基于边缘计算的预测性维护系统在铝加工行业的探索与实践

刘吉洲

（广西华昇新材料有限公司，广西防城港 538000）

随着工业技术的不断发展和创新，制造业正逐渐迈入智能化和数字化时代。铝加工行业在生产过程中面临着设备故障、能耗管理及提升生产效率等多重挑战。传统的维护方式通常是基于固定的维护计划，难以适应设备状态的动态调整与变化，导致生产效率低下，维护成本过高。而基于边缘计算的预测性维护系统，则为解决这些问题提供了全新的思路和技术支持。近些年，边缘计算已陆续在不同工业领域实施落地，如基于铝加工企业原有的数据平台，形成计算能力更强的边缘云，开发多样化的边缘应用，将其作为云计算的补充。通过实时采集、处理和分析设备数据，结合先进的机器学习算法，预测性维护系统能够更准确地预测设备的健康状态，及时发现潜在问题，并为维护人员提供精准的维护建议，从而最大程度减少生产中断，降低维护成本，提高生产效率。

1 边缘计算赋能预测性维护系统架构

预测性维护是工业大数据和人工智能结合落地的重要应用模式，是推动传统制造业向智能化发展的重要转变。预测性维护在边缘端的主要需求有功耗控制、终端管理、云边协同、工业安全防护等。

边缘计算在此架构中赋能了实时数据采集和处理，允许系统更及时地监测设备状态、预测潜在故障，并生成维护建议。这种架构通常还包括云端组件，用于存储历史数据、远程监控和管理。

边缘计算赋能预测性维护系统架构，由边缘网关承担更多工作，在云端，设备信息管理功能的主要任务是对接入的设备进行有效管理。终端状态的维护仅限于提供视觉呈现功能。故障诊断结合专家系统的复合诊断，显著提升了诊断效率。安全加密是边缘网关承担的重要功能，并负责保证从边缘网关到云端的数据安全，典型系统架构，如图1所示。

图1 典型边缘计算赋能预测性维护系统架构

2 关键技术

2.1 边缘网关堆栈

边缘网关堆栈是指构建边缘网关所需的软件和硬件组件的堆叠。其连接了物联网设备和云端系统，使得预测性维护系统能够实现实时监测和响应。堆栈设计向下能够兼容各物联网终端，支持ARM 与x86系统，并配备了多种通信接口，确保与各种设备的兼容性。

2.2 边云协同及边边协同

基于边缘计算的预测性维护系统的重要特征在于充分利用边缘设备的计算能力，将一部分工作从云端转移到边缘，同时确保边缘与云端间的有效合作，以避免不必要的数据传输路径，从而显著提高了生产效率。其中，实现数据互联互通是最大难点之一，通常，数据的互联互通依赖于通信设施的建设、统一的数据互联互通标准和标识体系及OPCUA 等关键支撑技术。

2.3 边缘安全

边缘计算环境包括物联网设备、边缘网关和其他分布在网络边缘的计算资源。由于边缘计算涉及物理设备和网络，因此其面临一些特定的安全挑战和考虑因素。随着区块链技术的发展，边缘安全迎来了全新的解决思路。区块链是一种分布式账本数据库，其去中心化的特性使得数据安全性大幅提升，因为数据存储在多个节点上，没有单一攻击入口。将这些设备改造成区块链的记账节点，通过智能化改造和增加闪存等方式，将它们纳入区块链系统。这将导致系统规模的急剧扩大，但也为数据的多方交互提供了坚实的基础，从而显著增强了边缘安全性。

3 铝型材加工设备常见故障诊断

挤压机是用于生产各种形状的铝型材的设备。在挤压过程中，可能会出现一些故障导致设备停顿、生产瘫痪。目前大多数铝型材制造企业，针对关键设备的故障，采取的都是以事后诊断维修为主的被动式维修方式，但从长期实践来看，该种诊断方式难以满足设备智能保障和维修优化的现实需求。

目前，应用较多的智能故障诊断方法有基于信号的故障诊断和基于模型的故障诊断。基于信号的故障诊断及运维方式，需要额外在设备关键零部件上加装大量传感器，获取如振动等信号，这不仅增加了运维的成本，也给生产现场管理带来了挑战；基于模型的故障诊断方法也存在一定弊端，这主要是因为挤压机设备结构复杂、系统间相互影响，很难精确构建设备模型，实际应用效果并不理想。基于边缘计算的预测性维护系统具有更好的响应速度、更高的实时性、更低的成本以及更好的适应性和安全性，适用于多种应用场景。

4 基于边缘计算的铝型材加工设备预测性维护系统总体设计

4.1 需求分析

4.1.1 系统目标

为解决上述问题，文章提出一种基于数据驱动的挤压机设备预测性维护系统，针对挤压机设备运行状态进行深入分析，确定挤压机的主要故障类别和影响因素。根据挤压机异常原因分析，提取对故障变化敏感的特征参数，设计数据采集模块进行特征参数采集。在此基础上构建故障数据集和智能故障预测模型，并以各类故障统计数据为驱动进行模型训练，进一步完善模型。通过对挤压机设备进行实时监测，提前预警具体故障，最终实现基于数据驱动的挤压机智能故障运维新模式。

4.1.2 功能需求

（1）数据获取。数据采集是前提，高质量的数据源是重要基础。当成功采集到了挤压机设备的运行状态数据，接下来的关键是确保将这些数据从传感器准确、及时地传输到边缘设备，以进行后续的数据处理工作。

（2）数据处理。对原始数据进行优化与变化，再将预处理后的图像作为输入，进行故障预测及诊断等工作。

（3）数据上云。将数据上传至云端是边缘计算和云计算间相互协作的关键步骤，以实现它们的协同优势并发挥最大效益。

4.2 总体架构设计

基于边缘计算的铝型材设备预测性维护系统划分为4 层：数据感知层、基于OPCUA 的网络通信层、数据处理层、系统应用层，整体框架如图2所示。

图2 基于边缘计算铝型材加工挤压设备预测性维护系统框架

4.2.1 数据感知层

数据感知层是整个边缘计算系统框架的最底层，铝型材加工设备常见的状态特性指标包括电流、电压、功率、温度、振动等指标。文章所涉及的基于边缘计算铝型材加工挤压设备预测性维护系统通过传感器采集设备在运行过程中产生的各类信号，一旦发生问题需维护时，信号特征会发生改变，差异明显的特征曲线为技术人员提供了便利，并基于此进行后续的故障预测及诊断等研究。

4.2.2 基于OPCUA的网络通信层

网络层肩负着承上启下的重要使命，向下联通机械设备，向上连接数据处理层，数据在其层内是双向流通的，若指示灯亮、发生警报，警报器响起，紧急停机指令通过网络通信层传回工业现场。

硬件系统采用的是安徽容知日新嵌入式设备，作为完成云下沉的计算、存储、分析等功能设备，采用RH2000智能网关来进行网络连接与协议转换；软件系统层面，OPCUA 协议代表了OPC 基金会对原有OPC协议的升级和优化，其构建了一个通信统一架构，旨在很好地满足基于边缘计算的铝型材加工挤压设备预测性维护系统的实际需求。OPCUA 具体优势为：①统一性。通用接口集成了所有OPC 的特征和信息，如DA、HAD 等，接口更加统一，使用便捷。②兼容性。能够同时兼容各类操作系统，具备一致简单的接口和操作方式，这使得配置和使用变得更加简便，优化了用户体验。③安全性。协议与应用层全部都集成了更强大的安全措施。

本系统采用客户端—服务器模式（C-S 模式），在这种模式下，客户端具备从服务器读取所需数据的能力，同时也能将数据写入服务器，实现双向数据传输的功能。

4.2.3 数据处理层

数据处理层位于边缘端，集成了可用的计算和存储资源，并承担了运行核心算法、进行数据预处理及执行复杂数据分析操作的重要任务。将数据处理分析过程下迁到用户边缘端，直接在源头对数据加工并及时对设备进行反馈，节省了数据传输时间，降低了云中心压力，减少边缘计算资源的浪费。

4.2.4 系统应用层

系统应用可将经过边缘计算处理的数据上传至云端，以便进行进一步的数据挖掘和备份等操作。其还具备在本地展示数据、触发警报以及向技术人员发送提示信息等功能。文章针对基于边缘计算的铝型材加工设备挤压机预测维护系统进行以下几个方面的应用。

（1）故障预警。根据挤压机设备特征参数，如压力、温度、流量、挤压速度、油箱油位等特征参数，通过传感数据进行实时分类，若发现异常，则提前发出异常警报，提醒技术人员对设备进行处理。

（2）故障诊断。设备每个部位发生损坏都会使得参数发生异常，可以根据采集到不同数据特征将故障位置进行具体定位，在数据中心找到相对应的故障数据；按照挤压机的故障分类，从挤压机故障历史数据中搜集每种类别故障的数据。

（3）维修决策。维修决策层依据上述故障诊断的结果，为维修人员提供规范且切实可行的维修建议。

（4）其他方面。该系统具备将诊断结果和数据实时上传至云平台的能力，以便进行简单的数据存储、备份。

5 结束语

边缘计算为铝加工行业的预测性维护技术带来了巨大的潜力，边缘安全是实施边缘计算预测性维护系统的关键因素。在采集、传输和处理数据的过程中，须采取适当的安全措施，以确保数据的隐私和完整性。随着技术的不断发展，基于边缘计算的预测性维护系统可为铝加工行业的可持续发展提供有力技术支持，企业应积极运用这项新技术，进一步改进和优化预测性维护系统的性能与效益，推动铝加工行业朝着更智能、更高效的方向前进。