24、智能制造业中的故障诊断与维护技术

智能制造业中的故障诊断与维护技术

1. 工业数据困境与OPC UA的曙光

在工业领域，设备之间数据格式的多样性以及不同的智能水平，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技术为解决这一问题带来了希望。

OPC UA具备平台独立性、可扩展模型以及灵活的客户端/服务器通信模式等特性，展现出兼容且强大的架构。这种架构有望成为解决工业大数据及相关问题的关键突破点，为工业数据的整合与分析提供了更有效的途径。

2. 基于神经网络的工作时间评估

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。

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用于主动预防性维护。但在工业环境中，算法的鲁棒性和实时处理能力至关重要。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，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，可能会取得更好的效果。

为了评估设备的剩余有效工作时间，使用了公式(4.102)，其中由专家知识确定的参数∂对模型的准确性影响最大。

3. 智能故障诊断方法概述

智能故障诊断涵盖了监督式、半监督式和无监督式等多种方式，以下是一些常见的方法及相关技术：
- 基于深度学习的方法
- 卷积神经网络（CNN） ：在旋转机械故障诊断