本科生毕业设计[论文]
基于工业大数据的故障诊断模型设计
院 系
机械科学与工程学院
专业班级
机械 1401 班
姓 名
张照博
学 号
U201410606
指导教师
金海、吴波
年 月 日
学位论文原创性声明
本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的
研究成果。除了文中特别加以标注引用的内容外，本论文不包括任何其他个人或集
体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。
作者签名： 年 月 日
学位论文版权使用授权书
本学位论文作者完全了解学校有关保障、使用学位论文的规定，同意学校保留
并向有关学位论文管理部门或机构送交论文的复印件和电子版，允许论文被查阅
和借阅。本人授权省级优秀学士论文评选机构将本学位论文的全部或部分内容编
入有关数据进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论
文。
本学位论文属于 1、保密囗，在 年解密后适用本授权书
2、不保密囗 。
（请在以上相应方框内打“√”）
作者签名： 年 月 日
导师签名： 年 月 日
华 中 科 技 大 学 毕 业 设 计（论 文）
I
摘 要
由于计算机硬件以符合摩尔定律的速度迅猛发展，计算机数据存储、数据
传输和分布式计算的成本都大幅度降低。而现代化的工厂中，往往都布置有大
量的传感器，而且随着存储成本的降低，读取到的设备信息变得更加丰富，由
此便会产生海量的工业数据。
对于这一变化，全世界许多国家都相继提出相应的举措。最初是德国提出
了“工业 4.0”的概念，之后美国也随之推出“工业互联网”，我国也相继推
出“中国制造 2025”的概念，其核心都指向智能制造。而工业大数据技术则
是这些内容中的核心部分。
在工业设备的运行过程中，自然磨损、设备超载、操作不当等多种原因会
导致设备的性能发生下降，甚至于产生故障或者是异常。而通过对设备加装传
感器进行监控，获取到设备的实时信息并且加以梳理计算，就可以得到设备各
个部位的实时运行状态，从而实现对设备的监控。而如果出现了设备故障现象，
则可以通过对历史数据进行数据挖掘、清洗形成故障模型，导入设备的最新运
行数据进行故障诊断。
设备的故障诊断方法可以按照诊断依据分为三种:基于机理模型的方法，
基于数据驱动的方法，基于知识工程的方法[1]。本文将采用基于数据驱动的
方法中的基于分类的方法进行故障模型的构建。同时为了对比不同分类方法
的性能，本文采用了两种分类方式进行比较。
本文主要研究工作和成果如下：
（1）建立了以决策树算法为基础的故障诊断模型；
（2）实现了以支持向量机为核心的数据驱动方法。对支持向量机的核心
原理进行了研究，以风力涡轮机齿轮箱的健康数据、故障数据进行了 SVM 的分
类检测，实现了简单的故障诊断；
（3）比对了两种策略的精度以及其他的一些的性能度量。
关键词：故障诊断；工业大数据；数据驱动；决策树；支持向量机
华 中 科 技 大 学 毕 业 设 计（论 文）
I
华 中 科 技 大 学 毕 业 设 计（论 文）
II
Abstract
As the computer hardware rapidly develops at a rate consistent with Moore's
Law, the cost of computer data storage, data transmission, and distributed computing
has been greatly Reduced. In the modern factories, a large number of sensors are
often arranged, and as the cost of storage decreases, the read device information
becomes more abundant, and thus a large amount of industrial data will be generated.
For this change, many countries around the world have put forward
corresponding measures in succession. Initially, Germany proposed the concept of
"Industry 4.0". After the United States introduced the "Industrial Internet," China
has also successively introduced the concept of "Made in China 2025." Its core
points to intelligent manufacturing. Industrial big data technology is a core part of
these contents.
During the operation of industrial equipment, natural wear, equipment overload,
improper operation, and other reasons can cause the performance of the equipment
to drop, and even result in failure or abnormality. By adding sensors to the equipment
for monitoring, obtaining real-time information from the equipment and combing
calculations, the real-time running status of various parts of the equipment can be
obtained, thereby realizing the monitoring of the equipment. If there is a device
failure, you can perform data mining and cleaning on the historical data to form a
fault model and import the latest operating data of the device for fault diagnosis.
The equipment fault diagnosis methods can be divided into three types
according to the diagnosis basis: based on the mechanism model method, based on
the data-driven method, based on the knowledge engineering method. This article
will use a classification-based approach based on a Data-Driven approach to build a
fault model. At the same time, in order to compare the performance of different
classification methods, this paper uses two classification methods to compare.
The main research work and achievements of this article are as follows:
