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;邊緣計算;人工智能

中圖分類號：TP18? ? ? ? ? ? ? ? ?文獻標(biāo)識碼：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)與先進制造技術(shù)深度融合，貫穿于設(shè)計、生產(chǎn)、管理、服務(wù)等制造活動的各個環(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)。

邊緣計算的到來使工業(yè)制造正在經(jīng)歷另一個歷史性的飛躍。全球工業(yè)4.0的進度不斷推進，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，企業(yè)邊緣云也為集中式云計算打開了分布式協(xié)作的大門。Gartner預(yù)計，到2022年75%的企業(yè)生成的數(shù)據(jù)將在邊緣位置進行存儲和分析處理[2]。

大量的傳感儀器產(chǎn)生海量的數(shù)據(jù)實時與云中心進行數(shù)據(jù)交互，造成云計算數(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)時延往往不能應(yīng)對工業(yè)實時操作，不能及時地獲取數(shù)據(jù)異常時處理信息。為了解決這一問題，使用邊緣計算代替云計算環(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)計算資源的限制也在不斷被突破上限，未來邊緣計算與人工智能的結(jié)合會更加密切。

本文結(jié)合工業(yè)大數(shù)據(jù)、邊緣計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)備的使用過程中會出現(xiàn)不同程度的故障，監(jiān)測儀器產(chǎn)生的數(shù)值會直觀地顯示檢測設(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，每個設(shè)備上的儀器數(shù)量以及種類都不一致。在進行制造活動時，海量數(shù)據(jù)的全面感知、并發(fā)處理以及存儲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，邊緣層需要及時判斷并做出應(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)損毀對整個流程產(chǎn)生嚴(yán)重后果有著重要意義。

邊緣智能是邊緣計算與人工智能的結(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，計算資源受限問題一直是國內(nèi)外關(guān)注的一個挑戰(zhàn)，而智能算法計算形式復(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)備更好地進行智能計算任務(wù)，需要分析與評估智能算法部署在邊緣節(jié)點上的計算效率以及設(shè)計計算資源分配的方案。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)備在測試以及實際工作過程中，設(shè)備的運轉(zhuǎn)狀態(tài)需要時刻掌握。為了減少由于運轉(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)備運轉(zhuǎn)狀態(tài)流程中的易損壞的關(guān)鍵位置的各項數(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，以此動態(tài)監(jiān)測設(shè)備的運行狀態(tài)。

在大規(guī)模機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延不同。這時邊緣計算的主要作用體現(xiàn)在通過將機器類通信終端的高能耗計算任務(wù)卸載到邊緣平臺各級網(wǎng)絡(luò)中，降低終端的計算成本和能耗，同時在網(wǎng)絡(luò)中更靠近數(shù)據(jù)源頭，網(wǎng)絡(luò)時延帶來的影響被減少。同時對于大規(guī)模終端場景下大連接數(shù)目，則主要利用邊緣計算平臺的計算以及存儲能力實現(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)低時延的計算任務(wù)處理，以支持云端應(yīng)對較大計算任務(wù)的處理。云計算作為協(xié)同方案中的“大腦”，需要通過強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)進行操作控制。

在工業(yè)設(shè)備運行期間，產(chǎn)生的任務(wù)根據(jù)分類不同將交付給不同資源的計算設(shè)備處理。例如風(fēng)機故障診斷場景下，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)中可以進行。分配決策主要基于可分配的資源、計算和回傳時間的長短以及完成計算任務(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)過程中收集和存儲的數(shù)據(jù)放在邊緣計算和云計算平臺上，可以通過人工智能的機器學(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，是實現(xiàn)自動化制造的基礎(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)到云計算中心不同網(wǎng)絡(luò)的層次，部署的邊緣計算服務(wù)模式可以充分發(fā)揮其實時本地計算的特點以及保證數(shù)據(jù)安全的優(yōu)勢。

云邊協(xié)同的架構(gòu)要求IaaS層提供計算、存儲、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)點在收集數(shù)據(jù)的同時還需要按照云端下發(fā)的模型對數(shù)據(jù)進行簡單的處理，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)對模型進行訓(xùn)練，再將新訓(xùn)練的模型下發(fā)給邊緣計算節(jié)點。而在SaaS層則是按照規(guī)則實現(xiàn)云與邊緣節(jié)點分布式服務(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)收集點分析數(shù)據(jù)的能力，而不是將其發(fā)送到云進行分析的能力[3] 。Hyuk-Jin Jeong等人提出了從移動設(shè)備到邊緣服務(wù)器的神經(jīng)網(wǎng)絡(luò)計算的增量卸載方法，基于分區(qū)用于邊緣計算的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等人提出了一種運行時自適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)針對（CNN）加速框架進行了優(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)卷積層并動態(tài)選擇最佳度根據(jù)計算資源的可用性，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邊緣計算作為鄰近移動終端的局部云平臺部署方案，以移動互聯(lián)網(wǎng)通信基站作為云服務(wù)節(jié)點，在互聯(lián)網(wǎng)拓撲結(jié)構(gòu)中距離移動終端更近，能夠增強未來智能互聯(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)籌計算資源、對計算任務(wù)進行劃分，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)備合理的運行，降低時延與能耗的影響，需要在云端進行模型的壓縮或切割工作。在邊緣側(cè)需要根據(jù)不同的計算節(jié)點的算力，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間點，以此衍生出的一種計算卸載的形式。邊緣計算卸載場景類似于動態(tài)切割應(yīng)用功能適配計算資源環(huán)境，引用至邊緣智能場景下需要對模型進行縮放、切割模塊等方式適配各級網(wǎng)絡(luò)資源環(huán)境。

秦志威等人提出實時調(diào)度算法EAWSA，該算法針對端邊云協(xié)同環(huán)境工作流特性進行子任務(wù)優(yōu)先級劃分，利用改進粒子群算法找到一個最優(yōu)的資源調(diào)度方案，根據(jù)終端移動軌跡，篩選出可遷移資源，并為每個任務(wù)動態(tài)選擇最優(yōu)遷移決策[7]。蔡振啟等人提出一種部分計算卸載策略，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行求解[8]。何峰等人提出了基于邊緣計算的配電自動化架構(gòu)和數(shù)據(jù)協(xié)同機制，并進一步設(shè)計了自治自愈的智能分布式饋線自動化軟硬件結(jié)構(gòu)[9]。

3? 結(jié)? 論

本文從邊緣計算與人工智能結(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，邊緣計算有著不斷成長的可能。隨著物聯(lián)網(wǎng)技術(shù)、5G、邊緣計算在業(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步，邊緣智能也會是工業(yè)大數(shù)據(jù)的一個重要研究方向。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，邊緣智能的進步也會給生產(chǎn)制造行業(yè)帶來巨大的收益。

參考文獻：

[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.移動邊緣計算系統(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時調(diào)度策略 [J].計算機集成制造系統(tǒng).

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

[9] 何峰，王巍俊，魏光明.基于邊緣計算的智能分布式饋線自動化系統(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)。