大数据下机械智能诊断的机遇与挑战，阅读文献系列(一)

由于健忘，额，可能是年龄大了，对自己的论文记录进行个记录

论文题目：大数据下机械智能诊断的机遇与挑战

文章链接：https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CJFD&dbname=CJFDLAST2018&filename=JXXB201805011&uniplatform=NZKPT&v=BaNEOKJ4Vil9aoMMOQ7LDrF6beGPFsLuLZFQtl00iYZEPWjEDtN2HL76Q18L8Fe8

1、大数据时代下的故障诊断的挑战：

• 数据量大而不全
• 故障特征提取受制于人为经验
• 浅层模型诊断精度低

2、机械大数据的特性：

• 大容量（数据量庞大，仅仅依靠专家分析不靠谱）
• 低密度（监测数据蕴含信息重复性大，数据需提纯）
• 多样性（数据涵盖多种设备不同工况下的大量信息，故障信息表征困难）
• 时效性（机械设备各个部分紧密关联，微小故障也能也能引起连锁反应，需要保证高效诊断及时预警）

3、应该怎么做：

• 以 机理为基础、数据为中心、计算为手段、智能数据解析与决策为需求的新学术思维。
• 转向针对各零部件相互作用、 多故障相互耦合的整机装备或复杂系统的多层次监测诊断。
• 多工况交替变换下、多随机因素影响下智能解析故障整个动态演化过程的全局分析手段。
• 大数据全面掌控机械装备群健康动态，整合资源进 行智能维护，优化生产环境，保障生产质量，提高 生产效率。

4、现有工作：

在这里插入图片描述

5、故障诊断三方面研究：

5.1 信号获取

1. 振动信号获取
2. 声场信号获取
3. 声发射信号获取
4. 其他信号获取

缺点：忽略数据可靠性研究，忽略多物理信号对机械进行监测

5.2 特征提取

以信号处理技术为基础的特征提取是实现机械故障信息表征的主要途径。当机械装备出现故障时， 通常在时域、频域和时频域都有不同程度的体现

1. 基于时域信息的特征提取：

   西班牙加泰罗尼亚理工大学 PRIETO等使用
   统计指标结合曲线成分分析方法提取电机轴承局部缺陷的故障特征

   美国宾夕法尼亚州立大学 MARK]使用时域同步平均技术消除齿轮啮合振动中的谐波影响，进而实现时域信息的特征提取

   巴西塞阿拉联邦大学 MOURA 等利用去趋势波动分析方法表征风机信号的长程相关性特征。

   哈尔滨工业大学陈予恕指出可将实测振动数据进行相空间重构，再根据表征能量分布的奇异谱实现机械故障特征提取。

   东南大学YAN等利用排列熵度量旋转机械非线性行为， 并提取轴承故障特征。

2. 基于频域信息的特征提取

   意大利摩德纳大学 BELLINI 等利用快速傅
   里叶变换提取转子的故障特征。

   英国哈德斯菲尔德大学GU等提出改进的双谱分析方法，实现电机故障的特征提取。

   意大利米兰理工大学 BORGHESANI 等提出基于倒频谱预白化的轴承故障特征提取方法。

   加拿大魁北克大学LAMRAOUI 等使用循环平稳分析提取刀具在高速铣削下的颤振和磨损特征。

   西安交通大学屈梁生等回顾、 总结和展望了全息谱技术在非稳态信息处理和旋转机械故障特征提取中的应用。（*）

   华南理工大学HE等 提出基于离散频谱相关技术的阶次跟踪方法，实现变工况下风机齿轮箱的故障特征提取。（*）

   苏州大学 FAN等[47]基于旋转机械信号在频域稀疏的特性，提出基于稀疏分解的齿轮箱故障特征方法。（*）

3. 基于时频域信息的特征提取

   英国谢菲尔德哈勒姆大学 LIANG 等采用短
   时傅里叶变换等时频分析技术实现钢轨表面缺陷的特征提取 。

   西班牙 瓦伦西亚 理工大学 CLIMENTE-ALARCON等采用Wigner-Ville分布提取转子不对称与偏心信号的高阶谐波特征。

   加拿大魁北克大学 THAMEUR 等将局部均值分解方法用于齿轮早期故障特征提取。

   加拿大渥太华大学 SHI 等提出基于逐步解调变换的时频信息特征提取方法。

   香港城市大学 PENG 等比较了经验模态 分解(Empirical mode decomposition, EMD)和小波分 解在轴承故障特征提取中的应用。

   西安交通大学雷 亚国提出基于集成经验模态分解的希尔伯特黄变换诊断方法。

   湖南大学程军圣等比较了局部特征尺度分解法与 EMD 在故障诊断中的应用。

   北京科技大学FENG等提出了迭代广义同步压缩变换 方法，用于时变工况行星齿轮箱故障的特征提取。

   缺点：工程中实用的早期、微弱和复合故障特征提取也少有文献报道

5.3 故障识别与预测

1. 故障识别

   美国卫奇塔州立大学 TAMILSELVAN 等建立信念神经网络识别航空发动机的健康状态。

   加拿大阿 尔伯塔大学 LEI 等提出了加权K最近邻算法，用 于识别齿轮裂纹发展。

   英国思克莱德大学WEST等采用分层聚类算法智能识别核电站设备的故障。

   澳 大利亚莫纳什大学 AMAR 等使用基于振动谱图的神经网络实现了轴承故障识别。

   英国思克莱德大 学 AL-BUGHARBEE 等首先通过奇异谱分析清洗数据噪声，再使用自回归模型评估滚动轴承的故障程度。

   北京化工大学高 金吉论述了装备故障自愈的研究意义、研究原理及可能途径。

   空军工程大学张琳等采用基于专家系统的智能诊断方法识别导弹系统的健康状态。

   华南理工大学李巍华等 提出了基于萤火虫神经网络的轴承智能诊断方法。

2. 寿命预测

   美国普渡大学 GEBRAEEL 等[69]提出基于神经网络的寿命预测方法，通过加速轴承寿命实验进行验证。

   意大利米兰理工大学 ZIO 等[70]通过系统动态失效数据建立失效迹模式参考库，进而提出数据驱动的模糊寿命预测方法。

   美国佐治亚理工学院 CHEN等[71]采用自适应神经模糊推理系统结合粒子滤波技术预测直升机齿轮箱的剩余寿命。

   加拿大康考迪亚大学 TIAN[72]通过建立基于神经网络的预测方法评估轴承剩余使用寿命。

   希腊佩特雷大学 LOUTAS 等[73]使用概率支持向量回归方法实现轴 承剩余使用寿命的预测。

   澳大利亚西澳大学 SIKORSKA等[74]对比了模糊经验、神经网络、统计模型、物理模型等在工业剩余寿命预测中的优缺点。

   美国辛辛那提大学 LEE 等[75]综述了旋转机械寿命预测与健康管理的方法及应用，并指出了发展趋势。

   国防科技大学 WANG 等[76]提出基于非平衡退化过程的剩余寿命预测方法，并使用机械疲劳裂纹扩展实验进行验证。

   电子科技大学 PENG 等[77]提出基于逆高斯过程回归的剩余寿命预测方法。

   北京航空航天大学何兆民等[78]采用时变状态转移隐半马尔科夫模型预测柱塞泵的剩余使用寿命。

   军械工程学院 张星辉等[79]提出基于混合高斯输出贝叶斯信念网络模型的轴承退化状态识别与剩余使用寿命预测方法。

   香港城市大学 TSE 等[80]提出基于支持向量回归 机的健康状态概率评估方法，用于泥浆泵的剩余寿命预测。

   西安交通大学雷亚国等[81]提出自适应多核组合的相关向量机预测方法，并应用于机械剩余寿命预测。

   清华大学周东华等[82]综述了工业过程中装备的剩余寿命预测方法

缺点：对整个机械系统进行诊断与预测的研究工作屈指可数。

6、挑战与展望

• 由于多源信号差异大、采样策略形式多、数据 价值密度低，导致数据质量参差不齐，呈现“碎片 化”的特点。
• 基于信号处理技术的特征提取往往针对特定问题
• 充分利用大数据 资源实现整个机械系统寿命预测是大数据下故障 诊断的一大挑战。
• 装备故障位置、类型、程度等种类繁多的健康状态信息，需要引入多标记体系，研究多故障模式 的识别问题。

展望

• 标准大数据库建立

  注重收集机械装备从正常状态到故障状态的全寿命动态演变数据；注重记录演变过程中零部件状态信息等。

• 大数据可靠性评估

  研究多通道传感器网络的数据利用准则，高效合理利用机械大数据；

  研究多源信号的重采样、尺度与维度转换等数据规整算法，提高信号的一致性；

  建立数据质量评价标准，考量数据完整性、准确性和时 效性；

  提出子空间聚类等智能数据清洗算法，改善 机械大数据的质量等

• 装备故障信息智能表征

  结合机械故障信号形成原理，即响应信号是故障激励、随机噪声等与系统传递函数卷积的结果，提出卷积形式的重构误差反馈学习机制；

  针对高维机械数据通常呈现低维特征的特点，提出大数据下机械 高维特征提取问题向低维转化的方法；

  结合解析的数据结构与记录的故障信息，发掘故障表征的新模式，促进故障机理研究，并注重早期故障微弱特征与复合故障耦合征兆的研究

• 大数据驱动下的寿命预测。

  研究加速寿命试验中机械装备的寿命衰退行为， 利用大数据探索装备寿命衰退的演化机制；

  建立基于记忆机理的递归深度网络，从机械大数据中自动构建寿命预测指标集，定量表征故障演化趋势；

  考虑工况变化对监测指标的影响，建立多因素预测模型实现变工况下 的寿命预测；

  研究机械系统中不同零部件之间的相互耦合关系，建立多模型混合策略实现对系统的寿命预测；

  研究零部件不同故障对机械装备寿命退化 的规律，建立装备故障识别与寿命预测有机结合的混合模型。

7、收获

目标：

数据需提纯（智能数据清洗算法）、

研究多故障模式 的识别问题

建立基于记忆机理的递归深度网络，从机械大数据中自动构建寿命预测指标集，定量表征故障演化趋势；

读论文：

哈尔滨工业大学陈予恕[38]指出可将实测振动数据进行相空间重构，再根据表征能量分布的奇异谱实现机械故障特征提取。

(陈予恕. 机械故障诊断的非线性动力学原理[J]. 机械 工程学报，2007，43(1)：25-34. CHEN Yushu. Nonlinear dynamical principle of mechanical fault diagnosis[J]. Journal of Mechanical Engineering，2007，43(1)：25-34.)

华南理工大学HE等[46] 提出基于离散频谱相关技术的阶次跟踪方法，实现变工况下风机齿轮箱的故障特征提取。

(HE Guolin，DING Kang，LI Weihua，et al. A novel order tracking method for wind turbine planetary gearbox vibration analysis based on discrete spectrum correction technique[J]. Renewable Energy，2016，87：364-375.)

美国佐治亚理工学院 CHEN等[71]采用自适应神经模糊推理系统结合粒子滤波技术预测直升机齿轮箱的剩余寿命。

(CHEN C，VACHTSEVANOS G，ORCHARD M E. Machine remaining useful life prediction：An integrated adaptive neuro-fuzzy and high-order particle filtering approach[J]. Mechanical Systems and Signal Processing， 2012，28：597-607.)

加拿大康考迪亚大学 TIAN[72]通过建立基于神经网络的预测方法评估轴承剩余使用寿命。

(TIAN Z. An artificial neural network method for remaining useful life prediction of equipment subject to condition monitoring[J]. Journal of Intelligent Manufacturing，2009，23(2)：143-148.)

北京航空航天大学何兆民等[78]采用时变状态转移隐半马尔科夫模型预测柱塞泵的剩余使用寿命。

(何兆民，王少萍. 基于时变状态转移隐半马尔科夫模型 的寿命预测[J]. 湖南大学学报，2014，41(8)：47-53. HE Zhaomin，WANG Shaoping. Remaining lifetime prediction based on time-varying state transition probabilities of hidden semi-markov model[J]. Journal of Hunan University，2014，41(8)：47-53.)