有限资源条件下自动机器状态监测与维护系统的设计与实现

在第四次工业革命时代，实现机器故障检测与诊断的自动化至关重要，以便开发预警系统，帮助在发生灾难性损坏之前采取适当措施。全球范围内使用一些机器健康监测系统，但它们价格昂贵，且需要训练有素的人员进行操作和分析。在发展中国家，由于基础设施不足、缺乏熟练劳动力、财政危机等原因，预测性维护和职业健康安全文化尚未普及。本研究从开发一种用于收集故障数据的低成本数据采集系统（DAS）开始，研究了在自动化过程中有限数据和资源的影响。为了解决这个问题，结合小波、微分学和信号处理的概念，开发了一种特征工程和数据降维方法。最后，为了实现整个过程的自动化，提出了开发预测模型所需的所有理论和实践考虑。该DAS成功地从机器收集了所需数据，与专业手动监测系统相比，准确率达到89%。由于支持向量机（SVM）和神经网络（NN）在训练期间预测准确率高于95%，在测试新样本时达到100%，因此被提议用于预测目的。在本研究中，将简单算法与基于规则的系统相结合，而不是数据密集型系统，通过收集的数据验证，结果证明是一种混合方法。这项研究的成果可以立即应用于中小型工业，以发现其他问题并相应地进行开发。作为自动故障检测与诊断（FDD）的基础研究之一，本研究的发现和程序可以引导其他人扩展、推广或为FDD自动化增加其他维度。