高铁预测性维护如何实现? 中国中车项目树立标杆

作为工业物联网(IIoT)的重要应用场景之一——预测性维护，已受到越来越多的企业重视。根据罗兰贝格与汉诺威工业展览会合作针对153家重点关注输电工程/液压传动、电气自动化/机器人技术等领域机械工程运营公司的调研显示，81%的受访公司已布局预测性维护，其中虽有近40%的受访公司已在提供相关技术和服务，但大部分公司仍然在产品研究阶段，或尚未开始任何相关工作。罗兰贝格在报告中指出：“在预测性维护应用领域，如何将数据系统地转化成(客户)利益并应用到特定商业模式中，理想与现实之间仍然存在较大差距。”下面就随网络通信小编一起来了解一下相关内容吧。

图1 罗兰贝格针对预测性维护调查报告的相关数据

NI(美国国家仪器，National Instruments，以下简称“NI”)工业物联网行业市场经理崔鹏表示：“作为一种新的资产、资源和生产要素，工业大数据是工业物联网的核心，更是中国制造业转型升级的重要战略资源。”NI的平台化解决方案，正在积极帮助探索预测性维护应用的客户将大数据应用到特定商业模式中，而中车青岛四方机车车辆股份有限公司和北京天泽智云科技有限公司(以下简称“天泽智云”)就是NI在预测性维护及工业智能领域的重要合作伙伴之一。

1中国高铁项目案例带来的预测性维护启示

中国高铁的创新举世瞩目，“复兴号”以350公里时速的正式运营，标志着中国成为世界高铁商业运营速度最高的国家。实现高速需要百分百的安全保障作为前提，预测性维护在提升高铁的安全性上恰可大显身手。

高铁的预测性维护系统到底有多重要?据中车青岛四方公司国家工程实验室试验部主任张志强介绍，目前我国的高铁实行的是周期性维修方案，高铁运行到一定距离，就要进行相应等级的维修，例如，达到240万公里时，就要五级修，这意味着整台高铁要返厂维修。实际上，这种无差别对待的维修存在着极大的浪费，如果能有针对的施行预测性维修将节约大量成本。据张志强估计，单就高铁PHM(故障预测与健康管理)项目就能产生几千亿的效益。

中车青岛四方机车车辆股份有限公司联合天泽智云，基于NI InsightCMTM以及CompactRIOTM平台，打造了针对高铁的预测性维护解决方案。为了开发预测性维护用的机器学习算法，首先得在短时间内获取大量数据用于模型训练。中车青岛四方试图通过快速构建一个高铁在线实时监控系统，针对高铁测试线上的8个旋转件进行测试，测量各个旋转件的震动与转速情况，并对采集下来的大量时间序列数据按需求进行筛选、分析，进一步得到所有旋转件的健康状况。然而，在这场看似方向明晰的原型化探索中，中车青岛四方仍遭遇了5大挑战：

实时采集挑战：本项目需要快速构建一个在线实时监测系统，同步采集在同一设备八个旋转件的振动与转速，而这需要二十个采集通道;

采样频率挑战：为了拟合高铁运行的速度，转轴转速将高达2200rpm，再加上为了保证采样包含的频率范围能够涵盖所有故障频率，采样率必须达到很高水平，即25.6kS/s采样率;

连续采集挑战：InsightCM是NI一款用于设备在线状态监测的系统，适合实现分布式状态监测，但是本项目中的应用目的是进行连续的数据采集以便在短时间内获得更多的数据来进行分析;

数据处理挑战：多通道高频率的采集会在短时间内产生大量数据，要将这些数据进行信号处理和特征提取后产生与健康相关的信息，并传给服务器端，这对测试设备的计算能力与内存分配能力有所挑战;

时间同步挑战：首先，本项目需要十个通道能够同步采集，以实现在同一个时刻对整个设备通过不同维度进行描述;其次，算法开发对数据的时间戳有特殊要求，需要测试设备端与服务器端时间保持高度一致。

图2 基于NI平台搭建的原型化探索测试端设备

为解决上述原型化探索阶段遭遇的难题，项目团队采用InsightCMTM+CompactRIOTM的方案进行数据采集：根据通道数与采样频率的要求，选用cRIO-9036 + NI-9232(即CompactRIO控制器+C系列声音与振动输入模块)搭建测试端设备，经过实测，CompactRIO的计算能力和内存分配能力完全满足需求;而InsightCM不仅实现了多通道数据采集的同步，还通过设置NTP时间服务器的方式使设备端与服务器端时间保持一致，让工程师免去了对CompactRIO进行二次开发，从而减少了方案实施的复杂度、加速了实施进度。

据项目团队反馈：“我们使用了InsightCM搭载CompactRIO进行数据采集，并根据采集下来的数据进行分析。采集到的数据质量非常高，在cRIO中运算我们的PHM智能算法能够满足实时性的要求，帮助我们在高铁测试试验中分析出了所有的故障，准确率非常高。”

图3 原型化探索方案的整体架构逻辑框图

2超越采集，NI方案整合边缘计算与云计算优势助力数据价值挖掘

众所周知，工业物联网中，边缘计算部署在终端或者边缘端，除了数据采集，还是实现嵌入式人工智能的关键，因此边缘端计算的实时性比云端更强，而NI平台化解决方案在支撑实时性边缘端计算的同时，还将边缘计算与云计算的优势整合到了一起。

基于与NI的紧密合作，天泽智云在预测性维护及其它IIoT应用中，都借助了NI的平台化解决方案。例如在实现工程化解决方案时，天泽智云的工程师先将工业AI的算法引擎部署在云端，再通过InsightCM与其它的NI的边缘计算系统进行对接，承载开发的算法所产生的结果，帮助用户产生对系统的认知;最后底层通过CompactRIO执行机器学习模型，以及对运算结果进行数据的交流，将运算结果通过InsightCM和Web Service进行发布。

“在边缘端执行相应的边缘计算，将原始数据提取出特征信息，进一步将特征信息上传到私有云或者公有云，完成复杂的PHM(Prognostics and Health Management，故障预测与健康管理)相关的计算，是目前比较合理的架构模式。NI的CompactRIO架构可以提供比较灵活的传感器接口和比较丰富的计算资源，这种理念和我们相当契合。”天泽智云研发副总裁刘宗长表示：“我们对NI的CompactRIO和InsightCM进行了大量的二次开发，使之能够实现更多的、贴近用户需求的边缘计算功能，并且满足远程的调度和管理，最终将有价值的信息上传到云端，借以实现边缘计算与云计算的优势整合。”

“在原型化的探索阶段，NI平台化解决方案以灵活快速著称，对于有特定需求的客户，NI能通过自身或携手合作伙伴提供便捷的二次开发，实现满足客户自定义需求的平台化方案，因此，在不同领域，在不同阶段，NI都能以最合适的方案切入。”崔鹏为天泽智云案例的总结，更折射出NI平台化方案的优势。