張定波

（延安大學(xué)附屬醫(yī)院，陜西 延安 716000）

隨著新系統(tǒng)和新技術(shù)的不斷發(fā)展，機(jī)電系統(tǒng)逐步形成了一個(gè)具有廣泛專業(yè)覆蓋面和集成多種設(shè)備的綜合性系統(tǒng)。為了提高系統(tǒng)運(yùn)行的可靠性，崔朋強(qiáng)[1]通過(guò)建立化工機(jī)電設(shè)備振動(dòng)模型，對(duì)某地區(qū)化工機(jī)電設(shè)備的故障檢測(cè)進(jìn)行了研究，掌握設(shè)備在不同工況下的振動(dòng)頻率，通過(guò)對(duì)異常頻率的識(shí)別，實(shí)現(xiàn)對(duì)設(shè)備故障的檢測(cè)。研究發(fā)現(xiàn)，由于機(jī)電設(shè)備長(zhǎng)時(shí)間運(yùn)行、缺乏維護(hù)等，使其出現(xiàn)故障的概率增加，對(duì)工程整體造成經(jīng)濟(jì)損失。機(jī)電設(shè)備的故障診斷主要是從大量運(yùn)行數(shù)據(jù)中挖掘故障數(shù)據(jù)，為設(shè)備維修工作提供參考。因此，文章引進(jìn)邊緣智能技術(shù)對(duì)機(jī)電設(shè)備故障檢測(cè)進(jìn)行研究，利用無(wú)監(jiān)督學(xué)習(xí)思路降低故障檢測(cè)過(guò)程中對(duì)專家經(jīng)驗(yàn)的依賴，提高檢測(cè)結(jié)果精度與可靠度。

1 基于邊緣智能的機(jī)電設(shè)備故障檢測(cè)服務(wù)研究

1.1 機(jī)電設(shè)備故障檢測(cè)服務(wù)架構(gòu)設(shè)計(jì)

采用低功率窄帶物聯(lián)網(wǎng)技術(shù)，結(jié)合機(jī)電設(shè)備的智能化監(jiān)測(cè)技術(shù)，開(kāi)發(fā)一種終端設(shè)備和邊緣節(jié)點(diǎn)，以實(shí)現(xiàn)對(duì)機(jī)電設(shè)備的智能與非智能化的互聯(lián)與感知[2]。邊緣智能技術(shù)的應(yīng)用可以實(shí)現(xiàn)云中心計(jì)算與存儲(chǔ)能力的邊緣節(jié)點(diǎn)部署。

機(jī)電設(shè)備故障檢測(cè)共分為3個(gè)基本層次，分別為終端設(shè)備層、邊緣節(jié)點(diǎn)層和云中心計(jì)算層。終端設(shè)備與邊緣節(jié)點(diǎn)之間可以通過(guò)LoRa通信實(shí)現(xiàn)數(shù)據(jù)交互；邊緣節(jié)點(diǎn)與云中心計(jì)算可通過(guò)NB-IoT/Ethernet通信實(shí)現(xiàn)數(shù)據(jù)交互。為了實(shí)現(xiàn)對(duì)機(jī)電設(shè)備的實(shí)時(shí)監(jiān)測(cè)，需要在終端設(shè)備和機(jī)電設(shè)備之間建立連接[3]。

機(jī)電設(shè)備故障檢測(cè)服務(wù)架構(gòu)如圖1所示。

圖1 機(jī)電設(shè)備故障檢測(cè)服務(wù)架構(gòu)

在邊緣智能平臺(tái)的支撐條件下，終端設(shè)備負(fù)責(zé)感知機(jī)電設(shè)備數(shù)據(jù)，并通過(guò)LoRa網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)的傳送。邊緣節(jié)點(diǎn)是云中心數(shù)據(jù)中心的擴(kuò)展，具有計(jì)算、存儲(chǔ)、傳輸、處理、故障檢測(cè)等功能。在邊緣智能平臺(tái)的支撐下，邊緣節(jié)點(diǎn)可以利用LoRa網(wǎng)絡(luò)將多個(gè)終端設(shè)備連接起來(lái)，形成一個(gè)星形拓?fù)浣Y(jié)構(gòu)。同時(shí)，利用NB-IoT/Ethernet網(wǎng)絡(luò)和云端中心進(jìn)行數(shù)據(jù)通信[4]。邊緣節(jié)點(diǎn)通過(guò)協(xié)議分析終端設(shè)備所采集的機(jī)電設(shè)備數(shù)據(jù)，獲得機(jī)電設(shè)備的原始數(shù)據(jù)，并將其傳送到云中心。在邊緣節(jié)點(diǎn)上還可以構(gòu)建SOLite3數(shù)據(jù)庫(kù)，可以在15 d內(nèi)保存所獲取的機(jī)電設(shè)備的原始數(shù)據(jù)。將采集的電力電子設(shè)備實(shí)時(shí)數(shù)據(jù)進(jìn)行融合，通過(guò)數(shù)據(jù)處理，利用深度學(xué)習(xí)方法對(duì)電力系統(tǒng)進(jìn)行實(shí)時(shí)監(jiān)控。云中心計(jì)算層包含MongoDB集群、Kafka集群、Spark集群，能夠?qū)C(jī)電設(shè)備進(jìn)行數(shù)據(jù)訪問(wèn)、數(shù)據(jù)存儲(chǔ)等。邊緣中心層將機(jī)電裝置數(shù)據(jù)上傳到云中心Kafka集群，流式數(shù)據(jù)處理框架“數(shù)據(jù)流”，從報(bào)文隊(duì)列Kaka讀取并寫到非關(guān)聯(lián)數(shù)據(jù)庫(kù)MongoDB中。

為了改善LoRa網(wǎng)絡(luò)的信道吞吐能力，文章提出了一種自適應(yīng)LoRa速率的自適應(yīng)傳輸模式，可以實(shí)現(xiàn)對(duì)數(shù)據(jù)傳輸速率的自動(dòng)分配和調(diào)節(jié)，減少在電子設(shè)備數(shù)據(jù)傳輸中的丟失率。此外，該終端裝置從邊緣節(jié)點(diǎn)接收和執(zhí)行控制指令，實(shí)現(xiàn)對(duì)其所屬的機(jī)電裝置的實(shí)時(shí)控制。

1.2 機(jī)電設(shè)備故障檢測(cè)服務(wù)流程

（1）機(jī)電設(shè)備運(yùn)行數(shù)據(jù)分析。傳感器對(duì)機(jī)電設(shè)備的工作狀態(tài)進(jìn)行時(shí)間序列的測(cè)量，并對(duì)其進(jìn)行分析，找到具體的數(shù)據(jù)規(guī)則，發(fā)掘其潛在的價(jià)值。

（2）篩選機(jī)電設(shè)備數(shù)據(jù)特征。機(jī)電設(shè)備的數(shù)據(jù)具有多維特性，通過(guò)特征篩選可以將與機(jī)械設(shè)備故障關(guān)聯(lián)的維數(shù)進(jìn)行分類并剔除，減少機(jī)械設(shè)備故障診斷的計(jì)算量。

（3）處理機(jī)電設(shè)備數(shù)據(jù)。機(jī)電裝置數(shù)據(jù)中既有冗余數(shù)據(jù)、缺失數(shù)據(jù)、故障數(shù)據(jù)和正常數(shù)據(jù)，又有機(jī)械設(shè)備數(shù)據(jù)處理過(guò)程中冗余數(shù)據(jù)的刪除、缺失數(shù)據(jù)的填補(bǔ)和數(shù)據(jù)規(guī)范化。

（4）VAE-GRU檢測(cè)算法設(shè)計(jì)。結(jié)合機(jī)電設(shè)備運(yùn)行特征，設(shè)計(jì)適用于對(duì)其檢測(cè)的無(wú)監(jiān)督故障檢測(cè)算法。

（5）故障檢測(cè)服務(wù)任務(wù)分割。融合邊緣計(jì)算與VAE-GRU，將故障檢測(cè)服務(wù)任務(wù)劃分為多個(gè)部分。

（6）基于邊緣的故障檢測(cè)。在云中心進(jìn)行模型訓(xùn)練，將模型文件下發(fā)到邊緣節(jié)點(diǎn)，在靠近數(shù)據(jù)源頭位置對(duì)設(shè)備數(shù)據(jù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)。

1.3 機(jī)電設(shè)備數(shù)據(jù)通信

機(jī)電設(shè)備數(shù)據(jù)通信結(jié)構(gòu)如圖2所示。

圖2 機(jī)電設(shè)備數(shù)據(jù)通信結(jié)構(gòu)

部分機(jī)電設(shè)備所處地理環(huán)境相對(duì)偏遠(yuǎn)，為確保終端設(shè)備采集的機(jī)電設(shè)備信息數(shù)據(jù)可以實(shí)時(shí)傳輸，對(duì)機(jī)電設(shè)備的數(shù)據(jù)通信方式進(jìn)行設(shè)計(jì)[5]。構(gòu)建一個(gè)應(yīng)用于低功耗、遠(yuǎn)距離場(chǎng)景的LPWAN，將終端設(shè)備、邊緣節(jié)點(diǎn)和云中心計(jì)算連接到一個(gè)傳輸網(wǎng)絡(luò)環(huán)境中?；诮K端設(shè)備與邊緣節(jié)點(diǎn)的相對(duì)距離，采用速率自適應(yīng)的傳輸模式，為終端設(shè)備配置適當(dāng)?shù)臄U(kuò)展系數(shù)，通過(guò)分析擴(kuò)展系數(shù)對(duì)子路擁塞的影響，合理調(diào)整終端設(shè)備的數(shù)據(jù)傳輸率[6]。終端設(shè)備和邊緣節(jié)點(diǎn)之間的數(shù)據(jù)傳送流程如圖3所示。

圖3 終端設(shè)備和邊緣節(jié)點(diǎn)之間的數(shù)據(jù)傳送流程

數(shù)據(jù)傳送過(guò)程需要對(duì)上行與下行數(shù)據(jù)的均值進(jìn)行計(jì)算，得出期望接收信號(hào)強(qiáng)度和期望信噪比。

數(shù)據(jù)傳輸時(shí)期望的傳輸速率為：

式中：DRC——數(shù)據(jù)傳輸時(shí)期望的傳輸速率；SF——通信子通道；BW——信號(hào)的帶寬；CR——編碼率。

針對(duì)終端設(shè)備的實(shí)際數(shù)據(jù)交互，設(shè)計(jì)綠色的子通道，將綠色子通道的SF值設(shè)為12。綠色子通道是一種特殊的信道，具有較少的數(shù)據(jù)傳送能力、信道擁擠率和快速的數(shù)據(jù)傳送速度，可以有效防止突發(fā)事件中的信道擁塞情況發(fā)生[7]。終端裝置或邊緣節(jié)點(diǎn)依據(jù)報(bào)文指令類型判定數(shù)據(jù)是否為應(yīng)急數(shù)據(jù)，如果發(fā)生緊急情況，由綠色通道進(jìn)行應(yīng)急數(shù)據(jù)傳送；反之，預(yù)定DR速率進(jìn)行數(shù)據(jù)傳送。數(shù)據(jù)傳輸后，如果沒(méi)有收到來(lái)自邊緣節(jié)點(diǎn)的ACK，認(rèn)為丟失。

1.4 基于邊緣智能的邊緣設(shè)備接入與數(shù)據(jù)交互

基于邊緣智能的機(jī)電設(shè)備故障檢測(cè)服務(wù)，通過(guò)網(wǎng)絡(luò)對(duì)邊緣終端、邊緣節(jié)點(diǎn)和云計(jì)算進(jìn)行連接。終端設(shè)備啟動(dòng)并進(jìn)行初始化，找到LoRa網(wǎng)絡(luò)，與邊緣節(jié)點(diǎn)建立連接，終端設(shè)備通過(guò)傳感器獲取機(jī)電設(shè)備的信息，將其上傳到邊緣節(jié)點(diǎn)，同時(shí)對(duì)邊緣節(jié)點(diǎn)發(fā)出的指令和遠(yuǎn)程數(shù)據(jù)進(jìn)行監(jiān)聽(tīng)[8]。邊緣節(jié)點(diǎn)負(fù)責(zé)對(duì)邊緣端進(jìn)行維護(hù)與管理，通過(guò)定時(shí)同步、會(huì)話密鑰的更新，由邊緣節(jié)點(diǎn)將采集到的機(jī)電設(shè)備數(shù)據(jù)上傳到云中心，并接收來(lái)自云端的數(shù)據(jù)和指令。邊緣節(jié)點(diǎn)根據(jù)時(shí)間差對(duì)時(shí)鐘進(jìn)行校準(zhǔn)，確保邊緣設(shè)備接入與數(shù)據(jù)交互精度。

式中：D1——報(bào)文往返時(shí)延；T1——邊緣節(jié)點(diǎn)的發(fā)送時(shí)間；T2——服務(wù)器的接收時(shí)間；T3——服務(wù)器的發(fā)送時(shí)間；T4——服務(wù)器的響應(yīng)報(bào)文時(shí)間；D2——服務(wù)器與邊緣節(jié)點(diǎn)之間的時(shí)間差。

2 試驗(yàn)

2.1 機(jī)電設(shè)備故障數(shù)據(jù)采集與預(yù)處理

機(jī)電設(shè)備長(zhǎng)期使用會(huì)導(dǎo)致部分部件出現(xiàn)過(guò)載現(xiàn)象，甚至部分構(gòu)件逐漸退化，失去工作能力，使機(jī)電設(shè)備的電機(jī)運(yùn)行出現(xiàn)異常狀況，包括設(shè)備的電壓電流出現(xiàn)偏高或者偏低等。因此，在進(jìn)行測(cè)試前，需要對(duì)采集的機(jī)電設(shè)備故障進(jìn)行預(yù)處理與分析。

機(jī)電設(shè)備運(yùn)行故障數(shù)據(jù)集合如表1所示。

表1 機(jī)電設(shè)備運(yùn)行故障數(shù)據(jù)集合

機(jī)電設(shè)備運(yùn)行中不同類型數(shù)據(jù)區(qū)分如圖4所示。

圖4 機(jī)電設(shè)備運(yùn)行數(shù)據(jù)中不同類型數(shù)據(jù)區(qū)分

在機(jī)電設(shè)備運(yùn)行數(shù)據(jù)采集中，由于外部環(huán)境因素的影響，傳感器采集的電子儀器的數(shù)據(jù)中含有較多的噪聲。噪聲是在一定時(shí)間內(nèi)，某一特定數(shù)值會(huì)有較小的變化，但噪聲干擾產(chǎn)生的最大值數(shù)據(jù)或最小值數(shù)據(jù)不屬于錯(cuò)誤數(shù)據(jù)。在故障診斷模型的訓(xùn)練與推理過(guò)程中，大量的噪聲會(huì)使故障診斷的準(zhǔn)確性受到影響。

因此，為降低噪聲對(duì)結(jié)果的干擾，需要對(duì)機(jī)電設(shè)備運(yùn)行中不同類型數(shù)據(jù)進(jìn)行分類處理。根據(jù)試驗(yàn)需求，刪除冗余數(shù)據(jù)，補(bǔ)充缺失數(shù)據(jù)，提取故障數(shù)據(jù)將其作為試驗(yàn)樣本數(shù)據(jù)。

2.2 搭建故障檢測(cè)服務(wù)實(shí)驗(yàn)環(huán)境

構(gòu)建的實(shí)驗(yàn)環(huán)境以高性能GPU為基礎(chǔ)，采用Pycharm集成開(kāi)發(fā)環(huán)境和Tensorflow深度學(xué)習(xí)系統(tǒng)，利用Python語(yǔ)言對(duì)機(jī)電設(shè)備進(jìn)行故障檢測(cè)。

故障檢測(cè)實(shí)驗(yàn)環(huán)境如表2所示。

表2 故障檢測(cè)實(shí)驗(yàn)環(huán)境

2.3 故障檢測(cè)精準(zhǔn)率計(jì)算

設(shè)定機(jī)電設(shè)備故障檢測(cè)精準(zhǔn)率為P1。

式中：P1——機(jī)電設(shè)備故障檢測(cè)精準(zhǔn)率；TP——故障數(shù)據(jù)樣本條數(shù)；FP——非故障數(shù)據(jù)樣本條數(shù)；TP+FP——試驗(yàn)數(shù)據(jù)總條數(shù)。

機(jī)電設(shè)備故障檢測(cè)精準(zhǔn)率如表3所示。

表3 機(jī)電設(shè)備故障檢測(cè)精準(zhǔn)率單位：%

文章的設(shè)計(jì)方法在進(jìn)行機(jī)電設(shè)備故障檢測(cè)時(shí)，與在線檢測(cè)[1]、智能化檢測(cè)[2]、人機(jī)交互檢測(cè)[3]方法相比，可以將檢測(cè)精準(zhǔn)率控制在95%以上，說(shuō)明該故障檢測(cè)方法可以提高故障檢測(cè)結(jié)果的準(zhǔn)確率。

3 結(jié)語(yǔ)

為了解決LoRa無(wú)線通信中的擁塞問(wèn)題，提高網(wǎng)絡(luò)的吞吐量，文章提出基于LoRa的多擴(kuò)展系數(shù)的速率自適應(yīng)傳輸模式，可以減少數(shù)據(jù)的丟失，以此設(shè)計(jì)了一種機(jī)電設(shè)備故障檢測(cè)方法，在進(jìn)行機(jī)電設(shè)備故障檢測(cè)時(shí)，可以將檢測(cè)精準(zhǔn)率控制在95%以上，可以提高故障檢測(cè)結(jié)果的準(zhǔn)確率，實(shí)現(xiàn)對(duì)機(jī)電設(shè)備故障的精準(zhǔn)排查，保障機(jī)電設(shè)備運(yùn)行的高可靠性。