基于工業(yè)物聯(lián)網(wǎng)的設(shè)備監(jiān)控實(shí)現(xiàn)方案概述目錄TOC\o"1-3"\h\u7124基于工業(yè)物聯(lián)網(wǎng)的設(shè)備監(jiān)控實(shí)現(xiàn)方案概述 1183441.1設(shè)備監(jiān)控方案 129461.2基于自動編碼器的設(shè)備監(jiān)控算法 31631.2.1標(biāo)準(zhǔn)自動編碼器 3233311.2.2基于AE的設(shè)備監(jiān)控算法 5271711.3實(shí)驗(yàn) 7156351.3.1參數(shù)監(jiān)控組件 7292211.3.2異?；貓?bào)組件 10設(shè)備監(jiān)控方案如今工業(yè)制造的發(fā)展趨勢是形成復(fù)雜而分散的制造網(wǎng)絡(luò)，具體而言，每家企業(yè)的制造設(shè)備可能分散于各地，而非全部集中于一個(gè)設(shè)備現(xiàn)場；而完成一個(gè)最終產(chǎn)品的過程中使用的設(shè)備可能隸屬于不同企業(yè)。因此需求一種通用性高的設(shè)備監(jiān)控方案，它能夠適用于這種復(fù)雜而分散的制造網(wǎng)絡(luò)，在設(shè)備現(xiàn)場保留實(shí)時(shí)監(jiān)控的能力的同時(shí)，也能夠提供強(qiáng)大的計(jì)算能力支持，而最終的可視化顯示能夠?qū)崿F(xiàn)隨時(shí)隨地的便捷性。在第二章中進(jìn)行了領(lǐng)域驅(qū)動建模，設(shè)備監(jiān)控業(yè)務(wù)由以下微服務(wù)與組件構(gòu)成：圖SEQ圖\*ARABIC12設(shè)備監(jiān)控業(yè)務(wù)微服務(wù)基于設(shè)備監(jiān)控業(yè)務(wù)的業(yè)務(wù)邏輯，本節(jié)的設(shè)備監(jiān)控方案分為了離線部分以及在線部分兩大部分進(jìn)行實(shí)現(xiàn)。離線部分的主要功能為在云側(cè)完成對于歷史數(shù)據(jù)樣本集的數(shù)據(jù)分析，產(chǎn)生一系列可靠的可以作用于制定設(shè)備現(xiàn)場的監(jiān)控依據(jù)。由于數(shù)據(jù)上傳云側(cè)，以及工業(yè)人工智能算法的應(yīng)用需要一定的時(shí)間成本，因此該模塊設(shè)置為離線模式，不需要時(shí)間限制，從而追求將云側(cè)高算力發(fā)揮至最大，致力于提供一個(gè)準(zhǔn)確的監(jiān)控參照依據(jù)。而在線部分指的是在邊緣側(cè)將云側(cè)得到的監(jiān)控參考依據(jù)應(yīng)用于實(shí)時(shí)采集到的設(shè)備數(shù)據(jù)，這是真正的監(jiān)控模塊，對于實(shí)時(shí)性要求高，但并不需要很強(qiáng)的計(jì)算能力，因此將這個(gè)模塊部署于邊緣側(cè)。如下圖所示，下面將以按時(shí)間線發(fā)生的4步具體工作流程進(jìn)行具體地闡述：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，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)，通過邊緣服務(wù)器的處理篩選或者直接通過數(shù)據(jù)采集網(wǎng)關(guān)設(shè)備，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)對獲得的樣本數(shù)據(jù)集進(jìn)行組件的執(zhí)行，進(jìn)而完成對應(yīng)的微服務(wù)流程工作，獲得輸出，輸出往往是一個(gè)模型，包含了對于在線數(shù)據(jù)是否故障的判斷標(biāo)準(zhǔn)。步驟4：將在云側(cè)訓(xùn)練得到的模型應(yīng)用于存儲在本地私有邊緣云中的原始數(shù)據(jù)集，在邊緣側(cè)實(shí)時(shí)獲得設(shè)備的狀態(tài)信息。步驟5：將設(shè)備狀態(tài)傳輸至云側(cè)的服務(wù)器通過應(yīng)用進(jìn)行顯示。圖SEQ圖\*ARABIC13端邊云架構(gòu)下的工作流程圖基于自動編碼器的設(shè)備監(jiān)控算法本小節(jié)依據(jù)上節(jié)提出的設(shè)備監(jiān)控方案，提出了基于自動編碼器的設(shè)備監(jiān)控算法，將介紹自動編碼器原理，在云側(cè)如何得到作為設(shè)備監(jiān)控判斷依據(jù)的檢測統(tǒng)計(jì)量，在邊緣側(cè)和端側(cè)如何應(yīng)用檢測統(tǒng)計(jì)量與實(shí)時(shí)數(shù)據(jù)進(jìn)行比對達(dá)到遠(yuǎn)程監(jiān)控設(shè)備的目的。標(biāo)準(zhǔn)自動編碼器Rumelhart[29]提出了一種無監(jiān)督的ML（machinelearning）方法，標(biāo)準(zhǔn)自動編碼器（AutoEncoder，AE）。結(jié)構(gòu)中包含了輸入、編碼器、隱含層、解碼器。輸出，結(jié)構(gòu)如下圖所示：圖SEQ圖\*ARABIC14自動編碼器結(jié)構(gòu)自動編碼器的輸入層層數(shù)與輸出層層數(shù)相同，其目的在于重新構(gòu)建輸入，而非對于目標(biāo)的預(yù)測功能。編碼器fx起到了提出輸入數(shù)據(jù)的隱含層特征信息，輸入x∈Rdx通過編碼器變換到?x∈?=fx=sfWx+解碼器gx起到了將隱層特征?x反向變換到輸入，從而獲得輸入重構(gòu)x的功能。其中W'=Wz=x=g?=sgW給定樣本數(shù)據(jù)集Dn，目標(biāo)函數(shù)JAEθ是輸入x與經(jīng)過解碼重構(gòu)獲得的x之間的誤差和，其中g(shù)?，f?如表達(dá)式（4-1）和（4-2）所示，θ=W,bJAEθ=x?DnL優(yōu)化目標(biāo)：θ?=argmin1nLx,gf當(dāng)輸入連續(xù)時(shí)，可選用平方誤差作為損失函數(shù)：Lx,y=x?y2(4-SEQ

公式\*ARABIC\s15此情況下采用梯度下降法最小化重建誤差：θ?=argmin1ni=1Lxi,gfxi 基于AE的設(shè)備監(jiān)控算法對應(yīng)于工作流程圖的離線部分，采用了以下的算法邏輯：為了監(jiān)控設(shè)備是否處于正常的運(yùn)行狀態(tài)，一般通過構(gòu)建檢測統(tǒng)計(jì)量來進(jìn)行假設(shè)檢驗(yàn)，并基于檢測統(tǒng)計(jì)量的值是否超過了控制上限來判斷設(shè)備的運(yùn)行狀態(tài)是否正常。正常工作情況下的樣本數(shù)據(jù)集定義為Dn=x:x∈對應(yīng)于工作流程圖的在線部分，采用了以下的算法邏輯：輸入實(shí)時(shí)數(shù)據(jù)，同樣可以獲得特征?t∈R檢測統(tǒng)計(jì)量首先將隱含層中h∈Rd?所形成的認(rèn)定為特征的子空間，誤差L=xH2H2當(dāng)設(shè)備工作正常時(shí)，測試樣本數(shù)據(jù)會處于自動編碼器的特征子空間之中，對應(yīng)的H2SPE定義如下：SPE=e若數(shù)據(jù)擁有較小的重構(gòu)誤差，計(jì)算所得的SPE也具有較小的值，那么就認(rèn)為是正常的在線數(shù)據(jù)；若值較大則為發(fā)生故障對應(yīng)的數(shù)據(jù)。核密度估計(jì)法與統(tǒng)計(jì)量的控制上限Rosenblatt和EmanuelParzen提出了核密度估計(jì)法，用于估計(jì)隨機(jī)變量的的概率密度函數(shù)[30]。其原理是假設(shè)樣本數(shù)據(jù)集的概率密度函數(shù)為fx，當(dāng)新的數(shù)據(jù)進(jìn)入樣本數(shù)據(jù)時(shí)，其分布也認(rèn)定為符合fx。當(dāng)一個(gè)樣本出現(xiàn)在了樣本數(shù)據(jù)集之中，那么認(rèn)為它的概率密度非常大，同時(shí)與其相近的其余數(shù)據(jù)的概率密度也相對比較大，用這種想法，對樣本數(shù)據(jù)集中的每一個(gè)數(shù)據(jù)都可以f(x?xi)fx其中K?是核函數(shù)，?表示核寬度，ngx對于樣本數(shù)據(jù)集中的樣本對應(yīng)的H2和SPE分別擬合和密度函數(shù)fAE算法流程算法流程依舊分為離線與在線兩個(gè)部分，架構(gòu)與上一小節(jié)對應(yīng)設(shè)計(jì)，在算法部分根據(jù)AE算法進(jìn)行了具體化。離線部分，首先對樣本數(shù)據(jù)集的樣本進(jìn)行標(biāo)準(zhǔn)化，將數(shù)據(jù)變換到[0,1]區(qū)間之內(nèi)，采用方法如下：(4-11)隨后利用梯度下降算法訓(xùn)練AE，得到最優(yōu)的參數(shù)，從而計(jì)算檢測統(tǒng)計(jì)量H2和SPE，并對控制上限進(jìn)行估計(jì)。 在線部分，對在線數(shù)據(jù)首先同樣進(jìn)行標(biāo)準(zhǔn)化處理，根據(jù)參數(shù)計(jì)算檢測統(tǒng)計(jì)量H2和SPE，將其與上限進(jìn)行比較，判斷是否發(fā)生故障。 具體流程圖如下所示：圖SEQ圖\*ARABIC15基于AE算法的工作流程圖實(shí)驗(yàn)實(shí)驗(yàn)背景為在某企業(yè)中協(xié)作共同搭建端邊云協(xié)同的微服務(wù)架構(gòu)，并以數(shù)控機(jī)床為對象實(shí)現(xiàn)設(shè)備監(jiān)控。參數(shù)監(jiān)控組件本小節(jié)的實(shí)驗(yàn)對應(yīng)于第二章建模獲得的參數(shù)監(jiān)控組件，實(shí)現(xiàn)了數(shù)控機(jī)床數(shù)據(jù)采集，經(jīng)過邊緣服務(wù)器，上傳至云端。數(shù)據(jù)與數(shù)據(jù)庫對接的同時(shí)，在用戶端界面進(jìn)行顯示的功能。每一次的數(shù)據(jù)傳輸與操作對應(yīng)著一個(gè)更低一層級別的組件，具體定義了相應(yīng)的協(xié)議對接，端口對接，以及功能實(shí)現(xiàn)代碼。具體流程圖如下所示：圖SEQ圖\*ARABIC16參數(shù)監(jiān)控組件流程圖以功能組件數(shù)據(jù)處理服務(wù)為示例進(jìn)行介紹，其實(shí)現(xiàn)了從kafka消息隊(duì)列獲得數(shù)據(jù)，對數(shù)據(jù)庫進(jìn)行持久化的同時(shí)，對MQTT服務(wù)器發(fā)送數(shù)據(jù)來作為用戶端顯示的基礎(chǔ)。下面以數(shù)據(jù)處理服務(wù)組件為例展示代碼實(shí)現(xiàn)邏輯： 主函數(shù)(){ Kafka服務(wù)連接 數(shù)據(jù)庫連接 Mqtt服務(wù)連接 Kafla數(shù)據(jù)讀取 寫入數(shù)據(jù)庫寫入mqtt服務(wù)器} 連接Kafka消息隊(duì)列函數(shù) { kafka.NewReader信息配置 { Brokers信息（消息代理） ID信息

Topic信息 傳輸速度}} Kafka數(shù)據(jù)讀取函數(shù) { 循環(huán)數(shù)據(jù)個(gè)數(shù)的次數(shù)： Error狀態(tài)確認(rèn) 非故障時(shí)：數(shù)據(jù)寫入 故障時(shí)：報(bào)錯(cuò)顯示，程序暫停} 主函數(shù)中每一步分別對應(yīng)于若干個(gè)函數(shù)，分別進(jìn)行各個(gè)參數(shù)的對接，包括需要數(shù)據(jù)的傳輸，端口的確認(rèn)，發(fā)布主題的確認(rèn)等。實(shí)際代碼在golanggin架構(gòu)中完成，如下所示：圖SEQ圖\*ARABIC17數(shù)據(jù)處理服務(wù)組件主函數(shù)圖SEQ圖\*ARABIC18Kafka消息隊(duì)列連接函數(shù) 可見每個(gè)組件的構(gòu)成實(shí)際上十分簡潔，組件本身也是對于編寫好的系統(tǒng)性的函數(shù)進(jìn)行組合的拼接調(diào)用，符合采用微服務(wù)架構(gòu)的初衷。 最終在云端獲得數(shù)控機(jī)床監(jiān)控?cái)?shù)據(jù)界面如下所示：圖SEQ圖\*ARABIC19智能橋切機(jī)設(shè)備監(jiān)控界面圖異常回報(bào)組件4.3.1小節(jié)中的實(shí)驗(yàn)過程，數(shù)據(jù)在端側(cè)，邊緣側(cè)，云側(cè)單線式傳輸?shù)玫搅俗罱K的界面顯示。而設(shè)計(jì)方案中在線數(shù)據(jù)與云端獲得的檢測依據(jù)在邊緣側(cè)比較，保證了實(shí)時(shí)性，在設(shè)備端即刻作出相應(yīng)后將故障情況上傳至云側(cè)顯示。因此在此小節(jié)中，完成了在邊緣側(cè)