数据驱动途径的典型旋转机械智能故障决策知识粒计算问题研究

The performance of current intelligence technologies on fault’s decision-making is often very low. Aimed to the disadvantages adverse to sustainable development, the new problems induced to solve the bottleneck of knowledge acquisition by data-driven way will be explored in the project. They include the preparation of valuable data resources with regard to a typical rotating machinery system and to realize the methods of decision-making knowledge discovery by means of granular computation. This project can be broken down into several tasks below. The first must build an ontological model with a specialized attributes that are used to describe the unit’s running status. The second aspect is respectively how to establish one original knowledge granularity space and optimize its structure based on rough set theory and others. These should be carried out through the way to reduce the dataset dimensions and to solve the classification and clustering analysis for data sets belonging to this space. The last involves that the methods of granular computing to realize the knowledge discovery should be what kind of. One of expected goals is to build the model of data structure for the typical rotating machinery unit. And it can be used to save all original decisions-making knowledge from plant site with data manner. The other is to provide a kind of data operation theory for decision-making knowledge discovery about the intelligent rotating machinery system. In order to promote the relevant researches on rotating machinery fault diagnosis towards the advanced stage conforms to the scientific developing direction, the project’s purpose is to lay a set of foundation theory in treating information process and provide a basis framework for development of intelligent rotating machinery system by scientific data-driven way..The research can promote the methods of faults knowledge acquisition extend to Data science research field. To develop a kind of intelligent rotating machinery, the project has important scientific exploration significance and reference value for engineering applications.

针对智能故障决策水平普遍偏低的现状，拟对经数据驱动途径去解决知识获取难题诱发出的新问题，即典型旋转机械系统的数据准备、依据粒计算原理去实施决策知识发现的实现方法进行探讨。研究内容包括：用特征属性集合描述典型机组运行状况的数据建模问题；利用粗糙集理论等对数据集进行属性约简、数据降维与分类、聚类，决策知识粒与粒结构空间的构建及其结构优化，不同层粒之间的关联关系分析方法。将围绕着典型机组决策知识发现能够实现去开展工作。预期目标是建立一种能够对典型机组运行管理知识用数据方式进行积累的数据结构模型，提供一套决策知识发现的粒计算数据运算方法体系。欲为推动旋转机械故障诊断技术向符合大数据技术模式的可持续方向发展，奠定基础理论知识、提供一种数据积累与开发利用的基础模式框架。.本项目是推动故障知识获取与利用方式向数据科学研究领域延伸的一次尝试。它对于科学发展智能旋转机械，具有理论探索意义和工程应用参考价值。

本项目对数据驱动途径解决知识获取难题诱发出的典型旋转机械数据准备、经粒计算实施决策知识发现的实现方法进行了探讨。取得的主要进展，是建立了一系列符合数据科学理念的故障特征提取、故障数据降维与特征属性约简、数据分类运算的理论方法与算法体系，其中包含着对典型转子系统运行管理知识实施数据方式保护的数据结构模型建立及其性能优化结果、分类结果的可视化表达方式。其次，使用C#语言搭建了一套硬件与软件集成的《旋转机械智能信息管理系统》基础模式框架，嵌入的功能包括故障特征提取、故障样本的数据库保存、机器学习算法框架与反馈式在线学习等模块。此外，还探讨了在计算机平台上使用运动控制卡对多电机协同控制的软件实现技术。上述进展可为典型旋转机械装置的数据结构模型确定、发展智能型旋转机械装置，提供数据科学理论和实现工业软件的依据。.研究发现，在面向工程应用的人工智能决策技术中，数据是基础、算法是灵魂，两者间的相互依存关系决定着机器智能水平。因此基于工业大数据发展新一代智能旋转机械的正确起步方式，需要经历将建立的数据结构模型嵌入软件、用软件积累得到高价值密度大数据资源、再经过知识挖掘环节，得到的研究成果才能够具备工程应用价值。这种发展模式表明，工业软件已经成为智能旋转机械装置的核心组成要素，它的基础必备条件是必须拥有高价值密度的原始大数据资源，并且其中的样本需由旋转机械运行状态特征加上现场专家的知识向量组成；随后针对特定数据资源的知识发现研究结果，才能够拥有工程应用价值。显然这诱发出了包括工业大数据的科学积累、数据管理、工业软件系统架构设计与实现等一系新问题。故建议国家自然科学基金尽快加大以工业软件为核心的新型工程科学基础问题研究资助力度，因为这将能够为科学发展我国智能旋转机械制造向数字化时代转型升级，提供重要的数据科学理论及其工程应用依据。