边缘计算在水泵故障诊断中的应用研究

2021-05-26黄啸天李咪渊

科学与信息化 2021年13期

黄啸天李咪渊

1. 苏州滨特尔水处理有限公司上海分公司上海长宁 200050；2. 上海振华重工股份有限公司上海浦东 200120

传统的水泵维护方式主要采用事后维修或预防式维护，随着水泵自动化随着自动化程度和状态监测技术的不断提升，水泵运行数据获取也成为设备必要的功能，基于状态数据进行设备故障的诊断与故障预测已成为行业发展趋势。当设备运行状态发生异常时，某些参数或参数的特征会随之进行相应变化，这些产生变化的特征对分析设备的状态很有必要。将这些异常特征与设备状态进行结合，找出其中的规律然后做出准确判断和归类就是故障诊断的任务。实践表明，水泵的振动信号往往可以反映其运行的实际状态，因此基于振动信号实现水泵的智能维护是行之有效的。

随着云计算技术的不断发展，我们正跨入边缘智能时代，网络边缘将会承担越来越多的智能服务，模型的训练、模型的部署以及模型的推理都将可以在网络边缘完成。在雾端（工厂侧服务器）拉取云端预训练好的算法模型，结合迁移学习理论，根据边缘端设备侧实际采集的故障数据，对模型再次训练微调，构建具有持续学习能力的智能模型，可提高诊断算法的适用性，有效应对设备部件失效的不确定性及样本分布的非独立性。

为了提高水泵故障诊断的信息化与智能化水平，本文将运用物联网、边缘计算、云计算、大数据、深度学习等新一代信息技术，与传统设备监测技术融合协同，开发边缘智能系统对设备状态的采集、监测以及诊断全过程进行研究，实现水泵设备的智能诊断与维护。

1 人工智能在设备故障诊断的发展现状

随着科学技术的进步，自工业革命以来工业设备不断朝着复杂化、信息化、智能化方向发展。根据文献[1]所述，随着新一代人工智能技术的到来以及物联网、云计算、5G等技术的蓬勃发展，人工智能在工业制造领域的应用展现出巨大潜力。

从诊断方法的角度，现有的故障诊断方法分为基于分析模型的方法、基于定性经验知识的方法和基于数据驱动的方法[2]。数据驱动的诊断方法由于不依赖于解析模型，非常适用于现代复杂的机械系统。智能故障诊断的实质是对故障的类型进行分类，作为智能故障诊断领域中最能够体现其智能化的方法之一，机器学习算法能够为诊断对象建立合适的模型，使模型能够对知识自学习，并让其在学习过程中不断调整和修改，以丰富和完善模型[3]。

2 水泵故障评价标准分析

水泵的监测诊断方法有很多种，考虑到适用性，监测效果，过程繁易等问题，振动法因其突出性能被广泛应用[4]。当前，国内外有两个关于振动测量和评定的标准：ISO7919（GB/T11348）系列“旋转机械转轴径向振动的测量和评定”与 ISO/TC10816（GB/T6075）系列“在非旋转部件上测量与评价机器的机械振动”。前者用于测量与评价轴的振动位移，后者用于测量与评定轴承座的振动烈度。基于以上振动评价方法，水泵的振动包括轴振动与轴承振动。依据标准，水泵的振动监测点通常选在轴承座、出口法兰和底座处。主要测点一般选在轴承座处和靠近轴承处，辅助测点选在底座和出口法兰处。根据现场的实际情况，通常大型的石油化工用泵测量垂直、水平和轴向三个互相垂直的方向的振动状态，且基本采用轴振动[5-6]。

3 边缘计算发展现状

随着云计算技术的不断发展，我们正跨入边缘智能时代，网络边缘将会承担越来越多的智能服务，模型的训练、模型的部署以及模型的推理都将可以在网络边缘完成。边缘智能的出现，可以有效解决边缘端与云端通讯的不稳定性、边缘端大量数据上传的带宽占用及数据隐私性问题。边缘计算由利用传统和云数据中心之外可用计算资源的技术组成，可使工作负载的所在位置更接近数据的创建位置，并且可以根据数据分析结果及时地采取操作。通过利用和管理可在远程场所（例如工厂、零售店、仓库、酒店、配送中心或车辆）使用的计算能力，企业可以创建相应的应用程序来实现以下目标：①显著减少延迟、②降低对网络带宽的需求、③增加敏感信息的隐私性、④即使网络中断也可正常运作[7]。