专业方向系列-01-大数据与故障诊断概述

天有不测风云，人有旦夕祸福。故障诊断就是为这句谚语做的预防准备，目前在这个知识海洋中，找出有用的知识，然后进行故障诊断，就是一个广义的概念。本文主要只是做了一个简短的介绍，后续将引进更加专业的知识，构建自己的知识体系，完成专业方面的知识缺陷。欢迎大家积极反馈，我将写出更出彩的博客。

名词列表

名词	英文
人工智能	Artificial Intelligence
大数据	Big data
智能故障诊断	Intelligent fault diagnosis
微小故障	incipient faults = mini-faults
初始故障	early faults
故障诊断	fault diagosis
故障检测	fault detection
定性诊断	qualitative diagnosis
定量诊断	quantitative diagnosis
图论方法	Graph theory method
故障树分析法	Fault tree analysis method
专家系统	Expert system
状态估计法	State estimation method
数据驱动方法	Data-driven method
信号处理	signal processing
连续小波变换	Continuous wavelet transform
经验模式分解	Empirical mode decomposition
本征模态函数	Intrinisic mode function
统计分析法	Statistical analysis method
隐马尔可夫模型	Hidden markov models
支持向量机	Support vector machines

理解方式的改变

随着理解信息的维度不断增加，我们对这个世界的看法也在发生着改变，追究其本质，其实各个维度之间存在着相互转化的关系。信号可以转化为信息，信息可以转化为知识，知识可以服务于智能，智能又能输出海量数据，再从数据中提取信息，这是一个太极八卦，循环不断，逐渐逼近某个准则，促使着世界的改变。

大数据特征

大数据：Big Data，特定活动产生的海量数据。

大容量（Volume）：海量性，数据量极大；
低密度（Veracity，Value）：数据价值低，数据提纯技术要求高；
多样性（Variety）：各种数据融合，导致数据信息相互干扰耦合，数据表征困难重重；
时效性（Time）：特定的时间，数据表现不一样，要求数据处理的时间短，及时发现有用信息；
高速性（Speed， Flow）：数据流动速度快。

故障诊断流程

故障诊断流程如下图：

信号获取：系统物理信息的外在感知
特征提取：分析信息，揭示信息背后的状态
故障识别与预测：基于提取的特征，通过人工智能模型和方法识别并预测故障。

信号获取

信号的获取一般通过测量，常用的就是传感器（sensor），这涉及到传感器技术。

常见可以测量的物理量
机械量：长度、厚度、位移、速度、加速度、旋转角、转速、质量、重量、力、压力、力矩、风速、流速、流量
声：声压、噪声
磁：磁通、磁场
温度：温度、热量、比热
光：亮度、色彩

信号源：

xx	xx
接触信号	振动信号
磨损信号	声场信号
电信号	声发射信号
应力应变信号	热信号
多物理场信号	涡流信号

信号处理一般情况下通过传感器将采集到的物理量（信号）通过电路转化为电信号用于分析，如图所示：

特征提取技术

1. 基于时域信息的特征提取
2. 基于频域信息的特征提取
3. 基于时频域信息的特征提取

未来发展方向

1. 建立标准大数据库
2. 大数据可靠性评估
3. 故障信息智能表征
4. 基于深度学习的故障识别

微小故障诊断方法[2]

参考文献

[1] 雷亚国, 贾峰, 孔德同,等. 大数据下机械智能故障诊断的机遇与挑战[J]. 机械工程学报, 2018, 54(5):94-104.
[2] 李娟, 周东华, 司小胜,等. 微小故障诊断方法综述[J]. 控制理论与应用, 2012, 29(12):1517-1529.
[3] https://mp.weixin.qq.com/s/WS5wCGO-t5NNQQKFi3sEIw

转载于:https://www.cnblogs.com/brightyuxl/p/9843580.html