基于云邊協同的大型鍛壓裝備遠程運維系統研究

袁 超，孫 勇，張 浩，黃達力，凌云漢，李武愷，吳平平

（1.北京機電研究所有限公司，北京 100083；2.北京化工大學，北京 100029；3.廣東精銦海洋工程股份有限公司，廣東 佛山 528241）

隨著國民經濟與科學技術的發展，大型鍛造裝備已在汽車、航空、海洋船舶等眾多領域得到廣泛應用，其中最具標志性的有二重萬航800000kN（80000t）壓力機、伊萊特16M 碾環機、中機鍛壓2500kJ 大型液壓打樁錘、北方重工360000kN（36000t）垂直擠壓機等，如圖1 所示。大型鍛造裝備加工效率的不斷提高，也伴隨著維修難度的不斷增大。大型鍛造裝備主要有以下幾個顯著特征：①由多個系統共同組成，結構復雜；②多個系統之間聯動工作，憑借單一傳感器不易快速準確判斷故障部位；③工作環境惡劣（高溫、粉塵、腐蝕等），監測參數的隨機干擾大；④故障現象和故障原因存在多重映射關系，不易準確判斷故障原因[1-4]。

圖1 大型鍛造裝備示例圖

這些特征導致了工業現場人員沒有足夠的技術水平和運維能力處理相對復雜的裝備故障難題，需要裝備供應商提供技術支持，找到故障原因，從而恢復生產。對于企業來說，由于整個流程響應時間長、信息不對稱，生產線運行時間縮減，生產效率降低[5]。對于裝備供應商來說，由于不能實時監測裝備的運行情況和健康狀況，不能主動提供運維服務，導致人力調度難、維護成本高、售后服務質量下降，大型裝備遠程運維技術的應用顯得愈發重要。

2007 年IBM 和Google 首次提出了云計算（Cloud Computing）的概念[6]。隨后各大IT 公司紛紛推出了商業云平臺，代表性的云平臺有AWS、Azure 和阿里云等。2012年，GE[7]將云計算的概念引入工業領域，并開放了其工業云平臺Predix[8]。西門子也開發了云平臺MindSpere[9]。在國內，徐工集團借助阿里云平臺，搭建了國內首個工業云平臺“徐工工業云”[10]。2016年，三一重工開放了其工業云平臺“根云”[11]。以上工業云平臺的出現，使故障診斷系統的基礎設施出現了更多新的選擇，但目前國內對于細分行業云平臺故障診斷的研究較少。本文在阿里云平臺的基礎上，以鍛壓行業規則、常識、經驗、案例為核心，建立了基于云計算和邊緣計算協同的大型鍛造裝備遠程運維系統，以實現遠程連接、遠程在線狀態監測、遠程健康狀態管理、遠程故障診斷分析等工作為目標，優化傳統運維方式，提高大型鍛壓裝備的運行可靠性、減少大型鍛造裝備的故障停機時間。

1 基于云邊協同的遠程運維系統總架構

云計算是一種計算范式，它可以根據用戶的需求隨時隨地為最終用戶提供無限的計算資源，可以提供如資源池、彈性和靈活性、可擴展性、性能高等各種類型的服務[12]；邊緣計算主要指在靠近物或數據源頭的一側，就近提供計算服務，以產生更快的網絡服務響應，滿足應用的實時性和數據保護等方面的需求[13]。在大型鍛壓裝備遠程運維系統構建過程中，邊緣計算負責對需要實時處理的數據進行預處理，為云端提供高價值的數據；云端則負責長周期、非實時數據的處理，為邊緣層提供訓練后的模型。圖2 為大型鍛壓裝備遠程運維系統架構設計圖。

圖2 大型鍛壓裝備遠程運維系統架構設計圖

邊緣層通過對數據的實時采集和處理，把整合后準確且有效的信息輸送到云平臺；云平臺則發揮自身計算能力，通過設備機理模型和智能算法模型對生產過程關鍵參數進行訓練和升級，并把優化輸出的業務規則或模型下發到邊緣層，從而完成自主學習的閉環，如圖3 所示。

圖3 大型鍛壓裝備遠程運維平臺流程設計

2 多源異構數據采集技術

面對多源異構數據對象的時間精度要求、數據價值等級不均等特征，采集系統分為一般數據采集和高速采集。如圖4 所示。

圖4 多源異構數據采集系統架構圖

（1）一般數據采集。一般數據采集的對象包括以下特征：對時間精度要求不高，按照秒級的頻率采集可以滿足對對象的監控和分析，比如：產量、能耗、節拍等。

（2）高速采集。高速采集的對象一般包括以下特征：變化量較小，對時間精度要求高，秒級的采集頻率不能滿足監控的需求。數據價值高，對數據分析有直接或間接作用。通過毫秒級的設備監控，可以清楚地判斷系統內故障發生的先后次序，幫助現場人員追溯到導致故障發生的真實原因。

3 大數據驅動為核心的鍛壓裝備故障診斷技術

3.1 基于機理模型的鍛壓裝備制造知識與知識庫構建技術

通過數字化和網絡化的方法，以行業知識和制造經驗為出發點，通過長期積累的有效數據分析對比，沉淀行業規則、常識、經驗、案例，利用行業專家的碎片化時間遠程完善機理模型、構建鍛壓裝備工業知識庫。通過機理模型和知識的共享，中小企業可以低成本的獲得優質資源。圖5 和圖6 分別為特別類型的鍛壓裝備工業機理模型。

圖5 鍛壓裝備工業機理模型

圖6 伺服液壓機工業機理模型

3.2 基于分布式傳感的鍛壓裝備工況實時感知技術

在成形工藝和設備運行機理模型建立的基礎上，考慮成形過程中由環境因素、設備狀態、工藝問題等導致的壓力機設備運行異常以及故障表征，將不同類型的智能傳感器嵌入壓力機的主要部件中，以傳感器的返回數據當作感知的數據基礎，實現鍛造過程中的過程動態參數包括壓力機打擊能量、電機轉速、滑塊位移、平衡缸氣壓、制動器油壓等數據的實時監控；以內置智能判定算法作為認知的判定依據，對鍛壓裝備當前運行工況進行實時分析和評價。傳感器類別和位置如圖7 所示。

圖7 傳感器的類別和安裝位置

3.3 基于機器學習的設備故障診斷技術

通過機器學習和數據挖掘等算法，實現歷史數據的強相關性分析、故障的報警和壽命預測等核心功能。工業知識庫是設備故障診斷人工智能算法的基礎，同時，設備故障診斷算法的結果不斷修正和完善工業知識庫，形成閉環。其中圖8 是用哈希算法進行圖形擬合分析，判定設備生產狀況正常與否的流程圖。

圖8 哈希算法圖像擬合分析流程圖

4 系統實現

4.1 遠程連接

通過在現場安裝5G 智能網關，實現對現場設備動態IP 地址的快速解析（圖9），遠程、安全、穩定地訪問現場終端（圖10），隨時隨地對程序進行上傳下載、對設備進行實時監控，能夠有效降低運維時間、提高運維效率。

圖9 動態IP 解析軟件

圖10 設備遠程訪問和監控

4.2 設備狀態監控

系統通過對鍛造生產設備實時狀態、節拍、打擊力、滑塊位移等關鍵參數進行監控（圖11），使用戶能夠直觀、準確地了解設備的實時運行狀態、歷史運行狀態、設備OEE、設備故障報警、設備保養等，提高和優化用戶決策的質量和速度。如圖12 所示。

圖11 設備狀態實時監控

圖12 設備健康狀態分析

4.3 關鍵參數高速采集展示和故障診斷分析

高速采集實現關鍵參數的數據預處理和存儲，故障診斷分析功能利用工業知識庫的知識，對實時運行關鍵參數進行分析，檢測異常數據并給出解決方案，輔助現場人員做出更優決策，最后將分析結果寫入數據庫，如圖13 所示。

圖13 數據庫中設備故障診斷分析結果展示

4.4 大型鍛壓裝備遠程運維云平臺的搭建

建立大型鍛壓裝備遠程運維云平臺，幫助企業對設備運行狀態進行實時監測和分析，可在故障程度輕微時準確發現和識別，輔助運行人員對異常進行處理，避免嚴重事故，提高設備可靠性。

圖14 鍛壓裝備遠程運維云平臺

5 結論

隨著大型鍛壓裝備復雜性的不斷提高，設備故障停機的損失越來越大，同時企業維護能力有限，大型鍛壓裝備遠程運維系統的搭建顯得尤為重要。本文采用云邊協同這種新型計算范式，將云計算強大的資源能力與邊緣計算低時延特性相結合。在此基礎上，針對鍛壓裝備的知識、機理、生產特點，設計并實現了對鍛壓裝備的遠程連接、遠程高速采集、遠程監控、遠程故障診斷等功能。經多個項目驗證，大型鍛壓裝備遠程運維系統的應用，能夠有效加快鍛壓裝備運維服務響應速度，提高裝備生產質量和生產效率、減少設備故障發生時間和運維成本，整體提高鍛壓生產線智能化制造水平。