设备维护是提高设备可靠性的重要手段,对设备进行状态监测是确定设备故障、分析设备可靠性的重要途径。在设备监测、维护中产生了大量的数据,监测和维护往往更加关注于数据的某个趋势或阈值点,但是这些历史数据中,大部分都是设备正常运行的数据,被利用的部分很少,造成了大量数据的浪费。本文基于设备历史大数据,利用大数据中知识发现的方法发现新的知识,形成数据到知识的转化,并将形成的知识用于设备的维护。论文的主要研究工作如下:(1)基于阈值的维护是最常见的维护方式,但是在实际工业生产中由于服役环境和使用情况的差异,阈值的确定很困难。基于此,本文提出了基于大数据知识发现方法,首先对数据进行自回归模型(AR)拟合并保留其时间特性,随后输入自组织竞争神经网络(SOM)进行训练,从而建立了知识发现模型;然后,通过聚类的方法界定了原始知识的边界来确保知识的有效性。最后,以试验平台数据验证了该方法的有效性,并且通过与阈值法进行对比,发现基于知识的维护方法具有更高的灵敏度。(2)本文从设备构成复杂性和制造过程的复杂性两个方面对复杂性机电设备的维护需求进行了分析,在分析的基础上基于专家打分对设备的维护难度进行了量化研究。通过量化可以发现机电设备最需要特殊维护的关键系统,其维护的最主要特点是通过经验知识是很难发现并维护的,故本文利用了知识发现的维护方式对关键设备进行维护,并给出了基于数据知识的维护策略。(3)最后,通过HC-30数控车床数据对本文方法进行了验证,通过设备关键部件的界定,选取振动、主轴加速度以及主轴箱油温来对主轴箱进行基于数据知识的维护,通过维护知识的发现,判断出主轴箱运转正常,无需进行维护。通过本文的研究,提出了一种适用于复杂机电设备的维护方法,研究结果表明方法具有较好的应用效果,为设备维护决策提供了新的方法和依据。