基于大數據背景下機械智能故障診斷研究

劉敏

摘要：隨著科學技術的不斷發展和更新，各個領域生產建設效率也得到了極大提升。以計算機技術為基礎發展起來的智能化產品在制造、航天等領域發展中發揮了重要作用。在高精度和高效的發展要求下，如何針對大型機械設備去建立一個相對完善的故障診斷體系，是當前人們最為關心的問題。本文以大數據應用為背景，首先從大數據下的智能故障監測系統應用和深度學習下的機械健康監測分析兩個方面出發，對機械智能故障診斷應用進行了詳細分析，然后從大型數據庫建立、智能化展示、可視化表現三個方面對大數據背景下的機械故障診斷發展趨勢進行了闡述。下面本文對基于大數據背景下機械智能故障診斷進行研究。

關鍵詞：計算機;大數據背景;機械智能;故障診斷

引言：智能化機械故障診斷系統的應用給相關行業的發展帶來了巨大幫助，但由于當前人們對智能化的研究還在進行中，正在應用的產品會在很多不同層面表現出一定缺陷，因此需要借助相應技術去進行完善。

1、大數據背景下，機械智能故障診斷應用分析

1.1 大數據下的智能故障監測系統應用

以汽車制造業為例，沖壓、車身焊裝、油漆和總裝是汽車生產制造過程中最基本的四種工藝。整個生產制造由于會涉及到較多的機械設備種類和數量，并且每一個機械設備都在實際生產中發揮著重要作用，所以如何保證設備長期、穩定、高效運行，是相關工作者需要認真思考的問題。事實上，在智能化系統的參與下，真正需要人力去處理的問題還是比較少的，但設備故障問題卻是智能化系統無法獨立解決的，因此，做好機械故障診斷工作就顯得很關鍵。

轉臺是整個汽車零件生產車間最為常用且關鍵的設施之一，主要負責夾具臺及上料工位的旋轉工作。針對轉臺的機械故障監測診斷，需要借助較為成熟的故障診斷技術，比如振動、油液及無損探傷檢測技術。三者在相互分離狀態下，各自均能發揮出相應的價值和功能，但若將三者結合在一起應用，因為彼此功能和性能存在一定程度的排斥性，所以對于生產者來說，很難在具體應用中收獲到好的效果，這與它們各自功能的局限性有關。

借助大數據技術在對轉臺進行機械故障診斷時，因為能夠詳細觀察到每個流程的工作情況，所以比較好判斷故障發生的位置，比如動建鎖死故障發生時，電流曲線會發生相應變化，原本穩定電流也會隨之出現波動?；谶@個前提，工作人員可以通過安裝電力傳感器來對轉電機的電流和電壓進行實時監控，當轉臺在正常運行時出現任何問題，都會從電流和電壓曲線上體現出來，此時借助大數據對電流數據進行分析，就能夠發現問題所在，這個過程其實就是智能化故障檢測的過程。具體原理如圖 1 所示。

結合圖1我們會發現，借助智能化故障檢測系統可以很容易實現對電流波動異常情況的檢測，相應的檢測結果會提醒工作人員什么位置出現了故障，這樣便能夠及時發現故障問題，從而第一時間制定相應的解決方案。但隨著對該系用的頻繁應用，其具有的缺點也逐漸暴露出來，其中最明顯的一點便是，該系統只能對異常的電流波動做出反應，并且診斷精細度也不夠高。按照當前大數據技術發展趨勢來看，應用全息譜和人工神經網絡技術有助于改善這一缺點，前提是需要對系用算法進行全面優化，可以預見的效果是，轉臺傳動主軸振動的幅頻相信息能夠被工作人員全面獲取，這樣便能夠幫助工作人員去提升系統的精細度。所以，下一步需要將全息譜和人工神經網絡技術融入進當前正在被應用的智能化故障檢測系統中。除此之外，網絡轉換問題也是不容忽視的，大數據背景下的智能化故障檢測系統具有很強的計算機網絡特征，所使用的網絡協議是TCP/IP，但MES制造執行系統使用的卻是工業網絡協議，兩種協議是不能直接進行通信的，需要進行轉換。

1.2 深度學習下的機械健康監測分析

在前一步論述中我們提到過故障檢測精細度的問題，類似問題也會在其他機械部件檢測中發生，原因在于，機械設施在正常運行時，各部分零件的運行情況（包括故障信息）會在大數據支持下被錄入進數據庫中，隨著時間的推移，數據庫中的故障信息會變得非常豐富，特別是在工況頻繁交替及故障信息耦合程度較為嚴重的情況下，單單依靠診斷和處理信號經驗來搜集和提取機械信號特征，很難使特征提取的精準性得到保證。機械健康檢測就是針對這一問題被提出的，其核心內容便是深度學習。深度學習下的機械健康監測方法流程見圖2。

2、大數據背景下，機械故障診斷發展趨勢分析

2.1 大型數據庫的建立及評估可靠性的提升

結合當前故障診斷系統的應用情況來看，若想在原有基礎上實現功能創新，就必須有相當寬廣的數據儲存空間來做支持，通過建立大型數據庫來解決當前存在問題這一想法，就是在這樣的背景下被提出的。大型數據庫主要包括以下幾類數據：

一是企業共享的機械設施故障典型案例;二是各項機械設施的長時間運行監測數據;三是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;四是機械設施內部各個零件的有關信息。以上這些內容都是針對現有問題所提出的，當然，隨著系統應用頻率的不斷提高，以及人們需求的不斷增長，大型數據庫還會被添加進更多類型數據，從而幫助人們更好地完成工作。但需要注意到，智能化故障診斷系統所監測到的故障，以及所提取出的數據，并不來自于同一個信號源頭，并且隨著數據采集方式的不斷豐富，相應的干擾因素也會逐漸增多，這就使故障檢測行為變得十分零散，其可靠性也會受到影響。面對這一問題，可以通過集成的方式去解決，同時還需要對相應的算法進行更深入研究。

2.2 設備故障信息的智能化展示

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作出全面的提升。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 故障分析的可視化表現

可視化是當前大數據技術應用的一種主要特征。眾所周知，相比復雜且不易被理解的信息數據，可視化圖像更容易被人所接受，在可視化的支持下，工作人員對機械大數據內涵的理解和認識會更加深刻，更容易發現故障數據規律，這將有助于人們去制定有效的故障處理決策。這也就意味著，智能化系統下的數據特征提取、參數和指標的可視化預測可以被作為未來的研究主要方向，從而更為直觀地呈現出機械故障大數據的本質。

結束語：

隨著信息化技術在各行各業生產制造和管理工作中的不斷普及，智能化系統將成為人們高效完成工作的重要幫手，不僅可以使機械設備的正常運行得到保障，還有助于我們診斷出更深層次的故障問題。本文從大數據下的智能故障監測系統和深度學習下的機械健康監測兩方面入手，對機械智能故障診斷應用進行了分析，然后從大型數據庫的建立，設備故障信息的智能化展示和故障分析的可視化表現三方面出發對大數據背景下的機械故障診斷發展趨勢進行了分析。希望本文的觀點能給大家帶來幫助。

參考文獻：

[1]?？○?基于大數據背景下機械智能故障診斷研究[J].時代汽車，2020（15）：167-168.

[2]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.

[3]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.