作為工業(yè)物聯(lián)網(IIoT)的重要應用場景之一——預測性維護，已受到越來越多的企業(yè)重視。根據(jù)羅蘭貝格與漢諾威工業(yè)展覽會合作針對153家重點關注輸電工程/液壓傳動、電氣自動化/機器人技術等領域機械工程運營公司的調研顯示，81%的受訪公司已布局預測性維護，其中雖有近40%的受訪公司已在提供相關技術和服務，但大部分公司仍然在產品研究階段，或尚未開始任何相關工作。羅蘭貝格在報告中指出：“在預測性維護應用領域，如何將數(shù)據(jù)系統(tǒng)地轉化成(客戶)利益并應用到特定商業(yè)模式中，理想與現(xiàn)實之間仍然存在較大差距。”下面就隨網絡通信小編一起來了解一下相關內容吧。

圖1 羅蘭貝格針對預測性維護調查報告的相關數(shù)據(jù)

NI(美國國家儀器，National Instruments，以下簡稱“NI”)工業(yè)物聯(lián)網行業(yè)市場經理崔鵬表示：“作為一種新的資產、資源和生產要素，工業(yè)大數(shù)據(jù)是工業(yè)物聯(lián)網的核心，更是中國制造業(yè)轉型升級的重要戰(zhàn)略資源。”NI的平臺化解決方案，正在積極幫助探索預測性維護應用的客戶將大數(shù)據(jù)應用到特定商業(yè)模式中，而中車青島四方機車車輛股份有限公司和北京天澤智云科技有限公司(以下簡稱“天澤智云”)就是NI在預測性維護及工業(yè)智能領域的重要合作伙伴之一。

1中國高鐵項目案例帶來的預測性維護啟示

中國高鐵的創(chuàng)新舉世矚目，“復興號”以350公里時速的正式運營，標志著中國成為世界高鐵商業(yè)運營速度最高的國家。實現(xiàn)高速需要百分百的安全保障作為前提，預測性維護在提升高鐵的安全性上恰可大顯身手。

高鐵的預測性維護系統(tǒng)到底有多重要?據(jù)中車青島四方公司國家工程實驗室試驗部主任張志強介紹，目前我國的高鐵實行的是周期性維修方案，高鐵運行到一定距離，就要進行相應等級的維修，例如，達到240萬公里時，就要五級修，這意味著整臺高鐵要返廠維修。實際上，這種無差別對待的維修存在著極大的浪費，如果能有針對的施行預測性維修將節(jié)約大量成本。據(jù)張志強估計，單就高鐵PHM(故障預測與健康管理)項目就能產生幾千億的效益。

中車青島四方機車車輛股份有限公司聯(lián)合天澤智云，基于NI InsightCMTM以及CompactRIOTM平臺，打造了針對高鐵的預測性維護解決方案。為了開發(fā)預測性維護用的機器學習算法，首先得在短時間內獲取大量數(shù)據(jù)用于模型訓練。中車青島四方試圖通過快速構建一個高鐵在線實時監(jiān)控系統(tǒng)，針對高鐵測試線上的8個旋轉件進行測試，測量各個旋轉件的震動與轉速情況，并對采集下來的大量時間序列數(shù)據(jù)按需求進行篩選、分析，進一步得到所有旋轉件的健康狀況。然而，在這場看似方向明晰的原型化探索中，中車青島四方仍遭遇了5大挑戰(zhàn)：

實時采集挑戰(zhàn)：本項目需要快速構建一個在線實時監(jiān)測系統(tǒng)，同步采集在同一設備八個旋轉件的振動與轉速，而這需要二十個采集通道;

采樣頻率挑戰(zhàn)：為了擬合高鐵運行的速度，轉軸轉速將高達2200rpm，再加上為了保證采樣包含的頻率范圍能夠涵蓋所有故障頻率，采樣率必須達到很高水平，即25.6kS/s采樣率;

連續(xù)采集挑戰(zhàn)：InsightCM是NI一款用于設備在線狀態(tài)監(jiān)測的系統(tǒng)，適合實現(xiàn)分布式狀態(tài)監(jiān)測，但是本項目中的應用目的是進行連續(xù)的數(shù)據(jù)采集以便在短時間內獲得更多的數(shù)據(jù)來進行分析;

數(shù)據(jù)處理挑戰(zhàn)：多通道高頻率的采集會在短時間內產生大量數(shù)據(jù)，要將這些數(shù)據(jù)進行信號處理和特征提取后產生與健康相關的信息，并傳給服務器端，這對測試設備的計算能力與內存分配能力有所挑戰(zhàn);

時間同步挑戰(zhàn)：首先，本項目需要十個通道能夠同步采集，以實現(xiàn)在同一個時刻對整個設備通過不同維度進行描述;其次，算法開發(fā)對數(shù)據(jù)的時間戳有特殊要求，需要測試設備端與服務器端時間保持高度一致。

圖2 基于NI平臺搭建的原型化探索測試端設備

為解決上述原型化探索階段遭遇的難題，項目團隊采用InsightCMTM+CompactRIOTM的方案進行數(shù)據(jù)采集：根據(jù)通道數(shù)與采樣頻率的要求，選用cRIO-9036 + NI-9232(即CompactRIO控制器+C系列聲音與振動輸入模塊)搭建測試端設備，經過實測，CompactRIO的計算能力和內存分配能力完全滿足需求;而InsightCM不僅實現(xiàn)了多通道數(shù)據(jù)采集的同步，還通過設置NTP時間服務器的方式使設備端與服務器端時間保持一致，讓工程師免去了對CompactRIO進行二次開發(fā)，從而減少了方案實施的復雜度、加速了實施進度。

據(jù)項目團隊反饋：“我們使用了InsightCM搭載CompactRIO進行數(shù)據(jù)采集，并根據(jù)采集下來的數(shù)據(jù)進行分析。采集到的數(shù)據(jù)質量非常高，在cRIO中運算我們的PHM智能算法能夠滿足實時性的要求，幫助我們在高鐵測試試驗中分析出了所有的故障，準確率非常高。”

圖3 原型化探索方案的整體架構邏輯框圖

2超越采集，NI方案整合邊緣計算與云計算優(yōu)勢助力數(shù)據(jù)價值挖掘

眾所周知，工業(yè)物聯(lián)網中，邊緣計算部署在終端或者邊緣端，除了數(shù)據(jù)采集，還是實現(xiàn)嵌入式人工智能的關鍵，因此邊緣端計算的實時性比云端更強，而NI平臺化解決方案在支撐實時性邊緣端計算的同時，還將邊緣計算與云計算的優(yōu)勢整合到了一起。

基于與NI的緊密合作，天澤智云在預測性維護及其它IIoT應用中，都借助了NI的平臺化解決方案。例如在實現(xiàn)工程化解決方案時，天澤智云的工程師先將工業(yè)AI的算法引擎部署在云端，再通過InsightCM與其它的NI的邊緣計算系統(tǒng)進行對接，承載開發(fā)的算法所產生的結果，幫助用戶產生對系統(tǒng)的認知;最后底層通過CompactRIO執(zhí)行機器學習模型，以及對運算結果進行數(shù)據(jù)的交流，將運算結果通過InsightCM和Web Service進行發(fā)布。

“在邊緣端執(zhí)行相應的邊緣計算，將原始數(shù)據(jù)提取出特征信息，進一步將特征信息上傳到私有云或者公有云，完成復雜的PHM(Prognostics and Health Management，故障預測與健康管理)相關的計算，是目前比較合理的架構模式。NI的CompactRIO架構可以提供比較靈活的傳感器接口和比較豐富的計算資源，這種理念和我們相當契合。”天澤智云研發(fā)副總裁劉宗長表示：“我們對NI的CompactRIO和InsightCM進行了大量的二次開發(fā)，使之能夠實現(xiàn)更多的、貼近用戶需求的邊緣計算功能，并且滿足遠程的調度和管理，最終將有價值的信息上傳到云端，借以實現(xiàn)邊緣計算與云計算的優(yōu)勢整合。”

“在原型化的探索階段，NI平臺化解決方案以靈活快速著稱，對于有特定需求的客戶，NI能通過自身或攜手合作伙伴提供便捷的二次開發(fā)，實現(xiàn)滿足客戶自定義需求的平臺化方案，因此，在不同領域，在不同階段，NI都能以最合適的方案切入。”崔鵬為天澤智云案例的總結，更折射出NI平臺化方案的優(yōu)勢。