工業(yè)設(shè)備遠(yuǎn)程運(yùn)維實(shí)現(xiàn)方案概述目錄TOC\o"1-3"\h\u5691工業(yè)設(shè)備遠(yuǎn)程運(yùn)維實(shí)現(xiàn)方案概述 1167231.1遠(yuǎn)程運(yùn)維方案 195351.2遠(yuǎn)程運(yùn)維算法 3233171.2.1CBM算法 485051.2.2數(shù)據(jù)驅(qū)動(dòng)的PdM策略 5129341.3實(shí)驗(yàn) 5遠(yuǎn)程運(yùn)維方案當(dāng)今工業(yè)制造更加強(qiáng)調(diào)設(shè)備的安全性，制造活動(dòng)的可持續(xù)性，因此遠(yuǎn)程運(yùn)維業(yè)務(wù)需要對(duì)于某些關(guān)鍵設(shè)備的關(guān)鍵參數(shù)進(jìn)行數(shù)據(jù)監(jiān)控的前提下，對(duì)于數(shù)據(jù)進(jìn)行分析得到設(shè)備的當(dāng)前狀態(tài)，以及獲得對(duì)一定時(shí)間后的狀態(tài)預(yù)測(cè)，從而制定運(yùn)維決策。遠(yuǎn)程運(yùn)維與設(shè)備監(jiān)控的區(qū)別在于，設(shè)備監(jiān)控強(qiáng)調(diào)實(shí)時(shí)性監(jiān)控設(shè)備當(dāng)前是否發(fā)生故障，而遠(yuǎn)程運(yùn)維強(qiáng)調(diào)獲得設(shè)備當(dāng)前和未來的設(shè)備狀態(tài)，最終目的是防范關(guān)鍵設(shè)備或部件發(fā)生故障，進(jìn)而防范制造停滯甚至產(chǎn)生大規(guī)模損失的可能性。在第二章中進(jìn)行了領(lǐng)域驅(qū)動(dòng)建模，遠(yuǎn)程運(yùn)維業(yè)務(wù)由以下微服務(wù)類與組件構(gòu)成：圖SEQ圖\*ARABIC21遠(yuǎn)程運(yùn)維業(yè)務(wù)微服務(wù)因此本節(jié)提出的遠(yuǎn)程運(yùn)維方案是一個(gè)閉環(huán)過程，通過端側(cè)邊緣側(cè)進(jìn)行數(shù)據(jù)采集，為云端提供了樣本數(shù)據(jù)集，基于樣本數(shù)據(jù)集在云側(cè)進(jìn)行設(shè)備狀態(tài)分析和維護(hù)決策制定，最終決策執(zhí)行于設(shè)備?；谠O(shè)備情況的不斷動(dòng)態(tài)更新，維護(hù)策略和實(shí)施也相應(yīng)發(fā)生變化，由于執(zhí)行完整的一次閉環(huán)過程，需要耗費(fèi)時(shí)間，算力，人力，因此維護(hù)策略不僅僅包括針對(duì)設(shè)備采用何種維護(hù)方法，具體更換何種設(shè)備，也需要通過設(shè)備剩余生命的衰減速度更新需要進(jìn)行整個(gè)閉環(huán)過程的頻率。如圖所示，下面將以按時(shí)間線發(fā)生的3步具體工作流程對(duì)遠(yuǎn)程運(yùn)維進(jìn)行具體闡述：步驟1：在端側(cè)通過網(wǎng)關(guān)設(shè)備收集機(jī)器數(shù)據(jù)。步驟2：將所有原始數(shù)據(jù)集和樣本數(shù)據(jù)集分別流式傳輸?shù)奖镜厮接羞吘壴疲ㄟ吘墏?cè)）和遠(yuǎn)程公共高性能計(jì)算云（云側(cè)）。通過數(shù)據(jù)采集網(wǎng)關(guān)設(shè)備，所有實(shí)時(shí)數(shù)據(jù)集被收集并流式傳輸?shù)奖镜貙Ｓ眠吘壴浦?。同時(shí)，樣本數(shù)據(jù)集（訓(xùn)練數(shù)據(jù)集）被流式傳輸?shù)竭h(yuǎn)程公共云中。步驟3：在云側(cè)進(jìn)行設(shè)備狀態(tài)評(píng)估，作為維護(hù)決策的判斷依據(jù)。此模塊采用微服務(wù)的方式執(zhí)行，涉及到了設(shè)備信息子域，歷史信息子域，智能算法子域，維保中心子域，以及遠(yuǎn)程控制子域。遠(yuǎn)程運(yùn)維流程圖如下所示：圖SEQ圖\*ARABIC22遠(yuǎn)程運(yùn)維流程圖遠(yuǎn)程運(yùn)維算法設(shè)備歷史數(shù)據(jù)傳入云數(shù)據(jù)庫(kù)后需要運(yùn)用一定的算法才能夠?qū)τ谠O(shè)備的剩余壽命進(jìn)行預(yù)測(cè)。這些算法在實(shí)際中以智能算法子域中知識(shí)庫(kù)微服務(wù)中的分離的組件形式存在，應(yīng)用時(shí)只需要進(jìn)行調(diào)用即可。遠(yuǎn)程運(yùn)維算法包含CBM，PdM兩大策略。CBM算法視情維護(hù)，即CBM指的是以機(jī)器，系統(tǒng)的工作運(yùn)行狀態(tài)為依據(jù)，對(duì)于那些關(guān)鍵部分的關(guān)鍵狀態(tài)定期，連續(xù)，甚至實(shí)時(shí)進(jìn)行監(jiān)控，當(dāng)產(chǎn)生了不合理狀態(tài)時(shí)，進(jìn)行維護(hù)。CBM進(jìn)一步可以分為傳統(tǒng)經(jīng)驗(yàn)CBM和基于退化模型的CBM，傳統(tǒng)經(jīng)驗(yàn)CBM指的是依據(jù)一直以來的生產(chǎn)經(jīng)驗(yàn)，制定了何時(shí)應(yīng)當(dāng)進(jìn)行維護(hù)的決策，具有不確定性。而基于退化模型的CBM存在一個(gè)判斷標(biāo)準(zhǔn)，相比于傳統(tǒng)經(jīng)驗(yàn)視情維護(hù)更加可靠。因此本小節(jié)重點(diǎn)介紹基于退化模型的CBM算法。 一臺(tái)設(shè)備在實(shí)際運(yùn)行過程中，同時(shí)也在經(jīng)歷逐漸退化和失效的過程，而失效退化與時(shí)間的關(guān)系往往與設(shè)備的運(yùn)行狀態(tài)，連續(xù)工作時(shí)間，設(shè)備所處環(huán)境變化等許多因素耦合相關(guān)。當(dāng)失效退化累積到故障閾值時(shí)，故障就會(huì)發(fā)生，這就是上一章設(shè)備監(jiān)控方案需要解決的問題。而在達(dá)到失效閥值之前，較為準(zhǔn)確地尋找到貼合實(shí)際情況的退化模型，用于對(duì)某一時(shí)間節(jié)點(diǎn)后續(xù)的設(shè)備壽命預(yù)測(cè)提供參考依據(jù)。下圖展示了退化過程和失效閥值的相對(duì)關(guān)系示意圖。圖SEQ圖\*ARABIC23退化過程與失效閥值示意圖離散狀態(tài)退化模型由于無法得到系統(tǒng)退化當(dāng)前狀態(tài)的精確測(cè)量值，采用離散狀態(tài)的建模手段，馬爾科夫過程模型。其將系統(tǒng)退化狀態(tài)劃分為數(shù)量有限的數(shù)個(gè)退化階段是可以實(shí)現(xiàn)并且具有實(shí)際意義的。馬爾科夫過程描述了空間狀態(tài)兩個(gè)狀態(tài)的切換隨機(jī)過程，設(shè){Xt,t∈T}是取值于狀態(tài)空間E中的隨機(jī)過程,若對(duì)任意的正整數(shù)n,tPXtn+1則稱{Xt連續(xù)退化模型如果系統(tǒng)狀態(tài)隨時(shí)間進(jìn)程擁有連續(xù)退化的特性，且系統(tǒng)擁有實(shí)時(shí)可得的狀態(tài)量，則可以使用連續(xù)狀態(tài)退化模型描述其退化過程。伽瑪過程模型在1975年被引入可靠性領(lǐng)域[30]，當(dāng)退化過程具有不確定、非遞減特征時(shí)，可將其視為伽瑪過程。伽瑪過程是擁有獨(dú)立的非負(fù)增量的隨機(jī)過程，其中增量具有相同尺度參數(shù)的伽瑪分布。設(shè)隨機(jī)過程{YGa( 其中α>0,β>0分別是形狀參數(shù)和尺度參數(shù)，exp??指以e為底的指數(shù)函數(shù)，Yt的均值和方差分別為αβ數(shù)據(jù)驅(qū)動(dòng)的PdM策略當(dāng)前已有許多基于機(jī)器學(xué)習(xí)的剩余壽命預(yù)測(cè)方法，例如基于邏輯回歸方法[32]（Logisticregression），基于人工神經(jīng)網(wǎng)絡(luò)的方法[33]（Artificialneuralnetwork，ANN），基于支持向量機(jī)的方法[34]（Supportvectormachine，SVM），基于決策樹的方法[35]（Decisiontree，DR）等等。數(shù)據(jù)驅(qū)動(dòng)的PdM策略擁有許多優(yōu)勢(shì)，首先這個(gè)概念可以應(yīng)用于任何能采集到數(shù)據(jù)的設(shè)備，因?yàn)樗换跀?shù)據(jù)進(jìn)行模型的生成和預(yù)測(cè)，不同于CBM任需要將設(shè)備本身和退化模型進(jìn)行匹配，因此它具有較廣的應(yīng)用范圍。同時(shí)，根據(jù)機(jī)器學(xué)習(xí)算法的不同，和具體參數(shù)的調(diào)整，理論上可以獲得極度貼近實(shí)際的模型，可以對(duì)RUL進(jìn)行精準(zhǔn)預(yù)測(cè)。但與設(shè)備監(jiān)控方案不同，僅需要將故障與常規(guī)數(shù)據(jù)區(qū)分，可以設(shè)計(jì)詳細(xì)的通用算法進(jìn)行應(yīng)用，對(duì)于設(shè)備剩余壽命的預(yù)測(cè)采用的算法必須根據(jù)實(shí)際數(shù)據(jù)的整體特征進(jìn)行選擇。實(shí)驗(yàn)本實(shí)驗(yàn)實(shí)現(xiàn)了遠(yuǎn)程診斷組件，對(duì)于數(shù)控機(jī)床的刀具進(jìn)行數(shù)據(jù)采集，經(jīng)過邊緣服務(wù)器，上傳至云端，對(duì)于數(shù)據(jù)庫(kù)中存儲(chǔ)的刀具相關(guān)的數(shù)據(jù)運(yùn)用刀具管理服務(wù)，結(jié)果反送回?cái)?shù)據(jù)庫(kù)存儲(chǔ)并且通過MQTT在用戶端進(jìn)行顯示。每一次的數(shù)據(jù)傳輸與操作對(duì)應(yīng)著一個(gè)微型組件，具體定義了相應(yīng)的協(xié)議對(duì)接，端口對(duì)接，以及功能實(shí)現(xiàn)代碼。具體流程圖如下所示：圖SEQ圖\*ARABIC24遠(yuǎn)程診斷組件流程圖 實(shí)際上，遠(yuǎn)程診斷微服務(wù)在參數(shù)監(jiān)控微服務(wù)的基礎(chǔ)上擴(kuò)展得以實(shí)現(xiàn)。組件刀具管理服務(wù)，首先從云數(shù)據(jù)庫(kù)中基于數(shù)據(jù)庫(kù)數(shù)據(jù)協(xié)議提取得到某一臺(tái)設(shè)備的所有相關(guān)刀具信息，查看它們的最近一次更新數(shù)據(jù)，主要是歷史總使用時(shí)間；在此基礎(chǔ)上加上當(dāng)前更新的新使用時(shí)間，得到總使用時(shí)間。隨后從數(shù)據(jù)庫(kù)提