【《设备远程监控和运维的分析现状的国内外文献综述》4300字】

设备远程监控和运维的研究现状的国内外文献综述目录TOC\o"1-3"\h\u1404设备远程监控和运维的研究现状的国内外文献综述 1162161.1.1设备远程监控和运维的发展 1252261.1.2设备远程监控和运维架构 2279211.1.3论文研究目标 532218参考文献 5设备远程监控和运维有效针对研究背景中所提及的制造分布式协作模式，契合工业4.0时代，提供了一种智能化，远程化的制造解决方案，其实现了设备侧，边缘侧，云侧的物理分离却又信息互通互联，相互配合，提供了设备数据采集，管理存储，使用高计算力进行数据分析等符合当下智能制造需求的众多重要功能模块。设备远程监控运维技术隶属于工业人工智能，属于工业人工智能的一个具体应用场景。设备远程监控运维的目的是将各种不同类型的设备的实时运行数据收集，集中管理，进行数据分析，并能够一并进行个性化的可视化展示，监控功能为通过一定的算法识别出设备故障并及时报警，运维功能为基于数据对设备进行维护。这往往不同于传统制造过程中，采集的数据有限，且只能在有限的设备现场附近某一控制室可见，而是数据实时发送到云端，可以在任何位置的任何有权限的终端查看实时数据，故障内容信息，推荐的运维策略等。设备远程监控和运维的发展设备监控的概念其实早已存在，早期在设备上直接使用仪表直接测量显示部分过程量其实就是监控的概念。后来发展为在设备现场附近的集中监控室，在其中集中放置了接出的仪表数据，派专人进行监控。如今在工业物联网以及工业人工智能概念的提出和发展下，提出了设备联网远程监控的概念。设备维护策略已经存在修复性维护、定时维护、视情维护等许多维护策略[10-12]。修复性维护（Correctivemaintenance，CM），也可以被称为事后维护（Breakdownmaintenance，BM）指在故障已经发生后进行停机维修，它可以归属于典型的非计划之内维修策略[13]。CM带来的制造停滞时间非常长，对机器，产线所带来的危害完全不可控。定时维护（Time-basedmaintenance，TBM）根据每个独特制造过程的计划制定以及历史经验，按照计划好的时间间隔进行停机的大规模检查，来发现那些设备的老化，即将损坏现象，来保证安全性和可持续性。这种维护策略的停机时间也很长，每次检查耗费的人力也很高，但相比于修复性维护，对机器，产线的安全性保护较好。视情维护（Condition-basedmaintenance，CBM）指的是以机器，系统的工作运行状态为依据，对于那些关键部分的关键状态定期，连续，甚至实时进行监控，当产生了不合理状态时，进行维护。CBM是一个宽泛的概念，通常涵盖基于退化模型对实时数据进行判断的维护策略，在工业人工智能的背景下产生了预测性维护（Predictivemaintenance，PdM）的维护策略，指使用工业人工智能算法对大数据进行分析，从而预测系统剩余使用寿命（Remainingusefullife，RUL）的维护策略。设备远程监控和运维架构端云架构设备远程监控运维的传统端云架构指的是在设备端采集数据，将数据从传感设备流式传输到云中，在那里进行处理和建模。传感设备通常在短时间内，连续或周期性地产生大量数据。例如，一秒钟内，一台机器可以生成数千条记录[14]。根据思科云指数(2013-2018)，一个自动化设施每小时可以生成万亿字节的数据。为此，使用采样、压缩、过滤等方法来减小数据大小。这些技术可以减少转发到云中的数据量。这种架构是设备端与云端的直接互联，着重于数据的处理，下面具体介绍：采样，采样指的是从输入数据中获取数据点的频率。比如它可以描述了被转发的频率感应值为每秒，每分钟，或者每小时。这通常用于具有频繁冗余值的应用程序。拿恒温监控来简单举例，可以用较少的样本进行推断或决策。下面回顾一些最近的采样手段：文献[15]中提出的方法通过在数据流上应用储层和随机采样，并在聚合器中关联指示数据值重要性的权重。这种方法的问题是权重与数据点的乘积最终会改变值。这使得它不适用于要求实际值或特定范围内的值的应用。与这种方法不同的是，在[16]中提出的技术并不改变数值。它基于两个子集、最大值和最小值，聚合节点使用这些子集来获得近似流，这种方法可能会很好地解决重复值的问题。压缩，数据压缩是一种重要的减少数据量方法，数据在传输到云进行进一步处理分析之前先会被压缩。在文献[17]中，作者提出了一种节能的方法来压缩物联网设备的多元时间序列数据。该方法中调整了最初是为压缩高性能计算应用程序的数据而提出的压缩算法。传感器节点进行数据压缩处理，以及重建，并转发到云端。作为用例，他们使用文献[18]中的数据集来确定驾驶员的压力水平，给出了心电图信号、呼吸和心率等特征。结果表明，数据挖掘模型可以有效地预测使用压缩数据，而不损害准确性。此外，结果还表明该方法在智能设备的计算时间和能耗方面是有效的。融合，来自各种流的数据被融合来减少数据冗余、提高数据质量、提高可靠性、处理丢失的数据以及扩大被监控区域的覆盖范围。在文献[19]提出的研究中，首先借助拉格朗日多项式在传感器节点上对数据进行约简，然后将其发送到云服务器。端云结构如下所示：图SEQ图\*ARABIC4端云架构图 端云架构的弊端：虽然端云架构减少了云中发送、存储和处理的数据，但采样、压缩和融合等传统方法主要在设备本身上实现，分析在云中执行。传感器节点有限的资源影响了复杂算法的实现。随着物联网应用的发展，这种情况变得更加严重，因为物联网应用涉及丰富的数据类型，如图像。此外，由于延时问题，在云中开发实时分析几乎是不可能实现的，不同的物联网应用几乎都需要本地分析。例如，基于本地分析，在生产环境中快速打开/关闭某些设备的决定可以避免灾难性情况。这些本地分析在这种架构中，被放置在了传感器，也就是端侧。对于一些微小的传感器来说，这种算法在计算上非常昂贵，同时，微型传感器的能耗也是一个重要问题。因此，用端云架构实现实时目标似乎是成本极高，难以实现的。端边架构为了扩展云计算并将高性能计算能力带到企业网络的边缘，思科引入了边缘计算[20]。边缘计算，也称为雾计算或雾化，是一种在边缘设备(如无线路由器和广域网接入设备)和云计算数据中心之间提供高性能计算资源、数据存储和网络服务的计算模型[21-23]。在云计算中，大量数据必须传输到云上的数据中心，从而产生巨大的性能开销。与云计算相反，训练大型数据集和可视化数据分析等计算密集型工作负载是在边缘计算中进行的，在边缘计算中收集和存储大量数据，而不是集中云存储。边缘计算的一个关键优势是，它使用户能够通过将计算节点移动到更靠近本地物理对象或设备的位置，并直接在大数据上执行应用程序，避免在边缘设备和云计算数据中心之间传输大量数据。因为边缘计算非常接近原始数据源，所以边缘计算能够显著减少延迟。这对延迟敏感的应用尤为重要。思科将边缘计算应用到智能电网中，在智能电表等边缘设备上执行能源负载平衡应用，实现实时应用和位置敏感服务[24]。边缘计算的另一个关键特征是，它是保护基于云的制造系统的有效方法[25]。端边架构是设备端与边缘端的直接互联，不涉及云端，意味着将算力全部放在靠近设备端的边缘侧。在文献[26]中，作者考虑了所提出的混合架构中的延迟要求。他们提出的混合架构由边缘服务器和传感设备组成。采用这种架构的，如在文献[27]中，边缘服务器首先对提取的图像数据进行预处理，并将其转换成基于文本的时间序列数据。一旦数据准备好，它们就被传送到长短期记忆人工神经网络。第二个组成部分，也是该方法的新颖之处，是通过粒子群优化算法对长短期记忆人工神经网络参数进行调整。端边结构如下所示：图SEQ图\*ARABIC5端边架构图基于这种架构设计的框架有几个好处。首先，该架构需要更少的通信资源以及更少的云资源负担。其次，如果被设计成独立于云之外工作，技术甚至可以在完全没有连接的情况下工作。第三，使用这种体系结构，满足实时要求是可能的。第四，当边缘侧在本地处理数据时，它也满足了安全性和隐私方面的考虑。但端边架构有一个致命的问题，在于在近设备侧构建一个边缘侧，提供的算力往往是有限的，同时，构建的成本十分高，但却只能针对于这一个工业现场，使得这种架构的应用十分受限。例如，构建一个峰值性能为几十亿次的大规模高性能计算集群的初始成本是几百万美元[23]，而运营和维护这样一个集群的成本每年可能超过一百万美元。端边云架构由于边缘计算的提出，端边云架构自然得以提出。实际上，在工业物联网的架构设计中往往都设置了边缘层，但是在针对于设备监控运维的具体应用场景中，实际系统设计了端边云架构并实施的案例较少。由于不同于两侧结构，端边云的三侧结构存在算力如何分布设置；云侧，边缘侧分别获取，存储哪部分的数据等众多问题，分歧大，不同情形下个性化程度也很高。论文研究目标如今基于物联网和工业人工智能的概念，很多企业都提出了自己的物联网架构，在云侧放置了许多功能模块，然而每个功能模块适宜的架构，实行方案，运用的技术都不尽相同。而往往他们对于具体功能模块的实现是不展示给公众的，而每个模块的落实，研究才是真正能够推动工业智能发展，将应用与理论更好结合的关键。在学术研究方面，针对于设备监控和运维的学术研究集中于具体算法的开发研究，而较少考虑整体架构的部署。因此本文致力于就端边云协同环境下的设备远程监控与运维提出具体的架构，方案设计。参考文献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,TörngrenM,OnoriM.Currentstatusandadvancementofcyber-physicalsystemsinmanufacturing[J].ManufSyst2015;37(Part2):517–27.LeeEA.Cyberphysicalsystems:designchallenges,proc.objectorientedreal-Timedistributedcomputing(ISORC)[C].200811thIEEEInternationalSymposiumon,IEEE2017:363–9.李倩.工业互联网平台需要具备四个基本功能[J/OL].中自数字移动传媒,2018,23(3);4[2000-01-18].李杰,刘宗长,高虹安,等.工业人工智能[M].上海:上海交通大学出版社,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,MilitoR,ZhuJ,AddepalliS.Fogcomputinganditsroleintheinternetofthings[C].In:Proc.ProceedingsofthefirsteditionoftheMCCworkshoponMobilecloudcomputing.2017.p.13–6.BonomiF,MilitoR,NatarajanP,ZhuJ.Fogcomputing:Aplatformforinternetofthingsandanalytics,BigDataandInternetofThings:ARoadmapforSmartEnvironments[C].Springer;2014.p.169–86.AazamM,HuhE-N.Fogcomputingandsmartgatewaybasedcommunicationforcloudofthings,Proc.FutureInternetofThingsandClou