基于边缘智能的机电设备故障检测服务研究

张定波

（延安大学附属医院，陕西 延安 716000）

随着新系统和新技术的不断发展，机电系统逐步形成了一个具有广泛专业覆盖面和集成多种设备的综合性系统。为了提高系统运行的可靠性，崔朋强[1]通过建立化工机电设备振动模型，对某地区化工机电设备的故障检测进行了研究，掌握设备在不同工况下的振动频率，通过对异常频率的识别，实现对设备故障的检测。研究发现，由于机电设备长时间运行、缺乏维护等，使其出现故障的概率增加，对工程整体造成经济损失。机电设备的故障诊断主要是从大量运行数据中挖掘故障数据，为设备维修工作提供参考。因此，文章引进边缘智能技术对机电设备故障检测进行研究，利用无监督学习思路降低故障检测过程中对专家经验的依赖，提高检测结果精度与可靠度。

1 基于边缘智能的机电设备故障检测服务研究

1.1 机电设备故障检测服务架构设计

采用低功率窄带物联网技术，结合机电设备的智能化监测技术，开发一种终端设备和边缘节点，以实现对机电设备的智能与非智能化的互联与感知[2]。边缘智能技术的应用可以实现云中心计算与存储能力的边缘节点部署。

机电设备故障检测共分为3个基本层次，分别为终端设备层、边缘节点层和云中心计算层。终端设备与边缘节点之间可以通过LoRa通信实现数据交互；边缘节点与云中心计算可通过NB-IoT/Ethernet通信实现数据交互。为了实现对机电设备的实时监测，需要在终端设备和机电设备之间建立连接[3]。

机电设备故障检测服务架构如图1所示。

图1 机电设备故障检测服务架构

在边缘智能平台的支撑条件下，终端设备负责感知机电设备数据，并通过LoRa网络进行数据的传送。边缘节点是云中心数据中心的扩展，具有计算、存储、传输、处理、故障检测等功能。在边缘智能平台的支撑下，边缘节点可以利用LoRa网络将多个终端设备连接起来，形成一个星形拓扑结构。同时，利用NB-IoT/Ethernet网络和云端中心进行数据通信[4]。边缘节点通过协议分析终端设备所采集的机电设备数据，获得机电设备的原始数据，并将其传送到云中心。在边缘节点上还可以构建SOLite3数据库，可以在15 d内保存所获取的机电设备的原始数据。将采集的电力电子设备实时数据进行融合，通过数据处理，利用深度学习方法对电力系统进行实时监控。云中心计算层包含MongoDB集群、Kafka集群、Spark集群，能够对机电设备进行数据访问、数据存储等。边缘中心层将机电装置数据上传到云中心Kafka集群，流式数据处理框架“数据流”，从报文队列Kaka读取并写到非关联数据库MongoDB中。

为了改善LoRa网络的信道吞吐能力，文章提出了一种自适应LoRa速率的自适应传输模式，可以实现对数据传输速率的自动分配和调节，减少在电子设备数据传输中的丢失率。此外，该终端装置从边缘节点接收和执行控制指令，实现对其所属的机电装置的实时控制。

1.2 机电设备故障检测服务流程

（1）机电设备运行数据分析。传感器对机电设备的工作状态进行时间序列的测量，并对其进行分析，找到具体的数据规则，发掘其潜在的价值。

（2）筛选机电设备数据特征。机电设备的数据具有多维特性，通过特征筛选可以将与机械设备故障关联的维数进行分类并剔除，减少机械设备故障诊断的计算量。

（3）处理机电设备数据。机电装置数据中既有冗余数据、缺失数据、故障数据和正常数据，又有机械设备数据处理过程中冗余数据的删除、缺失数据的填补和数据规范化。

（4）VAE-GRU检测算法设计。结合机电设备运行特征，设计适用于对其检测的无监督故障检测算法。

（5）故障检测服务任务分割。融合边缘计算与VAE-GRU，将故障检测服务任务划分为多个部分。

（6）基于边缘的故障检测。在云中心进行模型训练，将模型文件下发到边缘节点，在靠近数据源头位置对设备数据进行实时监测。

1.3 机电设备数据通信

机电设备数据通信结构如图2所示。

图2 机电设备数据通信结构

部分机电设备所处地理环境相对偏远，为确保终端设备采集的机电设备信息数据可以实时传输，对机电设备的数据通信方式进行设计[5]。构建一个应用于低功耗、远距离场景的LPWAN，将终端设备、边缘节点和云中心计算连接到一个传输网络环境中。基于终端设备与边缘节点的相对距离，采用速率自适应的传输模式，为终端设备配置适当的扩展系数，通过分析扩展系数对子路拥塞的影响，合理调整终端设备的数据传输率[6]。终端设备和边缘节点之间的数据传送流程如图3所示。

图3 终端设备和边缘节点之间的数据传送流程

数据传送过程需要对上行与下行数据的均值进行计算，得出期望接收信号强度和期望信噪比。

数据传输时期望的传输速率为：

式中：DRC——数据传输时期望的传输速率；SF——通信子通道；BW——信号的带宽；CR——编码率。

针对终端设备的实际数据交互，设计绿色的子通道，将绿色子通道的SF值设为12。绿色子通道是一种特殊的信道，具有较少的数据传送能力、信道拥挤率和快速的数据传送速度，可以有效防止突发事件中的信道拥塞情况发生[7]。终端装置或边缘节点依据报文指令类型判定数据是否为应急数据，如果发生紧急情况，由绿色通道进行应急数据传送；反之，预定DR速率进行数据传送。数据传输后，如果没有收到来自边缘节点的ACK，认为丢失。

1.4 基于边缘智能的边缘设备接入与数据交互

基于边缘智能的机电设备故障检测服务，通过网络对边缘终端、边缘节点和云计算进行连接。终端设备启动并进行初始化，找到LoRa网络，与边缘节点建立连接，终端设备通过传感器获取机电设备的信息，将其上传到边缘节点，同时对边缘节点发出的指令和远程数据进行监听[8]。边缘节点负责对边缘端进行维护与管理，通过定时同步、会话密钥的更新，由边缘节点将采集到的机电设备数据上传到云中心，并接收来自云端的数据和指令。边缘节点根据时间差对时钟进行校准，确保边缘设备接入与数据交互精度。

式中：D1——报文往返时延；T1——边缘节点的发送时间；T2——服务器的接收时间；T3——服务器的发送时间；T4——服务器的响应报文时间；D2——服务器与边缘节点之间的时间差。

2 试验

2.1 机电设备故障数据采集与预处理

机电设备长期使用会导致部分部件出现过载现象，甚至部分构件逐渐退化，失去工作能力，使机电设备的电机运行出现异常状况，包括设备的电压电流出现偏高或者偏低等。因此，在进行测试前，需要对采集的机电设备故障进行预处理与分析。

机电设备运行故障数据集合如表1所示。

表1 机电设备运行故障数据集合

机电设备运行中不同类型数据区分如图4所示。

图4 机电设备运行数据中不同类型数据区分

在机电设备运行数据采集中，由于外部环境因素的影响，传感器采集的电子仪器的数据中含有较多的噪声。噪声是在一定时间内，某一特定数值会有较小的变化，但噪声干扰产生的最大值数据或最小值数据不属于错误数据。在故障诊断模型的训练与推理过程中，大量的噪声会使故障诊断的准确性受到影响。

因此，为降低噪声对结果的干扰，需要对机电设备运行中不同类型数据进行分类处理。根据试验需求，删除冗余数据，补充缺失数据，提取故障数据将其作为试验样本数据。

2.2 搭建故障检测服务实验环境

构建的实验环境以高性能GPU为基础，采用Pycharm集成开发环境和Tensorflow深度学习系统，利用Python语言对机电设备进行故障检测。

故障检测实验环境如表2所示。

表2 故障检测实验环境

2.3 故障检测精准率计算

设定机电设备故障检测精准率为P1。

式中：P1——机电设备故障检测精准率；TP——故障数据样本条数；FP——非故障数据样本条数；TP+FP——试验数据总条数。

机电设备故障检测精准率如表3所示。

表3 机电设备故障检测精准率单位：%

文章的设计方法在进行机电设备故障检测时，与在线检测[1]、智能化检测[2]、人机交互检测[3]方法相比，可以将检测精准率控制在95%以上，说明该故障检测方法可以提高故障检测结果的准确率。

3 结语

为了解决LoRa无线通信中的拥塞问题，提高网络的吞吐量，文章提出基于LoRa的多扩展系数的速率自适应传输模式，可以减少数据的丢失，以此设计了一种机电设备故障检测方法，在进行机电设备故障检测时，可以将检测精准率控制在95%以上，可以提高故障检测结果的准确率，实现对机电设备故障的精准排查，保障机电设备运行的高可靠性。