您好, 访客   登录/注册

基于边缘计算的电机故障智能监测系统

来源:用户上传      作者:潘显斌 孙康 徐震

  摘 要: 边缘计算技术为计算密集型业务提供了一种新型的低时耗、低能耗、数据安全、实时性高的数据处理方案。在面对数量庞大的电机故障信息时,边缘计算能有效解决电机故障数据处理花费高、数据泄露、实时性差等问题。根据数据源分布特点,充分考虑边缘服务器(Edge Server,ES)、云服务器计算负载以及任务传输时耗,设计了基于端边协同的多边缘服务器并行任务处理框架。在此框架下对最短时耗及最低能耗进行了研究分析,充分优化任务执行时间以及能耗表现。
  关键词: 边缘计算; 端边协同; 并行计算; 故障分析
  中图分类号:TP301.4 文献标识码:A 文章编号:1006-8228(2022)10-69-04
  Intelligent monitoring system of motor fault based on edge computing
  Pan Xianbin, Sun Kang, Xu Zhen
  (School of Mechanical and Automotive Engineering, Shanghai University of Engineering Science, Shanghai 200000, China)
  Abstract: Edge computing technology provides a new type of data processing solution with low time consumption, low energy consumption, secure data and high real-time performance for computing-intensive services. In the face of a large number of motor fault information, edge computing can effectively solve the problems of high cost of motor fault data processing, data leakage, and poor real-time performance. According to the distribution characteristics of data sources, fully considering the edge server, cloud server computing load as well as task transmission time consumption, a parallel task processing framework of multi-edge server based on end-edge collaboration is designed. In this framework, the shortest time consumption and the lowest energy consumption are studied and analyzed to fully optimize the task execution time and energy consumption performance.
  Key words: edge computing; end-edge collaboration; parallel computing; fault analysis
  0 引言
  近年恚随着新能源领域扩张,电机的运用越来越重要,随之而来的故障问题也日益突出,其中旋转机械故障最为明显,因此对旋转机械进行状态监测和故障预测就显得十分重要。Kabir等[1]人指出新能源风机的维护成本占整体全年收入的20%~25%,可见电机故障带来的损失不仅仅是设备上的成本,更是额外停工造成的大量经济损失。Wang等[2]指出云计算的效率和延迟问题,因此通过融合边缘计算和DL来完成边缘数据资源的部署,构建智能边缘。Dong等[3]提出了一种基于 DRL 的车载边缘计算网络中任务调度的节能方法,以最大限度地减少 MEC 服务器的总能耗。He等[4]指出随着物联网(IoT)设备数量得到不断增长,云计算难以满足用户需求。因此,提出了分布式和去中心化的计算架构势。WANG等[5]通过时分多址协议将计算任务分布到边缘服务器,基于时间约束,不断优化终端设备能耗。李兴等[6]指出电力设备检修普遍地利用了边缘计算低时延的特点,提高了诊断预警的响应速度。Guo等[7]研究了物联网边缘云计算系统中的节能和延迟保证的工作负载分配问题。开发了一个系统框架,以实现降低系统能耗的目标。Zhou等[8]概述了深度学习模型在网络边缘进行训练和推理的总体架构、框架和新兴关键技术,认为边缘计算是支持资源受限环境中计算密集型AI应用程序的有前途的解决方案。Niu等[9]提出了一种基于边缘计算的电力物联网中面向最小服务延迟的工作负载分配机制,以满足电力物联网场景下多业务的时延需求。Wang等[10]针对移动到MEC场景提出了一种在线无人机挂载移动边缘服务器调度方案,仿真表明,无论是单独移动调度还是混合调度方案都优于固定部署。Cao等[11]开发了一种两阶段方法来放置和分配异构边缘服务器,以优化移动边缘云计算系统中的响应时间,大大提高了整个系统和单个基站的预期响应时间。
  本文对ES的数量以及边缘数据点的分布对时延和能耗问题进行研究。第一部分对边缘计算进行相关介绍并提出了边端协同的电机故障分析系统。第二部分分析并建立了任务数据的时延和能耗模型。第三部分基于真实网络数据进行仿真。第四部分做出总结并展望未来。

nlc202210171907



  1 边端协同的电机故障分析系统
  1.1 边缘计算介绍
  边缘计算是指在靠近设备现场或数据源头的一端进行服务,允许在更靠近边缘设备的地方分析和过滤数据,只传输少量数据到云端,以大幅降低网络带宽成本和云数据存储成本。现如今,诸多工业领域物联网对延迟的要求越来越高,部分工业产品需要亚秒级(即1GHz/1.2秒)响应时间才能实现安全且精确的操作。例如,无人驾驶汽车。其次,安全与隐私也是边缘计算的另一大优势,它可以允许用户数据在多个物理节点上处理,从而能够让用户拥有安全高效的边缘设备数据分析能力。边缘计算的系统组成图如图1所示。
  1.2 边缘计算在电机故障中的应用
  电机故障诊断技术在工业生产领域早已存在,最早用于机械设备故障诊断,因为电机技术的不断发展而将故障诊断融入其中,但早期过度依赖人工经验来判嗟缁故障。随着传感器技术、检测技术的发展,电机故障诊断技术才得到大的提升,吸引诸多学者对在线监测故障诊断技术的研究。一般针对电机故障常采用电流分析法、振动分析法、温度诊断法等。近些年随着物联网的快速发展,针对一些较为复杂的电机故障诊断方法逐渐向智能化方向发展,其主要包括专家系统、人工神经网络、贝叶斯网络、支持向量机等。
  电机的故障类型是复杂多样的,其能产生大量的故障数据。传统的云计算无法应对海量的故障数据,因此,基于边缘计算的故障诊断在电机远程监测系统中的作用十分重要,其中边缘测设备数据交互过程如图2所示。
  远程监测平台与边缘设备主要交互过程如下:①数据集上传:边缘服务器将一维电机数据上发至云平台;②训练模型:通过云计算将一维数据进行特征提取,结合人工智能,建立实时故障分析模型,进行训练并不断优化,最终将故障预测模型下发至边缘设备;③电机远程监测:决策者可以直接访问缘端设备的运行情况,必要时可做出增值决策对边缘设备进行管理;④边缘服务器:判读一维电机数据是否需要上传云端,若已有预测模型,数据采集可直接用于分析、计算及本地存储,对于边缘终端设备突发情况,通过默认设置的命令可执行赋值决策。
  2 边缘任务执行建模
  2.1 边缘策略执行建模
  2.2 边缘能耗模型
  3 实验和结果分析
  仿真实验运行于MATLAB 2016环境中,硬件参数为IntelCore i5-6200 2.40 GHz CPU,12GB RAM。边缘端采用USB2.0传输数据,其传输速率在34.64MB/s。云端传输采用4G网络,其下载速率3.85 MB/s、上载速率2.31 MB/s,假设数据包大小在[0,100]MB之间。边缘服务器的运转功率为250W,CPU最大酷睿2.8GHz,CPU运转最高功率54W,云服务器的运转功率为1600W,CPU最大酷睿3.9GHz,CPU运转最高功率150W。对比在不同数量的边缘服务器与任务数量条件下,边缘计算与云计算在时耗与能耗的表现情况,仿真结果如图3所示。
  图3中点划线曲线表示边缘计算的任务时延,连续曲线表示云计算的任务时延,从图3可以看出:随着边缘任务数量的增加,基于云计算的平均时延逐渐高于基于边缘计算的平均时延。且任务数据量越大,平均时延的差距越明显。所以,结合边缘计算可以极大程度上降低边缘任务被处理的时耗。
  边缘服务器与云计算能耗对比分析如图4所示。网格线表示云服务器计算时产生的能耗,其他则是边缘服务器产生的能耗,从图4中可以看出,在任务处理初始阶段,边缘端能耗水平总体低于云端能耗水平,随着边缘服务器数量的增多,边缘端能耗水平与云端能耗水平逐渐持平,当边缘端服务器的数量超过一定数量,云端能耗水平才略低于边缘端能耗水平。
  实验假设网络通讯无中断、无明显波动,且考虑采集数据的实时传输情况。在时延方面,无论是边缘服务器数量增加还是任务数量增多,基于边缘计算的并行处理框架总时耗与基于传统云计算总时耗差异越来越明显,云计算的平均时延总体高于边缘计算的平均时延。在能耗方面,随着边缘服务器增多,边缘侧的能耗逐渐超过云计算。这表明在保证最低时延和能耗问题上,存在最优解。
  在实际的情况中,基于云计算的方式,采集的数据并不能实时传输的,存在传输波动,这就造成部分计算无法完成的情况,且云计算的成本比较高,那么对于相同的检测结果,边缘计算更能保证数据的完整性与实时性,且其成本远低于云计算,这对需要执行大量计算任务的整个系统来说是至关重要的。
  4 总结与展望
  本文提出一种基于边缘计算架构下的电机远程监测系统,可服务于电机设备制造商或系统集成商,边缘计算聚焦万物互联思想,实现电机系统智能管理、移动运维,降低电机管理成本、云存储成本,同时降低用户电机停机次数、减少维修时间,极大提高生产效率。本文所提出的方法能够接入分布式计算网关,通过数据决策边缘算力部署,能为云平台下发的预测模型提供有效边缘算力,降低一维数据冗余并为管理者提供赋值策略。同时,在无网络状态下,分析数据可保存至边缘设备,待通讯恢复上传云端。最终能实现电机远程监测系统在边缘端智能连接、数据驱动决策、安全与隐私保护等方面的需求,这些是电机远程运维行业向数字化转型必不可少的关键环节。
  参考文献(References):
  [1] M. J. Kabir, A. M. T. Oo and M. Rabbani, "A brief reviewon offshore wind turbine fault detection and recent development in condition monitoring based maintenance system," 2015 Australasian Universities Power Engineering Conference (AUPEC),2015:1-7

nlc202210171907



  [2] X. Wang, Y. Han, V. C. M. Leung, D. Niyato, X. Yan andX. Chen, "Convergence of Edge Computing and Deep Learning: A Comprehensive Survey," in IEEE Communications Surveys & Tutorials,2020,22(2):869-904
  [3] P. Dong, Z. Ning, R. Ma, X. Wang, X. Hu and B. Hu,"NOMA-based energy-efficient task scheduling in vehicular edge computing networks: A self-imitation learning-based approach," in China Communications,2020,17(11):1-11
  [4] Y. He, Y. Wang, C. Qiu, Q. Lin, J. Li and Z. Ming,"Blockchain-Based Edge Computing Resource Allocation in IoT: A Deep Reinforcement Learning Approach," in IEEE Internet of Things Journal,2021,8(4):2226-2237
  [5] WANG F, XU J, WANGX, et al.Joint offloading andcomputing optimization in wireless powered mobile-edge computing systems[J].IEEE Transactions on Wireless Communications,2017,17(3):1784-1797
  [6] 李d,侯伟,杨宇,等.论电力基建业务中边缘计算的应用与实践[J].电气工程学报,2020,15(4):153-160
  [7] M. Guo, L. Li and Q. Guan, "Energy-Efficient and Delay-Guaranteed Workload Allocation in IoT-Edge-Cloud Computing Systems," in IEEE Access,2019(7):78685-78697
  [8] Z. Zhou, X. Chen, E. Li, L. Zeng, K. Luo and J. Zhang,"Edge Intelligence: Paving the Last Mile of Artificial Intelligence With Edge Computing," in Proceedings of the IEEE,2019,107(8):1738-1762
  [9] X. Niu et al., "Workload Allocation Mechanism forMinimum Service Delay in Edge Computing-Based Power Internet of Things," in IEEE Access,2019(7):83771-83784
  [10] J. Wang, K. Liu and J. Pan, "Online UAV-Mounted EdgeServer Dispatching for Mobile-to-Mobile Edge Computing," in IEEE Internet of Things Journal,2020,7(2):1375-1386
  [11] K. Cao, L. Li, Y. Cui, T. Wei and S. Hu, "ExploringPlacement of Heterogeneous Edge Servers for Response Time Minimization in Mobile Edge-Cloud Computing," in IEEE Transactions on Industrial Informatics,2021,17(1):494-503

nlc202210171907




转载注明来源:https://www.xzbu.com/8/view-15441139.htm

相关文章