《数字化网络化智能技术：工业大数据及其应用》课件 第8章 工业大数据综合应用.pptx

工业大数据及其应用

08工业大数据综合应用

1机械装备故障诊断1.1基于工业大数据的机械装备故障诊断方法随着硬件设备和计算机技术的快速发展与进步，当今已然进入了“大数据时代”。大数据带来的影响渗透入各行各业，为适应工业领域的变革，各国相继提出制造业发展战略，如美国于2012年推出的《先进制造业国家战略》，强调推动人工智能、大数据等新一代信息技术的快速发展和应用进程；德国于2013年推出“工业4.0”战略，提出利用信息化技术促进产业变革，进入制造业智能化时代，并进一步提出“智慧数据项目”；我国于2015年印发《中国制造2025》战略，目标是向制造业强国转变，强调突破工业大数据处理等核心技术。2020年，工信部发布《关于工业大数据发展的指导意见》，要求推动大数据在工业中的应用，发展数据驱动的新型工业发展模式。

1机械装备故障诊断1.1基于工业大数据的机械装备故障诊断方法工业大数据是指在工业领域中，从需求计划、研发设计、生产制造、经营管理到运维服务等整个产品和服务全生命周期各个环节产生的数据的总称。随着第四次工业革命的到来，工业大数据逐渐成为工业发展的重要战略资源，对于优化工业流程、提高生产效率、降低成本等方面具有重要作用。工业大数据具有以下的特点[1]：①数据容量大：工业设备产生大量的数据，在工业物联网和万物互联的背景下，工业数据容量常常达到PB甚至EB级别；②多样性：涵盖了不同的数据类型和数据来源，包括了结构化、非结构化和半结构化的数据，广泛分布于各式各样的机械装备和生产系统等各个环节；③高速性：数据产生和处理十分迅速，一方面高速采集、传输大量数据，另一方面对数据进行快速地响应和处理，以保证时效性要求，在特定生产现场能够达到毫秒级别；④价值密度低：尽管工业大数据的量级很大，但其相对价值密度较低，需要从海量数据中挖掘出有价值的信息，实现对数据的有效利用。

1机械装备故障诊断1.1基于工业大数据的机械装备故障诊断方法在机械故障诊断领域，同样具有工业大数据的特点。例如，对风力发电装备进行状态监测，一个大型风力发电场具有数百台风机，每台风机上布置有上百个测点，这些测点通常情况下连续不停产生数据，风电场每天都将产生大量的多元数据。

机械装备故障诊断是指对运行过程中机械装备的状态进行检测和分析，及早发现故障及其原因并进行维护，从而确保机械装备正常运行。主要包括故障识别和寿命预测两个方面。美国于20世纪60年代最早开始故障诊断技术的研究。我国的诊断技术研究开始于20世纪80年代，虽然起步较晚，但近年来发展迅速，取得了不少重大研究成果。机械装备故障诊断对保障机械装备的安全可靠运行具有重要意义[2]。一方面，它关乎劳动者的生产安全保证，由机械故障引发的人员伤亡事故带给我们的教训深刻；另一方面，它对企业的生产效益具有重大影响，通过预测性维护能够保证产品质量、减少停机时间以及降低生产成本。

1机械装备故障诊断1.1基于工业大数据的机械装备故障诊断方法机械装备故障诊断的基本方法可分为基于模型的方法、基于信号处理的方法和基于数据驱动的方法。基于模型的方法[3-5]主要是通过建立机械装备的物理模型并转化为数学模型，将数据信号输入到模型中进行处理分析，从而对机械装备进行故障诊断。该方法在故障诊断技术发展的早期阶段得到了普遍应用，然而，由于机械系统的复杂性和实际生产环境的复杂多变性，难以建立精确的模型并准确设定模型相关参数，使得故障诊断准确率较低，因此该方法具有较大的局限性。

基于信号处理的方法[6-9]主要是通过各种信号处理技术，从采集到的信号数据中提取故障特征，进行故障识别分类，主要包括时域分析、频域分析和时频域分析。时域分析通过在时域内对信号进行滤波、放大、统计特征计算、相关性分析等处理，

1机械装备故障诊断1.1基于工业大数据的机械装备故障诊断方法提取机械设备运行状态的特征参数。频域分析采用傅里叶变换（FourierTransform，FT）将时域信号变换为频域信号，从频率特性的角度来提取信号的特征，主要包括频谱、能量谱、功率谱、倒频谱、小波分析等。时频域分析通过时间和频率的联合函数来进行信号处理，主要方法包括短时傅立叶变换[10]、连续小波变换[11]、维格纳-维尔分布[12]和希尔伯特黄变换（Hilbert-Huangtransform，HHT）[13]等。信号处理方法种类繁多，应用场景广泛。然而，该方法对诊断人员要求高，需要同时掌握多种信号处理技术与具备大量诊断经验，并且需要人工进行特征提取，无法满足现今对智能故障诊断的要求。

1机械装备故障诊断1.1基于工业大数据的机械装备故障诊断方法基于数据驱动的方法[14-18]基于大量的监测数据和历史数据，利用机器学习和深度学习方法自动提取故障特征，实现机械装备智能故障诊断。传