深度学习在设备故障预测与健康管理中的应用

在智能制造背景下,大数据驱动的设备故障预测与健康管理日益受到各界重视。深度学习能够在层次结构的特征提取过程中发现更多的隐藏知识,在领域自适应方面具有良好的数据适应性,近年来逐渐成为设备故障预测与健康管理的研究热点,并在设备故障诊断和预测中得到了广泛的应用。通过系统回顾近年来深度学习在设备故障预测与健康管理中应用,总结、分类和解释关于这一热点主题的主要文献,讨论了各种体系结构和相关理论。在此基础上,阐述了深度学习在设备故障诊断和预测方面所取得的主要成果、面临的挑战、以及未来的发展趋势,为设备故障预测与健康管理领域选择、设计或实现深度学习架构,提供明确的方向。     

基于深度学习理论的机械装备大数据健康监测方法

机械装备正在朝着高速、高精、高效方向发展,为了确保这些装备的健康运行,健康监测系统采集了海量数据来反映机械的健康状况,促使机械健康监测领域进入了“大数据”时代。机械大数据具有大容量、多样性与高速率的特点,研究和利用先进的理论与方法,从机械装备大数据中挖掘信息,高效、准确地识别装备的健康状况,成为机械装备健康监测领域面临的新问题。深度学习理论作为模式识别和机器学习领域最新的研究成果,以强大的建模和表征能力在图像和语音处理等领域的大数据处理方面取得了丰硕的成果。结合机械大数据的特点与深度学习的优势,提出了一种新的机械装备健康监测方法。该方法通过深度学习利用机械频域信号训练深度神经网络,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智能诊断,因此克服了传统智能诊断方法的两大缺陷：需要掌握大量的信号处理技术结合丰富的工程实践经验来提取故障特征;使用浅层模型难以表征大数据情况下信号与健康状况之间复杂的映射关系。试验结果表明,该方法实现了多种工况、大量样本下多级齿轮传动系统不同故障位置不同故障类型的故障特征自适应提取与健康状况准确识别。     

数字孪生技术综述与展望

随着复杂系统诊断、预测和系统健康管理技术的不断发展,在新兴的工业信息系统和工业智能的推动下,数字孪生技术成为智能制造领域和复杂系统智能运行和维护领域的新兴研究热点。鉴于此,针对数字孪生技术在复杂工业系统和复杂装备领域的基本概念、应用前景、技术内涵以及发展趋势、已有初步研究规划和阶段性成果等进行梳理,归纳面向复杂工业系统和复杂装备的智能运行和维护领域的数字孪生技术体系、关键技术、发展趋势和技术挑战等,分析数字孪生与其支撑的工业大数据、云计算、人工智能、虚拟现实等的相互支撑和相互促进的关系,预期能够给复杂系统诊断、预测和系统健康管理领域对数字孪生技术感兴趣研究人员提供一定的参考和借鉴。     

工业装备健康管理及关键功能分析

智能制造对工业装备的发展提出智能设备、智能服务的新需求,以及新型传感技术和信息技术的应用需求,推动工业装备健康管理的发展。文中通过分析装备工业大数据特点及技术框架,针对装备健康管理的感知系统、智能运维、数据应用平台等关键功能进行研究,提出装备健康管理面临的难点和解决方法,并结合典型应用案例介绍,提出装备健康管理的价值挖掘方向。     

大数据下机械智能故障诊断的机遇与挑战

机械故障是风力发电设备、航空发动机、高档数控机床等大型机械装备安全可靠运行的"潜在杀手"。故障诊断是保障机械装备安全运行的"杀手锏"。由于诊断的装备量大面广、每台装备测点多、数据采样频率高、装备服役历时长,所以获取了海量的诊断数据,推动故障诊断领域进入了"大数据"时代。而机械智能故障诊断有望成为大数据下诊断机械装备故障的"一把利器"。与此同时,大数据给机械智能故障诊断的深入研究和应用提供了新的机遇:"数据为王"的学术思想有望成为主流、诊断整机或系统级对象成为可能、全面解析故障演化过程成为趋势等;但也遇到了新的挑战:数据大而不全呈"碎片化"、故障特征提取受制于人为经验、浅层诊断模型诊断精度低等。阐述了机械智能故障诊断大数据的特点;从信号获取、特征提取、故障识别与预测三个环节,综述了机械智能故障诊断的国内外研究进展和发展动态;指出了机械智能故障诊断理论与方法在大数据背景下的挑战;最后讨论了应对这些挑战的解决途径与发展趋势。     

基于深度学习的机械设备健康管理综述与展望

随着机械设备的自动化与智能化程度日益提升,人们对机械设备健康管理的要求也越来越高,得益于海量大数据的积累和计算机技术的发展,除了传统的机器学习方法以外,深度学习方法凭借其极强的非线性拟合能力逐步进入人们的视野。首先介绍现有的深度学习方法以及这些方法各自与机械设备健康管理的结合,然后综述了深度学习在制造业的具体应用,包括代替肉眼检查裂纹、实现设备自我诊断、异常提前感知、施工质量监测。接着指出要实现对机械设备智能化健康管理的必要基础是大批量、高质量、覆盖面广的全生命周期数据,并结合国内外基于机械设备全生命周期数据的故障识别及预诊相关研究说明其重要性。最后提出了基于深度学习的机械设备健康管理的研究趋势和面临的挑战。     

工程装备故障预测与健康管理技术研究

为提高工程装备故障维修保障管理水平,研究了工程装备故障发生与预测的特点与分类,构建了工程装备故障预测与健康管理的体系结构,论述了其硬件系统设计和软件系统的开发流程.该系统采用虚拟仪器技术设计,模块化编程实现.论文研究表明,健康管理技术的应用可有效提高装备的维修保障能力.     

大数据下机械装备故障的深度迁移诊断方法

机械故障智能诊断是大数据驱动下保障装备安全运行的重要手段。为准确识别装备的健康状态,智能诊断需要依靠充足的可用监测数据训练智能诊断模型。而在工程实际中,机械装备的可用数据稀缺,导致训练的智能诊断模型对装备健康状态的识别精度低,制约了机械故障智能诊断的工程应用。鉴于实验室环境中获取的装备可用数据充足,即数据的典型故障信息丰富、健康标记信息充足,且此类数据与工程实际装备的监测数据间存在相关的故障信息,提出机械装备故障的深度迁移诊断方法,将实验室环境中积累的故障诊断知识迁移应用于工程实际装备。首先构建领域共享的深度残差网络,从源自不同机械装备的监测数据中提取迁移故障特征;然后在深度残差网络的训练过程中施加领域适配正则项约束,形成深度迁移诊断模型。通过实验室滚动轴承与机车轴承的迁移诊断试验对提出方法进行验证,试验结果表明:提出方法能够运用实验室滚动轴承的故障诊断知识,识别出机车轴承的健康状态。     

基于人工智能技术的大数据分析方法研究进展

人工智能、大数据、云计算、物联网等信息技术为推动集成制造快速发展提供了关键技术手段。近年来,采用人工智能技术进行大数据分析取得了突破性进展。系统总结了基于人工智能技术的大数据分析方法的最新研究进展。从大数据的聚类、关联分析、分类和预测4个主要的数据挖掘任务出发,分析了大数据环境下机器学习的研究现状;针对深度学习这一热点,总结了基于MapReduce、Spark的分布式深度学习实现,以及面向大数据分析的深度学习算法改进相关研究;从群智能、进化算法两方面梳理了基于计算智能的大数据分析相关研究;针对大数据平台,特别对大数据分析和深度学习集成框架进行了归纳,介绍了大数据机器学习系统和算法库;分析了大数据分析中人工智能技术面临的主要挑战,并提出了进一步的研究方向。     

基于应力波分析的状态监控与故障预测研究

随着先进的仪器测量与分析、物联网、云计算、数据挖掘、人工智能等科学技术的发展,设备状态监控和故障预测技术近年来在工业设备健康管理中起到越来越重要的作用。研究了一种基于应力波分析的状态监测与故障预测技术,通过应力波传感器对设备运动部件间的摩擦、机械冲击和动态荷载的电子信号进行检测和处理,采用专为应力波分析而开发的时域和频域特征提取软件和基于神经网络的数据融合技术,对设备状态进行定量分析,对设备故障进行准确预测,并提供设备健康诊断分析报告。运行试验表明,与振动分析等传统的状态监测方法相比,本系统能更好地实时监控设备运行情况,更早地预测故障,保证了生产安全性,降低了设备检维修成本,提高了生产效率。