第3頁共3頁基于工業(yè)互聯(lián)網(wǎng)的設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維研究摘要在制造系統(tǒng)逐步復(fù)雜化，分散化的背景下，系統(tǒng)遠(yuǎn)程監(jiān)控和運(yùn)維成為了現(xiàn)代制造活動(dòng)至關(guān)重要的一環(huán)。對于設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維的業(yè)務(wù)建模，通用性強(qiáng)的架構(gòu)設(shè)計(jì)，和具體業(yè)務(wù)實(shí)現(xiàn)方案缺乏系統(tǒng)性的界定和實(shí)現(xiàn)。本文針對這些問題，首先將領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)方法與微服務(wù)設(shè)計(jì)理念進(jìn)行結(jié)合，針對設(shè)備遠(yuǎn)程監(jiān)控運(yùn)維領(lǐng)域進(jìn)行了建模。再針對于當(dāng)下智能系統(tǒng)對于數(shù)據(jù)采集，數(shù)據(jù)分析，再作用于系統(tǒng)的需求，考慮到高算力和實(shí)時(shí)性保障的相互耦合因素，采用端邊云協(xié)同的架構(gòu)設(shè)計(jì)，與微服務(wù)系統(tǒng)架構(gòu)進(jìn)行結(jié)合得到設(shè)備遠(yuǎn)程監(jiān)控運(yùn)維的總架構(gòu)。并針對設(shè)備監(jiān)控，遠(yuǎn)程運(yùn)維兩個(gè)具體工業(yè)業(yè)務(wù)提出了具體實(shí)現(xiàn)方案，從工作流程制定，與模型、總架構(gòu)實(shí)際關(guān)系，和能夠應(yīng)用的算法多維度進(jìn)行了闡述，并針對具體內(nèi)容完成了實(shí)驗(yàn)驗(yàn)證。最終得到了一個(gè)系統(tǒng)性較為完備，擁有可執(zhí)行性的設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維整體方法。關(guān)鍵詞：設(shè)備監(jiān)控，遠(yuǎn)程運(yùn)維，工業(yè)物聯(lián)網(wǎng)，領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)，微服務(wù)目錄第一章緒論 11.1 研究背景 11.1.1 工業(yè)物聯(lián)網(wǎng) 11.1.2 工業(yè)人工智能 21.2 設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維的研究現(xiàn)狀 41.2.1 設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維的發(fā)展 41.2.2 設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維架構(gòu) 41.2.3 論文研究目標(biāo) 71.3 本文的結(jié)構(gòu) 7第二章設(shè)備遠(yuǎn)程監(jiān)控運(yùn)維領(lǐng)域建模 82.1 領(lǐng)域建模背景與意義 82.1.1 業(yè)務(wù)建模技術(shù) 82.1.2 工業(yè)微服務(wù)技術(shù) 82.1.3 領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)與微服務(wù) 92.2 領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)建模 92.2.1 領(lǐng)域驅(qū)動(dòng)設(shè)計(jì) 92.2.2 領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)建模架構(gòu) 102.3 設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維的領(lǐng)域驅(qū)動(dòng)建模 102.3.1 劃分子域 102.3.2 確定限界上下文 112.3.3 基于DDD的微服務(wù)總目錄結(jié)構(gòu) 122.3.4 設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維微服務(wù)組件 13第三章設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維架構(gòu) 153.1 端邊云協(xié)同架構(gòu) 153.2 微服務(wù)架構(gòu) 163.3 端邊云協(xié)同的監(jiān)控運(yùn)維方案 17第四章設(shè)備監(jiān)控實(shí)現(xiàn)方案 194.1 設(shè)備監(jiān)控方案 194.2 基于自動(dòng)編碼器的設(shè)備監(jiān)控算法 204.2.1 標(biāo)準(zhǔn)自動(dòng)編碼器 204.2.2 基于AE的設(shè)備監(jiān)控算法 214.3 實(shí)驗(yàn) 234.3.1 參數(shù)監(jiān)控組件 234.3.2 異常回報(bào)組件 25第五章遠(yuǎn)程運(yùn)維實(shí)現(xiàn)方案 265.1 遠(yuǎn)程運(yùn)維方案 265.2 遠(yuǎn)程運(yùn)維算法 285.2.1 CBM算法 285.2.2 數(shù)據(jù)驅(qū)動(dòng)的PdM策略 295.3 實(shí)驗(yàn) 29第六章結(jié)論與展望 316.1 結(jié)論 316.2 展望 31參考文獻(xiàn) 33第一章緒論研究背景由于全球化進(jìn)程，現(xiàn)代制造活動(dòng)是在地理分布越來越廣的環(huán)境中進(jìn)行的，在這種環(huán)境中，中小型企業(yè)和大型企業(yè)已經(jīng)形成了復(fù)雜和分散的制造網(wǎng)絡(luò)，由文獻(xiàn)[1～4]可見如今這種制造網(wǎng)絡(luò)的普及性。為了在分布式協(xié)作環(huán)境中實(shí)現(xiàn)數(shù)字化和智能化制造，中小型企業(yè)和大型企業(yè)一直面臨著越來越多的需求，首當(dāng)其沖的需求是擁有能夠高效收集和分析機(jī)器和制造過程中產(chǎn)生的大量數(shù)據(jù)的硬件和軟件系統(tǒng)，隨后是需求能夠有效診斷已識(shí)別缺陷的根本原因、預(yù)測其發(fā)展并主動(dòng)預(yù)測維護(hù)活動(dòng)以最大限度減少意外機(jī)器停機(jī)時(shí)間的算法。因此大規(guī)模制造活動(dòng)的智能化，系統(tǒng)化，數(shù)據(jù)的云端化，分析處理的遠(yuǎn)程化是當(dāng)下熱點(diǎn)的工業(yè)領(lǐng)域更新方向。智能網(wǎng)絡(luò)制造指的是使用高性能計(jì)算、優(yōu)化、模擬、傳感技術(shù)和數(shù)據(jù)分析來創(chuàng)造創(chuàng)新產(chǎn)品，在文獻(xiàn)[5]和文獻(xiàn)[6]中介紹了這種智能網(wǎng)絡(luò)制造模式。近年來，推進(jìn)智能網(wǎng)絡(luò)制造得到了很多關(guān)注和資助。例如，根據(jù)美國的國家科學(xué)基金會(huì)(NSF)的數(shù)據(jù)，2015年至2020年有超過3億美元投資于網(wǎng)絡(luò)智能制造系統(tǒng)。2015年，其向28所大學(xué)授予了25個(gè)探索性研究早期概念贈(zèng)款項(xiàng)目，以支持制造業(yè)和計(jì)算機(jī)及信息科學(xué)和工程研究人員之間的合作研究。數(shù)字制造和設(shè)計(jì)創(chuàng)新研究所(DMDII)發(fā)布了幾個(gè)項(xiàng)目，要求對傳統(tǒng)設(shè)備和配備數(shù)控控制器和傳感器的現(xiàn)代機(jī)床進(jìn)行實(shí)時(shí)機(jī)器和過程監(jiān)控、診斷和預(yù)測。此外，歐盟根據(jù)地平線2020計(jì)劃也發(fā)布了幾個(gè)智能網(wǎng)絡(luò)物理系統(tǒng)和制造業(yè)高性能云計(jì)算基礎(chǔ)設(shè)施的項(xiàng)目招標(biāo)。由此可見在國際領(lǐng)域內(nèi)，各國家對于智能網(wǎng)絡(luò)制造的重視程度。設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維的研究現(xiàn)狀設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維有效針對研究背景中所提及的制造分布式協(xié)作模式，契合工業(yè)4.0時(shí)代，提供了一種智能化，遠(yuǎn)程化的制造解決方案，其實(shí)現(xiàn)了設(shè)備側(cè)，邊緣側(cè)，云側(cè)的物理分離卻又信息互通互聯(lián)，相互配合，提供了設(shè)備數(shù)據(jù)采集，管理存儲(chǔ)，使用高計(jì)算力進(jìn)行數(shù)據(jù)分析等符合當(dāng)下智能制造需求的眾多重要功能模塊。設(shè)備遠(yuǎn)程監(jiān)控運(yùn)維技術(shù)隸屬于工業(yè)人工智能，屬于工業(yè)人工智能的一個(gè)具體應(yīng)用場景。設(shè)備遠(yuǎn)程監(jiān)控運(yùn)維的目的是將各種不同類型的設(shè)備的實(shí)時(shí)運(yùn)行數(shù)據(jù)收集，集中管理，進(jìn)行數(shù)據(jù)分析，并能夠一并進(jìn)行個(gè)性化的可視化展示，監(jiān)控功能為通過一定的算法識(shí)別出設(shè)備故障并及時(shí)報(bào)警，運(yùn)維功能為基于數(shù)據(jù)對設(shè)備進(jìn)行維護(hù)。這往往不同于傳統(tǒng)制造過程中，采集的數(shù)據(jù)有限，且只能在有限的設(shè)備現(xiàn)場附近某一控制室可見，而是數(shù)據(jù)實(shí)時(shí)發(fā)送到云端，可以在任何位置的任何有權(quán)限的終端查看實(shí)時(shí)數(shù)據(jù)，故障內(nèi)容信息，推薦的運(yùn)維策略等。設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維的發(fā)展設(shè)備監(jiān)控的概念其實(shí)早已存在，早期在設(shè)備上直接使用儀表直接測量顯示部分過程量其實(shí)就是監(jiān)控的概念。后來發(fā)展為在設(shè)備現(xiàn)場附近的集中監(jiān)控室，在其中集中放置了接出的儀表數(shù)據(jù)，派專人進(jìn)行監(jiān)控。如今在工業(yè)物聯(lián)網(wǎng)以及工業(yè)人工智能概念的提出和發(fā)展下，提出了設(shè)備聯(lián)網(wǎng)遠(yuǎn)程監(jiān)控的概念。設(shè)備維護(hù)策略已經(jīng)存在修復(fù)性維護(hù)、定時(shí)維護(hù)、視情維護(hù)等許多維護(hù)策略[10-12]。修復(fù)性維護(hù)（Correctivemaintenance，CM），也可以被稱為事后維護(hù)（Breakdownmaintenance，BM）指在故障已經(jīng)發(fā)生后進(jìn)行停機(jī)維修，它可以歸屬于典型的非計(jì)劃之內(nèi)維修策略[13]。CM帶來的制造停滯時(shí)間非常長，對機(jī)器，產(chǎn)線所帶來的危害完全不可控。定時(shí)維護(hù)（Time-basedmaintenance，TBM）根據(jù)每個(gè)獨(dú)特制造過程的計(jì)劃制定以及歷史經(jīng)驗(yàn)，按照計(jì)劃好的時(shí)間間隔進(jìn)行停機(jī)的大規(guī)模檢查，來發(fā)現(xiàn)那些設(shè)備的老化，即將損壞現(xiàn)象，來保證安全性和可持續(xù)性。這種維護(hù)策略的停機(jī)時(shí)間也很長，每次檢查耗費(fèi)的人力也很高，但相比于修復(fù)性維護(hù)，對機(jī)器，產(chǎn)線的安全性保護(hù)較好。視情維護(hù)（Condition-basedmaintenance，CBM）指的是以機(jī)器，系統(tǒng)的工作運(yùn)行狀態(tài)為依據(jù)，對于那些關(guān)鍵部分的關(guān)鍵狀態(tài)定期，連續(xù)，甚至實(shí)時(shí)進(jìn)行監(jiān)控，當(dāng)產(chǎn)生了不合理狀態(tài)時(shí)，進(jìn)行維護(hù)。CBM是一個(gè)寬泛的概念，通常涵蓋基于退化模型對實(shí)時(shí)數(shù)據(jù)進(jìn)行判斷的維護(hù)策略，在工業(yè)人工智能的背景下產(chǎn)生了預(yù)測性維護(hù)（Predictivemaintenance，PdM）的維護(hù)策略，指使用工業(yè)人工智能算法對大數(shù)據(jù)進(jìn)行分析，從而預(yù)測系統(tǒng)剩余使用壽命（Remainingusefullife，RUL）的維護(hù)策略。設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維架構(gòu)端云架構(gòu)設(shè)備遠(yuǎn)程監(jiān)控運(yùn)維的傳統(tǒng)端云架構(gòu)指的是在設(shè)備端采集數(shù)據(jù)，將數(shù)據(jù)從傳感設(shè)備流式傳輸?shù)皆浦校谀抢镞M(jìn)行處理和建模。傳感設(shè)備通常在短時(shí)間內(nèi)，連續(xù)或周期性地產(chǎn)生大量數(shù)據(jù)。例如，一秒鐘內(nèi)，一臺(tái)機(jī)器可以生成數(shù)千條記錄[14]。根據(jù)思科云指數(shù)(2013-2018)，一個(gè)自動(dòng)化設(shè)施每小時(shí)可以生成萬億字節(jié)的數(shù)據(jù)。為此，使用采樣、壓縮、過濾等方法來減小數(shù)據(jù)大小。這些技術(shù)可以減少轉(zhuǎn)發(fā)到云中的數(shù)據(jù)量。這種架構(gòu)是設(shè)備端與云端的直接互聯(lián)，著重于數(shù)據(jù)的處理，下面具體介紹：采樣，采樣指的是從輸入數(shù)據(jù)中獲取數(shù)據(jù)點(diǎn)的頻率。比如它可以描述了被轉(zhuǎn)發(fā)的頻率感應(yīng)值為每秒，每分鐘，或者每小時(shí)。這通常用于具有頻繁冗余值的應(yīng)用程序。拿恒溫監(jiān)控來簡單舉例，可以用較少的樣本進(jìn)行推斷或決策。下面回顧一些最近的采樣手段：文獻(xiàn)[15]中提出的方法通過在數(shù)據(jù)流上應(yīng)用儲(chǔ)層和隨機(jī)采樣，并在聚合器中關(guān)聯(lián)指示數(shù)據(jù)值重要性的權(quán)重。這種方法的問題是權(quán)重與數(shù)據(jù)點(diǎn)的乘積最終會(huì)改變值。這使得它不適用于要求實(shí)際值或特定范圍內(nèi)的值的應(yīng)用。與這種方法不同的是，在[16]中提出的技術(shù)并不改變數(shù)值。它基于兩個(gè)子集、最大值和最小值，聚合節(jié)點(diǎn)使用這些子集來獲得近似流，這種方法可能會(huì)很好地解決重復(fù)值的問題。壓縮，數(shù)據(jù)壓縮是一種重要的減少數(shù)據(jù)量方法，數(shù)據(jù)在傳輸?shù)皆七M(jìn)行進(jìn)一步處理分析之前先會(huì)被壓縮。在文獻(xiàn)[17]中，作者提出了一種節(jié)能的方法來壓縮物聯(lián)網(wǎng)設(shè)備的多元時(shí)間序列數(shù)據(jù)。該方法中調(diào)整了最初是為壓縮高性能計(jì)算應(yīng)用程序的數(shù)據(jù)而提出的壓縮算法。傳感器節(jié)點(diǎn)進(jìn)行數(shù)據(jù)壓縮處理，以及重建，并轉(zhuǎn)發(fā)到云端。作為用例，他們使用文獻(xiàn)[18]中的數(shù)據(jù)集來確定駕駛員的壓力水平，給出了心電圖信號、呼吸和心率等特征。結(jié)果表明，數(shù)據(jù)挖掘模型可以有效地預(yù)測使用壓縮數(shù)據(jù)，而不損害準(zhǔn)確性。此外，結(jié)果還表明該方法在智能設(shè)備的計(jì)算時(shí)間和能耗方面是有效的。融合，來自各種流的數(shù)據(jù)被融合來減少數(shù)據(jù)冗余、提高數(shù)據(jù)質(zhì)量、提高可靠性、處理丟失的數(shù)據(jù)以及擴(kuò)大被監(jiān)控區(qū)域的覆蓋范圍。在文獻(xiàn)[19]提出的研究中，首先借助拉格朗日多項(xiàng)式在傳感器節(jié)點(diǎn)上對數(shù)據(jù)進(jìn)行約簡，然后將其發(fā)送到云服務(wù)器。端云結(jié)構(gòu)如下所示：圖SEQ圖\*ARABIC4端云架構(gòu)圖 端云架構(gòu)的弊端：雖然端云架構(gòu)減少了云中發(fā)送、存儲(chǔ)和處理的數(shù)據(jù)，但采樣、壓縮和融合等傳統(tǒng)方法主要在設(shè)備本身上實(shí)現(xiàn)，分析在云中執(zhí)行。傳感器節(jié)點(diǎn)有限的資源影響了復(fù)雜算法的實(shí)現(xiàn)。隨著物聯(lián)網(wǎng)應(yīng)用的發(fā)展，這種情況變得更加嚴(yán)重，因?yàn)槲锫?lián)網(wǎng)應(yīng)用涉及豐富的數(shù)據(jù)類型，如圖像。此外，由于延時(shí)問題，在云中開發(fā)實(shí)時(shí)分析幾乎是不可能實(shí)現(xiàn)的，不同的物聯(lián)網(wǎng)應(yīng)用幾乎都需要本地分析。例如，基于本地分析，在生產(chǎn)環(huán)境中快速打開/關(guān)閉某些設(shè)備的決定可以避免災(zāi)難性情況。這些本地分析在這種架構(gòu)中，被放置在了傳感器，也就是端側(cè)。對于一些微小的傳感器來說，這種算法在計(jì)算上非常昂貴，同時(shí)，微型傳感器的能耗也是一個(gè)重要問題。因此，用端云架構(gòu)實(shí)現(xiàn)實(shí)時(shí)目標(biāo)似乎是成本極高，難以實(shí)現(xiàn)的。端邊架構(gòu)為了擴(kuò)展云計(jì)算并將高性能計(jì)算能力帶到企業(yè)網(wǎng)絡(luò)的邊緣，思科引入了邊緣計(jì)算[20]。邊緣計(jì)算，也稱為霧計(jì)算或霧化，是一種在邊緣設(shè)備(如無線路由器和廣域網(wǎng)接入設(shè)備)和云計(jì)算數(shù)據(jù)中心之間提供高性能計(jì)算資源、數(shù)據(jù)存儲(chǔ)和網(wǎng)絡(luò)服務(wù)的計(jì)算模型[21-23]。在云計(jì)算中，大量數(shù)據(jù)必須傳輸?shù)皆粕系臄?shù)據(jù)中心，從而產(chǎn)生巨大的性能開銷。與云計(jì)算相反，訓(xùn)練大型數(shù)據(jù)集和可視化數(shù)據(jù)分析等計(jì)算密集型工作負(fù)載是在邊緣計(jì)算中進(jìn)行的，在邊緣計(jì)算中收集和存儲(chǔ)大量數(shù)據(jù)，而不是集中云存儲(chǔ)。邊緣計(jì)算的一個(gè)關(guān)鍵優(yōu)勢是，它使用戶能夠通過將計(jì)算節(jié)點(diǎn)移動(dòng)到更靠近本地物理對象或設(shè)備的位置，并直接在大數(shù)據(jù)上執(zhí)行應(yīng)用程序，避免在邊緣設(shè)備和云計(jì)算數(shù)據(jù)中心之間傳輸大量數(shù)據(jù)。因?yàn)檫吘売?jì)算非常接近原始數(shù)據(jù)源，所以邊緣計(jì)算能夠顯著減少延遲。這對延遲敏感的應(yīng)用尤為重要。思科將邊緣計(jì)算應(yīng)用到智能電網(wǎng)中，在智能電表等邊緣設(shè)備上執(zhí)行能源負(fù)載平衡應(yīng)用，實(shí)現(xiàn)實(shí)時(shí)應(yīng)用和位置敏感服務(wù)[24]。邊緣計(jì)算的另一個(gè)關(guān)鍵特征是，它是保護(hù)基于云的制造系統(tǒng)的有效方法[25]。端邊架構(gòu)是設(shè)備端與邊緣端的直接互聯(lián)，不涉及云端，意味著將算力全部放在靠近設(shè)備端的邊緣側(cè)。在文獻(xiàn)[26]中，作者考慮了所提出的混合架構(gòu)中的延遲要求。他們提出的混合架構(gòu)由邊緣服務(wù)器和傳感設(shè)備組成。采用這種架構(gòu)的，如在文獻(xiàn)[27]中，邊緣服務(wù)器首先對提取的圖像數(shù)據(jù)進(jìn)行預(yù)處理，并將其轉(zhuǎn)換成基于文本的時(shí)間序列數(shù)據(jù)。一旦數(shù)據(jù)準(zhǔn)備好，它們就被傳送到長短期記憶人工神經(jīng)網(wǎng)絡(luò)。第二個(gè)組成部分，也是該方法的新穎之處，是通過粒子群優(yōu)化算法對長短期記憶人工神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整。端邊結(jié)構(gòu)如下所示：圖SEQ圖\*ARABIC5端邊架構(gòu)圖基于這種架構(gòu)設(shè)計(jì)的框架有幾個(gè)好處。首先，該架構(gòu)需要更少的通信資源以及更少的云資源負(fù)擔(dān)。其次，如果被設(shè)計(jì)成獨(dú)立于云之外工作，技術(shù)甚至可以在完全沒有連接的情況下工作。第三，使用這種體系結(jié)構(gòu)，滿足實(shí)時(shí)要求是可能的。第四，當(dāng)邊緣側(cè)在本地處理數(shù)據(jù)時(shí)，它也滿足了安全性和隱私方面的考慮。但端邊架構(gòu)有一個(gè)致命的問題，在于在近設(shè)備側(cè)構(gòu)建一個(gè)邊緣側(cè)，提供的算力往往是有限的，同時(shí)，構(gòu)建的成本十分高，但卻只能針對于這一個(gè)工業(yè)現(xiàn)場，使得這種架構(gòu)的應(yīng)用十分受限。例如，構(gòu)建一個(gè)峰值性能為幾十億次的大規(guī)模高性能計(jì)算集群的初始成本是幾百萬美元[23]，而運(yùn)營和維護(hù)這樣一個(gè)集群的成本每年可能超過一百萬美元。端邊云架構(gòu)由于邊緣計(jì)算的提出，端邊云架構(gòu)自然得以提出。實(shí)際上，在工業(yè)物聯(lián)網(wǎng)的架構(gòu)設(shè)計(jì)中往往都設(shè)置了邊緣層，但是在針對于設(shè)備監(jiān)控運(yùn)維的具體應(yīng)用場景中，實(shí)際系統(tǒng)設(shè)計(jì)了端邊云架構(gòu)并實(shí)施的案例較少。由于不同于兩側(cè)結(jié)構(gòu)，端邊云的三側(cè)結(jié)構(gòu)存在算力如何分布設(shè)置；云側(cè)，邊緣側(cè)分別獲取，存儲(chǔ)哪部分的數(shù)據(jù)等眾多問題，分歧大，不同情形下個(gè)性化程度也很高。論文研究目標(biāo)如今基于物聯(lián)網(wǎng)和工業(yè)人工智能的概念，很多企業(yè)都提出了自己的物聯(lián)網(wǎng)架構(gòu)，在云側(cè)放置了許多功能模塊，然而每個(gè)功能模塊適宜的架構(gòu)，實(shí)行方案，運(yùn)用的技術(shù)都不盡相同。而往往他們對于具體功能模塊的實(shí)現(xiàn)是不展示給公眾的，而每個(gè)模塊的落實(shí)，研究才是真正能夠推動(dòng)工業(yè)智能發(fā)展，將應(yīng)用與理論更好結(jié)合的關(guān)鍵。在學(xué)術(shù)研究方面，針對于設(shè)備監(jiān)控和運(yùn)維的學(xué)術(shù)研究集中于具體算法的開發(fā)研究，而較少考慮整體架構(gòu)的部署。因此本文致力于就端邊云協(xié)同環(huán)境下的設(shè)備遠(yuǎn)程監(jiān)控與運(yùn)維提出具體的架構(gòu)，方案設(shè)計(jì)。本文的結(jié)構(gòu)第一章為緒論，在研究背景部分簡要介紹了工業(yè)物聯(lián)網(wǎng)以及工業(yè)人工智能的相關(guān)內(nèi)容，并且對于設(shè)備遠(yuǎn)程監(jiān)控運(yùn)維的發(fā)展以及通常采用的架構(gòu)基礎(chǔ)進(jìn)行了簡單分析。 第二章為設(shè)備遠(yuǎn)程監(jiān)控與運(yùn)維領(lǐng)域建模，首先對于業(yè)務(wù)技術(shù)和微服務(wù)做了簡要介紹，微服務(wù)作為一種架構(gòu)風(fēng)格，領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)是符合這種架構(gòu)風(fēng)格的方法論。之后介紹了領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)的相關(guān)內(nèi)容，并對設(shè)備遠(yuǎn)程監(jiān)控運(yùn)維進(jìn)行了領(lǐng)域驅(qū)動(dòng)建模。 第三章為設(shè)備遠(yuǎn)程監(jiān)控運(yùn)維架構(gòu)，首先在緒論基礎(chǔ)的架構(gòu)研究基礎(chǔ)上，針對設(shè)備遠(yuǎn)程監(jiān)控運(yùn)維場景，設(shè)計(jì)了端邊云協(xié)同的架構(gòu)，并在此基礎(chǔ)上，結(jié)合第二章獲得的領(lǐng)域驅(qū)動(dòng)建模模型和微服務(wù)內(nèi)容，對架構(gòu)進(jìn)行了深入具體化，得到了設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維的端邊云協(xié)同微服務(wù)整體架構(gòu)。 第四，五章分別針對于設(shè)備監(jiān)控和遠(yuǎn)程運(yùn)維兩個(gè)工業(yè)業(yè)務(wù)的詳細(xì)方案進(jìn)行設(shè)計(jì)，并進(jìn)行了相關(guān)實(shí)驗(yàn)。第六章對全文做出了總結(jié)和展望。第二章設(shè)備遠(yuǎn)程監(jiān)控運(yùn)維領(lǐng)域建模領(lǐng)域建模背景與意義業(yè)務(wù)建模技術(shù)業(yè)務(wù)建模指的是根據(jù)最終端業(yè)務(wù)對象的屬性進(jìn)行企業(yè)系統(tǒng)的搭建，比起傳統(tǒng)的由上至下的企業(yè)系統(tǒng)搭建模式，業(yè)務(wù)建模由終端為基礎(chǔ)構(gòu)建，更加貼合業(yè)務(wù)模塊，同時(shí)能夠更好地得知組織的當(dāng)前情況，更易于基于市場需求開拓新的業(yè)務(wù)模塊，組織的溝通協(xié)作也會(huì)更加流暢。業(yè)務(wù)建模擁有很高的組織自由度，根據(jù)業(yè)務(wù)開展規(guī)劃的風(fēng)險(xiǎn)也相對較低，整個(gè)組織結(jié)構(gòu)較輕，便于重組，應(yīng)對變化能力強(qiáng)。根據(jù)業(yè)務(wù)進(jìn)行建?？梢源笾路譃?個(gè)時(shí)期，初步成型期對應(yīng)于1980年前后，出現(xiàn)了集成計(jì)算機(jī)輔助制造定義方法，Petri網(wǎng)方法等等；而在1980至1990年間，出現(xiàn)了計(jì)算機(jī)集成制造開放系統(tǒng)結(jié)構(gòu)CIMOSA(ComputerIntegratedManufacturing-OpenSystems2Architecture)方法；1990年后，統(tǒng)一建模語言（UML）被創(chuàng)建，它又在對象管理組織（OMG）的相關(guān)工作下得到了統(tǒng)一標(biāo)準(zhǔn)方案，此時(shí)相當(dāng)大規(guī)模的企業(yè)、個(gè)人、組織都開始利用這種語言進(jìn)行系統(tǒng)的模型建立。為了擁有相應(yīng)于的具體化的體系描繪，分別對應(yīng)建立的粗略的業(yè)務(wù)模型，UML獲得了擴(kuò)展版本，更加貼合了整個(gè)社會(huì)對其的預(yù)期效果。業(yè)務(wù)模型是對企業(yè)（機(jī)構(gòu)、組織）內(nèi)部組織及其業(yè)務(wù)流程的抽象描述，包含組織結(jié)構(gòu)模型、資源模型、業(yè)務(wù)過程模型和業(yè)務(wù)信息模型。這幾種模型之間相互補(bǔ)充，共同完成對業(yè)務(wù)的描述[28]。業(yè)務(wù)建模存在廣泛被認(rèn)可的3個(gè)發(fā)展的方向：首先是對于模型的建立的方法論需要一個(gè)統(tǒng)一的標(biāo)準(zhǔn)。傳統(tǒng)意義上而言，模型都以形象的圖形或者符號來代表，這種方式易于人的直觀接受和理解，但在這個(gè)信息化的時(shí)代。大部分信息以數(shù)據(jù)的信息在互聯(lián)網(wǎng)存儲(chǔ)，傳遞，但圖形難以被計(jì)算機(jī)直接辨識(shí)，容易產(chǎn)生識(shí)別錯(cuò)誤，帶來錯(cuò)誤產(chǎn)生的可能性。因此一種便于接受的模型表達(dá)方法，不論是對人的視覺識(shí)別，還是對計(jì)算機(jī)的代碼識(shí)別，都有一種新的需求。優(yōu)化相關(guān)的具體內(nèi)容。業(yè)務(wù)模型得到之后的一大功能是指導(dǎo)企業(yè)完成內(nèi)部各個(gè)模塊的自我評價(jià)和判斷，包含現(xiàn)存實(shí)施流程是否合理，組織的構(gòu)建方式是否合理，資源的配置方式是否合理等等，更重要的是得到了這樣的結(jié)論之后，需要有對應(yīng)的方法論來指導(dǎo)模型應(yīng)當(dāng)如何優(yōu)化，模型的優(yōu)化當(dāng)下的成體系的知識(shí)十分匱乏。最后是能夠支撐業(yè)務(wù)建模的廣泛普適性的軟件。進(jìn)行業(yè)務(wù)建模是時(shí)代趨勢，各種企業(yè)都需要一個(gè)統(tǒng)一的平臺(tái)來提供建模服務(wù)的支撐，這不僅是便利性的問題，同一被廣泛認(rèn)同的平臺(tái)成為了一種標(biāo)準(zhǔn)之后，對于模型的理解也變得容易。這個(gè)軟件中需要提供各種細(xì)小的具體服務(wù)，能夠使用于各種領(lǐng)域的企業(yè)完成建模工作。 工業(yè)微服務(wù)技術(shù)微服務(wù)指的是一種構(gòu)建架構(gòu)的思路和風(fēng)格，這種模式提倡將一個(gè)大型的應(yīng)用或者任務(wù)，拆分為一塊塊的微型服務(wù)進(jìn)行獨(dú)立實(shí)現(xiàn)。微型服務(wù)與微型服務(wù)彼此之間是相對獨(dú)立的，在各自的進(jìn)程中運(yùn)行，但可以通過一些簡單的輕量的機(jī)制實(shí)現(xiàn)互通協(xié)作。另外，微服務(wù)可以獨(dú)自存在，用于完成某一個(gè)具體的任務(wù)，但也可以通過組合完成一個(gè)龐大的任務(wù)。 與傳統(tǒng)的單體，集群，分布式的結(jié)構(gòu)進(jìn)行比對，微服務(wù)架構(gòu)具有極度優(yōu)越的可維護(hù)性，相對簡單性，可再利用性。微服務(wù)架構(gòu)把大任務(wù)拆解為了多個(gè)獨(dú)立存在的微服務(wù)，對于每個(gè)微服務(wù)進(jìn)行維護(hù)是十分簡單而直觀的，同時(shí)微服務(wù)僅是有效拼接完成了對某一大任務(wù)的實(shí)現(xiàn)，相對于傳統(tǒng)架構(gòu)它們并不只服務(wù)于特定應(yīng)用，因此有小模塊相同的其余大任務(wù)需要實(shí)現(xiàn)時(shí)，可以再次使用之前布置的微服務(wù)進(jìn)行有效拼接。此架構(gòu)的奔潰風(fēng)險(xiǎn)也是相對較低的。 微服務(wù)擁有兩個(gè)主要特性： 松耦合：微服務(wù)的重要屬性之一，就是能夠?qū)崿F(xiàn)獨(dú)立的編寫，改動(dòng)，部署，作為一個(gè)服務(wù)，基本不需要依賴系統(tǒng)中的其他部分可以獨(dú)立存在運(yùn)行以及維護(hù)。松耦合的特性造成了整個(gè)系統(tǒng)的高維護(hù)性，因?yàn)槊總€(gè)微服務(wù)相對獨(dú)立，當(dāng)停止運(yùn)行故障的微服務(wù)時(shí)，對其進(jìn)行單獨(dú)維護(hù)而不會(huì)對其他微服務(wù)產(chǎn)生致命影響。達(dá)到松耦合屬性的前提是開發(fā)每個(gè)微服務(wù)是需要盡可能少的掌握其他服務(wù)的信息，不考慮與其他服務(wù)的協(xié)作可能。 高內(nèi)聚：指的是一個(gè)微服務(wù)內(nèi)需要聚合了盡可能多的同類型內(nèi)容，微服務(wù)不意味著微服務(wù)總量的大，屬性的雜亂，甚至存在部分功能重疊。每個(gè)微服務(wù)需要是對于某具體任務(wù)高度凝練的，這種基礎(chǔ)上，才使得了微服務(wù)與微服務(wù)之間的區(qū)分明確，共同構(gòu)建大型任務(wù)以及再次使用必須基于高內(nèi)聚的前提下完成。 工業(yè)微服務(wù)指的是將微服務(wù)的思想運(yùn)用于實(shí)際工業(yè)場景之中，將工業(yè)任務(wù)拆分并具體定義，以工業(yè)微服務(wù)組合實(shí)現(xiàn)。領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)與微服務(wù)微服務(wù)是一種理念，需要具體系統(tǒng)的設(shè)計(jì)方法和實(shí)現(xiàn)方案。而領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)（DomainDrivenDesign，DDD）是一種具體設(shè)計(jì)方法，從業(yè)務(wù)層的角度出發(fā)，嘗試將一個(gè)高度復(fù)雜的業(yè)務(wù)領(lǐng)域細(xì)化拆分。實(shí)際上，領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)在2004年就已經(jīng)被提出，逐漸發(fā)展已擁有了完整的實(shí)現(xiàn)方法體系，但在微服務(wù)概念不被認(rèn)可的情況下，對DDD了解的個(gè)體、企業(yè)十分有限，使得DDD沒有應(yīng)用的場景。 微服務(wù)的理念和領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)開發(fā)的初衷完全匹配，實(shí)現(xiàn)了無縫對接。DDD給微服務(wù)提供了具體的拆分設(shè)計(jì)方法論。領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)建模領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)包含有兩大主要設(shè)計(jì)，戰(zhàn)略和戰(zhàn)術(shù)。戰(zhàn)略設(shè)計(jì)著重業(yè)務(wù)角度，區(qū)分了業(yè)務(wù)與業(yè)務(wù)之間的領(lǐng)域邊界，針對于這些界限建立限界上下文，并且構(gòu)建領(lǐng)域模型。而限界上下文可以作為微服務(wù)劃分和實(shí)現(xiàn)的依據(jù)。戰(zhàn)略設(shè)計(jì)包含以下重要內(nèi)容：領(lǐng)域/子域領(lǐng)域指針對一個(gè)問題所有內(nèi)容的集合，包括相關(guān)知識(shí)，相關(guān)行為等等。被劃分在一個(gè)領(lǐng)域內(nèi)的可以被視作一個(gè)系統(tǒng)，它們針對的業(yè)務(wù)內(nèi)容高度重合，需要解決的問題也是歸一的。因此可以認(rèn)為，領(lǐng)域等同于一個(gè)問題域。而對于領(lǐng)域進(jìn)行更細(xì)一層的劃分就成為了子域，它們的劃分方法和領(lǐng)域相同。通用語言和限界上下文通用語言指一個(gè)團(tuán)隊(duì)內(nèi)采用不會(huì)引起歧義，簡潔卻又精準(zhǔn)的語言；通用語言同常說的語言相同，具有語境，語境是不產(chǎn)生歧義的前提條件，因此限界上下文對應(yīng)的就是在規(guī)定某一個(gè)限界，在這個(gè)限界內(nèi)采用通用語言可以無障礙卻又最簡潔達(dá)到互相理解配合的目標(biāo)。相關(guān)性討論首先子域和限界上下文存在關(guān)系，子域是DDD在問題空間對進(jìn)一步問題的細(xì)劃分；而限界上下文是解決空間的概念，不僅僅局限在問題本身，而涉及到了解決方案。但是解決方案需要針對對應(yīng)的問題，所以限界上下文往往存在于某個(gè)子域之中。由于限界上下文是針對某一具體問題的解決方案，因此可以根據(jù)限界上下文對于微服務(wù)類進(jìn)行劃分。但往往微服務(wù)類仍具有較大的規(guī)模，不利于具體實(shí)現(xiàn)，因此微服務(wù)類又被劃分為更具體的組件。戰(zhàn)術(shù)設(shè)計(jì)包含以下重要內(nèi)容：實(shí)體實(shí)體是領(lǐng)域中需要唯一標(biāo)識(shí)的領(lǐng)域概念。由于實(shí)體有生命周期，需要為實(shí)體定義一個(gè)唯一標(biāo)識(shí)，使實(shí)體可以從創(chuàng)建后被可持續(xù)化到數(shù)據(jù)庫，在某個(gè)時(shí)候又可以被取出。值對象值對象沒有唯一標(biāo)識(shí)，這是它和實(shí)體的最大不同。值對象在判斷是否是同一個(gè)對象時(shí)是通過它們的所有屬性是否相同，如果相同則認(rèn)為是同一個(gè)值對象。值對象另外一個(gè)明顯的特征是不可變，即所有屬性都是只讀的。因?yàn)閷傩允侵蛔x的，所以可以被安全的共享；當(dāng)共享值對象時(shí)，一般有復(fù)制和共享兩種做法，具體采用哪種做法還要根據(jù)實(shí)際情況而定。領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)建模架構(gòu)領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)架構(gòu)分成用戶接口層(InterfaceLayer)、應(yīng)用層(ApplicationLayer)、領(lǐng)域?qū)?Domainlayer)以及基礎(chǔ)層(InfrastructureLayer)。表SEQ表\*ARABIC1領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)建模架構(gòu)分層英文描述用戶接口層InterfaceLayer存放與前端應(yīng)用交互的代碼。應(yīng)用層ApplicationLayer存放與應(yīng)用層服務(wù)組合和編排的代碼。向下針對領(lǐng)域服務(wù)和應(yīng)用服務(wù)，向上為用戶接口層提供數(shù)據(jù)支持服務(wù)。領(lǐng)域?qū)覦omainLayer存放與領(lǐng)域?qū)雍诵臉I(yè)務(wù)邏輯相關(guān)的代碼?？梢园鄠€(gè)聚合代碼包，共同實(shí)現(xiàn)領(lǐng)域模型的核心業(yè)務(wù)邏輯?；A(chǔ)層InfrastructureLayer存放與基礎(chǔ)資源服務(wù)相關(guān)的代碼。為其他各層提供的通用技術(shù)能力，數(shù)據(jù)庫服務(wù)，配置和基礎(chǔ)資源服務(wù)代碼都在此層中。設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維的領(lǐng)域驅(qū)動(dòng)建模首先將設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維視為一個(gè)領(lǐng)域，這是一個(gè)業(yè)務(wù)邏輯較為復(fù)雜的領(lǐng)域，但相對于具體工業(yè)制造過程又相對獨(dú)立，并且含有多個(gè)業(yè)務(wù)對象，因此對設(shè)備遠(yuǎn)程監(jiān)控運(yùn)維進(jìn)行建模有一定價(jià)值。一旦對該領(lǐng)域建立起宏觀模型，便可適用于各式各樣的工業(yè)生產(chǎn)設(shè)備。本節(jié)運(yùn)用2.2節(jié)的領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)建模內(nèi)容對該領(lǐng)域進(jìn)行領(lǐng)域建模。主要包含劃分子域，確定限界上下文，總目錄設(shè)計(jì)，微服務(wù)組件劃分四個(gè)部分。劃分子域領(lǐng)域可以拆分成為多個(gè)子域，拆分的過程相當(dāng)于大問題拆分為小問題的過程。將這六個(gè)內(nèi)容作為設(shè)備遠(yuǎn)程監(jiān)控與運(yùn)維的子域：設(shè)備信息，狀態(tài)監(jiān)測，智能算法，歷史數(shù)據(jù)，維保中心，遠(yuǎn)程控制。設(shè)備信息域主要提供設(shè)備本身的基本信息，關(guān)注設(shè)備的設(shè)定，任務(wù)等信息。狀態(tài)監(jiān)測域包含了對于設(shè)備加工情況的全部相關(guān)問題。智能算法域包括了各種傳統(tǒng)或新興算法的集合，同時(shí)包含基于數(shù)據(jù)的決策問題。歷史數(shù)據(jù)域負(fù)責(zé)記錄設(shè)備運(yùn)行歷史，停機(jī)歷史，統(tǒng)計(jì)產(chǎn)量趨勢，不良原因等，還可用于查詢歷史數(shù)據(jù)。維保中心域用于指揮和管理設(shè)備的維修保養(yǎng)措施。遠(yuǎn)程控制域可以讓工業(yè)生產(chǎn)人員對工業(yè)生產(chǎn)設(shè)備進(jìn)行直接控制和參數(shù)修改。通過劃分子域，設(shè)備遠(yuǎn)程監(jiān)控與維護(hù)這一領(lǐng)域被拆分成六個(gè)子域，可視作為六個(gè)子業(yè)務(wù)，業(yè)務(wù)分解便于理清各個(gè)業(yè)務(wù)之間的邏輯關(guān)系和各個(gè)團(tuán)隊(duì)的負(fù)責(zé)工作。 子域與領(lǐng)域的包含關(guān)系如下圖所示：圖SEQ圖\*ARABIC6子域劃分確定限界上下文限界上下文更多考慮的是領(lǐng)域?qū)ο蟮恼Z義邊界和技術(shù)實(shí)現(xiàn)細(xì)節(jié)。限界上下文的劃分體現(xiàn)的是更為詳細(xì)的解決問題的過程，該過程劃分了上下文語義邊界，完成了領(lǐng)域模型。設(shè)備信息域有機(jī)器屬性，生產(chǎn)屬性，實(shí)際狀況三個(gè)限界上下文。狀態(tài)監(jiān)測域有產(chǎn)量監(jiān)測，異常監(jiān)測兩個(gè)限界上下文。智能算法域有知識(shí)庫，推斷服務(wù)兩個(gè)限界上下文。歷史數(shù)據(jù)域有行事歷，故障統(tǒng)計(jì)，生產(chǎn)統(tǒng)計(jì)三個(gè)限界上下文。維保中心域有備件訂購和現(xiàn)場維修兩個(gè)限界上下文。遠(yuǎn)程控制域有異?；貓?bào)，更改設(shè)備設(shè)定，寫入驗(yàn)證三個(gè)限界上下文。圖SEQ圖\*ARABIC7限界上下文劃分基于DDD的微服務(wù)總目錄結(jié)構(gòu)基于2.2中的DDD四層架構(gòu)，設(shè)計(jì)了具體的架構(gòu)以及它們所對應(yīng)的子目錄。在符合基礎(chǔ)實(shí)際應(yīng)用的前提下，進(jìn)行了基礎(chǔ)層，領(lǐng)域?qū)樱瑧?yīng)用層以及接口層的設(shè)計(jì)安排，基礎(chǔ)層需要完成的功能包括了文件部署、信息配置、定時(shí)、單元測試、基礎(chǔ)工具、中間件和初始化，作為后續(xù)實(shí)現(xiàn)的基礎(chǔ)，其體量較為龐大；領(lǐng)域?qū)又饕獙?yīng)于通用數(shù)據(jù)結(jié)構(gòu)，應(yīng)用層對對應(yīng)于應(yīng)用；接口層完成交互內(nèi)容。圖SEQ圖\*ARABIC8基于DDD的微服務(wù)總目錄結(jié)構(gòu)設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維微服務(wù)組件基于2.2小節(jié)的內(nèi)容，限界上下文可以作為微服務(wù)類的劃分依據(jù)，但為了更利于具體算法的實(shí)現(xiàn)，每個(gè)微服務(wù)類中的眾多功能需要進(jìn)一步聚合，此小節(jié)對于限界上下文對應(yīng)的微服務(wù)類進(jìn)行了組件維度的進(jìn)一步劃分。如下表所示：表SEQ表\*ARABIC2微服務(wù)劃分子域微服務(wù)類組件設(shè)備信息機(jī)器屬性查詢設(shè)備列表，設(shè)備詳情，設(shè)備通訊方式，設(shè)備任務(wù)生產(chǎn)屬性查詢產(chǎn)品分類，產(chǎn)品工藝，生產(chǎn)區(qū)域，生產(chǎn)線，常用人員實(shí)際狀況查詢實(shí)際生產(chǎn)狀況，實(shí)際運(yùn)轉(zhuǎn)狀況狀態(tài)監(jiān)測產(chǎn)量監(jiān)測今日生產(chǎn)進(jìn)度，生產(chǎn)日報(bào)，生產(chǎn)情況分析，產(chǎn)量分析異常監(jiān)測參數(shù)監(jiān)控，異?；貓?bào)，運(yùn)轉(zhuǎn)情況分析，當(dāng)日設(shè)備異常異常原因，稼動(dòng)時(shí)間，異常設(shè)備數(shù)量，設(shè)備綜合效率智能算法知識(shí)算法庫傳統(tǒng)算法，人工智能算法推斷服務(wù)庫遠(yuǎn)程診斷，故障原因分析，停機(jī)原因分析歷史數(shù)據(jù)行事歷查詢行事歷，停機(jī)行事歷，設(shè)備停機(jī)日志，延時(shí)工單查詢生產(chǎn)統(tǒng)計(jì)產(chǎn)量統(tǒng)計(jì)與趨勢，設(shè)備稼動(dòng)設(shè)備歷史數(shù)據(jù)記錄設(shè)備歷史數(shù)據(jù)記錄故障統(tǒng)計(jì)歷史異常原因，歷史故障原因與故障碼，不良原因統(tǒng)計(jì)維保中心備件訂購備件訂購現(xiàn)場維修現(xiàn)場維修遠(yuǎn)程控制異?；貓?bào)異常回報(bào)更改設(shè)備設(shè)定開關(guān)控制，參數(shù)設(shè)定寫入驗(yàn)證寫入驗(yàn)證

第三章設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維架構(gòu)本章提出了設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維的整體架構(gòu)，在3.1小節(jié)中提出了端邊云協(xié)同的基礎(chǔ)架構(gòu)，并且闡述了三側(cè)的具體功能和這種架構(gòu)的優(yōu)越性；3.2小節(jié)介紹了微服務(wù)架構(gòu)；3.3小節(jié)中依據(jù)微服務(wù)相關(guān)內(nèi)容，對3.1小節(jié)的基礎(chǔ)架構(gòu)進(jìn)行了完善和補(bǔ)充。端邊云協(xié)同架構(gòu)結(jié)合緒論對于架構(gòu)的介紹，監(jiān)控和運(yùn)維往往涉及到端側(cè)，邊緣側(cè)，云側(cè)三側(cè)；基于領(lǐng)域驅(qū)動(dòng)建模的結(jié)果，各子域?qū)τ谠苽?cè)都有著不同程度的需求，其中狀態(tài)監(jiān)測子域?qū)τ谶吘墏?cè)的低延時(shí)特性有特殊需求。因此，本文對于監(jiān)控運(yùn)維領(lǐng)域進(jìn)行了端邊云協(xié)同的基礎(chǔ)架構(gòu)設(shè)計(jì)，如下圖所示：圖SEQ圖\*ARABIC9端邊云架構(gòu)圖端邊云架構(gòu)由三側(cè)式構(gòu)成，下面將對每一側(cè)進(jìn)行介紹：端側(cè)：端側(cè)包含設(shè)備本身以及網(wǎng)關(guān)設(shè)備。通過數(shù)據(jù)采集網(wǎng)關(guān)設(shè)備可以收集機(jī)器數(shù)據(jù)，它們利用傳感器網(wǎng)絡(luò)、通信適配器、傳感器適配器和輸入/輸出適配器從工廠車間收集實(shí)時(shí)流數(shù)據(jù)。這些適配器是基于通信協(xié)議開發(fā)的，例如簡單對象訪問協(xié)議（SimpleObjectAccessProtocol，簡稱SOAP）、MTConnect和開放平臺(tái)通信統(tǒng)一架構(gòu)（OpenPlatformCommunicationsUnifiedArchitecture簡稱OPCUA）。數(shù)據(jù)采集網(wǎng)關(guān)設(shè)備將不同設(shè)備采集到的不同格式、類型的數(shù)據(jù)通過針對不同協(xié)議的適配器轉(zhuǎn)換為統(tǒng)一格式的數(shù)據(jù)。同時(shí)，網(wǎng)關(guān)放置在端側(cè)，提供了數(shù)據(jù)初步處理后直接上傳云側(cè)的功能，當(dāng)整個(gè)制造體系中含有難以構(gòu)建邊緣側(cè)的設(shè)備現(xiàn)場時(shí)，依舊可以完成數(shù)據(jù)上云。在緒論部分提及了CPS的5C架構(gòu)，端側(cè)對應(yīng)于智能連接層，起到了將設(shè)備數(shù)據(jù)統(tǒng)一識(shí)別，采集的功能。另外其具有數(shù)據(jù)分流功能，通過設(shè)定，一部分?jǐn)?shù)據(jù)將作為樣本數(shù)據(jù)集被分流，以供云端使用。 邊緣側(cè)：邊緣側(cè)位于靠近端側(cè)位置，其實(shí)也可稱其為私有云，是具有一定算力和存儲(chǔ)能力的云，只有企業(yè)內(nèi)部擁有查看操作的權(quán)限。其包含兩個(gè)組成部分，邊緣服務(wù)器和本地存儲(chǔ)設(shè)備，通過端側(cè)采集到的實(shí)時(shí)數(shù)據(jù)保存在本地存儲(chǔ)設(shè)備之中；而邊緣服務(wù)器與上端云側(cè)，下端端側(cè)均處于連通狀態(tài)，其可以從云側(cè)下載已經(jīng)訓(xùn)練完成的模型，將其運(yùn)用于實(shí)時(shí)的在線數(shù)據(jù)，以此來實(shí)現(xiàn)對設(shè)備的監(jiān)控；同時(shí)在常規(guī)應(yīng)用場景中，邊緣側(cè)起到數(shù)據(jù)中轉(zhuǎn)的作用，將部分歷史數(shù)據(jù)作為云側(cè)數(shù)據(jù)分析的樣本數(shù)據(jù)集上傳至云側(cè)。 邊緣側(cè)對應(yīng)于CPS中的智能執(zhí)行層，起到了將模型運(yùn)行對設(shè)備運(yùn)行狀態(tài)進(jìn)行監(jiān)控的作用。 云側(cè)：云側(cè)指的是公有云，是第三方提供的云，具有強(qiáng)大的計(jì)算能力，并且提供了高擴(kuò)展性的功能模塊。在云側(cè)可以充分對數(shù)據(jù)應(yīng)用工業(yè)人工智能算法，也可以制定合適的有依據(jù)的決策方案，同時(shí)可以進(jìn)行相關(guān)應(yīng)用的開發(fā)以及使用。 云側(cè)對應(yīng)于CPS中的智能分析層，網(wǎng)絡(luò)層，智能認(rèn)知層，基于數(shù)據(jù)的各種操作均在此處實(shí)現(xiàn)，同時(shí)由于其與位于公網(wǎng)，與網(wǎng)絡(luò)環(huán)境內(nèi)的其余信息也可實(shí)現(xiàn)交互，從而可以擁有更加強(qiáng)大的功能。采用此端邊云架構(gòu)，具有以下原因和優(yōu)勢：首先，邊緣側(cè)具有靠近端側(cè)，數(shù)據(jù)傳輸延時(shí)低，數(shù)據(jù)傳輸成本少的突出優(yōu)點(diǎn)；并且邊緣側(cè)作為私有云，數(shù)據(jù)的安全性得到了完全的保障，只有極少數(shù)擁有權(quán)限的人才能接觸到邊緣側(cè)存儲(chǔ)的數(shù)據(jù)。但同時(shí)它具有搭建成本高，若要求高算力，搭建相匹配的邊緣側(cè)幾乎難以實(shí)現(xiàn)的問題。云側(cè)雖然遠(yuǎn)離端側(cè)，實(shí)時(shí)處理數(shù)據(jù)并對數(shù)據(jù)作出響應(yīng)是難以實(shí)現(xiàn)的；但在算力方面，云側(cè)遠(yuǎn)遠(yuǎn)超越邊緣側(cè)，且作為公有云，第三方會(huì)提供比較于自建大規(guī)模邊緣服務(wù)器相對較低的計(jì)算成本。在安全性方面，公有云要求數(shù)據(jù)上傳第三方平臺(tái)，就存在了數(shù)據(jù)泄露的可能性。因此本文提出的針對設(shè)備監(jiān)控和運(yùn)維的端邊云架構(gòu)，結(jié)合了邊緣側(cè)，云側(cè)各自的優(yōu)點(diǎn)，且對于成本，安全性進(jìn)行了考量。將全部實(shí)時(shí)數(shù)據(jù)存儲(chǔ)于邊緣側(cè)是考量到了數(shù)據(jù)安全性，同時(shí)近距離傳輸數(shù)據(jù)成本較低；邊緣側(cè)還承擔(dān)了下載云端模型執(zhí)行監(jiān)控，這一功能所需要的算力較小，但卻可以滿足實(shí)時(shí)分析，實(shí)時(shí)響應(yīng)的要求。將樣本數(shù)據(jù)集發(fā)送至云端進(jìn)行算法執(zhí)行，充分利用了云端的強(qiáng)大算力，并且這些離線數(shù)據(jù)的處理對于時(shí)效并沒有太高的要求。值得注意的是，樣本數(shù)據(jù)集是企業(yè)篩選之后發(fā)送給公有云的，也保證了數(shù)據(jù)的安全性。微服務(wù)架構(gòu)在第二章中，基于領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)，對設(shè)備遠(yuǎn)程監(jiān)控運(yùn)維這個(gè)領(lǐng)域劃分了6個(gè)子域，在子域之中又包含了各自的界限上下文，最終組成了相對應(yīng)的關(guān)鍵微服務(wù)。微服務(wù)是業(yè)務(wù)的劃分，實(shí)際運(yùn)行需要基于一個(gè)通用的代碼架構(gòu)之下。微服務(wù)架構(gòu)需要能夠提供以下三個(gè)重要功能：實(shí)現(xiàn)大型應(yīng)用的持續(xù)交接和布置應(yīng)用、使多團(tuán)隊(duì)合作開發(fā)成為現(xiàn)實(shí)、擁有故障的分隔功能。目前較為成熟的有以下微服務(wù)架構(gòu)：gin，Dubbo，SpringCloud等。本節(jié)將對gin架構(gòu)進(jìn)行介紹。gin是采用Golang撰寫的Web架構(gòu)，它具有性能高，量級輕，應(yīng)用程序接口易用等特點(diǎn)。gin架構(gòu)主要有以下功能與優(yōu)勢：它采用基于基數(shù)樹的路由，占用內(nèi)存少，且具有訪問快速性；傳入的HTTP請求可由一組中間件，如記錄，授權(quán)，壓縮等，和最終操作組合完成；能夠捕獲HTTP請求期間發(fā)生的突發(fā)情況并恢復(fù)；更好的路由組織形式；采集請求期間發(fā)生的錯(cuò)誤；可擴(kuò)展性非常強(qiáng)，可以自定義中間件。gin的整體結(jié)構(gòu)可以視作一個(gè)總引擎，保存了各個(gè)組件的信息，其中RouterGroup為路由組，保存路由信息；trees是樹結(jié)構(gòu)，保存了url和handler的映射關(guān)系；pool用于存在context，context主要對于請求過程進(jìn)行值傳遞。示意圖如下所示：圖SEQ圖\*ARABIC10gin架構(gòu)端邊云協(xié)同的監(jiān)控運(yùn)維方案在3.1小節(jié)中給出了基礎(chǔ)的端邊云架構(gòu)，介紹了為了實(shí)現(xiàn)設(shè)備遠(yuǎn)程監(jiān)控與運(yùn)維的目的，設(shè)備，網(wǎng)關(guān)，存儲(chǔ)，服務(wù)器等部分有效的組織構(gòu)建形式。在本小節(jié)中，將結(jié)合第二章中的四大微服務(wù)劃分，以及微服務(wù)架構(gòu)中需要包含的具體部分，對3.1小節(jié)中的結(jié)構(gòu)進(jìn)行完善和補(bǔ)充，獲得最終的基于端邊云協(xié)同的設(shè)備遠(yuǎn)程監(jiān)控與運(yùn)維微服務(wù)架構(gòu)。完整架構(gòu)圖如下圖所示：圖SEQ圖\*ARABIC11端邊云協(xié)同的總架構(gòu)端側(cè)以及邊緣側(cè)的實(shí)現(xiàn)功能、部署設(shè)備在3.1小節(jié)中已經(jīng)完整介紹，此小節(jié)對于云側(cè)部分進(jìn)行了詳細(xì)擴(kuò)充。依據(jù)工業(yè)物聯(lián)網(wǎng)架構(gòu)，云側(cè)具體包含3個(gè)大部分，云基礎(chǔ)設(shè)施IaaS層、工業(yè)平臺(tái)PaaS層、應(yīng)用SaaS層，以下分別介紹：云基礎(chǔ)設(shè)施IaaS層中最重要的部分為API（ApplicationProgrammingInterface）網(wǎng)關(guān)，其包含了統(tǒng)一數(shù)據(jù)接入，協(xié)議轉(zhuǎn)換與適配，流量管理和容錯(cuò)，安全保護(hù)四個(gè)主要功能。對于微服務(wù)架構(gòu)而言，雖然獲得了低耦合，高類聚的一個(gè)個(gè)模塊化的微服務(wù)，對于組建新的業(yè)務(wù)或?qū)崿F(xiàn)新的功能提供了極大便利，但是同樣擁有各自采用的協(xié)議不相同，安全性不能得到保障等等問題，而部署于云端的API網(wǎng)關(guān)很好地解決了這些問題。因此不論是樣本數(shù)據(jù)集的上傳還是獲得的模型的下載全部需要通過API網(wǎng)關(guān)進(jìn)行中轉(zhuǎn)。工業(yè)平臺(tái)PaaS層中主要包含兩個(gè)模塊，云數(shù)據(jù)庫和組件微服務(wù)模塊。云數(shù)據(jù)庫對于上傳云端的樣本數(shù)據(jù)集進(jìn)行存儲(chǔ)；組件微服務(wù)模塊包含大量的小型組件，具體表現(xiàn)為簡單，體量小的實(shí)現(xiàn)少量功能的代碼，組件又分為基礎(chǔ)微服務(wù)組件和工業(yè)微服務(wù)組件?；A(chǔ)微服務(wù)組件提供了任何微服務(wù)運(yùn)行都需要的公用組件，例如權(quán)限的授權(quán)，消息的發(fā)送接收等等；而工業(yè)微服務(wù)組件包含了最終實(shí)現(xiàn)的微服務(wù)內(nèi)容的個(gè)性化組件，例如一個(gè)工業(yè)人工智能算法實(shí)現(xiàn)的組件，一個(gè)對象的機(jī)理模型輸入組件等等。而由這些大量組件進(jìn)行合理組合，實(shí)現(xiàn)了具體業(yè)務(wù)功能的構(gòu)成了一個(gè)微服務(wù)。因此，在此架構(gòu)下組件微服務(wù)模塊對應(yīng)于設(shè)備信息，歷史數(shù)據(jù)，狀態(tài)監(jiān)測，智能算法，維保中心，遠(yuǎn)程控制六個(gè)子域中的相應(yīng)微服務(wù)，以及它們各自需要的組成組件。應(yīng)用SaaS層對應(yīng)于開發(fā)的工業(yè)APP，是設(shè)備監(jiān)控運(yùn)維的最終端，可以在工業(yè)APP查看基于四大微服務(wù)得到的整體數(shù)據(jù)、具體數(shù)據(jù)、獲得決策等等，同時(shí)可以從APP發(fā)送指令給云端，一層層下放至端側(cè)進(jìn)行實(shí)施。

第四章設(shè)備監(jiān)控實(shí)現(xiàn)方案本章節(jié)基于設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維的總體架構(gòu)，針對設(shè)備監(jiān)控工業(yè)業(yè)務(wù)，給出了實(shí)現(xiàn)方案。首先展示了設(shè)備監(jiān)控業(yè)務(wù)涉及到的微服務(wù)類及其組件，基于設(shè)備監(jiān)控業(yè)務(wù)的需求設(shè)計(jì)了具體方案并進(jìn)行了相關(guān)實(shí)驗(yàn)。設(shè)備監(jiān)控方案如今工業(yè)制造的發(fā)展趨勢是形成復(fù)雜而分散的制造網(wǎng)絡(luò)，具體而言，每家企業(yè)的制造設(shè)備可能分散于各地，而非全部集中于一個(gè)設(shè)備現(xiàn)場；而完成一個(gè)最終產(chǎn)品的過程中使用的設(shè)備可能隸屬于不同企業(yè)。因此需求一種通用性高的設(shè)備監(jiān)控方案，它能夠適用于這種復(fù)雜而分散的制造網(wǎng)絡(luò)，在設(shè)備現(xiàn)場保留實(shí)時(shí)監(jiān)控的能力的同時(shí)，也能夠提供強(qiáng)大的計(jì)算能力支持，而最終的可視化顯示能夠?qū)崿F(xiàn)隨時(shí)隨地的便捷性。在第二章中進(jìn)行了領(lǐng)域驅(qū)動(dòng)建模，設(shè)備監(jiān)控業(yè)務(wù)由以下微服務(wù)與組件構(gòu)成：圖SEQ圖\*ARABIC12設(shè)備監(jiān)控業(yè)務(wù)微服務(wù)基于設(shè)備監(jiān)控業(yè)務(wù)的業(yè)務(wù)邏輯，本節(jié)的設(shè)備監(jiān)控方案分為了離線部分以及在線部分兩大部分進(jìn)行實(shí)現(xiàn)。離線部分的主要功能為在云側(cè)完成對于歷史數(shù)據(jù)樣本集的數(shù)據(jù)分析，產(chǎn)生一系列可靠的可以作用于制定設(shè)備現(xiàn)場的監(jiān)控依據(jù)。由于數(shù)據(jù)上傳云側(cè)，以及工業(yè)人工智能算法的應(yīng)用需要一定的時(shí)間成本，因此該模塊設(shè)置為離線模式，不需要時(shí)間限制，從而追求將云側(cè)高算力發(fā)揮至最大，致力于提供一個(gè)準(zhǔn)確的監(jiān)控參照依據(jù)。而在線部分指的是在邊緣側(cè)將云側(cè)得到的監(jiān)控參考依據(jù)應(yīng)用于實(shí)時(shí)采集到的設(shè)備數(shù)據(jù)，這是真正的監(jiān)控模塊，對于實(shí)時(shí)性要求高，但并不需要很強(qiáng)的計(jì)算能力，因此將這個(gè)模塊部署于邊緣側(cè)。如下圖所示，下面將以按時(shí)間線發(fā)生的4步具體工作流程進(jìn)行具體地闡述：步驟1：在端側(cè)通過網(wǎng)關(guān)設(shè)備收集機(jī)器數(shù)據(jù)。步驟2：將原始數(shù)據(jù)集和樣本數(shù)據(jù)集分別流式傳輸?shù)奖镜厮接羞吘壴疲ㄟ吘墏?cè)）和遠(yuǎn)程公共高性能計(jì)算云（云側(cè)）。通過數(shù)據(jù)采集網(wǎng)關(guān)設(shè)備，實(shí)時(shí)數(shù)據(jù)集被收集并流式傳輸?shù)奖镜貙Ｓ眠吘壴浦小Ｍ瑫r(shí)，通過邊緣服務(wù)器的處理篩選或者直接通過數(shù)據(jù)采集網(wǎng)關(guān)設(shè)備，樣本數(shù)據(jù)集（訓(xùn)練數(shù)據(jù)集）被流式傳輸?shù)竭h(yuǎn)程公共云中。步驟3：在云側(cè)對獲得的樣本數(shù)據(jù)集進(jìn)行組件的執(zhí)行，進(jìn)而完成對應(yīng)的微服務(wù)流程工作，獲得輸出，輸出往往是一個(gè)模型，包含了對于在線數(shù)據(jù)是否故障的判斷標(biāo)準(zhǔn)。步驟4：將在云側(cè)訓(xùn)練得到的模型應(yīng)用于存儲(chǔ)在本地私有邊緣云中的原始數(shù)據(jù)集，在邊緣側(cè)實(shí)時(shí)獲得設(shè)備的狀態(tài)信息。步驟5：將設(shè)備狀態(tài)傳輸至云側(cè)的服務(wù)器通過應(yīng)用進(jìn)行顯示。圖SEQ圖\*ARABIC13端邊云架構(gòu)下的工作流程圖基于自動(dòng)編碼器的設(shè)備監(jiān)控算法本小節(jié)依據(jù)上節(jié)提出的設(shè)備監(jiān)控方案，提出了基于自動(dòng)編碼器的設(shè)備監(jiān)控算法，將介紹自動(dòng)編碼器原理，在云側(cè)如何得到作為設(shè)備監(jiān)控判斷依據(jù)的檢測統(tǒng)計(jì)量，在邊緣側(cè)和端側(cè)如何應(yīng)用檢測統(tǒng)計(jì)量與實(shí)時(shí)數(shù)據(jù)進(jìn)行比對達(dá)到遠(yuǎn)程監(jiān)控設(shè)備的目的。標(biāo)準(zhǔn)自動(dòng)編碼器Rumelhart[29]提出了一種無監(jiān)督的ML（machinelearning）方法，標(biāo)準(zhǔn)自動(dòng)編碼器（AutoEncoder，AE）。結(jié)構(gòu)中包含了輸入、編碼器、隱含層、解碼器。輸出，結(jié)構(gòu)如下圖所示：圖SEQ圖\*ARABIC14自動(dòng)編碼器結(jié)構(gòu)自動(dòng)編碼器的輸入層層數(shù)與輸出層層數(shù)相同，其目的在于重新構(gòu)建輸入，而非對于目標(biāo)的預(yù)測功能。編碼器fx起到了提出輸入數(shù)據(jù)的隱含層特征信息，輸入x∈Rdx通過編碼器變換到?x∈?=fx=sfWx+b?解碼器gx起到了將隱層特征?x反向變換到輸入，從而獲得輸入重構(gòu)x的功能。其中W'=Wz=x=g?=sgW'?+b給定樣本數(shù)據(jù)集Dn，目標(biāo)函數(shù)JAEθ是輸入x與經(jīng)過解碼重構(gòu)獲得的x之間的誤差和，其中g(shù)?，f?如表達(dá)式（4-1）和（4-2）所示，θ=W,bJAEθ=x?DnLx,gfx優(yōu)化目標(biāo)：θ?=argmin1nLx,gfx(當(dāng)輸入連續(xù)時(shí)，可選用平方誤差作為損失函數(shù)：Lx,y=x?y2(4-SEQ

公式\*ARABIC\s15此情況下采用梯度下降法最小化重建誤差：θ?=argmin1ni=1Lxi,gfxi 基于AE的設(shè)備監(jiān)控算法對應(yīng)于工作流程圖的離線部分，采用了以下的算法邏輯：為了監(jiān)控設(shè)備是否處于正常的運(yùn)行狀態(tài)，一般通過構(gòu)建檢測統(tǒng)計(jì)量來進(jìn)行假設(shè)檢驗(yàn)，并基于檢測統(tǒng)計(jì)量的值是否超過了控制上限來判斷設(shè)備的運(yùn)行狀態(tài)是否正常。正常工作情況下的樣本數(shù)據(jù)集定義為Dn=x:x∈Rdx，利用A對應(yīng)于工作流程圖的在線部分，采用了以下的算法邏輯：輸入實(shí)時(shí)數(shù)據(jù)，同樣可以獲得特征?t∈R檢測統(tǒng)計(jì)量首先將隱含層中h∈Rd?所形成的認(rèn)定為特征的子空間，誤差L=xH2H2=?T=sf當(dāng)設(shè)備工作正常時(shí)，測試樣本數(shù)據(jù)會(huì)處于自動(dòng)編碼器的特征子空間之中，對應(yīng)的H2SPE定義如下：SPE=eTe=若數(shù)據(jù)擁有較小的重構(gòu)誤差，計(jì)算所得的SPE也具有較小的值，那么就認(rèn)為是正常的在線數(shù)據(jù)；若值較大則為發(fā)生故障對應(yīng)的數(shù)據(jù)。核密度估計(jì)法與統(tǒng)計(jì)量的控制上限Rosenblatt和EmanuelParzen提出了核密度估計(jì)法，用于估計(jì)隨機(jī)變量的的概率密度函數(shù)[30]。其原理是假設(shè)樣本數(shù)據(jù)集的概率密度函數(shù)為fx，當(dāng)新的數(shù)據(jù)進(jìn)入樣本數(shù)據(jù)時(shí)，其分布也認(rèn)定為符合fx。當(dāng)一個(gè)樣本出現(xiàn)在了樣本數(shù)據(jù)集之中，那么認(rèn)為它的概率密度非常大，同時(shí)與其相近的其余數(shù)據(jù)的概率密度也相對比較大，用這種想法，對樣本數(shù)據(jù)集中的每一個(gè)數(shù)據(jù)都可以f(x?xi)去擬合概率密度。對樣本數(shù)據(jù)集中的每個(gè)數(shù)據(jù)，對新的觀察樣本數(shù)據(jù)擬合多個(gè)不同概率密度函數(shù)后，取平均作為其概率密度函數(shù)[31]fx=1ni=1n其中K?是核函數(shù)，?表示核寬度，ngx=12πe?x2對于樣本數(shù)據(jù)集中的樣本對應(yīng)的H2和SPE分別擬合和密度函數(shù)fx，通過選取概率密度的上0AE算法流程算法流程依舊分為離線與在線兩個(gè)部分，架構(gòu)與上一小節(jié)對應(yīng)設(shè)計(jì)，在算法部分根據(jù)AE算法進(jìn)行了具體化。離線部分，首先對樣本數(shù)據(jù)集的樣本進(jìn)行標(biāo)準(zhǔn)化，將數(shù)據(jù)變換到[0,1]區(qū)間之內(nèi)，采用方法如下：(4-11)隨后利用梯度下降算法訓(xùn)練AE，得到最優(yōu)的參數(shù)，從而計(jì)算檢測統(tǒng)計(jì)量H2和SPE，并對控制上限進(jìn)行估計(jì)。 在線部分，對在線數(shù)據(jù)首先同樣進(jìn)行標(biāo)準(zhǔn)化處理，根據(jù)參數(shù)計(jì)算檢測統(tǒng)計(jì)量H2和SPE，將其與上限進(jìn)行比較，判斷是否發(fā)生故障。 具體流程圖如下所示：圖SEQ圖\*ARABIC15基于AE算法的工作流程圖實(shí)驗(yàn)實(shí)驗(yàn)背景為在某企業(yè)中協(xié)作共同搭建端邊云協(xié)同的微服務(wù)架構(gòu)，并以數(shù)控機(jī)床為對象實(shí)現(xiàn)設(shè)備監(jiān)控。參數(shù)監(jiān)控組件本小節(jié)的實(shí)驗(yàn)對應(yīng)于第二章建模獲得的參數(shù)監(jiān)控組件，實(shí)現(xiàn)了數(shù)控機(jī)床數(shù)據(jù)采集，經(jīng)過邊緣服務(wù)器，上傳至云端。數(shù)據(jù)與數(shù)據(jù)庫對接的同時(shí)，在用戶端界面進(jìn)行顯示的功能。每一次的數(shù)據(jù)傳輸與操作對應(yīng)著一個(gè)更低一層級別的組件，具體定義了相應(yīng)的協(xié)議對接，端口對接，以及功能實(shí)現(xiàn)代碼。具體流程圖如下所示：圖SEQ圖\*ARABIC16參數(shù)監(jiān)控組件流程圖以功能組件數(shù)據(jù)處理服務(wù)為示例進(jìn)行介紹，其實(shí)現(xiàn)了從kafka消息隊(duì)列獲得數(shù)據(jù)，對數(shù)據(jù)庫進(jìn)行持久化的同時(shí)，對MQTT服務(wù)器發(fā)送數(shù)據(jù)來作為用戶端顯示的基礎(chǔ)。下面以數(shù)據(jù)處理服務(wù)組件為例展示代碼實(shí)現(xiàn)邏輯： 主函數(shù)(){ Kafka服務(wù)連接 數(shù)據(jù)庫連接 Mqtt服務(wù)連接 Kafla數(shù)據(jù)讀取 寫入數(shù)據(jù)庫寫入mqtt服務(wù)器} 連接Kafka消息隊(duì)列函數(shù) { kafka.NewReader信息配置 { Brokers信息（消息代理） ID信息

Topic信息 傳輸速度}} Kafka數(shù)據(jù)讀取函數(shù) { 循環(huán)數(shù)據(jù)個(gè)數(shù)的次數(shù)： Error狀態(tài)確認(rèn) 非故障時(shí)：數(shù)據(jù)寫入 故障時(shí)：報(bào)錯(cuò)顯示，程序暫停} 主函數(shù)中每一步分別對應(yīng)于若干個(gè)函數(shù)，分別進(jìn)行各個(gè)參數(shù)的對接，包括需要數(shù)據(jù)的傳輸，端口的確認(rèn)，發(fā)布主題的確認(rèn)等。實(shí)際代碼在golanggin架構(gòu)中完成，如下所示：圖SEQ圖\*ARABIC17數(shù)據(jù)處理服務(wù)組件主函數(shù)圖SEQ圖\*ARABIC18Kafka消息隊(duì)列連接函數(shù) 可見每個(gè)組件的構(gòu)成實(shí)際上十分簡潔，組件本身也是對于編寫好的系統(tǒng)性的函數(shù)進(jìn)行組合的拼接調(diào)用，符合采用微服務(wù)架構(gòu)的初衷。 最終在云端獲得數(shù)控機(jī)床監(jiān)控?cái)?shù)據(jù)界面如下所示：圖SEQ圖\*ARABIC19智能橋切機(jī)設(shè)備監(jiān)控界面圖異?；貓?bào)組件4.3.1小節(jié)中的實(shí)驗(yàn)過程，數(shù)據(jù)在端側(cè)，邊緣側(cè)，云側(cè)單線式傳輸?shù)玫搅俗罱K的界面顯示。而設(shè)計(jì)方案中在線數(shù)據(jù)與云端獲得的檢測依據(jù)在邊緣側(cè)比較，保證了實(shí)時(shí)性，在設(shè)備端即刻作出相應(yīng)后將故障情況上傳至云側(cè)顯示。因此在此小節(jié)中，完成了在邊緣側(cè)進(jìn)行X，Y，Z軸坐標(biāo)數(shù)據(jù)的在線數(shù)據(jù)比對，對于數(shù)控機(jī)床的一組速度量運(yùn)用了AE監(jiān)控算法后在邊緣側(cè)進(jìn)行監(jiān)控，隨后將數(shù)據(jù)上傳云側(cè)進(jìn)行顯示。下圖展示了某一次超限后云端處理所得的報(bào)警界面，可以發(fā)現(xiàn)先獲得了緊停端口報(bào)警，在邊緣側(cè)發(fā)現(xiàn)X軸坐標(biāo)異常后立刻停止了設(shè)備運(yùn)行，隨后又發(fā)送了X軸負(fù)向限位的報(bào)警告知管理者異常情況的發(fā)生，實(shí)現(xiàn)了設(shè)計(jì)目標(biāo)：圖SEQ圖\*ARABIC20監(jiān)控報(bào)警圖

第五章遠(yuǎn)程運(yùn)維實(shí)現(xiàn)方案本章節(jié)基于設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維的總架構(gòu)，針對遠(yuǎn)程運(yùn)維工業(yè)業(yè)務(wù)，給出了實(shí)現(xiàn)方案。首先展示了遠(yuǎn)程運(yùn)維業(yè)務(wù)涉及到的微服務(wù)類及其組件，基于遠(yuǎn)程運(yùn)維業(yè)務(wù)的需求設(shè)計(jì)了具體方案并進(jìn)行了相關(guān)實(shí)驗(yàn)。遠(yuǎn)程運(yùn)維方案當(dāng)今工業(yè)制造更加強(qiáng)調(diào)設(shè)備的安全性，制造活動(dòng)的可持續(xù)性，因此遠(yuǎn)程運(yùn)維業(yè)務(wù)需要對于某些關(guān)鍵設(shè)備的關(guān)鍵參數(shù)進(jìn)行數(shù)據(jù)監(jiān)控的前提下，對于數(shù)據(jù)進(jìn)行分析得到設(shè)備的當(dāng)前狀態(tài)，以及獲得對一定時(shí)間后的狀態(tài)預(yù)測，從而制定運(yùn)維決策。遠(yuǎn)程運(yùn)維與設(shè)備監(jiān)控的區(qū)別在于，設(shè)備監(jiān)控強(qiáng)調(diào)實(shí)時(shí)性監(jiān)控設(shè)備當(dāng)前是否發(fā)生故障，而遠(yuǎn)程運(yùn)維強(qiáng)調(diào)獲得設(shè)備當(dāng)前和未來的設(shè)備狀態(tài)，最終目的是防范關(guān)鍵設(shè)備或部件發(fā)生故障，進(jìn)而防范制造停滯甚至產(chǎn)生大規(guī)模損失的可能性。在第二章中進(jìn)行了領(lǐng)域驅(qū)動(dòng)建模，遠(yuǎn)程運(yùn)維業(yè)務(wù)由以下微服務(wù)類與組件構(gòu)成：圖SEQ圖\*ARABIC21遠(yuǎn)程運(yùn)維業(yè)務(wù)微服務(wù)因此本節(jié)提出的遠(yuǎn)程運(yùn)維方案是一個(gè)閉環(huán)過程，通過端側(cè)邊緣側(cè)進(jìn)行數(shù)據(jù)采集，為云端提供了樣本數(shù)據(jù)集，基于樣本數(shù)據(jù)集在云側(cè)進(jìn)行設(shè)備狀態(tài)分析和維護(hù)決策制定，最終決策執(zhí)行于設(shè)備。基于設(shè)備情況的不斷動(dòng)態(tài)更新，維護(hù)策略和實(shí)施也相應(yīng)發(fā)生變化，由于執(zhí)行完整的一次閉環(huán)過程，需要耗費(fèi)時(shí)間，算力，人力，因此維護(hù)策略不僅僅包括針對設(shè)備采用何種維護(hù)方法，具體更換何種設(shè)備，也需要通過設(shè)備剩余生命的衰減速度更新需要進(jìn)行整個(gè)閉環(huán)過程的頻率。如圖所示，下面將以按時(shí)間線發(fā)生的3步具體工作流程對遠(yuǎn)程運(yùn)維進(jìn)行具體闡述：步驟1：在端側(cè)通過網(wǎng)關(guān)設(shè)備收集機(jī)器數(shù)據(jù)。步驟2：將所有原始數(shù)據(jù)集和樣本數(shù)據(jù)集分別流式傳輸?shù)奖镜厮接羞吘壴疲ㄟ吘墏?cè)）和遠(yuǎn)程公共高性能計(jì)算云（云側(cè)）。通過數(shù)據(jù)采集網(wǎng)關(guān)設(shè)備，所有實(shí)時(shí)數(shù)據(jù)集被收集并流式傳輸?shù)奖镜貙Ｓ眠吘壴浦?。同時(shí)，樣本數(shù)據(jù)集（訓(xùn)練數(shù)據(jù)集）被流式傳輸?shù)竭h(yuǎn)程公共云中。步驟3：在云側(cè)進(jìn)行設(shè)備狀態(tài)評估，作為維護(hù)決策的判斷依據(jù)。此模塊采用微服務(wù)的方式執(zhí)行，涉及到了設(shè)備信息子域，歷史信息子域，智能算法子域，維保中心子域，以及遠(yuǎn)程控制子域。遠(yuǎn)程運(yùn)維流程圖如下所示：圖SEQ圖\*ARABIC22遠(yuǎn)程運(yùn)維流程圖遠(yuǎn)程運(yùn)維算法設(shè)備歷史數(shù)據(jù)傳入云數(shù)據(jù)庫后需要運(yùn)用一定的算法才能夠?qū)τ谠O(shè)備的剩余壽命進(jìn)行預(yù)測。這些算法在實(shí)際中以智能算法子域中知識(shí)庫微服務(wù)中的分離的組件形式存在，應(yīng)用時(shí)只需要進(jìn)行調(diào)用即可。遠(yuǎn)程運(yùn)維算法包含CBM，PdM兩大策略。CBM算法視情維護(hù)，即CBM指的是以機(jī)器，系統(tǒng)的工作運(yùn)行狀態(tài)為依據(jù)，對于那些關(guān)鍵部分的關(guān)鍵狀態(tài)定期，連續(xù)，甚至實(shí)時(shí)進(jìn)行監(jiān)控，當(dāng)產(chǎn)生了不合理狀態(tài)時(shí)，進(jìn)行維護(hù)。CBM進(jìn)一步可以分為傳統(tǒng)經(jīng)驗(yàn)CBM和基于退化模型的CBM，傳統(tǒng)經(jīng)驗(yàn)CBM指的是依據(jù)一直以來的生產(chǎn)經(jīng)驗(yàn)，制定了何時(shí)應(yīng)當(dāng)進(jìn)行維護(hù)的決策，具有不確定性。而基于退化模型的CBM存在一個(gè)判斷標(biāo)準(zhǔn)，相比于傳統(tǒng)經(jīng)驗(yàn)視情維護(hù)更加可靠。因此本小節(jié)重點(diǎn)介紹基于退化模型的CBM算法。 一臺(tái)設(shè)備在實(shí)際運(yùn)行過程中，同時(shí)也在經(jīng)歷逐漸退化和失效的過程，而失效退化與時(shí)間的關(guān)系往往與設(shè)備的運(yùn)行狀態(tài)，連續(xù)工作時(shí)間，設(shè)備所處環(huán)境變化等許多因素耦合相關(guān)。當(dāng)失效退化累積到故障閾值時(shí)，故障就會(huì)發(fā)生，這就是上一章設(shè)備監(jiān)控方案需要解決的問題。而在達(dá)到失效閥值之前，較為準(zhǔn)確地尋找到貼合實(shí)際情況的退化模型，用于對某一時(shí)間節(jié)點(diǎn)后續(xù)的設(shè)備壽命預(yù)測提供參考依據(jù)。下圖展示了退化過程和失效閥值的相對關(guān)系示意圖。圖SEQ圖\*ARABIC23退化過程與失效閥值示意圖離散狀態(tài)退化模型由于無法得到系統(tǒng)退化當(dāng)前狀態(tài)的精確測量值，采用離散狀態(tài)的建模手段，馬爾科夫過程模型。其將系統(tǒng)退化狀態(tài)劃分為數(shù)量有限的數(shù)個(gè)退化階段是可以實(shí)現(xiàn)并且具有實(shí)際意義的。馬爾科夫過程描述了空間狀態(tài)兩個(gè)狀態(tài)的切換隨機(jī)過程，設(shè){Xt,t∈T}是取值于狀態(tài)空間E中的隨機(jī)過程,若對任意的正整數(shù)n,tPXtn+1≤xn+1Xt則稱{Xt連續(xù)退化模型如果系統(tǒng)狀態(tài)隨時(shí)間進(jìn)程擁有連續(xù)退化的特性，且系統(tǒng)擁有實(shí)時(shí)可得的狀態(tài)量，則可以使用連續(xù)狀態(tài)退化模型描述其退化過程。伽瑪過程模型在1975年被引入可靠性領(lǐng)域[30]，當(dāng)退化過程具有不確定、非遞減特征時(shí)，可將其視為伽瑪過程。伽瑪過程是擁有獨(dú)立的非負(fù)增量的隨機(jī)過程，其中增量具有相同尺度參數(shù)的伽瑪分布。設(shè)隨機(jī)過程{Y(t),Ga(y∣αt,β)= 其中α>0,β>0分別是形狀參數(shù)和尺度參數(shù)，exp??指以e為底的指數(shù)函數(shù)，Yt的均值和方差分別為αβ數(shù)據(jù)驅(qū)動(dòng)的PdM策略當(dāng)前已有許多基于機(jī)器學(xué)習(xí)的剩余壽命預(yù)測方法，例如基于邏輯回歸方法[32]（Logisticregression），基于人工神經(jīng)網(wǎng)絡(luò)的方法[33]（Artificialneuralnetwork，ANN），基于支持向量機(jī)的方法[34]（Supportvectormachine，SVM），基于決策樹的方法[35]（Decisiontree，DR）等等。數(shù)據(jù)驅(qū)動(dòng)的PdM策略擁有許多優(yōu)勢，首先這個(gè)概念可以應(yīng)用于任何能采集到數(shù)據(jù)的設(shè)備，因?yàn)樗换跀?shù)據(jù)進(jìn)行模型的生成和預(yù)測，不同于CBM任需要將設(shè)備本身和退化模型進(jìn)行匹配，因此它具有較廣的應(yīng)用范圍。同時(shí)，根據(jù)機(jī)器學(xué)習(xí)算法的不同，和具體參數(shù)的調(diào)整，理論上可以獲得極度貼近實(shí)際的模型，可以對RUL進(jìn)行精準(zhǔn)預(yù)測。但與設(shè)備監(jiān)控方案不同，僅需要將故障與常規(guī)數(shù)據(jù)區(qū)分，可以設(shè)計(jì)詳細(xì)的通用算法進(jìn)行應(yīng)用，對于設(shè)備剩余壽命的預(yù)測采用的算法必須根據(jù)實(shí)際數(shù)據(jù)的整體特征進(jìn)行選擇。實(shí)驗(yàn)本實(shí)驗(yàn)實(shí)現(xiàn)了遠(yuǎn)程診斷組件，對于數(shù)控機(jī)床的刀具進(jìn)行數(shù)據(jù)采集，經(jīng)過邊緣服務(wù)器，上傳至云端，對于數(shù)據(jù)庫中存儲(chǔ)的刀具相關(guān)的數(shù)據(jù)運(yùn)用刀具管理服務(wù)，結(jié)果反送回?cái)?shù)據(jù)庫存儲(chǔ)并且通過MQTT在用戶端進(jìn)行顯示。每一次的數(shù)據(jù)傳輸與操作對應(yīng)著一個(gè)微型組件，具體定義了相應(yīng)的協(xié)議對接，端口對接，以及功能實(shí)現(xiàn)代碼。具體流程圖如下所示：圖SEQ圖\*ARABIC24遠(yuǎn)程診斷組件流程圖 實(shí)際上，遠(yuǎn)程診斷微服務(wù)在參數(shù)監(jiān)控微服務(wù)的基礎(chǔ)上擴(kuò)展得以實(shí)現(xiàn)。組件刀具管理服務(wù)，首先從云數(shù)據(jù)庫中基于數(shù)據(jù)庫數(shù)據(jù)協(xié)議提取得到某一臺(tái)設(shè)備的所有相關(guān)刀具信息，查看它們的最近一次更新數(shù)據(jù)，主要是歷史總使用時(shí)間；在此基礎(chǔ)上加上當(dāng)前更新的新使用時(shí)間，得到總使用時(shí)間。隨后從數(shù)據(jù)庫提取對應(yīng)刀具的壽命時(shí)間模型，進(jìn)行比對，判斷刀具的壽命情況。將壽命情況與刀具的本身信息反送回?cái)?shù)據(jù)庫進(jìn)行存儲(chǔ)，同時(shí)在用戶端進(jìn)行顯示。最終在用戶端的刀具管理顯示如下圖所示：圖SEQ圖\*ARABIC25刀具情況總覽圖SEQ圖\*ARABIC26具體信息查看

第六章結(jié)論與展望結(jié)論現(xiàn)代制造擁有分散化、復(fù)雜化的趨勢，分散化具體表現(xiàn)在共同完成同一任務(wù)的設(shè)備分散在物理間隔較大的不同設(shè)備現(xiàn)場，復(fù)雜化體現(xiàn)于業(yè)務(wù)縱向視角下，完成一個(gè)目標(biāo)需要?dú)v經(jīng)多臺(tái)設(shè)備，小產(chǎn)品進(jìn)行組合層層組成最終產(chǎn)品；而企業(yè)橫向視角下，一個(gè)企業(yè)往往具有多種類型，每個(gè)機(jī)型復(fù)數(shù)數(shù)量的設(shè)備群。同時(shí)，隨著科技發(fā)展，價(jià)值昂貴的設(shè)備愈發(fā)普及，對它們的監(jiān)控與維護(hù)任務(wù)必不可少。實(shí)際上，對于設(shè)備群的統(tǒng)一化管理，對于企業(yè)效率的提升，成本的降低，都有著至關(guān)重要的作用。因此，基于工業(yè)互聯(lián)網(wǎng)的設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維方法，急需理論建模以及具體實(shí)現(xiàn)開發(fā)。在此基礎(chǔ)上，本文從領(lǐng)域驅(qū)動(dòng)建模，架構(gòu)設(shè)計(jì)，方案設(shè)計(jì)三個(gè)具體方面，對于設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維從抽象到具象，從理論設(shè)計(jì)到方案落地進(jìn)行了具體方法制定。本文主要完成了以下三個(gè)工作內(nèi)容：完成了設(shè)備遠(yuǎn)程監(jiān)控運(yùn)維領(lǐng)域建模。針對于現(xiàn)代制造的復(fù)雜化趨勢，業(yè)務(wù)建模的概念被廣泛承認(rèn)和使用，這種建模方式實(shí)際上是從業(yè)務(wù)端出發(fā)進(jìn)行劃分和界定，再反向構(gòu)造對應(yīng)的內(nèi)容。對應(yīng)于工程方面，存在微服務(wù)的概念，它是一種構(gòu)建架構(gòu)的思路和風(fēng)格，提倡將一個(gè)大型的應(yīng)用或者任務(wù)，拆分為一塊塊的微型服務(wù)進(jìn)行獨(dú)立實(shí)現(xiàn)。微服務(wù)與業(yè)務(wù)建模兩個(gè)概念具有高度匹配性。而領(lǐng)域驅(qū)動(dòng)建模的方法論，恰好支撐微服務(wù)概念。因此本文將三者結(jié)合，應(yīng)用于設(shè)備遠(yuǎn)程監(jiān)控運(yùn)維。將設(shè)備遠(yuǎn)程監(jiān)控運(yùn)維視作一個(gè)領(lǐng)域，進(jìn)行了設(shè)備信息，狀態(tài)監(jiān)測，智能算法，歷史數(shù)據(jù)，維保中心，遠(yuǎn)程控制六個(gè)子域的劃分，再在子域內(nèi)確定了界線上下文并依此劃分了微服務(wù)，并且給出了微服務(wù)實(shí)現(xiàn)必要的組件構(gòu)成。同時(shí)，基于領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)的架構(gòu)，對于微服務(wù)代碼總目錄進(jìn)行了創(chuàng)建。完成了設(shè)備遠(yuǎn)程監(jiān)控運(yùn)維總架構(gòu)的設(shè)計(jì)。為了支持現(xiàn)代制造對于大數(shù)據(jù)處理，數(shù)據(jù)云端統(tǒng)一管理，但在設(shè)備端又需要低延時(shí)地響應(yīng)速度，采用了端邊云協(xié)同的模式搭建了基礎(chǔ)架構(gòu)，隨后結(jié)合微服務(wù)架構(gòu)特點(diǎn)，以及之前完成的微服務(wù)劃分，對于架構(gòu)進(jìn)行了細(xì)化，從而提出了完成的設(shè)備遠(yuǎn)程監(jiān)控運(yùn)維總架構(gòu)。針對于設(shè)備監(jiān)控和遠(yuǎn)程運(yùn)維兩個(gè)核心的工業(yè)業(yè)務(wù)，設(shè)計(jì)了具體工作流程，并且對于各個(gè)環(huán)節(jié)在端邊云協(xié)同架構(gòu)中如何使用微服務(wù)及其組件得以實(shí)現(xiàn)進(jìn)行了闡述。并且針對于常常用于這兩個(gè)工業(yè)業(yè)務(wù)的智能算法進(jìn)行了介紹和方案設(shè)計(jì)。最后，針對于參數(shù)監(jiān)控、異?；貓?bào)、遠(yuǎn)程監(jiān)控三個(gè)微服務(wù)進(jìn)行了實(shí)驗(yàn)，獲得了較為滿意的實(shí)驗(yàn)結(jié)果。同時(shí)，在非技術(shù)性層面，本文在設(shè)備遠(yuǎn)程監(jiān)控運(yùn)維總架構(gòu)的設(shè)計(jì)過程中，邊緣側(cè)和云側(cè)的數(shù)據(jù)傳輸可選擇性，提供了用戶使用第三方技術(shù)的同時(shí)，保證自己全部數(shù)據(jù)的安全性；而對于企業(yè)而言，提供了監(jiān)控和運(yùn)維業(yè)務(wù)功能實(shí)現(xiàn)的同時(shí)，也提供了一個(gè)可擴(kuò)展性強(qiáng)，擁有潛力的基礎(chǔ)方法，為企業(yè)實(shí)現(xiàn)效率提升，設(shè)備保護(hù)等方面都提供了可能性。實(shí)際上，設(shè)備的監(jiān)控和運(yùn)維也意味著防范重大事故，節(jié)省用于損壞后重建的社會(huì)資源與自然資源，對于社會(huì)和環(huán)境也有著間接的作用。展望希望能夠在本文設(shè)計(jì)成果的基礎(chǔ)上，進(jìn)一步對于設(shè)備遠(yuǎn)程監(jiān)控和運(yùn)維方法進(jìn)行深入開發(fā)和進(jìn)一步完善，具體在以下幾個(gè)方面：對領(lǐng)域驅(qū)動(dòng)建模結(jié)果的合理性驗(yàn)證。由于本文進(jìn)行了從子域，基于限界上下文的微服務(wù)類，及其對應(yīng)組件的層層劃分，但其合理性需要在一個(gè)適合的環(huán)境下進(jìn)行驗(yàn)證，進(jìn)行閉環(huán)優(yōu)化，對于不合理的劃分做出相對應(yīng)的添加，刪減，重組等操作。在具體方案實(shí)現(xiàn)方面，擴(kuò)展能夠?qū)嶋H應(yīng)用的微服務(wù)及其組件，本文提及的都是基礎(chǔ)算法，需要對算法庫進(jìn)行擴(kuò)充，當(dāng)算法庫豐富且有了實(shí)際應(yīng)用對比之后，對于不同場景下的合適算法進(jìn)行性能比較。本文的建模仍比較淺顯，驗(yàn)證部分和實(shí)驗(yàn)部分也仍有欠缺，需要在合適的場景下進(jìn)行進(jìn)一步的完善和優(yōu)化。參考文獻(xiàn)WuD,GreerMJ,RosenDW,SchaeferD.Cloudmanufacturing:strategicvisionandstate-of-the-art[J].ManufSyst2013;32(4):564–79.WuD,RosenDW,WangL,SchaeferD.Cloud-baseddesignandmanufacturing:anewparadigmindigitalmanufacturinganddesigninnovation[J].ComputAidedDes2015;59:1–14.WuD,RosenDW,SchaeferD.Scalabilityplanningforcloud-Basedmanufacturingsystems[J].ManufSciEng2015.XuX.Fromcloudcomputingtocloudmanufacturing[J].RobComputIntegrManuf2012;28(1):75–86.WangL,T?rngrenM,OnoriM.Currentstatusandadvancementofcyber-physicalsystemsinmanufacturing[J].ManufSyst2015;37(Part2):517–27.LeeEA.Cyberphysicalsystems:designchallenges,proc.objectorientedreal-Timedistributedcomputing(ISORC)[C].200811thIEEEInternationalSymposiumon,IEEE2017:363–9.李倩.工業(yè)互聯(lián)網(wǎng)平臺(tái)需要具備四個(gè)基本功能[J/OL].中自數(shù)字移動(dòng)傳媒,2018,23(3);4[2000-01-18].李杰,劉宗長,高虹安,等.工業(yè)人工智能[M].上海:上海交通大學(xué)出版社,2019:73-85.LeeJay,LiXiang,XuYuan-Ming,YangShaojie,SunKe-Yi.RecentadvancesandprospectsinindustrialAIandapplications[J].ActaAutomaticaSinica,2020,46(10):2031?2044.HuynhKT,BarrosA,BerenguerC.Multi-Leveldecision-makingforthepredictivemaintenanceofk-out-of-n:Fdeterioratingsystems[J].IEEETransactionsonReliability,2015,64(1):94?117.RafieeK,FengQ,CoitDW.Condition-basedmaintenanceforrepairabledeterioratingsystemssubjecttoageneralizedmixedshockmodel[J].IEEETransactionsonReliability,2015,64(4):1164?1174.JongeBD,TeunterR,TingaT.Theinfluenceofpracticalfactorsonthebenefitsofcondition-basedmaintenanceovertime-basedmaintenance[J].ReliabilityEngineering&SystemSafety,2017,158:21?30.WangH.Asurveyofmaintenancepoliciesofdeterioratingsystems[J].EuropeanJournalofOperationalResearch,2002,139(3):469?489.L.D.XuandL.Duan,Bigdataforcyberphysicalsystemsinindustry4.0:Asurvey[C].EnterpriseInf.Syst.,vol.13,no.2,pp.148–169,Feb.2019.Z.Wen,D.L.Quoc,P.Bhatotia,R.Chen,andM.Lee,ApproxIoT:Approximateanalyticsforedgecomputing[C].Proc.IEEE38thInt.Conf.Distrib.Comput.Syst.(ICDCS),Jul.2018,pp.411–421.V.Alieksieiev,OneapproachofapproximationforincomingdatastreaminIoTbasedmonitoringsystem,[C].Proc.IEEE2ndInt.Conf.DataStreamMiningProcess.(DSMP),Aug.2018,pp.94–97.J.Azar,A.Makhoul,M.Barhamgi,andR.Couturier,AnenergyefficientIoTdatacompressionapproachforedgemachinelearning[J].FutureGener.Comput.Syst.,vol.96,pp.168–175,Jul.2019.J.A.HealeyandR.W.Picard,Detectingstressduringreal-worlddrivingtasksusingphysiologicalsensors[J].IEEETrans.Intell.Transp.Syst.,vol.6,no.2,pp.156–166,Jun.2005.H.Harb,C.A.Jaoude,andA.Makhoul,Anenergy-efficientdatapredictionandprocessingapproachfortheInternetofThingsandsensingbasedapplications[J].PeerPeerNetw.Appl.,vol.13,no.3,pp.780–795,2020.BonomiF,Milito