边缘智能在工业设备健康监测领域的研究

王松烨 满君丰 李亭立

摘  要：传统工业生产车间设备检修流程复杂，工业大数据对边缘端设备的智能化要求日益增加。为提高传统工业设备异常信号的监测效率，推动工业4.0的智能化生产的发展，根据业内对边缘计算与人工智能的研究与发展趋势，分析了传统工业场景下数据与健康的关系。通过分析结果探究边缘智能相关技术在工业设备健康监测方面的应用场景。

关键词：工业大数据;边缘智能;边缘计算;人工智能

中图分类号：TP18                 文献标识码：A文章编号：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术与先进制造技术深度融合，贯穿于设计、生产、管理、服务等制造活动的各个环节，具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式[1]。纵观世界工业进化历程，制造领域的智能化是工业发展的最终目标。

边缘计算的到来使工业制造正在经历另一个历史性的飞跃。全球工业4.0的进度不断推进，各企业都在搭建边缘云，将人工智能从云降到边缘。在物联网全面感知数据满足企业掌握数据需求的同时，企业边缘云也为集中式云计算打开了分布式协作的大门。Gartner预计，到2022年75%的企业生成的数据将在边缘位置进行存储和分析处理[2]。

大量的传感仪器产生海量的数据实时与云中心进行数据交互，造成云计算数据中心和终端之间的各级网络传输压力，也体现出传统接入网面对海量数据的僵化问题，导致的网络时延往往不能应对工业实时操作，不能及时地获取数据异常时处理信息。为了解决这一问题，使用边缘计算代替云计算环境可以更好地将任务分级，部署在网络资源上以应对工业场景。而且边缘侧计算资源的限制也在不断被突破上限，未来边缘计算与人工智能的结合会更加密切。

本文结合工业大数据、边缘计算与人工智能的相关技术，针对工业设备的健康状况场景进行分析。

1  工业设备健康场景下的边缘智能体系结构

工业制造设备的使用过程中会出现不同程度的故障，监测仪器产生的数值会直观地显示检测设备是否出现故障。但工业生产制造的过程中使用的设备众多，每个设备上的仪器数量以及种类都不一致。在进行制造活动时，海量数据的全面感知、并发处理以及存储管理能力都有着继续拓展的空间;在仪器数据发生了较大偏差时，边缘层需要及時判断并做出应急处理，准确地检测、隔离故障的设备对避免工业制造过程中某一环节损毁对整个流程产生严重后果有着重要意义。

边缘智能是边缘计算与人工智能的结合，一般场景下是将人工智能应用于边缘网络环境，但人工智能对于计算资源要求较严格，边缘网络环境往往不能满足。在边缘侧设备中，计算资源受限问题一直是国内外关注的一个挑战，而智能算法计算形式复杂、数据量大等性质对边缘侧设备并不友好。为了能够使边缘侧设备更好地进行智能计算任务，需要分析与评估智能算法部署在边缘节点上的计算效率以及设计计算资源分配的方案。如图1所示，工业设备的健康数据由端到云计算中心的各层网络上都有着各自的职能，根据需求不同，所需的智能算法也不同。

工业设备在测试以及实际工作过程中，设备的运转状态需要时刻掌握。为了减少由于运转带来的异常和损耗而导致的事故，需要借助各种传感仪器监测工业设备运转状态流程中的易损坏的关键位置的各项数据;还应在必要条件下加入部分控制部件来应对数据异常时设备的调整生产参数。

1.1  边缘网关与物联网数据采集

数据采集是工业大数据场景的基础，也是构建端边云协同场景的基础，数据采集工作需要传感器网络精确采集设备的状态数据，最终经由物联网网关汇总。物联网网关是工业场景下应用最广泛的数据汇总工具，云计算借助网关采集所需数据并通过网关下发控制器命令，以此动态监测设备的运行状态。

在大规模机器类通信终端连接场景下，主要业务需求来自大连接数以及对机器类通信终端能耗的要求，具体的工业智能生产场景要求的速率和时延不同。这时边缘计算的主要作用体现在通过将机器类通信终端的高能耗计算任务卸载到边缘平台各级网络中，降低终端的计算成本和能耗，同时在网络中更靠近数据源头，网络时延带来的影响被减少。同时对于大规模终端场景下大连接数目，则主要利用边缘计算平台的计算以及存储能力实现终端数据与指令的汇聚和处理，降低网络符合。工业场景下大规模的数据都是通过无线连接的形式入网的，如图2所示。

1.2  云-边协同方案

根据工业设备数据对低时延、低能耗为目标的需求做出卸载决策，系统根据数据量和架构的复杂程度来权衡边缘端与云端的处理模式。边缘侧不仅可以靠近数据源获取数据信息，还能承担低时延的计算任务处理，以支持云端应对较大计算任务的处理。云计算作为协同方案中的“大脑”，需要通过强大的算力满足海量数据的分析工作，再借助分析结果反馈至边缘侧进行操作控制。

在工业设备运行期间，产生的任务根据分类不同将交付给不同资源的计算设备处理。例如风机故障诊断场景下，数据分类模块可以交付给智能芯片处理、大数据分析模块可以交给云服务器计算，数据预处理模块在边缘侧各级网络中可以进行。分配决策主要基于可分配的资源、计算和回传时间的长短以及完成计算任务的功耗大小来判断。

1.3  人工智能建模分析设备健康状态

在生产过程中收集和存储的数据放在边缘计算和云计算平台上，可以通过人工智能的机器学习算法，更有效的利用这些数据，边缘侧各级网络可以通过学习建立简易的模型，训练之后的结果也可以作为参考让云端评判简易模型的优劣，并训练出精准的模型进行优化。人工智能在工业设备健康状态检测方面具有重要的意义，是实现自动化制造的基础。

2  构建边缘智能的工业设备健康监测模式

2.1  云-边协同框架

根据边缘侧到云计算中心不同网络的层次，部署的边缘计算服务模式可以充分发挥其实时本地计算的特点以及保证数据安全的优势。

云边协同的架构要求IaaS层提供计算、存储、网络等基础设施资源，根据人工智能的需求可以增加AI加速器。对于PaaS层，边缘节点在收集数据的同时还需要按照云端下发的模型对数据进行简单的处理，处理后的数据经过网络上传到云端，云端将数据继续对模型进行训练，再将新训练的模型下发给边缘计算节点。而在SaaS层则是按照规则实现云与边缘节点分布式服务。如图3所示，数据从终端采集到云中心的工业场景下，需要各级协同，相互合作。

Ali Keshavarzi等人提出了将人工智能移动到边缘侧各级网络环境，打破传统云的固有的架构，边缘智能是在数据收集点分析数据的能力，而不是将其发送到云进行分析的能力[3] 。Hyuk-Jin Jeong等人提出了从移动设备到边緣服务器的神经网络计算的增量卸载方法，基于分区用于边缘计算的DNN编码技术。增量式神经网络除以客户的DNN模型分成几个分区，然后将其一对一上传到边缘服务器[4]。Li Zhou等人提出了一种运行时自适应卷积神经网络针对（CNN）加速框架进行了优化异构物联网（IoT）环境。框架通过融合空间利用空间划分技术卷积层并动态选择最佳度根据计算资源的可用性，以及网络条件[5]。付韬等人针对海量通信终端的接入需要提出了移动边缘计算作为邻近移动终端的局部云平台部署方案，以移动互联网通信基站作为云服务节点，在互联网拓扑结构中距离移动终端更近，能够增强未来智能互联设备的工作性能，支撑更多复杂应用的研发与推广[6]。

2.2  学习模型压缩与切分

边缘侧的网络设备由于自身的限制，导致计算能力不是十分突出。在边缘侧环境中组件边缘云环境，不仅能够承载轻量级的学习模型，还可以统筹计算资源、对计算任务进行划分，共同完成同一模型;此外，更多的边缘设备能够选择的函数模型和内核更加精简，例如嵌入式开发设备、物联网网关等，因此低数据量的轻量级模型是工业边缘计算的要求。

根据对工业设备健康数据的分析模型的构建，为了确保搭载的模型在边缘设备合理的运行，降低时延与能耗的影响，需要在云端进行模型的压缩或切割工作。在边缘侧需要根据不同的计算节点的算力，以网络层次为线推理模型的压缩大小或切割的推出时间点，以此衍生出的一种计算卸载的形式。边缘计算卸载场景类似于动态切割应用功能适配计算资源环境，引用至边缘智能场景下需要对模型进行缩放、切割模块等方式适配各级网络资源环境。

秦志威等人提出实时调度算法EAWSA，该算法针对端边云协同环境工作流特性进行子任务优先级划分，利用改进粒子群算法找到一个最优的资源调度方案，根据终端移动轨迹，筛选出可迁移资源，并为每个任务动态选择最优迁移决策[7]。蔡振启等人提出一种部分计算卸载策略，利用自适应粒子群算法和拉格朗日乘子对终端的任务卸载比例和频谱资源分配进行求解[8]。何峰等人提出了基于边缘计算的配电自动化架构和数据协同机制，并进一步设计了自治自愈的智能分布式馈线自动化软硬件结构[9]。

3  结  论

本文从边缘计算与人工智能结合的角度入手，分析了工业制造领域内工业设备健康监测的应用。通过构建合作的形式，边缘计算有着不断成长的可能。随着物联网技术、5G、边缘计算在业内的普及与发展、人工智能在各种领域内的应用，工业制造的智能化也在不断地进步，边缘智能也会是工业大数据的一个重要研究方向。边缘智能具备着巨大的应用潜能，在井喷式数据量的时代，边缘智能不仅能缓解网络的压力，还能丰富网络边缘侧的能力。在工业设备健康监测领域，边缘智能的进步也会给生产制造行业带来巨大的收益。

参考文献：

[1] 工业和信息化部.智能制造发展规划（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，陈杲，等.边缘计算产业现状与发展建议 [J].信息通信技术与政策，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.移动边缘计算系统服务器测试方法 [J].电子技术与软件工程，2018（13）：122-123.

[7] 秦志威，栗娟，刘晓，等.端边云协同环境下能耗感知的工作流实时调度策略 [J].计算机集成制造系统.

[8] 蔡振启，李志军.面向工业物联网的移动边缘计算任务卸载与资源分配 [J].工业控制计算机，2021，34（8）：50-52+54.

[9] 何峰，王巍俊，魏光明.基于边缘计算的智能分布式馈线自动化系统 [J].电力设备管理，2021（6）：41-43.

作者简介：王松烨（1996—），男，汉族，河北石家庄人，硕士在读，研究方向：边缘计算;满君丰（1976—），男，满族，黑龙江海伦人，教授，博士，研究方向：工业大数据分析;李亭立（1997—），女，汉族，湖南岳阳人，硕士在读，研究方向：工业大数据。