随着互联网、物联网的快速兴起与普及，数据规模呈井喷式增长，在浩瀚的大数据洪流中淘出“真金白银”，已成为各国共识。

　　2012年美国投资2亿美元启动“大数据研究和发展计划”，认为数据是“未来的新石油”。2014年我国工信部发布《大数据白皮书》，指出大数据对传统信息技术带来了革命性的挑战和颠覆性的创新，正悄然改变着我们的生活以及理解世界的方式。2015年国务院印发《促进大数据发展行动纲要》，明确表示数据是国家的基础性战略资源，并引导和鼓励各个领域在大数据分析及关键应用技术方面开展研究。

　　在机械领域，大型机械装备正在朝着高精、高效方向发展，装备的安全可靠运行举足轻重，必须依靠故障诊断理论与方法保驾护航。 中国华电集团公司新能源远程诊断平台监测着110个风场的4000余台风机； 三一重工远程监测系统对泵车、起重机、搅拌车等十大类、百余种、十万余台工程机械装备进行在线管控，目前已积累了 1 100 亿条以上的数据，并且以每天 1 000 万条的速率增长；通用公司统计指出未来 15 年将增加大约 33 000 辆柴电动力机车，每台机车发动机需要监测其牵引电机、散热器风扇、压缩机、交流发电机、发动机和涡轮机六大系统，到 2025 年仅仅机车发动机就需要部署 396 000 个传感器进行监测，数据量极大；劳莱斯公司实时监控着全世界数以万计的飞机发动机，每台发动机约有 100 个传感器，采集着振动、压力、温度、速度等信息，每年利用卫星传送着千万亿字(Petabyte, PB)级的数据，并产生约 5 亿份诊断报告。

　　机械大数据不仅具有大数据的共性，还具有大容量、低密度、多样性以及时效性的特点。这些特性促使故障诊断亟需在现有基础上做出学术思维转变、研究对象转变、分析手段转变以及诊断目标的转变。

　　正所谓“工欲善其事必先利其器”。智能故障诊断有望成为大数据下机械装备数据处理与故障诊断的一把利器。 这是因为智能诊断摆脱了传统故障诊断方法过分依赖诊断专家和专业技术人员的困境，打破了机械装备诊断数据量大与诊断专家相对稀少之间的僵局 “数据为王”的学术思想有望成为主流、诊断整机或系统级对象成为可能、全面解析故障演化过程成为趋势等。

机械智能故障诊断流程图

　　从广义上讲，机械智能故障诊断通常包括信号获取、特征提取、故障识别与预测三个环节。西安交通大学机械制造系统工程国家重点实验室雷亚国教授课题组从以上三个环节综述了机械智能故障诊断的国内外研究进展和发展动态。

　　研究人员指出，机械大数据将从更高层面、更广的视角帮助诊断人员了解装备的运行，提升决策效能。但现有的智能故障诊断理论与方法仍存在诸多问题，例如： 数据大而不全呈“碎片化”、故障特征提取受制于人为经验、浅层诊断模型诊断精度低等。

　　在大数据机械故障智能诊断发展趋势方面，研究人员提出了7大发展方向：

　　（1）标准大数据库建立。数据是机械大数据诊断研究开展的重要基础和资源，规划和建立标准大数据库对诊断技术创新、故障演化机理揭示、大规模科研合作等具有战略意义。

　　（2）大数据可靠性评估。由于机械数据规模庞大、信号来源分散、采样形式多变、随机因素干扰等原因，监测大数据呈现“碎片化”特点，因此需提高机械大数据的可靠性，夯实装备智能诊断理论与方法的数据基础。

　　（3）装备故障信息智能表征。机械装备的故障作用规律往往“隐喻”在机械大数据中。以数据驱动方式解析信号组成，提取机械故障特征，实现大数据下机械故障信息的智能表征，才能充分利用机械大数据的价值。

　　（4）基于深度学习的装备故障识别。大数据下智能诊断需要新理论与新方法。深度学习作为一种 大数据处理工具，通过构建深层模型，模拟大脑学习过程，实现自动特征提取、复杂映射关系拟合，最终刻画数据丰富的内在信息并提升故障识别精度。

　　（5） 大数据驱动下的寿命预测。机械大数据蕴含了丰富的装备健康状态退化信息，给装备剩余寿命预测提供了强有力的数据支撑，为寿命预测理论发展带来新的契机。

　　（6）可视化研究。可视化通过交互式视觉表现方式，帮助呈现、理解、诠释机械大数据内涵，使得故障表征规律“拨云见日”，实现可靠的决策，推动机械故障新现象新知识的发现。

　　（7）远程诊断系统。远程诊断以计算、信息、通信、控制等技术为依托，集成故障诊断方法，进行机械大数据的采集、存储、分析、挖掘、决策与预测，远程实现机械装备群健康信息的解析、汇总与管理。

　　这项研究得到了国家自然科学基金、中组部“万人计划”青年拔尖人才支持计划和西南交通大学牵引动力国家重点实验室开放课题的资金支持，成果以《大数据下机械智能故障诊断的机遇与挑战》（点击查看）为题发表于《机械工程学报》2018年第5期。