案例剖析 | 基于状态信息的电机轴承健康监测（中）
来源:
|
作者:pmod6d781
|
发布时间: 2022-05-17
|
2125 次浏览
|
分享到:
更尴尬的是，即使在已知数据样本中，无论是公开数据集、还是自己实验产生的数据集、抑或是用户现场采集的实际数据，我们发现的个性化差异远大于“模型共性”。即便假设依托公开数据集和实验室所采集的数据集，我们可以研发出一个有效的模型——到了不同的用户现场，因为负荷、工况、环境的不同，上述模型几乎无法被使用！对于用户现场而言，“大数据的故障样本”就更不可能，即使有一些历史故障记录，也往往缺乏足够充足的数据留存——例如大多数故障记录，并没有当时的原始振动波形数据和基本频谱数据以供算法使用。过去二三十年的研究和实践中发现，试图用大数据分析算法来替代专家经验进行诊断服务，缺乏最基础的条件：数据！我们所遇到的几乎所有场合都是“小数据”加故障样本严重不足的情况。数据样本不足，一方面无法训练出有效的模型，另一方面甚至缺乏足够的测试集用来保证算法的性能。即使能在某个特定场合，例如实验室或某个用户现场实现一定量数据的准备，这套模型几乎很难被直接移植到第二个用户现场：因为新用户那里的负荷、工况、环境等各种条件不同，即使同一型号电机、轴承，在不同场景下其正常运行的基线也都不尽相同。唯一可行的是，在每个用户侧去积累越来越多、具有自身特点的数据。但是，机器学习算法的初衷本来是替代现场做振动分析的专家服务，现在却变成了有关大数据和机器学习算法的现场服务，而且看起来还更复杂……那是否说，大数据和机器学习算法，对于轴承故障诊断而言，真得是很难落地的屠龙术？
下期，K2数据科学DT团队与工业专家OT团队将为大家讲述：如何将先验知识与数据科学统筹兼顾到一个可以工程化实现的路径上，实现系统的“智能”。
