大數(shù)據(jù)促使機械故障診斷智能化轉(zhuǎn)變
——訪青年長江學(xué)者、西安交通大學(xué)雷亞國教授

本刊記者 海 山

您的科研團隊目前圍繞機械故障監(jiān)測、診斷、維護等方面主要開展了哪些具體的研究工作？

雷亞國：機械裝備是國民經(jīng)濟發(fā)展和國防建設(shè)的重要載體，而機械故障是整個裝備安全服役的“潛在殺手”。故障診斷是保障機械裝備安全可靠運行的“殺手锏”。圍繞機械故障監(jiān)測、診斷、維護等方面，我們團隊開展了以下5個方向的研究工作：

（1）機械系統(tǒng)動態(tài)建模：通過建立機械系統(tǒng)的唯象模型、動力學(xué)模型、有限元模型等，獲取系統(tǒng)動態(tài)響應(yīng)特性，考慮模型參數(shù)、故障類型等各種因素對系統(tǒng)響應(yīng)特性的影響，研究了機械系統(tǒng)在內(nèi)外激勵下的動力學(xué)行為。（2）機械信號處理與分析：通過研究集成經(jīng)驗?zāi)Ｊ椒纸?、隨機共振等先進的信號處理與分析理論，提出了能夠準確反映機械健康狀況的特色參數(shù)和自適應(yīng)微弱特征增強方法與技術(shù)，有效提取了機械裝備的故障微弱特征。（3）大數(shù)據(jù)下智能故障診斷：通過研究機器學(xué)習(xí)等人工智能理論，建立人工智能診斷模型，自適應(yīng)解析機械信號中蘊含的故障信息，探索了大數(shù)據(jù)中潛在的故障演化規(guī)律，實現(xiàn)了故障信息與故障模式的自動映射。（4）機械裝備剩余壽命預(yù)測：通過提出基于衰退模型與數(shù)據(jù)驅(qū)動的剩余壽命預(yù)測理論與方法，實現(xiàn)了風(fēng)電、高鐵等大型機械裝備中關(guān)鍵零部件的剩余壽命預(yù)測，為其預(yù)防性維修提供了重要的技術(shù)支持。（5）機械裝備健康管理與智能維護：研究工作主要是集成了以上4個方向的新方法、新技術(shù)等，開發(fā)在線或離線監(jiān)測、診斷和維護系統(tǒng)，對運載、能源、冶金、石化、國防等行業(yè)的機械裝備進行遠程監(jiān)測、趨勢預(yù)報、壽命預(yù)測，實現(xiàn)了對于裝備運行狀態(tài)的健康管理與智能維護。

當(dāng)前機械智能故障診斷研究存在哪些機遇與挑戰(zhàn)？

雷亞國：機械故障是航空發(fā)動機等大型機械裝備安全可靠運行的“潛在殺手”，需要依靠智能故障診斷等理論與方法保駕護航。

機械大數(shù)據(jù)促使智能故障診斷亟需在現(xiàn)有基礎(chǔ)上做出轉(zhuǎn)變，帶來如下機遇：（1）學(xué)術(shù)思維的轉(zhuǎn)變：由以觀察現(xiàn)象、積累知識、設(shè)計算法、提取特征、智能決策為主線的傳統(tǒng)學(xué)術(shù)思維轉(zhuǎn)向以機理為基礎(chǔ)、數(shù)據(jù)為中心、計算為手段、智能數(shù)據(jù)解析與決策為需求的新學(xué)術(shù)思維。（2）研究對象的轉(zhuǎn)變：由針對齒輪、軸承、轉(zhuǎn)子等機械裝備關(guān)鍵零部件的單層次監(jiān)測診斷轉(zhuǎn)向針對各零部件相互作用、多故障相互耦合的整機裝備或復(fù)雜系統(tǒng)的多層次監(jiān)測診斷。（3）分析手段的轉(zhuǎn)變：由人為選擇可靠數(shù)據(jù)、采用信號處理方法提取故障特征的切片式分析手段轉(zhuǎn)向多工況交替變換、多因素復(fù)合影響下智能解析故障整個動態(tài)演化過程的全局分析手段。（4）診斷目標的轉(zhuǎn)變：由準確、及時識別機械故障萌生與演變，減少或避免重大災(zāi)難性事故發(fā)生轉(zhuǎn)向利用大數(shù)據(jù)全面掌控機械裝備群健康動態(tài)，整合資源進行智能維護，優(yōu)化生產(chǎn)環(huán)境，保障生產(chǎn)質(zhì)量，提高生產(chǎn)效率。

為釋放機械大數(shù)據(jù)所蘊含故障信息的潛能，需要智能故障診斷有可靠的理論和有效的技術(shù)進行支撐?，F(xiàn)有的智能故障診斷面臨著以下挑戰(zhàn)：（1）如何建立標準大數(shù)據(jù)庫：數(shù)據(jù)是機械智能故障診斷研究的重要基礎(chǔ)和支撐資源，規(guī)劃和建立標準大數(shù)據(jù)庫是當(dāng)前研究面臨的首要挑戰(zhàn)。（2）如何表征裝備故障信息：傳統(tǒng)方法需要診斷專家設(shè)計特征提取算法實現(xiàn)故障信息的表征，但面對多工況交替、多故障信息耦合、模式不明且多變的機械大數(shù)據(jù)，人為設(shè)計故障特征遇到瓶頸。（3）如何深度識別機械故障：現(xiàn)有智能故障診斷以淺層模型為主，自學(xué)習(xí)能力弱，面對機械大數(shù)據(jù)時，模型的診斷能力及泛化性能均有明顯不足，難以滿足大數(shù)據(jù)背景下機械裝備故障診斷的實際需求。

當(dāng)接觸一個全新的科研領(lǐng)域時，應(yīng)當(dāng)如何著手開展自己的研究？國外有哪些實驗室在從事此方向的研究工作?在與國外合作交流中，發(fā)現(xiàn)其研究模式有哪些值得我們學(xué)習(xí)的地方？

雷亞國：國內(nèi)在20世紀80年代就有一批科學(xué)家發(fā)起了機械故障診斷的研究工作，所以說故障診斷是一門“老”學(xué)科了。但是，當(dāng)我剛開始接觸這個領(lǐng)域的時候，是全新和陌生的，可能連一篇非常簡單的中文論文都看不懂，歸根結(jié)底是由于相關(guān)基礎(chǔ)知識的欠缺。對此，我一方面向同行請教，更多的是自己到圖書館找相關(guān)書籍，補充欠缺的知識。此外，與工程實際結(jié)合至關(guān)重要。比如，我當(dāng)時剛好參加了導(dǎo)師的科技部“十五”攻關(guān)項目，把自己研究的一些診斷技術(shù)用到這個科研項目中，使我的研究動機更加明確，研究動力更加強大，研究信心更加堅定。正因為機械故障診斷是一門經(jīng)典學(xué)科，所以想“玩出新花樣”那可不容易。必須另辟蹊徑，建立新的學(xué)術(shù)思路，尋找新的研究領(lǐng)域，探索新的科研方向。例如在機械系統(tǒng)動態(tài)建模方向，被普遍認可的是從動力學(xué)的角度建模，但是我們團隊的思路是從唯象的角度建模。在一次學(xué)術(shù)大會的特邀報告上，聽了我們團隊的匯報，專家們認為我們在“機械系統(tǒng)動態(tài)建模”這個老方向做出了新點子。當(dāng)然，一個新方向的提出可能會遇到阻力，比如近年我們團隊提出了“大數(shù)據(jù)下智能故障診斷”這一新方向，我在一次國際學(xué)術(shù)會議上做大會特邀報告，匯報了這個方向的工作，遭到了國際著名專家的質(zhì)疑。后來通過當(dāng)面和郵件多次與這位國外專家交流和溝通，他認可了這一研究方向，并積極推薦我擔(dān)任國際著名期刊Mechanical Systems and Signal Processing的編委，也使我成為了唯一一位來自中國大陸的編委。

美國國家航空航天局、英國無損檢測學(xué)會是機械故障診斷領(lǐng)域的典型代表機構(gòu)，他們的研究工作比國內(nèi)大概早20年?，F(xiàn)在歐美一些高校也在做故障診斷方向的研究工作。例如，我做博士后研究的加拿大阿爾伯塔大學(xué)、做洪堡學(xué)者的德國杜伊斯堡-埃森大學(xué)，以及目前跟我合作的英國和波蘭的一些大學(xué)。客觀地說，國內(nèi)的科研環(huán)境、試驗條件不比國外差，有些機構(gòu)的試驗條件甚至遠優(yōu)于國外，但我最大的感受有兩點：國外團隊的“單兵”作戰(zhàn)能力強，一個博士后甚至一個博士生就可以挑起一個項目；國外在這方面的研究與行業(yè)、企業(yè)合作密切，基本上是工程實際需求驅(qū)動課題申報與研究。我認為這兩點是值得我們學(xué)習(xí)的地方，即提高我們的博士生培養(yǎng)質(zhì)量，將機械故障診斷研究與工程實際相結(jié)合。