基于边缘计算技术的机器状态监测系统

论文标题：Machine Condition Monitoring System Based on Edge Computing Technology

中文标题：基于边缘计算技术的机器状态监测系统

作者信息：

• Igor Halenar
• Lenka Halenarova
• Pavol Tanuska
• Pavel Vazan 作者均来自斯洛伐克布拉迪斯拉发斯洛伐克技术大学材料科学与技术学院应用信息学、自动化与机电一体化研究所。

论文出处：Preprints.org，发布日期为2024年11月12日，DOI为10.20944/preprints202411.0879.v1。该论文是一个未经同行评审的预印本版本。

主要内容概述：

摘要： 本文的核心是设计一个系统，通过监测生产过程中选定参数来评估生产设备和机器的状态，额外的传感器子系统用于数据收集。设计的主要优势在于使用边缘计算（Edge Computing, EC）结合人工智能（Artificial Intelligence, AI）和专家系统（Expert Systems, ES）在传感器层面处理数据。传感器信息直接在监测设备的传感器级别上处理，并将各个子系统的结果以触发器的形式存储在数据库中，用于预测性维护过程。整个解决方案包括设计合适的传感器和实施传感器层、描述数据处理算法、设计整个系统的通信基础设施，并在实验室条件下对设备进行实验操作测试。解决方案还包括使用交互式在线地图为操作员可视化生产系统状态。

1. 引言： 现代工业企业在过去十年面临挑战，生产过程受到自动化新方法的影响，导致了工业4.0和工业5.0概念的出现。这些生产方法涉及机器学习、大数据和数字孪生等技术的积极应用。企业面临的另一个因素是提高生产效率的压力，这要求降低生产过程的能源强度和最终产品的价格。维护现有设备的传统方法已不足以有效减少设备停机时间，因此，预测性维护方法成为趋势，包括预测性维护（Predictive Maintenance, PDM）和基于条件的维护（Condition Based Maintenance, CBM）。

2. 相关工作： 为防止生产过程中的故障，采用了不同复杂程度的维护策略，包括故障维护、定时维护和预测性维护策略。预测性维护依赖于从生产过程中获得的信息和数据量，尤其是数据驱动的预测性维护。PHM（Prognostic and Health Management）技术用于促进基于条件和预测性维护，包括故障检测、故障诊断和故障预测三个主要任务。本文的目标是识别生产过程中的异常，特别是在故障检测阶段。

3. 材料和方法： 解决方案在实验室环境中的一条真实生产线模型上物理实现。该系统包括生产、包装线、灌装线、输送系统、自动货架堆垛机/存储和输入/输出等组件。系统还结合了过程自动化和工厂自动化，可以作为一个统一的复杂实体运行，也可以拆分为独立系统。整个系统由基于AVEVA的制造执行系统（MES）管理，该MES还具备监控过程和产品质量的功能。

3.1 技术设备使用： 研究中使用的设备位于学院实验室内，包括模块化混合自动生产系统的视觉表示。

3.2 传感器提案： 传感器设计基于文献资料、个人经验和被监测设备的物理特性，以捕获有关设备状态的额外信息。

4. 系统提案： 数据评估的基本理念是在设备上适当评估数据，并将处理结果存储在服务器上。存储的数据由可视化子系统访问，以直观的方式向操作员展示状态。随后，在后期阶段，数据将被用于满足预测性维护的需求。

5. 实际实验： 尽管项目在实验室条件下的简化环境中实施，但整个生产线的监测系统实施是一个高度复杂的问题，涉及许多不同的程序。在初始阶段，仅在生产线的16个工作站中实施了两个：Conveyor FM和Scale。本节提供了基于这些部分的传感器测量值生成警报的示例。

6. 结论： 本文讨论的主题在当前时代特别相关，因为工业4.0和5.0在技术实践中的实施越来越多。监测设备和生产系统条件是一个高度复杂的领域，主要是由于用于收集和处理生产系统数据的技术种类繁多。本文提出的解决方案代表了预测性维护系统的初始阶段。然而，提出的硬件组件和用于过程诊断的数据收集方法，以及故障识别的原则，不仅适用于模型，也适用于生产线的其他组件上实施的PDM系统。这些方法在适应后可以在实际条件下的其他系统中实施。提出的解决方案将机器学习和边缘计算等当前趋势应用于健身监测方法中。所描述的算法有助于检测新兴故障。本文提出的传感器方案、数据方法评估以及MQTT系统可作为实施PDM系统的初始阶段。总体系统设计结合了基于传感器层数据的EC输出、MQTT服务器、MES和PDM系统，使用触发器生成，包括创建一个应用程序来为操作员可视化获得的信息。