第2章 机械监测大数据质量保障

机械监测大数据中丰富的故障信息与诊断知识能够为装备智能运维提供有价值的数据来源。然而，机械装备的服役环境复杂多变，随机因素干扰较多，导致监测大数据质量参差不齐，其中不可避免地混杂噪点、失真、缺失等“脏数据”[1]。正所谓“垃圾进，垃圾出”，若基于低质量监测大数据实施智能故障诊断或剩余寿命预测，势必误判机械装备的健康状态，降低剩余寿命预测的准确性，进而导致维护策略失误。因此，急需研究机械监测大数据质量保障方法，剔除噪点、失真等异常数据，恢复含重要故障信息的缺失数据。机械监测大数据可概括为在线监测流数据与离线历史数据两大类。本章将围绕这两类数据的异常检测与恢复进行研究：首先阐述在线监测流数据的特点，并结合无迹卡尔曼滤波检测异常流数据；然后提出基于核密度异常因子的离线历史数据异常检测方法，定位离线数据库中存储的漂移、缺失等异常数据；最后提出基于张量Tucker分解的缺失数据恢复方法，补全缺失数据，为大数据驱动的机械装备智能运维夯实数据基础。