24、智能制造工厂中的智能故障诊断与维护

智能制造工厂中的智能故障诊断与维护

1. 工业数据难题与OPC UA的曙光

在工业领域，设备之间的异构性和不同的智能水平给建立细粒度的数据流带来了极大挑战，这使得后续的统计分析和机器学习难以顺利开展。不过，基于OPC Classic发展而来的OPC UA为我们带来了希望。OPC UA具有平台独立性、可扩展模型以及灵活的客户端/服务器通信模式等特性，展现出了兼容且强大的架构，有望成为解决工业大数据及相关问题的关键突破口。

2. 基于神经网络的总工作时间评估

曾有人提出使用神经网络结合存储在HDFS中的历史数据来评估设备的总工作时间。然而，随着HDFS中存储的数据不断增加，由于神经网络在训练前定义的模型复杂度有限，它无法充分利用这些数据。

3. 主动预防性维护中的算法考量

随着信息技术在工业各方面的渗透，越来越多的先进算法被应用于主动预防性维护。但在工业环境中，鲁棒性和实时处理能力的要求更为关键。例如，深度学习在图像识别和自然语言处理领域取得了成功，它能够利用存储的数据，但在主动预防性维护中可能并不适用。相比之下，一些虽不那么先进但融入了专家知识的算法可能会带来更好的效果。因此，使用公式(4.102)来评估设备的剩余有效工作时间，其中由专家知识确定的∂是影响模型准确性的最关键因素。

4. 智能故障诊断方法

在智能故障诊断方面，有多种方法被应用，以下为你列举部分：
- 监督学习方法 ：
- 多传感器与卷积神经网络结合 ：利用多个传感器收集数据，并通过卷积神经网络对旋转机械进行故障诊断。
-