1.3 大数据下智能运维面临的机遇与挑战

正如前文所述，巨大的信息技术变革推动机械装备运行维护迈向智能运维，而机械监测大数据为智能运维技术的发展和转变带来了前所未有的机遇，同时也对现有机械装备运维理论及方法提出了新的挑战。

1.机遇

（1）监测大数据“量变”产生“质变”，为机械装备甚至装备群运维带来契机。机械监测大数据蕴含大信息、大知识，而且关联性强，通过信息深度表征与相关关系分析等大数据处理技术，挖掘数据背后的潜在价值和规律，有助于全面掌控机械装备的运行状态，使面向齿轮、轴承、转子等机械装备核心零部件的单层次运维转向针对各零部件相互作用、多故障相互耦合的复杂机械装备甚至装备群的多层次运维成为趋势。

（2）“数据为王”的学术思想引导数据分析手段转变，使全面解析机械故障演化过程成为可能。大数据时代，机械装备智能运维的学术思想由观察对象、积累知识、设计算法、提取特征、分析决策的因果发现转向以机理为基础、数据为中心、计算为手段、智能解析与决策为需求的相关推断，这引导数据分析手段由人为选择可靠数据、采用信号处理方法提取故障特征的切片式分析转向基于海量混杂数据、借助人工智能技术建立机械装备监测数据与健康状态映射关系的全局式分析，可望从运维决策结果出发，沿数据分析与处理的脉络全面地解析多工况交替变化下、多随机因素影响下的故障动态演化过程。

（3）监测大数据促进用户-装备-环境协同优化，推动机械装备智能运维服务升级。智能运维通过集成信息感知、通信传输、数据分析等技术，构建了用户-装备-环境相互映射的运维管理系统。系统中监测大数据的高速流动需要用户-装备-环境的动态协同优化：用户-装备协同以实现自动诊断与预测维护的智能决策功能；装备-环境协同以满足全面监测与高效存储的智能传感需求；用户-环境协同以达到高效使用与视情管控的智能管理目的，共同促进智能运维服务由准确及时识别机械故障萌生与演变、减少或避免重大灾难性事故发生转向整合机械监测大数据资源以延长机械装备使用寿命、优化产品设计质量、提高社会经济效益。

2.挑战

（1）传统运维模式中，单一物理源信号是机械装备故障诊断与预测的主要信息来源，由于数据量小，便于诊断专家人工判断数据价值并筛选优质数据。然而大数据时代下，利用多物理源传感网络获取的机械监测数据容量庞大、种类繁多、价值密度低、质量参差不齐，而且呈现碎片化的特点，依赖人工筛选数据犹如大海捞针，必将迷失于浩瀚的数据海洋之中。因此，需要研究大数据质量保障技术，剔除机械监测大数据中混杂的噪点、失真等低质量数据，并自适应恢复残缺数据中丢失的重要故障信息，为机械装备智能运维夯实数据基础。

（2）信号处理等故障信息人工表征方法往往针对特定诊断任务，依靠诊断专家在深入分析机械装备故障机理的基础上，凭借丰富的诊断经验和知识提取统计特征或设计敏感特征。但机械监测大数据中蕴含的故障信息多域耦合，而且受多工况交替变化等因素影响，故障信息的快速获取更加困难，因此人为提取或设计特征难以准确涵盖所有故障信息，需要研究大数据驱动的智能诊断技术，即基于深度学习等先进的机器学习方法，自适应地表征监测大数据中的故障信息，并构建监测数据输入与机械装备健康状态输出之间的映射关系，实现智能诊断决策，减少传统故障诊断模式中人为主观干预对诊断决策的影响。

（3）机械故障智能诊断需要从充足的可用监测数据中学习诊断知识，以替代诊断专家建立机械监测数据与机械装备健康状态之间的联系，实现智能诊断决策，其诊断精度的高低依赖可用数据的质和量。机械监测大数据虽然容量大，但由于标记数据成本高昂、故障信息重复性大，导致海量数据中的有效故障信息不足，抑制了智能诊断方法的推广应用。迁移学习能够利用已有机械的诊断知识解决相关装备的诊断问题，为克服上述难点提供了解决方案：研究机械装备迁移智能诊断技术，建立机械装备诊断知识的跨域迁移机制，降低智能诊断方法对充足可用数据的依赖性，解决可用数据稀缺条件下装备故障智能诊断的应用难题。

（4）机械装备退化失效是多因素影响的复杂物理过程，因此，难以明晰其失效机理并建立准确的物理模型进行剩余寿命预测。数据驱动的剩余寿命预测方法借助机器学习理论构建智能预测模型，无须深入研究机械装备的失效机理，解决了装备复杂失效机理下构造物理模型实现剩余寿命预测的难题。然而，如何从监测大数据中构建能够反映退化规律的健康指标，根据指标退化趋势进行机械装备剩余寿命的智能预测并将预测结果的不确定性量化，仍是数据驱动的剩余寿命预测方法面临的核心问题。

本书接下来以作者团队的最新研究进展为基础，围绕大数据驱动的机械装备智能运维面临的挑战，从监测大数据质量保障、故障深度智能诊断、故障迁移智能诊断、数据驱动的机械装备剩余寿命预测等方面阐述大数据背景下智能运维领域的科学问题、应用难题及最新研究成果，为读者开展相关理论及应用研究提供参考。