邊緣智能在工業(yè)設(shè)備健康監(jiān)測領(lǐng)域的研究

王松燁 滿君豐 李亭立

摘? 要：傳統(tǒng)工業(yè)生產(chǎn)車間設(shè)備檢修流程復(fù)雜，工業(yè)大數(shù)據(jù)對邊緣端設(shè)備的智能化要求日益增加。為提高傳統(tǒng)工業(yè)設(shè)備異常信號的監(jiān)測效率，推動(dòng)工業(yè)4.0的智能化生產(chǎn)的發(fā)展，根據(jù)業(yè)內(nèi)對邊緣計(jì)算與人工智能的研究與發(fā)展趨勢，分析了傳統(tǒng)工業(yè)場景下數(shù)據(jù)與健康的關(guān)系。通過分析結(jié)果探究邊緣智能相關(guān)技術(shù)在工業(yè)設(shè)備健康監(jiān)測方面的應(yīng)用場景。

關(guān)鍵詞：工業(yè)大數(shù)據(jù);邊緣智能;邊緣計(jì)算;人工智能

中圖分類號：TP18? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號：2096-4706（2021）19-0171-03

Research on Edge Intelligence in the Field of Industrial Equipment Health Monitoring

WANG Songye1， MAN Junfeng1，2， LI Tingli1

（1.School of Computer Science， Hunan University of Technology， Zhuzhou， 412007， China; 2.School of Automation， Central South University， Changsha ，410083， China）

Abstract： The equipment maintenance process of traditional industrial production workshop is complex， and the intelligent requirements of industrial big data for edge equipment are increasing. In order to improve the monitoring efficiency of abnormal signal of traditional industrial equipment and promote the development of intelligent production of industry 4.0， the relationship between data and health in traditional industrial scene is analyzed according to the research and development trend of edge computing and artificial intelligence in the industry. Through the analysis results， explore the application scenarios of edge intelligence related technology in industrial equipment health monitoring.

Keywords： industrial big data; edge intelligence; edge computing; artificial intelligence

0? 引? 言

智能制造是基于新一代信息通信技術(shù)與先進(jìn)制造技術(shù)深度融合，貫穿于設(shè)計(jì)、生產(chǎn)、管理、服務(wù)等制造活動(dòng)的各個(gè)環(huán)節(jié)，具有自感知、自學(xué)習(xí)、自決策、自執(zhí)行、自適應(yīng)等功能的新型生產(chǎn)方式[1]?？v觀世界工業(yè)進(jìn)化歷程，制造領(lǐng)域的智能化是工業(yè)發(fā)展的最終目標(biāo)。

邊緣計(jì)算的到來使工業(yè)制造正在經(jīng)歷另一個(gè)歷史性的飛躍。全球工業(yè)4.0的進(jìn)度不斷推進(jìn)，各企業(yè)都在搭建邊緣云，將人工智能從云降到邊緣。在物聯(lián)網(wǎng)全面感知數(shù)據(jù)滿足企業(yè)掌握數(shù)據(jù)需求的同時(shí)，企業(yè)邊緣云也為集中式云計(jì)算打開了分布式協(xié)作的大門。Gartner預(yù)計(jì)，到2022年75%的企業(yè)生成的數(shù)據(jù)將在邊緣位置進(jìn)行存儲(chǔ)和分析處理[2]。

大量的傳感儀器產(chǎn)生海量的數(shù)據(jù)實(shí)時(shí)與云中心進(jìn)行數(shù)據(jù)交互，造成云計(jì)算數(shù)據(jù)中心和終端之間的各級網(wǎng)絡(luò)傳輸壓力，也體現(xiàn)出傳統(tǒng)接入網(wǎng)面對海量數(shù)據(jù)的僵化問題，導(dǎo)致的網(wǎng)絡(luò)時(shí)延往往不能應(yīng)對工業(yè)實(shí)時(shí)操作，不能及時(shí)地獲取數(shù)據(jù)異常時(shí)處理信息。為了解決這一問題，使用邊緣計(jì)算代替云計(jì)算環(huán)境可以更好地將任務(wù)分級，部署在網(wǎng)絡(luò)資源上以應(yīng)對工業(yè)場景。而且邊緣側(cè)計(jì)算資源的限制也在不斷被突破上限，未來邊緣計(jì)算與人工智能的結(jié)合會(huì)更加密切。

本文結(jié)合工業(yè)大數(shù)據(jù)、邊緣計(jì)算與人工智能的相關(guān)技術(shù)，針對工業(yè)設(shè)備的健康狀況場景進(jìn)行分析。

1? 工業(yè)設(shè)備健康場景下的邊緣智能體系結(jié)構(gòu)

工業(yè)制造設(shè)備的使用過程中會(huì)出現(xiàn)不同程度的故障，監(jiān)測儀器產(chǎn)生的數(shù)值會(huì)直觀地顯示檢測設(shè)備是否出現(xiàn)故障。但工業(yè)生產(chǎn)制造的過程中使用的設(shè)備眾多，每個(gè)設(shè)備上的儀器數(shù)量以及種類都不一致。在進(jìn)行制造活動(dòng)時(shí)，海量數(shù)據(jù)的全面感知、并發(fā)處理以及存儲(chǔ)管理能力都有著繼續(xù)拓展的空間;在儀器數(shù)據(jù)發(fā)生了較大偏差時(shí)，邊緣層需要及時(shí)判斷并做出應(yīng)急處理，準(zhǔn)確地檢測、隔離故障的設(shè)備對避免工業(yè)制造過程中某一環(huán)節(jié)損毀對整個(gè)流程產(chǎn)生嚴(yán)重后果有著重要意義。

邊緣智能是邊緣計(jì)算與人工智能的結(jié)合，一般場景下是將人工智能應(yīng)用于邊緣網(wǎng)絡(luò)環(huán)境，但人工智能對于計(jì)算資源要求較嚴(yán)格，邊緣網(wǎng)絡(luò)環(huán)境往往不能滿足。在邊緣側(cè)設(shè)備中，計(jì)算資源受限問題一直是國內(nèi)外關(guān)注的一個(gè)挑戰(zhàn)，而智能算法計(jì)算形式復(fù)雜、數(shù)據(jù)量大等性質(zhì)對邊緣側(cè)設(shè)備并不友好。為了能夠使邊緣側(cè)設(shè)備更好地進(jìn)行智能計(jì)算任務(wù)，需要分析與評估智能算法部署在邊緣節(jié)點(diǎn)上的計(jì)算效率以及設(shè)計(jì)計(jì)算資源分配的方案。如圖1所示，工業(yè)設(shè)備的健康數(shù)據(jù)由端到云計(jì)算中心的各層網(wǎng)絡(luò)上都有著各自的職能，根據(jù)需求不同，所需的智能算法也不同。

工業(yè)設(shè)備在測試以及實(shí)際工作過程中，設(shè)備的運(yùn)轉(zhuǎn)狀態(tài)需要時(shí)刻掌握。為了減少由于運(yùn)轉(zhuǎn)帶來的異常和損耗而導(dǎo)致的事故，需要借助各種傳感儀器監(jiān)測工業(yè)設(shè)備運(yùn)轉(zhuǎn)狀態(tài)流程中的易損壞的關(guān)鍵位置的各項(xiàng)數(shù)據(jù);還應(yīng)在必要條件下加入部分控制部件來應(yīng)對數(shù)據(jù)異常時(shí)設(shè)備的調(diào)整生產(chǎn)參數(shù)。

1.1? 邊緣網(wǎng)關(guān)與物聯(lián)網(wǎng)數(shù)據(jù)采集

數(shù)據(jù)采集是工業(yè)大數(shù)據(jù)場景的基礎(chǔ)，也是構(gòu)建端邊云協(xié)同場景的基礎(chǔ)，數(shù)據(jù)采集工作需要傳感器網(wǎng)絡(luò)精確采集設(shè)備的狀態(tài)數(shù)據(jù)，最終經(jīng)由物聯(lián)網(wǎng)網(wǎng)關(guān)匯總。物聯(lián)網(wǎng)網(wǎng)關(guān)是工業(yè)場景下應(yīng)用最廣泛的數(shù)據(jù)匯總工具，云計(jì)算借助網(wǎng)關(guān)采集所需數(shù)據(jù)并通過網(wǎng)關(guān)下發(fā)控制器命令，以此動(dòng)態(tài)監(jiān)測設(shè)備的運(yùn)行狀態(tài)。

在大規(guī)模機(jī)器類通信終端連接場景下，主要業(yè)務(wù)需求來自大連接數(shù)以及對機(jī)器類通信終端能耗的要求，具體的工業(yè)智能生產(chǎn)場景要求的速率和時(shí)延不同。這時(shí)邊緣計(jì)算的主要作用體現(xiàn)在通過將機(jī)器類通信終端的高能耗計(jì)算任務(wù)卸載到邊緣平臺(tái)各級網(wǎng)絡(luò)中，降低終端的計(jì)算成本和能耗，同時(shí)在網(wǎng)絡(luò)中更靠近數(shù)據(jù)源頭，網(wǎng)絡(luò)時(shí)延帶來的影響被減少。同時(shí)對于大規(guī)模終端場景下大連接數(shù)目，則主要利用邊緣計(jì)算平臺(tái)的計(jì)算以及存儲(chǔ)能力實(shí)現(xiàn)終端數(shù)據(jù)與指令的匯聚和處理，降低網(wǎng)絡(luò)符合。工業(yè)場景下大規(guī)模的數(shù)據(jù)都是通過無線連接的形式入網(wǎng)的，如圖2所示。

1.2? 云-邊協(xié)同方案

根據(jù)工業(yè)設(shè)備數(shù)據(jù)對低時(shí)延、低能耗為目標(biāo)的需求做出卸載決策，系統(tǒng)根據(jù)數(shù)據(jù)量和架構(gòu)的復(fù)雜程度來權(quán)衡邊緣端與云端的處理模式。邊緣側(cè)不僅可以靠近數(shù)據(jù)源獲取數(shù)據(jù)信息，還能承擔(dān)低時(shí)延的計(jì)算任務(wù)處理，以支持云端應(yīng)對較大計(jì)算任務(wù)的處理。云計(jì)算作為協(xié)同方案中的“大腦”，需要通過強(qiáng)大的算力滿足海量數(shù)據(jù)的分析工作，再借助分析結(jié)果反饋至邊緣側(cè)進(jìn)行操作控制。

在工業(yè)設(shè)備運(yùn)行期間，產(chǎn)生的任務(wù)根據(jù)分類不同將交付給不同資源的計(jì)算設(shè)備處理。例如風(fēng)機(jī)故障診斷場景下，數(shù)據(jù)分類模塊可以交付給智能芯片處理、大數(shù)據(jù)分析模塊可以交給云服務(wù)器計(jì)算，數(shù)據(jù)預(yù)處理模塊在邊緣側(cè)各級網(wǎng)絡(luò)中可以進(jìn)行。分配決策主要基于可分配的資源、計(jì)算和回傳時(shí)間的長短以及完成計(jì)算任務(wù)的功耗大小來判斷。

1.3? 人工智能建模分析設(shè)備健康狀態(tài)

在生產(chǎn)過程中收集和存儲(chǔ)的數(shù)據(jù)放在邊緣計(jì)算和云計(jì)算平臺(tái)上，可以通過人工智能的機(jī)器學(xué)習(xí)算法，更有效的利用這些數(shù)據(jù)，邊緣側(cè)各級網(wǎng)絡(luò)可以通過學(xué)習(xí)建立簡易的模型，訓(xùn)練之后的結(jié)果也可以作為參考讓云端評判簡易模型的優(yōu)劣，并訓(xùn)練出精準(zhǔn)的模型進(jìn)行優(yōu)化。人工智能在工業(yè)設(shè)備健康狀態(tài)檢測方面具有重要的意義，是實(shí)現(xiàn)自動(dòng)化制造的基礎(chǔ)。

2? 構(gòu)建邊緣智能的工業(yè)設(shè)備健康監(jiān)測模式

2.1? 云-邊協(xié)同框架

根據(jù)邊緣側(cè)到云計(jì)算中心不同網(wǎng)絡(luò)的層次，部署的邊緣計(jì)算服務(wù)模式可以充分發(fā)揮其實(shí)時(shí)本地計(jì)算的特點(diǎn)以及保證數(shù)據(jù)安全的優(yōu)勢。

云邊協(xié)同的架構(gòu)要求IaaS層提供計(jì)算、存儲(chǔ)、網(wǎng)絡(luò)等基礎(chǔ)設(shè)施資源，根據(jù)人工智能的需求可以增加AI加速器。對于PaaS層，邊緣節(jié)點(diǎn)在收集數(shù)據(jù)的同時(shí)還需要按照云端下發(fā)的模型對數(shù)據(jù)進(jìn)行簡單的處理，處理后的數(shù)據(jù)經(jīng)過網(wǎng)絡(luò)上傳到云端，云端將數(shù)據(jù)繼續(xù)對模型進(jìn)行訓(xùn)練，再將新訓(xùn)練的模型下發(fā)給邊緣計(jì)算節(jié)點(diǎn)。而在SaaS層則是按照規(guī)則實(shí)現(xiàn)云與邊緣節(jié)點(diǎn)分布式服務(wù)。如圖3所示，數(shù)據(jù)從終端采集到云中心的工業(yè)場景下，需要各級協(xié)同，相互合作。

Ali Keshavarzi等人提出了將人工智能移動(dòng)到邊緣側(cè)各級網(wǎng)絡(luò)環(huán)境，打破傳統(tǒng)云的固有的架構(gòu)，邊緣智能是在數(shù)據(jù)收集點(diǎn)分析數(shù)據(jù)的能力，而不是將其發(fā)送到云進(jìn)行分析的能力[3] 。Hyuk-Jin Jeong等人提出了從移動(dòng)設(shè)備到邊緣服務(wù)器的神經(jīng)網(wǎng)絡(luò)計(jì)算的增量卸載方法，基于分區(qū)用于邊緣計(jì)算的DNN編碼技術(shù)。增量式神經(jīng)網(wǎng)絡(luò)除以客戶的DNN模型分成幾個(gè)分區(qū)，然后將其一對一上傳到邊緣服務(wù)器[4]。Li Zhou等人提出了一種運(yùn)行時(shí)自適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)針對（CNN）加速框架進(jìn)行了優(yōu)化異構(gòu)物聯(lián)網(wǎng)（IoT）環(huán)境?？蚣芡ㄟ^融合空間利用空間劃分技術(shù)卷積層并動(dòng)態(tài)選擇最佳度根據(jù)計(jì)算資源的可用性，以及網(wǎng)絡(luò)條件[5]。付韜等人針對海量通信終端的接入需要提出了移動(dòng)邊緣計(jì)算作為鄰近移動(dòng)終端的局部云平臺(tái)部署方案，以移動(dòng)互聯(lián)網(wǎng)通信基站作為云服務(wù)節(jié)點(diǎn)，在互聯(lián)網(wǎng)拓?fù)浣Y(jié)構(gòu)中距離移動(dòng)終端更近，能夠增強(qiáng)未來智能互聯(lián)設(shè)備的工作性能，支撐更多復(fù)雜應(yīng)用的研發(fā)與推廣[6]。

2.2? 學(xué)習(xí)模型壓縮與切分

邊緣側(cè)的網(wǎng)絡(luò)設(shè)備由于自身的限制，導(dǎo)致計(jì)算能力不是十分突出。在邊緣側(cè)環(huán)境中組件邊緣云環(huán)境，不僅能夠承載輕量級的學(xué)習(xí)模型，還可以統(tǒng)籌計(jì)算資源、對計(jì)算任務(wù)進(jìn)行劃分，共同完成同一模型;此外，更多的邊緣設(shè)備能夠選擇的函數(shù)模型和內(nèi)核更加精簡，例如嵌入式開發(fā)設(shè)備、物聯(lián)網(wǎng)網(wǎng)關(guān)等，因此低數(shù)據(jù)量的輕量級模型是工業(yè)邊緣計(jì)算的要求。

根據(jù)對工業(yè)設(shè)備健康數(shù)據(jù)的分析模型的構(gòu)建，為了確保搭載的模型在邊緣設(shè)備合理的運(yùn)行，降低時(shí)延與能耗的影響，需要在云端進(jìn)行模型的壓縮或切割工作。在邊緣側(cè)需要根據(jù)不同的計(jì)算節(jié)點(diǎn)的算力，以網(wǎng)絡(luò)層次為線推理模型的壓縮大小或切割的推出時(shí)間點(diǎn)，以此衍生出的一種計(jì)算卸載的形式。邊緣計(jì)算卸載場景類似于動(dòng)態(tài)切割應(yīng)用功能適配計(jì)算資源環(huán)境，引用至邊緣智能場景下需要對模型進(jìn)行縮放、切割模塊等方式適配各級網(wǎng)絡(luò)資源環(huán)境。

秦志威等人提出實(shí)時(shí)調(diào)度算法EAWSA，該算法針對端邊云協(xié)同環(huán)境工作流特性進(jìn)行子任務(wù)優(yōu)先級劃分，利用改進(jìn)粒子群算法找到一個(gè)最優(yōu)的資源調(diào)度方案，根據(jù)終端移動(dòng)軌跡，篩選出可遷移資源，并為每個(gè)任務(wù)動(dòng)態(tài)選擇最優(yōu)遷移決策[7]。蔡振啟等人提出一種部分計(jì)算卸載策略，利用自適應(yīng)粒子群算法和拉格朗日乘子對終端的任務(wù)卸載比例和頻譜資源分配進(jìn)行求解[8]。何峰等人提出了基于邊緣計(jì)算的配電自動(dòng)化架構(gòu)和數(shù)據(jù)協(xié)同機(jī)制，并進(jìn)一步設(shè)計(jì)了自治自愈的智能分布式饋線自動(dòng)化軟硬件結(jié)構(gòu)[9]。

3? 結(jié)? 論

本文從邊緣計(jì)算與人工智能結(jié)合的角度入手，分析了工業(yè)制造領(lǐng)域內(nèi)工業(yè)設(shè)備健康監(jiān)測的應(yīng)用。通過構(gòu)建合作的形式，邊緣計(jì)算有著不斷成長的可能。隨著物聯(lián)網(wǎng)技術(shù)、5G、邊緣計(jì)算在業(yè)內(nèi)的普及與發(fā)展、人工智能在各種領(lǐng)域內(nèi)的應(yīng)用，工業(yè)制造的智能化也在不斷地進(jìn)步，邊緣智能也會(huì)是工業(yè)大數(shù)據(jù)的一個(gè)重要研究方向。邊緣智能具備著巨大的應(yīng)用潛能，在井噴式數(shù)據(jù)量的時(shí)代，邊緣智能不僅能緩解網(wǎng)絡(luò)的壓力，還能豐富網(wǎng)絡(luò)邊緣側(cè)的能力。在工業(yè)設(shè)備健康監(jiān)測領(lǐng)域，邊緣智能的進(jìn)步也會(huì)給生產(chǎn)制造行業(yè)帶來巨大的收益。

參考文獻(xiàn)：

[1] 工業(yè)和信息化部.智能制造發(fā)展規(guī)劃（2016—2020年） [EB/OL].[2021-08-22].https：//www.ndrc.gov.cn/fggz/fzzlgh/gjjzxgh/201706/t20170620_1196811.html？code=&state=123.

[2] 唐雄燕，王友祥，陳杲，等.邊緣計(jì)算產(chǎn)業(yè)現(xiàn)狀與發(fā)展建議 [J].信息通信技術(shù)與政策，2020（2）：1-5.

[3] KESHAVARZI A，HOEK W V D. Edge Intelligence— On the Challenging Road to a Trillion Smart Connected IoTDevices [J].IEEE Design & Test，2019，36（2）：41-64.

[4] JEONG H J，LEE H J，SHIN C H，et al. IONN：Incremental Offloading of Neural Network Computations from Mobile Devices to Edge Servers [C]//Proceedings of the ACM Symposium on Cloud Computing，Carlsbad CA：Association for Computing Machinery，2018：401-411.

[5] Li Z， Samavatian M H， Bacha A ， et al. Adaptive Parallel Execution of Deep Neural Networks on Heterogeneous Edge Devices [C].information security， 2019：195-208. DOI：10.1145/3318216.3363312

[6] 付韜.移動(dòng)邊緣計(jì)算系統(tǒng)服務(wù)器測試方法 [J].電子技術(shù)與軟件工程，2018（13）：122-123.

[7] 秦志威，栗娟，劉曉，等.端邊云協(xié)同環(huán)境下能耗感知的工作流實(shí)時(shí)調(diào)度策略 [J].計(jì)算機(jī)集成制造系統(tǒng).

[8] 蔡振啟，李志軍.面向工業(yè)物聯(lián)網(wǎng)的移動(dòng)邊緣計(jì)算任務(wù)卸載與資源分配 [J].工業(yè)控制計(jì)算機(jī)，2021，34（8）：50-52+54.

[9] 何峰，王巍俊，魏光明.基于邊緣計(jì)算的智能分布式饋線自動(dòng)化系統(tǒng) [J].電力設(shè)備管理，2021（6）：41-43.

作者簡介：王松燁（1996—），男，漢族，河北石家莊人，碩士在讀，研究方向：邊緣計(jì)算;滿君豐（1976—），男，滿族，黑龍江海倫人，教授，博士，研究方向：工業(yè)大數(shù)據(jù)分析;李亭立（1997—），女，漢族，湖南岳陽人，碩士在讀，研究方向：工業(yè)大數(shù)據(jù)。