和電壓，并在振動監控轉臺傳動主軸的前提下，使用大數據分析方式來擬合分析轉臺每動作周期內的振動頻譜與電流數據，并最終組成一個智能化故障診斷系統，其具體原理如圖1所示。

這一系統的應用可以做到實時偵測預先規定采樣周期的電流波動異常，并做到及時提醒有關人員機械出現故障。同時，這一系統依舊存在著如下幾方面的不足：第一，當前這一系統僅可以將電流的異常變化作為主要的分析點，在故障診斷的過程中往往會出現不夠精準的問題，在今后的發展過程中，還需要將全息譜和人工神經網絡技術引入其中，并在全面優化系統算法的前提下，做到傳動主軸振動的幅頻相信息的全面提取，借此來不斷提升故障智能診斷系統的精準性。第二，故障智能診斷系統中的云服務器使用的是TCP/IP網絡協議，而監控信息接入的MES制造執行系統中使用的是工業網絡協議，二者之間存在著轉換的問題。

1.2 深度學習下的機械健康監測

機械設施在運行的過程中，在部分運行環境較為惡劣的情形下，在收集的機械運行大數據中，包含了機械內部各零件豐富的故障信息，之前的智能診斷故障方式，主要是依靠診斷及處理信號的經驗將機械信號中的特征提取出來，隨后借助機器學習模型進行故障的智能診斷工作，但是這一方式在工況頻繁交替及故障信息耦合程度較為嚴重的情形下，對于特征提取的精準性就會顯著降低。由此出發，有關研究人員在全面結合機械設備大數據特點及深度學習優勢的前提下，研發了一種深度學習的機械健康監測方法，方法的具體流程如圖2所示。這一方式可以在全面結合無監督和監督學習的基礎上，同時完成自適應提取機械大數據故障特征及識別機械設備健康狀況這兩項工作，很好地避免了傳統故障智能診斷系統中的故障特征提取受限的問題，對于保障機械設備的安全穩定運行有著十分顯著的作用。

2 大數據背景下機械故障診斷的發展趨勢分析

2.1 構建大型數據庫及評估其可靠性

在分析診斷機械故障的過程中，主要的資源和基礎就是大型標準數據庫的構建數據，這也就意味著這一數據庫的合理規劃及建立對于故障診斷技術體系創新有著十分重要的作用。這一大型數據庫中主要包括了如下幾項數據：第一，企業共享的機械設施故障典型案例。第二，各項機械設施的長時間運行監測數據。第三，機械設施從正常運行狀態到故障發生這段時間內的動態變化數據。第四，機械設施內部各個零件的有關信息。

通過智能化故障診斷系統監測得到的機械故障大數據，會因為受到信號源頭較為分散、數據采集方式多元化以及其他一些隨機性干擾因素的影響，而出現不成體系的現象。在這種情形之下，就需要全面提升機械故障大數據的可靠性。這也就意味著在未來的發展過程中，需要在全面集成智能診斷的實施方式和理論基礎的前提下，對于多元化信號的尺度、樣本采集重復率和轉換維度等具備規律性的數據算法做出全面的研究，從而確保信號的一致性。除此之外，還需要通過數據質量統一標準的全面合理構建，對于這些機器故障大數據準確完整與否做出全面考量。同時從子空間聚類這個層面出發，提出智能化的數據清理算法，從而真正意義上提升整體機器故障大數據的質量。

2.2 設備故障信息的智能化展示

在當前機械大數據的背景下，機械設施的故障，在通常情況下具備著隱喻性的規律。在這種情況下，只有以數據驅動作為基礎，對其實際的信號構成進行全面的研究，方可在真實有效提取機械故障特征的前提下，將故障信息的智能代表作出有效的落實，從而真正有效利用機械大數據。由此出發，需要在全面遵循機械大數據稀疏屬性的前提下，針對稀疏恢復分解等表達模式做出全面的分析，以便全面的研究稀疏表達方式的具體物理含義。通過在全面結合一般高為機械數據所展示出的低維特征屬性的前提下，對高維到低維特征的數據提取和轉換方式做出全面的提升。并在全面融合故障信息的記錄和數據結構研究的前提下，開發出全新的故障代表模式，從而逐步提升故障體系的分析能力。

2.3 故障分析的可視化

通過可視化的應用，可以對機械大數據的內涵做出明確的解讀，并明確的發現機械故障數據中的規律，并且制定出一個完整且精準的故障處理決策。這也就意味著可以將智能模型組織的數據特征提取、參數和指標的可視化預測等作為未來的研究主要方向，進一步深化機械故障的表達方式，從而更為直觀的呈現出機械故障大數據的本質。并最終借助可視化分析得到的結果，來全面分析機器故障的因果所在，從而在真正意義上做到多層次、多角度來展示機械設施的健康狀況。

3 結語

在當前機械設備深入到各個行業生產的大背景下，為了保障機械設施可以維持正常運轉的狀態，就需要建立一個全面完整的智能故障診斷系統，在當前這個機械故障大數據的時代中，除了機械故障的智能診斷系統之外，還包括了深度學習下的健康狀況監測系統等。同時在大數據技術不斷發展的前提下，未來的機械設施故障智能診斷系統能夠實現故障信息的可視化分析以及智能化展示。

參考文獻：

[1]唐偉峰，宋巖，張穎，茅樂.大數據下機械智能故障診斷的機遇與挑戰[J].南方農機，2020，51（07）：124.

[2]黃小華.大數據下機械智能故障診斷的機遇與挑戰[J].時代農機，2019，46（12）：94-95+102.

[3]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.