1 1 2 5 5在任何位置的任何有權(quán)限的終端查看實時數(shù)據(jù)，1.1.1設(shè)備遠(yuǎn)程監(jiān)控和運維的發(fā)展性維護(hù)(Correctivemaintenance,CM),也可以被稱為事后維護(hù)(Breakdownmaintenance,BM)指在故障已經(jīng)發(fā)生后進(jìn)行停機(jī)維修，它可以歸屬于典型的非計劃之內(nèi)維修策略[13]。CMmaintenance,TBM)根據(jù)每個獨特制造過程的計劃制定以及歷史經(jīng)驗，按照計劃好的時間對機(jī)器，產(chǎn)線的安全性保護(hù)較好。視情維護(hù)(Condition-basedmaintenance,CBM)指的是進(jìn)行監(jiān)控，當(dāng)產(chǎn)生了不合理狀態(tài)時，進(jìn)行維護(hù)。CBM是一個寬泛化模型對實時數(shù)據(jù)進(jìn)行判斷的維護(hù)策略，在工業(yè)人工智能的背景下產(chǎn)生了預(yù)測性維護(hù) 1.1.2設(shè)備遠(yuǎn)程監(jiān)控和運維架構(gòu)(1)端云架構(gòu)云側(cè)端側(cè)云側(cè)端側(cè)圖1端云架構(gòu)圖端云架構(gòu)的弊端：雖然端云架構(gòu)減少了云中發(fā)送、存儲和處理的數(shù)據(jù)，但采樣、壓縮和融合等傳統(tǒng)方法主要在設(shè)備本身上實現(xiàn)，分析在云中執(zhí)行。傳感器節(jié)點有限的資源影響了復(fù)雜算法的實現(xiàn)。隨著物聯(lián)網(wǎng)應(yīng)用的發(fā)展，這種情況變得更加嚴(yán)重，因為物聯(lián)網(wǎng)應(yīng)用涉及豐富的數(shù)據(jù)類型，如圖像。此外，由于延時問題，在云中開發(fā)實時分析幾乎是不可能實現(xiàn)的，不同的物聯(lián)網(wǎng)應(yīng)用幾乎都需要本地分析。例如，基于本地分析，在生產(chǎn)環(huán)境中快速打開/關(guān)閉某些設(shè)備的決定可以避免災(zāi)難性情況。這些本地分析在這種架構(gòu)中，被放置在了傳感器，也就是端側(cè)。對于一些微小的傳感器來說，這種算法在計算上非常昂貴，同時，微型傳感器的能耗也是一個重要問題。因此，用端云架構(gòu)實現(xiàn)實時目標(biāo)似乎是成本極高，難以實現(xiàn)的。為了擴(kuò)展云計算并將高性能計算能力帶到企業(yè)網(wǎng)絡(luò)的邊緣，思科引入了邊緣計算[20]。邊緣計算，也稱為霧計算或霧化，是一種在邊緣設(shè)備(如無線路由器和廣域網(wǎng)接入設(shè)備)和云大量數(shù)據(jù)必須傳輸?shù)皆粕系臄?shù)據(jù)中心，從而產(chǎn)生巨大的性能開銷。與云計算相反，訓(xùn)練大型數(shù)據(jù)集和可視化數(shù)據(jù)分析等計算密集型工作負(fù)載是在邊緣計算中進(jìn)行的，在邊緣計算中收集和存儲大量數(shù)據(jù)，而不是集中云存儲。邊緣計算的一個關(guān)鍵優(yōu)勢是，它使用戶能夠通過將計算節(jié)點移動到更靠近本地物理對象或設(shè)備的位置，并直接在大數(shù)據(jù)上執(zhí)行應(yīng)用程序，避免在邊緣設(shè)備和云計算數(shù)據(jù)中心之間傳輸大量數(shù)據(jù)。因為邊緣計算非常接近原始數(shù)據(jù)源，所以邊緣計算能夠顯著減少延遲。這對延遲敏感的應(yīng)用尤為重要。思科將邊緣計算應(yīng)用到智能電網(wǎng)中，在智能電表等邊緣設(shè)備上執(zhí)行能源負(fù)載平衡應(yīng)用，實現(xiàn)實時應(yīng)用和位置敏感服務(wù)[24]。邊緣計算的另一個關(guān)鍵特征是，它是保護(hù)基于云的制造系統(tǒng)的有效方法|25。端邊架構(gòu)是設(shè)備端與邊緣端的直接互聯(lián)，不涉及云端，意味著將算力全部放在靠近設(shè)備端的邊緣側(cè)。在文獻(xiàn)[26]中，作者考慮了所提出的混合架構(gòu)中的延遲要求。他們提出的混合架構(gòu)由邊緣服務(wù)器和傳感設(shè)備組成。采用這種架構(gòu)的，如在文獻(xiàn)[27]中，邊緣服務(wù)器首先對提取的圖像數(shù)據(jù)進(jìn)行預(yù)處理，并將其轉(zhuǎn)換成基于文本的時間序列數(shù)據(jù)。一旦數(shù)據(jù)準(zhǔn)備好，它們就被傳送到長短期記憶人工神經(jīng)網(wǎng)絡(luò)。第二個組成部分，也是該方法的新穎之處，是通過粒子群優(yōu)化算法對長短期記憶人工神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整。端邊結(jié)構(gòu)如下所示：邊緣側(cè)端側(cè)邊緣側(cè)端側(cè)圖2端邊架構(gòu)圖基于這種架構(gòu)設(shè)計的框架有幾個好處。首先，該架構(gòu)需要更少的通信資源以及更少的云資源負(fù)擔(dān)。其次，如果被設(shè)計成獨立于云之外工作，技術(shù)甚至可以在完全沒有連接的情況下工作。第三，使用這種體系結(jié)構(gòu)，滿足實時要求是可能的。第四，當(dāng)邊緣側(cè)在本地處理數(shù)據(jù)時，它也滿足了安全性和隱私方面的考慮。但端邊架構(gòu)有一個致命的問題，在于在近設(shè)備側(cè)構(gòu)建一個邊緣側(cè)，提供的算力往往是有限的，同時，構(gòu)建的成本十分高，但卻只能針對于這一個工業(yè)現(xiàn)場，使得這種架構(gòu)的應(yīng)用十分受限。例如，構(gòu)建一個峰值性能為幾十億次的大規(guī)模高性能計算集群的初始成本是幾百萬美元123,而運營和維護(hù)這樣一個集群的成本每年可能超過一百萬美元。由于邊緣計算的提出，端邊云架構(gòu)自然得以提出。實際上，在工業(yè)物聯(lián)網(wǎng)的架構(gòu)設(shè)計中往往都設(shè)置了邊緣層，但是在針對于設(shè)備監(jiān)控運維的具體應(yīng)用場景中，實際系統(tǒng)設(shè)計了端邊云架構(gòu)并實施的案例較少。由于不同于兩側(cè)結(jié)構(gòu)，端邊云的三側(cè)結(jié)構(gòu)存在算力如何分布設(shè)置；云側(cè)，邊緣側(cè)分別獲取，存儲哪部分的數(shù)據(jù)等眾多問題，分歧大，不同情形下個性化程度也如今基于物聯(lián)網(wǎng)和工業(yè)人工智能的概念，很多企業(yè)都提出了自己的物聯(lián)網(wǎng)架構(gòu)，在云側(cè)放置了許多功能模塊，然而每個功能模塊適宜的架構(gòu)，實行方案，運用的技術(shù)都不盡相同。而往往他們對于具體功能模塊的實現(xiàn)是不展示給公眾的，而每個模塊的落實，研究才是真正能夠推動工業(yè)智能發(fā)展，將應(yīng)用與理論更好結(jié)合的關(guān)鍵。在學(xué)術(shù)研究方面，針對于設(shè)備監(jiān)控和運維的學(xué)術(shù)研究集中于具體算法的開發(fā)研究，而較少考慮整體架構(gòu)的部署。因此本文致力于就端邊云協(xié)同環(huán)境下的設(shè)備遠(yuǎn)程監(jiān)控與運維提出具體的架構(gòu)，方案設(shè)計。[1]WuD,GreerMJ,RosenDW,SchaeferD.Cloudmanufacturing:strategicvistate-of-the-art[J].ManufSyst2013;32(4):564-79.[2]WuD,RosenDW,WangL,SchaeferD.Cloud-bparadigmindigitalmanufacturinganddesigninnovation[J].ComputAidedDes2015;5[3]WuD,RosenDW,SchaeferD.[4]XuX.Fromcloudcomputingtocloudmanufacturing[J].RobComputIn2012;28(1):75-86.[5]WangL,T?rngrenM,OnoriMmanufacturing[J].ManufSyst2015;37(Part2):517-27.[6]LeeEA.Cyberphysicalsystems:designchallenges,proc.objecomputing(ISORC)[C].200811thIEEEInternationalSymposiu[7]李倩.工業(yè)互聯(lián)網(wǎng)平臺需要具備四個基本功能[J/OL].中自數(shù)字移動傳媒，2018,23(3);4[2000-01-18].[9]LeeJay,LiXiang,XindustrialAIandapplications[J].ActaAutomatica[10]HuynhKT,BarrosA,BerenguerC.Multi-Levemaintenanceofk-out-of-n:Fdeterioratingsystems[J].IEEETransactionsonReliabilit64(1):94-117.[11]RafieeK,FengQ,CoitDW.Condition-basedma2015,64(4):1164-1174.[12]JongeBD,TeunterR,TingaT.Theinfluenceofpracticalfactorsonthebecondition-basedmaintenanceovertime-basedmaintenance[J].ReliabilitySystemSafety,2017,158:2[13]WangH.Asurveyofmaintenancepoliciesofdeterioratingsystems[J]OperationalResearch,2002,139(3):469-489.EnterpriseInf.Syst.,vol.13,no.2,pp.148-169,Feb.2019.[15]Z.Wen,D.L.Quoc,P.Bhatotia,R.Chen,andM.Lee,ApproxloT:Approximaedgecomputing[C].Proc.IEEE38thInt.Conf.Distrib.Comput.Syst.(ICDCS),Jul.201monitoringsystem,[C].Proc.IEEE2ndInt.Conf.DataStreamM2018,pp.94-97.[17]J.Azar,A.Makhoul,M.Barhamgi,andR.Couturier,Anenergyefficientapproachforedgemachinelearning[J].FutureGener.ComJul.2019.[18]J.A.HealeyandR.W.Picard,Detectingstressphysiologicalsensors[J].IEEETrans.Intell.Transp.Syst.,vol.6,no.2,pp.156-166,Ju[19]H.Harb,C.A.Jaoude,andA.Makhoul,Anenergy-efficientdatapredictionandpapproachfortheInternetofThingsandsensivol.13,no.3,pp.780-795,2020.[20]BonomiF,MilitoR,ZhuJ,AddepalliSIn:Proc.ProceedingsofthefirsteditionoftheMCCworksho2017.p.13-6.[21]BonomiF,MilitoR,Natarajaanalytics,BigDataandInternetofT2014.p.169-86.things,Proc.FutureInternetofThingsandCloud(FiCIEEE2014:464-70.Proceedingsofthe2015WorkshoponMobileBigData.2017.p.[24]StojmenovicI.Fogcomputinmachine-to-machinenetworks[C].In:Proc.TelecommunicationNetwoConference(ATNAC).2014.p.117-22.thecloud[C].Proc.Security