基于標識解析和字典映射的預測性維護設備數據安全接入方法

林詩美 段茹茹 陳超 曹俊輝 陳勇

摘? 要：傳統的預測性維護平臺終端設備接入面臨兩個問題，一是缺少統一的數據接入格式，二是缺少設備數據安全機制。為了解決平臺終端設備數據多源異構和設備數據安全問題，文章提出一種基于標識解析和字典映射的預測性維護設備數據安全接入方法，采用標識解析機制對企業內部數據進行脫敏，同時融合數據字典機制，通過對多源異構數據進行動靜態分組和對數據的標準化，實現數據的動靜態隔離和企業上下游之間的資源信息共享，同時保障了企業數據的安全。

關鍵詞：預測性維護；數據異構；字典映射；標識解析

中圖分類號：TP393 文獻標識碼：A 文章編號：2096-4706（2023）18-0001-05

Predictive Maintenance Device Data Security Access Method Based on

Identity Resolution and Dictionary Mapping

LIN Shimei1， 2， DUAN Ruru1， 2， CHEN Chao1， 2， CAO Junhui1， 2， CHEN Yong1， 2

（1.EVOC Intelligent Technology Co.， Ltd.， Shenzhen? 518107， China;

2.Guangdong Province Industrial Edge Intelligent Innovation Center， Shenzhen? 518057， China）

Abstract： The traditional predictive maintenance platform terminal device access faces two challenges， one is the lack of a unified data access format， and the other is the lack of device data security mechanisms. To solve the problem of multi-source heterogeneity and device data security in platform terminal equipment data， this paper proposes a security access method of predictive maintenance equipment data based on identification resolution and dictionary mapping， which uses the identification resolution mechanism to desensitize the internal data of the enterprise， and integrates the data dictionary mechanism， by dynamic and static grouping multiple source heterogeneous data and standardizing the data to realize dynamic and static data isolation and resource information sharing between upstream and downstream enterprises， while ensuring the security of enterprise data.

Keywords： predictive maintenance; data heterogeneity; dictionary mapping; identity resolution

0? 引? 言

隨著人工智能、互聯網等一代信息技術的發展，工業系統與信息技術全方位深度融合[1]，推動著工業互聯網蓬勃發展，打破傳統行業壁壘，實現人、機、物、服務的全面互聯，開拓新型創新應用和產業生態。作為工業互聯網最重要的應用之一，故障預測與健康管理系統（Prognostics and Health Management， PHM）在設備故障預測和健康管理方面發揮出了較大的應用價值[2]。PHM是在維修理念改變和維修方式變革的基礎上發展起來的一項技術，通過先進的狀態監測技術獲取設備或系統的數據，利用海量歷史數據，建立設備及系統的運行性能與效能健康度模型，以健康度作為監測指標，捕捉設備或系統運行狀態的細微變化，研判設備的運行狀態，提前發現設備的異動、缺陷和潛在故障，通過健康度指標實現設備的遠程統一互聯管理。

工業互聯網標識解析體系是支撐工業互聯網運作的重要基礎設施[3]，是連接企業工廠內外生產制造設備、物料、產品信息與人之間的關系紐帶，被廣泛應用于各類工業場景，實現企業上下游之間的資源信息共享。但在標識解析的實際應用場景中，如何解決企業數據安全性成為企業的應用難點。另一方面，由于生產制造活動中涉及的生產設備種類繁雜，采集到的設備數據規模龐大，數據格式多源異構，難以兼容。為了解決以上問題，本文提出一種基于標識解析和字典映射的預測性維護設備數據安全接入方法。

1? 相關工作

隨著工業互聯網的發展，故障預測與健康管理越來越受到國內外企業的廣泛關注。西門子采用人工智能算法，基于設備歷史運行數據建立預測模型，可以及時預測設備故障和潛在風險，提高企業診斷運維效率，有效控制風險[4，5]。文獻[6]提出一種預測性維護平臺，將設備數據和設備性能進行綁定，進而通過設備數據評價設備的健康度。文獻[7]提供一種云服務平臺，將PHM分析算法應用于云平臺上，模擬機床磨損退化進程建立故障預測模型進而實現對設備健康度的評估和故障研判。文獻[8]通過對飲料制造廠的水泵狀態進行監測，基于歷史運行數據進行建模，預估水泵剩余使用壽命，指導維修人員進行維修管理。總體來說，目前國內關于PHM成體系的算法研究較少，應用案例也較少，缺少統一完善的PHM預測性維護平臺架構和數據格式。本文提出的基于標識解析和字典映射的預測性維護設備數據安全接入架構，采用數據字典機制進行數據標準化，結合標識解析技術實現數據隔離，可以很好地解決數據接入安全問題。

2? 預測性維護架構

2.1? 典型預測性維護

故障預測與健康管理系統（PHM）是指通過算法和模型來監控、預測、管理系統的健康狀態的軟件系統，是工業互聯網最重要的應用之一，典型的預測性維護平臺系統架構如圖1所示。

在傳統的預測性維護平臺中，由工業網關匯總設備的采集數據，如工業設備運行數據、傳感器采集數據和運行日志數據，再由網關傳輸單元向上傳輸至平臺，平臺層基于常用的算法組件對數據進行處理，利用歷史數據，建立設備及系統的運行性能與效能預測性維護模型，實現設備的預測性維護。在上述過程中，一方面在邊緣層只是進行簡單的數據匯總，而邊緣側接入的設備種類繁多，數據規模量較大，增加平臺端數據處理能力負載；另一方面，部分企業信息化程度不高，存在數據孤島及數據源格式異構多樣，而傳統的預測性維護平臺缺少數據安全共享機制和統一的數據標準化格式，數據只能在企業內部流通，無法實現整個產業鏈的數據資源共享。

2.2? 數據字典賦能預測性維護

為了克服傳統預測性維護平臺的弊端，本文將故障預測與健康管理PHM系統與標識解析、數據字典技術進行融合應用，基于標識解析和數據字典高效實現PHM系統功能，其整體架構如圖2所示。

系統基于數據元字典將元數據數據庫的數據標準化為靜態元數據庫、動態元數據庫以及配置元數據庫，通過標識模板將靜態元數據庫中的靜態數據基于統一的編碼規則映射到標識解析系統；在動態數據元數據前面增加對應的時間序列建立時序數據庫；配置元數據轉換為標準句法描述并建立配置文件模板。其中，靜態元數據包含設備身份證字符碼，設備運行參數等關鍵動態元數據和配置元數據基于數據字典規范化存儲在本地服務器，保障數據安全的同時對關鍵數據進行脫敏，基于標識解析實現企業上下游之間數據的流通。在數據轉化過程中，主要包含數據初始化、靜態數據元設置查詢、配置數據源設置查詢以及動態數據元上報過程，下面逐一介紹具體流程：

1）初始化過程：取靜態元數據庫中的靜態元數據轉換為標識解析系統的標識模板并插入標識解析系統；取動態元數據庫中的動態元數據將數據標識序列映射為時間序列并建立時序數據庫；取配置元數據庫中的配置元數據轉換為標準句法描述并建立配置文件模板。

2）靜態數據元設置查詢過程：用戶通過頁面或遠程使用靜態元數據句法描述對PHM系統進行靜態數據元設置查詢；數據字典映射模塊將靜態元數據句法描述轉換為標識數據在標識解析系統中進行插入，修改和查詢。使用數據字典時，通過查詢數據字典獲取書時序數據庫表頭信息，表頭名稱使用“設備碼+索引號”，類型按照數據字典描述的類型進行定義；最后，PHM系統使用原有同步機制獲取標識解析系統中的更新數據。

3）配置數據源設置查詢過程：用戶通過頁面或遠程使用配置元數據句法描述對PHM系統進行配置數據元設置查詢；數據字典映射模塊將配置元數據句法描述轉換為配置文件進行更新；PHM系統使用原有同步機制獲取配置文件中的更新數據，數據字典的增刪改查在單獨頁面進行，數據字典變化時通過API通知PHM系統數據字典的變化，用來更新時序數據庫數據表。

4）動態數據元上報過程：符合數據字典標準的邊緣網關使用動態元數據句法描述上報動態數據元；數據字典映射模塊將上報的動態數據元轉換的數據標識序列轉換為時間戳序列，并調用數據數據庫指令插入時序數據庫；PHM系統仍然使用時序數據庫中的數據進行分析建模。

2.3? 數據字典映射

工業數據字典是一種用于描述工業設備數據屬性特征的數據集合。故障預測與健康管理平臺的終端設備種類復雜多樣，導致采集到的設備數據多源異構，另外，企業生產設備不間斷作業帶來規模龐大的設備數據量，進一步加劇了數據處理的難度。因此，本文基于數據字典映射機制，統一標準化數據格式，將不同類型的數據映射到不同的數據分組中，在降低數據處理復雜度的同時，保障了數據的安全。

在企業生產過程中，按照工業設備數據的特點，將數據劃分為靜態屬性數據、動態屬性數據以及配置屬性數據。靜態屬性數據字典規定設備固有屬性且相對不變的參數，如設備名稱、設備序列號、生產廠商等。動態屬性數據字典定義為在設備運行中隨著時間變化且可度量的參數，如溫度、壓力、速度、電流等。配置屬性數據字典規定設備運行條件、環境、以及設備數據采集與訪問過程有關的參數，如設備采樣頻率、數據類型等。工業設備數據字典示例如表1至表3所示。

2.4? 標識解析編碼機制

數據字典中動態屬性數據和配置屬性數據大部分為企業關鍵性數據，對數據的安全性要求較高，而對靜態數據的敏感性相對不高。因此，本文采用標識解析機制面對企業內部關鍵性數據進行脫敏，把靜態屬性數據轉基于標識解析機制進行編碼上云，關鍵性數據保存在企業內部，實現動靜態數據的隔離。在對靜態數據進行統一編碼的同時，也在一定程度上解決了不同設備數據異構的兼容性問題。

本文標識編碼規則遵循Handle體系標準，由全球統一管理標識前綴和標識后綴組成，“/”為固定分隔符，標識編碼格式如圖3所示。標準編碼格式由標識前綴、固定分隔符、標識后綴組成，其中標識前綴由國家代碼、行業代碼、企業代碼構成，標識后綴由國民經濟代碼、產品類別、企業私有的自定義貨物條碼以及生產批次組成。標識編碼規則如圖3所示。

以某企業生產的內存條進行Handle標識編碼為例，具體分配過程如表4所示。根據上述的標識編碼分配過程，某企業生產的某內存條的基于Handle體系的統一標識編碼為88.258.1/C3563 CPU_M73W8T8302051_20200102。

3? 實驗及結果分析

本節對設計搭建好的基于標識解析和字典映射的預測性維護平臺進行一系列測試，包括功能測試和性能測試，功能測試主要是對預測性維護平臺的主要功能進行測試，測試每個功能模塊是否正常運行，性能測試主要是對平臺的資源消耗情況進行測試。

3.1? 測試環境

本文測試環境基于虛擬機進行多節點部署測試，測試服務器的配置參數如表5所示。

3.2? 功能測試

功能測試主要是對預測性維護平臺的功能模塊進行測試，主要包括頁面布局、角色列表、用戶列表、可視化配置、網關管理、協議驅動、設備模板、設備檔案、故障庫、維保統計與專家知識庫幾大功能模塊。如表6所示。

3.3? 性能測試

本節對平臺進行性能測試，在同一局域網內，根據不同的測試場景，通過設置JMeter的線程數和吞吐量等參數，模擬指定用戶數量的情況下，同時訪問不同頁面，通過監聽器記錄所有請求的響應時間和返回結果，并觀察服務器的資源使用情況是否滿足要求。如表7所示。

測試過程中實時查看服務器資源使用狀況，逐步增加并發數，測試性能瓶頸，圖4給出服務器的資源使用情況，對CPU的使用率和端口讀取速度進行監測。

4? 結? 論

深化5G、人工智能、數字孿生等新一代信息技術在工業領域的創新應用，加快安全生產基礎設施改造升級是國內企業的普遍需求，如何實現生產過程的智能化監控且基于監控數據達到高效決策是企業數字化轉型的關鍵。本文通過分析傳統故障預測與健康管理平臺的不足，提出一種基于標識解析和字典映射的預測性維護設備數據安全接入方法，采用標識解析機制對企業內部數據進行脫敏，融合數據字典機制，對多源異構數據進行動靜態分組和對數據標準化，實現數據的動靜態隔離及企業上下游之間的資源信息共享，保障了企業數據的安全。未來，可以將工業領域的PHM預測性維護技術推廣到如原材料、危險化學品、礦山等其他重點行業領域，構建基于工業互聯網的安全生產感知、監測、預警、處置及評估體系，建立風險特征庫、失效數據庫、安全生產評估模型和工具集，支撐制造業的數字化、網絡化、智能化轉型，形成全新的工業生產制造和安全管理模式，推動平臺間數據互聯互通，打造協同發展、多層次系統化平臺體系。

參考文獻：

[1] ZHANG S L. Data Sharing Network Model and Mechanism of Power Internet of Things in Virtualized Environment [J].IEEE Access，2022（10）：4252-4260.

[2] 金曉航，王宇，ZHANG B.工業大數據驅動的故障預測與健康管理 [J].計算機集成制造系統，2022，28（5）：1314-1336.

[3] 趙杰.基于區塊鏈的工業互聯網標識解析系統實踐初探 [J].自動化應用，2023，64（3）：211-214.

[4] 吳曉鳴，張輝，徐冉，等.考慮5G基站的多能工業園區全壽命周期供能規劃 [J].電力建設，2023，44（3）：15-24.

[5] WEISS B A，VOGL G，HELU M，et al. Measurement Science for Prognostics and Health Management for Smart Manufacturing Systems： Key Findings from a Roadmapping Workshop [J].NIST Author Manuscripts，2015，6（46）：1-18.

[6] BERNINI L， WALTZ D，ALBERTELLI P，et al. A Novel Prognostics Solution for Machine Tool Sub-units： The Hydraulic Case [J]. Proceedings of the Institution of Mechanical Engineers，Part B：Journal of Engineering Manufacture，2022，236（9）：1199-1215.

[7] SUO D，GAO J J. A strategy of Building Cloud Manufacturing Service Platform Based on CloudAnalyst [C]//2013 International Conference on Mechatronic Sciences， Electric Engineering and Computer（MEC）.Shenyang：IEEE，2013：2143-2147.

[8] 裴吉，張猛，武春輝，等.基于LabVIEW的淮安一站水泵機組振動監測系統設計與開發 [J].排灌機械工程學報，2023，41（3）：217-223.

作者簡介：林詩美（1975—），女，漢族，廣東深圳人，高級工程師，碩士研究生，研究方向：工業控制計算機。