刘 立 ,朱健成 ,韩光洁 ,毕远国

1(河海大学 信息学部物联网工程学院,江苏 常州 213022)

2(东北大学 计算机科学与工程学院,辽宁 沈阳 110169)

工业物联网是驱动工厂智能化改造与网络协同制造纵深发展的重要技术基础[1,2],由此催生的智能产线已逐步实现柔性化、定制化、自适应的混流制造模式.然而,伴随着不断增长的设备规模、愈发精密的元件和更加多元的机械组合方式,产线设备集群协作的智能化和复杂度不断提高,其运维强度和难度均大幅度增大.对于不同设备可能出现的意外行为模式以及无法用精确数学模型描述的工业流程,传统的机理模型和经验模型将失去对未知工作模式的解释能力[3].随着泛在感知和人工智能的兴起,依靠部署传感器网络捕获关联松散的智能产线信息物理要素,结合基于机器学习的数据驱动模型实现设备运行状态特征提取和故障诊断,体现了巨大的潜力[4−6].

针对特定机械设备运行数据驱动构建的故障诊断模型,仅对该设备的状态具备解释性,不具备泛化能力;而以机械设备为单位建立单独的诊断模型成本极高[7,8].若将目光放在更小但具有代表性的机械元件上,则能大幅度削减诊断模型的建模成本.作为设备运转的关键部件之一,滚动轴承几乎存在于所有机械中,是机械设备中最易损坏、也最能反映机械健康状态的元件.研究表明:在工业物联网大型机械的故障中,轴承缺陷占比达40%;在小型……