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.zip

# 基于工业大数据的生产设备部件故障诊断 ## 1 绪论 ### 1.1 选题背景和意义 在计算机行业还未能发展到如今这般规模的时候，人们只能选择抽样的数据、局部的数据和片面的数据，纯粹靠经验、理论、假设和价值观去发现、理解未知领域的规律。而这样做的结果，就是对真实现象的抽象归纳与演绎推理，这就不可避免的包含了各种主观上的因素。同时由于样本的局部性，很多推理归纳出来的结果与实际现象具有极大的偏差。 而如今的所谓大数据，通常都指数据量在“太字节（TB）”即 2 的 40 次方以上，一般情况下难以收集、存储、管理以及分析的数据。而且随着科技进步，大数据对于“大”的含义还在不断地刷新。但是大数据不仅仅只关乎于数据量的大小，而且还与其他的因素有着千丝万缕的关系。 大数据其真正的意义在于：我们可以通过各式各样的传感器，实现与真实世界更加紧密、准确的连接。在得到实时数据后进行整合、挖掘、云计算，去逐步的逼近真实世界，挖掘出那些未曾被我们发现的隐藏规律，建立更加符合真实的数学模型，这是大数据的魅力所在。而在大数据的庞大篇幅中，工业大数据占据着相当重要的地位。工业大数据是智能制造的关键技术，它是联通物理世界与信息世界的桥梁，是推动生产型制造向服务型制造转型的动力之一[2]。 而在工业领域，工业大数据的一大发展方向就是故障诊断，数据的产生和记录贯穿于一台设备从投入生产到损耗的全过程，而通过一定数量的智能传感器，我们可以监控某些生产设备的所有信息，使设备在生产线的实时状态远程监控成为可能，这一方面改善了工作人员的工作环境，另一个更为重要的方面就是提高了设备发生故障或者异常时候的反应速度以及排除故障的效率。 伴随着工业生产水平发展的突飞猛进，工业设备精度越来越高，结构越来越复杂，所以在车间内很多设备的故障都未能得到及时的发现和解决，这一点很容易对工厂造成巨大的损失.由于设备愈加复杂所导致的设备故障信息数据呈现指数型增长，而运行时所产生的海量数据，采用传统基于机理模型的方式已经很难负载如此巨量规模的数据分析，进行故障诊断了。 此外，工业设备结构极其复杂，不同模块之间可能会产生故障的交集，人工分析或者是传统的先验知识故障检测手段已经无法准确、迅速的完成故障的诊断。因此，结合工业大数据对工业设备所产生的海量数据进行数据挖掘分析建立故障诊断模型，对于提高设备维护效率、迅速有效解决故障、降低维修费用有巨大意义。 ### 1.2 国内外研究现况及发展趋势 #### 1.2.1 国内研究现状 金风科技公司对大量风场的历史故障、异常运行信息进行大数据挖掘与分析，对SCADA(Supervisory Control and Data Acquisition，监控和数据采集系统)数据的提取、清洗、分析，从而得到了关于电机与桨叶的一系列特征曲线与模态数据，建立了多角度的断裂预警模型，成功实现了提前90h的预测性维护，消除了潜在的重大故障隐患，保障了工作人员与设备的安全[3]。南京航空航天大学的张鹏在原有的线性模型基础上进行了大量改进，提出了将卡尔曼滤波器和基于非线性模型相结合的方法，并且将其理论在航空发动机上进行了验证[4]。西安电子科技大学的钟福磊等人在盾构机上建立了基于先验知识与基于数据驱动两种方式的混合模型，并且利用仿真数据进行了验证。南京航空航天大学鲁峰等人对发动机进行了仿真建模并且获得了影响系数矩阵，成功实现了对发动机中的气路故障进行诊断[5]。 #### 1.2.2 国外研究现状 国际权威专家 Frank 将故障诊断的方法总结为三种: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[6]。葡萄牙科英布拉大学的 Marco S. Reis 教授和 Geert Gins 在《Industrial Process Monitoring in the Big Data/Industry 4.0 Era: From Detection, to Diagnosis, to Prognosis》一文中提到，过去的重点都是检测，也就是基于机理模型的一种对比当前数据的检测办法，实现高水平的检测速度和强度是过去 IPM 研究的主要重点。在处理新流程时，这是一个必要的步骤，但是随着时间推进，越来越多的因素阻碍了更先进的监控手段的发展[7]。因此为了解决这些障碍与挑战，我们需要找到一种方法可以找到故障根源，也就是我们当今时代的主流过程监测手段：故障诊断。未来的发展方向更是令人心驰神往，故障预检测，能够根据当前的运行数据获取未来一段时间内的设备运行状态预测。 瑞典吕勒奥理工大学的 Lianwei Zhang 开发除了一套专用于大数据检测以及维护的系统以及一种基于自适应核密度的异常检测（Adaptive-KD）方法，在工业场景中具有极大的使用价值。 ### 1.3 主要研究内容 （1） 研究数据挖掘算法，采集数据进行模型构建，并且可以根据新的数据进行模型改进、重构； （2） 研究关联度计算算法，对故障数据进行适当处理，提高最后得到的故障模型的精度； （3） 研究机器设备的属性之间的联系，有效的剔除一些对模型精度无益的内容，提高运行效率； （4） 研究模型的改进方案，如决策树中的“剪枝”方法、连续之离散化算法，对模型进行精简，减少模型构建所消耗的资源。 ## 2 故障诊断的总体设计方案 ### 2.1 故障模型的要求 故障模型应该是基于历史数据构建的，由于我们的模型是基于数据驱动，所以对于机械设备方面的先验知识需求量远小于基于机理模型和基于知识工程的构建方式。另外，我们的模型要能接受新的运行数据，对于数据进行测试，从而进行故障诊断的最终目的。 在精度上，模型的精度应该随着数据的不断完善而改进，构建模型所使用的数据越多，那么我们的模型的泛化程度就越高，对于各种实际情况的解读能力就会进一步提升。另外故障模型的基础是基于工业大数据，对于工业大数据的各个环节都会在具体实现环节中一一对应。  图 1 工业大数据技术架构 ### 2.2 决策树建立故障树模型 #### 2.2.1 信息熵 假设当前样本集 D 中有 N 个样本，而整个样本有 k 个分类，每个分类对应的样本数量为那么对于每个分类，他们各自占据的信息量（也可以理解为样本分类的频率）为：  结合每一个分类的信息量，则此样本总体的信息熵为：  #### 2.2.2 信息增益 假设当前样本集 D 中有 N 个样本，每个样本都有一些属性，假设我们目前取属性 A 作为我们计算信息增益的属性。 根据属性 A，我们可以用属性 A 的不同取值（假设有 v 种），将整个样本集 D 分为 v 个子样本集![](https://www.writebug.com/myres/static/uploads/2022/1/1/be1bd0fb7fb93d4cac997d