基于大數(shù)據(jù)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(chǎn)效率得到了極大的提升。同時，現(xiàn)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(fā)展，而這類設施運行的安全穩(wěn)定與否是各個領域生產(chǎn)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(tǒng)作為機械設施安全穩(wěn)定運行的保障。但在設施數(shù)量激增、監(jiān)測點數(shù)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(shù)據(jù)時代。本文就圍繞著大數(shù)據(jù)時代下的機械智能故障診斷展開了有關研究。

關鍵詞：大數(shù)據(jù)時代 機械故障 智能診斷

1 大數(shù)據(jù)背景下機械智能故障診斷的應用分析

1.1 大數(shù)據(jù)下的智能故障監(jiān)測系統(tǒng)

對于汽車制造行業(yè)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(chǎn)環(huán)節(jié)中涉及的機械設施數(shù)量較為龐大，一旦其出現(xiàn)了故障，輕者帶來生產(chǎn)效率下降的問題，重者帶來生產(chǎn)活動的被迫停止，將會帶來巨大的經(jīng)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(jiān)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(shù)據(jù)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(fā)現(xiàn)轉臺在出現(xiàn)從動建鎖死等故障的時候，其原本穩(wěn)定的電流周期及曲線就會發(fā)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(jiān)控轉電機的電流和電壓，并在振動監(jiān)控轉臺傳動主軸的前提下，使用大數(shù)據(jù)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(shù)據(jù)，并最終組成一個智能化故障診斷系統(tǒng)，其具體原理如圖1所示。

這一系統(tǒng)的應用可以做到實時偵測預先規(guī)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(xiàn)故障。同時，這一系統(tǒng)依舊存在著如下幾方面的不足：第一，當前這一系統(tǒng)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(xiàn)不夠精準的問題，在今后的發(fā)展過程中，還需要將全息譜和人工神經(jīng)網(wǎng)絡技術引入其中，并在全面優(yōu)化系統(tǒng)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(tǒng)的精準性。第二，故障智能診斷系統(tǒng)中的云服務器使用的是TCP/IP網(wǎng)絡協(xié)議，而監(jiān)控信息接入的MES制造執(zhí)行系統(tǒng)中使用的是工業(yè)網(wǎng)絡協(xié)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(jiān)測

機械設施在運行的過程中，在部分運行環(huán)境較為惡劣的情形下，在收集的機械運行大數(shù)據(jù)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(jīng)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(fā)，有關研究人員在全面結合機械設備大數(shù)據(jù)特點及深度學習優(yōu)勢的前提下，研發(fā)了一種深度學習的機械健康監(jiān)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(jiān)督和監(jiān)督學習的基礎上，同時完成自適應提取機械大數(shù)據(jù)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(tǒng)故障智能診斷系統(tǒng)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(wěn)定運行有著十分顯著的作用。

2 大數(shù)據(jù)背景下機械故障診斷的發(fā)展趨勢分析

2.1 構建大型數(shù)據(jù)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(shù)據(jù)庫的構建數(shù)據(jù)，這也就意味著這一數(shù)據(jù)庫的合理規(guī)劃及建立對于故障診斷技術體系創(chuàng)新有著十分重要的作用。這一大型數(shù)據(jù)庫中主要包括了如下幾項數(shù)據(jù)：第一，企業(yè)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(jiān)測數(shù)據(jù)。第三，機械設施從正常運行狀態(tài)到故障發(fā)生這段時間內的動態(tài)變化數(shù)據(jù)。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(tǒng)監(jiān)測得到的機械故障大數(shù)據(jù)，會因為受到信號源頭較為分散、數(shù)據(jù)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(xiàn)不成體系的現(xiàn)象。在這種情形之下，就需要全面提升機械故障大數(shù)據(jù)的可靠性。這也就意味著在未來的發(fā)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(guī)律性的數(shù)據(jù)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(shù)據(jù)質量統(tǒng)一標準的全面合理構建，對于這些機器故障大數(shù)據(jù)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(fā)，提出智能化的數(shù)據(jù)清理算法，從而真正意義上提升整體機器故障大數(shù)據(jù)的質量。

2.2 設備故障信息的智能化展示

在當前機械大數(shù)據(jù)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(guī)律。在這種情況下，只有以數(shù)據(jù)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(shù)據(jù)。由此出發(fā)，需要在全面遵循機械大數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)結構研究的前提下，開發(fā)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(shù)據(jù)的內涵做出明確的解讀，并明確的發(fā)現(xiàn)機械故障數(shù)據(jù)中的規(guī)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(shù)據(jù)特征提取、參數(shù)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(xiàn)出機械故障大數(shù)據(jù)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(yè)生產(chǎn)的大背景下，為了保障機械設施可以維持正常運轉的狀態(tài)，就需要建立一個全面完整的智能故障診斷系統(tǒng)，在當前這個機械故障大數(shù)據(jù)的時代中，除了機械故障的智能診斷系統(tǒng)之外，還包括了深度學習下的健康狀況監(jiān)測系統(tǒng)等。同時在大數(shù)據(jù)技術不斷發(fā)展的前提下，未來的機械設施故障智能診斷系統(tǒng)能夠實現(xiàn)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(shù)據(jù)下機械智能故障診斷的機遇與挑戰(zhàn)[J].南方農(nóng)機，2020，51（07）：124.

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

[3]李天舒.大數(shù)據(jù)下機械智能故障診斷的機遇與挑戰(zhàn)[J].湖北農(nóng)機化，2019（13）：16.