化工机械设备故障诊断方法讨论 针对常规方法诊断化工机械设备故障时，故障诊断准确率较低的问题，本文设计了基于大数据的化工机械设备故障诊断方法。投入海量故障样本，给定化工机械设备的大数据样本集，利用自动编码器，转换高维大数据至低维空间，学习故障特征，提取特征的关系元、事元、物元、动态物元，输入神经网络迭代训练，识别设备故障原因和诊断模式。设置对比实验，结果表明，设计方法故障诊断准确率明显低于常规方法，故障诊断结果更加可靠。 大数据；机械设备；故障诊断；准确率 1 引言 现代化生产中，化工机械设备结构、功能越来越复杂，若生产设备出现故障，会影响工厂的流水线作业，经济损伤严重，因此，讨论化工机械设备故障诊断方法，提高工厂中化工机械设备的生产效率，同时令产品质量能够满足标准要求，具有重要意义。停机负责生产的机械设备，采集设备提供的一切有用信息，分析不同时期的故障诊断特点，掌握机械设备的健康状况和特征信息，预报其运行状态，但该方法未考虑机械设备运行状态，设备故障诊断准确率较低[1]。结合隶属度函数和故障集合理论，深化分析故障征兆和故障原因之间的关系，利用模糊关系矩阵，建立故障征兆和故障原因的关联模型，建立机械设备故障的知识库，通过集合理论对设备故障进行诊断，但该方法模糊关系难以确定，设备故障诊断准确率同样较低[2]。针对这一问题，结合以上理论以及大数据技术，本文讨论化工机械设备的故障诊断方法。 2 基于大数据的化工机械设备故障诊断方法设计 2.1 基于大数据样本学习设备故障特征 基于大数据技术，采集海量机械设备故障样本，学习设备故障特征。利用自动编码器，在无监督的情境模式下，对设备故障的信息数据进行深度学习，利用集合层和网络层，共同组成关于大数据维度的解码网络，令集合层和网络层的编码节点数量，能够保持相同，进而确保输出目标和输入数据相同[3]。投入足够的故障样本，给定一组化工机械设备的大数据样本集，通过大数据维度的解码网络，将机械设备样本集的高维大数据编码至网络层，把高维大数据转换至低维空间，再通过解码网络重构集合层的信息数据，使其能够表示样本集的数据特征，再把网络层的信息数据，作为大数据的特征向量[4]。编码网络的表示公式为：X=d(UR+a)（1）其中，X 为编码网络计算后，隐含层输出的向量集合，即机械设备样本大数据的特征向量，d 为集合层和网络层的适应函数，U 为集合层和网络层之间的权重系数，R 为...
