1　目标和概述

在离散制造业的机加工企业中，普遍存在：机床数量庞大、机床部件多样、现场工况复杂、数据多源异构且协同管理困难、数据应用需求经常变化的情况，因此亟需一种平台能力强、配置灵活、稳定可靠的边缘计算解决方案解决企业的上述问题。为解决某汽车零部件制造企业的某类卧式加工中心的电主轴、换刀机构的故障预测性维护需求，本方案采用CNC+Sensor+Client+ Server模式的软硬件一体的边缘架构，对其高频的电机电流数据和低频的CNC控制信号数据进行协议解析和采集，通过边缘Client功能进行实时的高低频数据融合、工况切割、特征提取，最终数据通过4G网络上传Server层，通过Server功能实现边缘设备远程配置、状态实时监控、数据历史回放，整个过程基本无定制软件开发，完全依赖边缘计算平台的软件功能实现。

2　解决方案介绍

2.1　边缘计算技术的应用

本方案通过边缘计算设备直接和设备控制器通讯采集加工设备已有数据（如主轴转速），并通过加装传感器方式采集加工设备原本没有的数据（如主轴电机电流），这些数据前者属于低频数据，后者属于高频数据。

其中低频数据由边缘计算设备简单处理后直接通过4G网关传输到公有云端，高频数据由边缘计算设备进行数据分析建模提取数据特征值后上传云端。

2.2　系统架构（如图1所示）

图1 系统架构图

2.3　硬件平台

边缘计算设备采用天泽iEC系列边缘智能硬件，是面向关键设备、高价值资产工业智能应用的边缘计算单元，基于高性能ARM或Intel处理器平台，可在边缘端一站式实现数据采集、协议解析、信号处理、特征提取、机器学习等多种功能。结合天泽智云在工业智能应用算法领域的十多年积累，为用户打造软硬算一体化的整体解决方案，可实现设备的状态监测、异常检测、健康管理、寿命预测等功能。

本方案中使用的iEC-1001产品特性及应用场景：

（1）四通道51.2kS/s同步采样，能够兼容包括振动、转速、电流等多种信号的高速数据采集；

（2）内置64位四核ARM Cortex-A53 CPU，兼容Python模型的快速部署；

（3）内部存储空间为4GB，支持大容量高频振动数据存储；

（4）支持以太网口、串口、USB等端口，可以快速完成多终端的互联组网。

（5）面向智能工厂设备批量部署应用等。

2.4　软件平台

边缘计算解决方案中的软件平台采用了天泽智云自主研发的产品EdgePro，EdgePro是一款支持快速实现工业数据采集和边缘计算的工业物联网与边缘智能系统，通过将物联网、边缘计算、特征工程与机器学习等技术融于一体，可直接将机器学习模型与特征工程算法一键部署到边缘硬件，真正打通工业互联网与边缘智能的最后一公里，实现工业边缘计算、边缘智能与边缘决策。EdgePro的核心服务如图2所示。

图2 EdgePro核心服务

（1）EdgePro核心价值

• 加速实现工业多源混合数据采集、特征提取及边缘计算

EdgePro创新性地将工业数据采集、硬件配置下发、状态监控与模型部署四类功能标准化，通过开放接口可满足大部分工业设备数字化与智能化的多样化需求。不论是实时获取原始波形亦或是获取特征数据，均可通过配置轻松实现设备数字化映射与特征信息提取。目前EdgePro可接入、配置和管理各类嵌入式状态监测系统（CMS）、工控机（IPC）、工业网关、PLC与嵌入式系统等，助力企业实现全面智能化改造、大规模关键资产与辅助资产统一监控。

• 支持快速规模化设备接入

EdgePro可为用户提供诸如轴承、齿轮箱、泵、电机等现成可用的数据采集和传感器参数模板。并可针对设备工况设置进入/退出机制，灵活地实现按需采集、灵活触发、采样率可调和波形长短可配的监控策略，以解决客户在制定设备监测方案、传感器选型和信号处理等方面遇到的挑战。同时，还可支持批量化的设备添加和配置。

• 轻松打通机器学习模型云端到边缘端一键部署

EdgePro可为旋转机械类设备、电气设备、结构监测等相关应用场景提供现成可用的特征参数列表以及自定义特征接口，通过不断丰富特征列表大大降低工业设备在健康管理、能耗优化以及其他智能应用场景特征提取的需求门槛。同时可提供云端机器学习模型部署到边缘智能终端的接口，有机实现云端与边缘端的协同配合。

（2）EdgePro关键特性（如图3所示）

图3 EdgePro关键特性

2.5　数据通信

由于边缘计算应用在边缘侧，有着天生的优势，使得数据在数据的源头直接进行处理，降低数据处理的时延性；同时，边缘计算对原始的信号数据进行特征提取、信号处理等数据加工，使数据降维，去除无效数据，有效地降低数据包的数据量大小。

（1）低延时

相比传统的云计算，因为云计算架构中的数据链路通常都比较长，会经过本地控制网、本地管理网、互联网、云机房、云服务器，若实时性要求很高的计算放在云平台进行，由于数据传输的链路过程，通常延迟会很高，达到至少上百ms级乃至秒级以上的延迟，这样的情况通常满足不了实时性的要求。而边缘计算天生就在数据的源头，不需要经过庞大的数据链路，直接进行运算和分析，大大降低数据处理的时延性。

（2）减少数据传输

在设备预测性维护与健康管理的解决方案中，通常需要采集高采样率的振动信号，常用的采样率有12.8k、25.6k、51.2k等，这时每个设备产生的数据是庞大的，通常1秒能产生4~5MB的振动信号数据，这样的数据量基本就占用了百兆级网络的50%的带宽，而通常一个网络内会有几十台乃至上百台的设备需要监控和管理，这时数据的传输就会是瓶颈，即使是采用光纤网络也满足不了要求。所以采用边缘计算方案可以有效地解决数据传输所需的带宽问题，边缘计算通过信号处理与特征提取技术，对数据进行降维处理，提取有效数据，通过边缘计算可以将原始数据的大小压缩几十倍，甚至几百倍，从MB级别的数据压缩至kB级别的数据，大大压缩了数据传输量，降低了数据传输的带宽需求。

（3）数据压缩传输

在数据传输过程中，使用数据压缩技术对数据进行压缩后传输，这样降低数据包体的大小。采用数据压缩技术，通常可以将数据压缩到3~5倍，这样加速数据的传输，提升传输效率。

2.6　安全措施

EdgePro提供健全的安全管理机制实现系统安全，主要安全机制如下：

（1）身份认证与鉴权

因为边缘计算是一个多实体的计算范式，其中包含了很多功能实体，其复杂的异构特征带来了很多的挑战，所以边缘计算中不仅每个实体都需要经过身份认证，而且实体之间都需要进行身份相互验证。同时，系统能对每个身份进行权限的鉴别与分配。

（2）访问控制

对资源的访问过程进行实时控制，提升边缘计算中系统安全性和保护用户隐私，系统提供基于属性的访问控制和基于角色的访问控制。

（3）数据传输安全

根据实际环境的需要，可以提升数据传输的安全级别，对数据进行加密传输，保护边缘实体的数据隐私。

（4）数据存储安全

对关键敏感数据进行加密存储，对数据提取需经过身份认证，保护数据的存储安全。

（5）运行安全

平台整体以及边缘计算模型都运行在独立的容器之中，使系统及模型运行在沙盒之中，保护系统和模型在运行时不受入侵的威胁，保护系统及模型的运行安全。

（6）协议安全

平台提供多种主流的工业协议的集成配置，支持Modbus、OPC-UA、HTTP、MQTT、AMQP等主流协议，屏蔽其他非主流协议，提升系统集成的安全。

（7）安全审计

平台提供用户的操作日志记录，使用户在平台上的操作步步留痕，行为可追溯，提供安全审计数据，提升系统安全。

（8）容灾和恢复

平台提供分布式部署能力，依托于分布式架构天生的特性，避免出现单点故障，提升系统稳定性。同时，系统支持主备式部署，当主服务器发生异常时，系统可实时切换至备用服务器，使服务无间断运行，提升系统稳定性。

3　代表性及推广价值

面向卧式加工中心的边缘计算软硬件解决方案，实现了数据稳定、合规、协同、灵活的采集、融合、预处理、传输和持久化。在Client端进行数据融合工况切割，只让有效数据到达Server层，减少4G流量消耗的同时有效降低了服务器性能的需求，对多源异构数据的管理和对不同类型数采设备的远程配置减低了开发部署和管理维护的难度，“零开发”的部署模式能够大幅度降低工业智能落地的门槛。

这套解决方案能够有效地针对机加工行业的特点，在技术成熟度和经济成本方面具备业内领先水平。在如今大规模离散制造业进行下一代工业物联与智能制造的升级过程中，此方案短期具有面向产线、车间、厂区推广的价值，长期具有推广至同行业其他企业的基础条件。

摘自《自动化博览》2020年11月刊