大数据是大型复杂机电系统研究领域的一个重要发展方向。目前，大多数复杂机电系统都采用了分布式集散系统DCS的方式，对系统关键环节和部件进行了数据采集和监控。然而，随着这类复杂系统的不断发展，特别是企业安全稳定运行的需求，现有的维护方法已经无法满足新的任务要求。例如：

1）系统规模化：分布地域广泛、体积大、运行环境复杂；

2）产品高品质：用户的安全性、及时性与可靠性要求高；

3）高度集成化：组成多模块、覆盖多领域、融合多学科。

……

面对这些任务，常规维护难以满足实时性和安全性要求，因此亟需提升大型复杂机电系统的安全自主运行能力，这是支撑大型系统维护的预估和定位技术。

图1 大型系统事故现象

要实现安全平稳运行，系统必须具备快速恢复运行的能力。维修维护是系统恢复到安全状态、正常运行的重要因素，如果系统不能得到及时有效的维护，其可靠性水平会急剧下降，进而导致系统的故障发生。由于大系统的特性，其故障造成后果大多是损失惨重，事故案例屡见不鲜，这些事故不仅仅给经营单位带来了严重的经济损失，而且可能造成人员伤亡、环境破坏等社会问题、环境破坏问题。复杂机电系统分布地域广泛，很多时候都处在非常规状态下工作，系统单元众多，相互之间存在着千丝万缕的级联关系，一个很小异常或状态抖动都有可能给系统带来致命的伤害。此外，随着功能的多样化，系统的规模复杂度日益增加，这也大大提高了故障发生的概率。因此，必须提高复杂系统的维护方法和维护决策能力。 

图2 大型通信系统

图3 复杂制造系统

图4 智能制造系统

图5 复杂化工系统

图6 电力能源系统

如何提高复杂机电系统的维护决策能力？本文主要通过大数据结构化与数据驱动的方法来实现。现有维护诊断技术的特点: 针对性强、面向系统的关键设备, 故障特征明显、周期性的卡顿等, 使用范围比较具体、大型回旋转子设备; 主要采用的是信号处理技术，像傅里叶变换、小波变换、信号拟合等处理方法; 数据来源于同一对象, 且为连续的同一类型数据; 此诊断技术涉及的学科相对比较专一。另外技术还存在: 只能对已发送故障进行诊断, 不能预测将要发现的故障，对引起故障的外部因素不能做诊断, 因其针对性强, 对于认知不足的现象, 无法诊断。因此，需要对系统维护水平和维护范围进行拓展，诊断不仅关注关键设备，也不忽略产品零件，不仅要考虑系统故障的本身的状态变化，也考虑相关设备、以及环境因素对设备造成的影响，诊断方法除传统的信号处理之外，还引入逻辑推理，智能诊断等手段。那么，基于大数据格式化与数据驱动方法优势可以归结为: 

1）应用范围广泛：维护定位可以从单一设备到系统层级到单元级、甚至部件级, 注重环境因素对设备造成的影响; 

2）方法技术全面：不仅能进行信号处理, 还可以进行逻辑推理、最优求解等智能技术; 

3）数据来源广泛：能够和大数据技术进行紧密结合，实现多种数据的融合，数据不仅来源于某些关键设备数据，也来源于相关的动力数据、环境数据等多个源头; 

4）多专业多学科：问题涉及信息科学，物流学，能源动力，材料科学等，还设计到基础的基础高等数学、概率统计学、运筹学等多专业、多学科的知识。

目前多数据科学刚刚起步，许多内容尚处在一个发展完善的过程中。鉴于此，本文结合复杂系统的固有特点，从复杂系统建模、大数据结构化、数据驱动计算方法等相关内容出发进行深入的研究，提供对复杂系统维护决策的数据支撑。最后对其研究进行了归纳总结，并对其中存在的一些问题以及未来可能的发展方向进行了深入探讨。