刘敏

摘要：随着科学技术的不断发展和更新，各个领域生产建设效率也得到了极大提升。以计算机技术为基础发展起来的智能化产品在制造、航天等领域发展中发挥了重要作用。在高精度和高效的发展要求下，如何针对大型机械设备去建立一个相对完善的故障诊断体系，是当前人们最为关心的问题。本文以大数据应用为背景，首先从大数据下的智能故障监测系统应用和深度学习下的机械健康监测分析两个方面出发，对机械智能故障诊断应用进行了详细分析，然后从大型数据库建立、智能化展示、可视化表现三个方面对大数据背景下的机械故障诊断发展趋势进行了阐述。下面本文对基于大数据背景下机械智能故障诊断进行研究。

关键词：计算机;大数据背景;机械智能;故障诊断

引言：智能化机械故障诊断系统的应用给相关行业的发展带来了巨大帮助，但由于当前人们对智能化的研究还在进行中，正在应用的产品会在很多不同层面表现出一定缺陷，因此需要借助相应技术去进行完善。

1、大数据背景下，机械智能故障诊断应用分析

1.1 大数据下的智能故障监测系统应用

以汽车制造业为例，冲压、车身焊装、油漆和总装是汽车生产制造过程中最基本的四种工艺。整个生产制造由于会涉及到较多的机械设备种类和数量，并且每一个机械设备都在实际生产中发挥着重要作用，所以如何保证设备长期、稳定、高效运行，是相关工作者需要认真思考的问题。事实上，在智能化系统的参与下，真正需要人力去处理的问题还是比较少的，但设备故障问题却是智能化系统无法独立解决的，因此，做好机械故障诊断工作就显得很关键。

转台是整个汽车零件生产车间最为常用且关键的设施之一，主要负责夹具台及上料工位的旋转工作。针对转台的机械故障监测诊断，需要借助较为成熟的故障诊断技术，比如振动、油液及无损探伤检测技术。三者在相互分离状态下，各自均能发挥出相应的价值和功能，但若将三者结合在一起应用，因为彼此功能和性能存在一定程度的排斥性，所以对于生产者来说，很难在具体应用中收获到好的效果，这与它们各自功能的局限性有关。

借助大数据技术在对转台进行机械故障诊断时，因为能够详细观察到每个流程的工作情况，所以比较好判断故障发生的位置，比如动建锁死故障发生时，电流曲线会发生相应变化，原本稳定电流也会随之出现波动。基于这个前提，工作人员可以通过安装电力传感器来对转电机的电流和电压进行实时监控，当转台在正常运行时出现任何问题，都会从电流和电压曲线上体现出来，此时借助大数据对电流数据进行分析，就能够发现问题所在，这个过程其实就是智能化故障检测的过程。具体原理如图 1 所示。

结合图1我们会发现，借助智能化故障检测系统可以很容易实现对电流波动异常情况的检测，相应的检测结果会提醒工作人员什么位置出现了故障，这样便能够及时发现故障问题，从而第一时间制定相应的解决方案。但随着对该系用的频繁应用，其具有的缺点也逐渐暴露出来，其中最明显的一点便是，该系统只能对异常的电流波动做出反应，并且诊断精细度也不够高。按照当前大数据技术发展趋势来看，应用全息谱和人工神经网络技术有助于改善这一缺点，前提是需要对系用算法进行全面优化，可以预见的效果是，转台传动主轴振动的幅频相信息能够被工作人员全面获取，这样便能够帮助工作人员去提升系统的精细度。所以，下一步需要将全息谱和人工神经网络技术融入进当前正在被应用的智能化故障检测系统中。除此之外，网络转换问题也是不容忽视的，大数据背景下的智能化故障检测系统具有很强的计算机网络特征，所使用的网络协议是TCP/IP，但MES制造执行系统使用的却是工业网络协议，两种协议是不能直接进行通信的，需要进行转换。

1.2 深度学习下的机械健康监测分析

在前一步论述中我们提到过故障检测精细度的问题，类似问题也会在其他机械部件检测中发生，原因在于，机械设施在正常运行时，各部分零件的运行情况（包括故障信息）会在大数据支持下被录入进数据库中，随着时间的推移，数据库中的故障信息会变得非常丰富，特别是在工况频繁交替及故障信息耦合程度較为严重的情况下，单单依靠诊断和处理信号经验来搜集和提取机械信号特征，很难使特征提取的精准性得到保证。机械健康检测就是针对这一问题被提出的，其核心内容便是深度学习。深度学习下的机械健康监测方法流程见图2。

2、大数据背景下，机械故障诊断发展趋势分析

2.1 大型数据库的建立及评估可靠性的提升

结合当前故障诊断系统的应用情况来看，若想在原有基础上实现功能创新，就必须有相当宽广的数据储存空间来做支持，通过建立大型数据库来解决当前存在问题这一想法，就是在这样的背景下被提出的。大型数据库主要包括以下几类数据：

一是企业共享的机械设施故障典型案例;二是各项机械设施的长时间运行监测数据;三是机械设施从正常运行状态到故障发生这段时间内的动态变化数据;四是机械设施内部各个零件的有关信息。以上这些内容都是针对现有问题所提出的，当然，随着系统应用频率的不断提高，以及人们需求的不断增长，大型数据库还会被添加进更多类型数据，从而帮助人们更好地完成工作。但需要注意到，智能化故障诊断系统所监测到的故障，以及所提取出的数据，并不来自于同一个信号源头，并且随着数据采集方式的不断丰富，相应的干扰因素也会逐渐增多，这就使故障检测行为变得十分零散，其可靠性也会受到影响。面对这一问题，可以通过集成的方式去解决，同时还需要对相应的算法进行更深入研究。

2.2 设备故障信息的智能化展示

通过在全面结合一般高为机械数据所展示出的低维特征属性的前提下，对高维到低维特征的数据提取和转换方式作出全面的提升。并在全面融合故障信息的记录和数据结构研究的前提下，开发出全新的故障代表模式，从而逐步提升故障体系的分析能力。

2.3 故障分析的可视化表现

可视化是当前大数据技术应用的一种主要特征。众所周知，相比复杂且不易被理解的信息数据，可视化图像更容易被人所接受，在可视化的支持下，工作人员对机械大数据内涵的理解和认识会更加深刻，更容易发现故障数据规律，这将有助于人们去制定有效的故障处理决策。这也就意味着，智能化系统下的数据特征提取、参数和指标的可视化预测可以被作为未来的研究主要方向，从而更为直观地呈现出机械故障大数据的本质。

结束语：

随着信息化技术在各行各业生产制造和管理工作中的不断普及，智能化系统将成为人们高效完成工作的重要帮手，不仅可以使机械设备的正常运行得到保障，还有助于我们诊断出更深层次的故障问题。本文从大数据下的智能故障监测系统和深度学习下的机械健康监测两方面入手，对机械智能故障诊断应用进行了分析，然后从大型数据库的建立，设备故障信息的智能化展示和故障分析的可视化表现三方面出发对大数据背景下的机械故障诊断发展趋势进行了分析。希望本文的观点能给大家带来帮助。

参考文献：

[1]祝俊皓.基于大数据背景下机械智能故障诊断研究[J].时代汽车，2020（15）：167-168.

[2]唐伟峰，宋岩，张颖，茅乐.大数据下机械智能故障诊断的机遇与挑战[J].南方农机，2020，51（07）：124.

[3]黄小华.大数据下机械智能故障诊断的机遇与挑战[J].时代农机，2019，46（12）：94-95+102.