2019年边缘端AI智能赋能边缘智能决策与洞察.pdf

《2019年边缘端AI智能赋能边缘智能决策与洞察.pdf》由会员分享，可在线阅读，更多相关《2019年边缘端AI智能赋能边缘智能决策与洞察.pdf（34页珍藏版）》请在三个皮匠报告上搜索。

1、边缘端边缘端AI智能赋能边缘智能决策与洞察AI智能赋能边缘智能决策与洞察目录CO N T E N T S1.工业智能落地难点2.边缘计算与边缘应用3.边缘计算应用案例分享4.Q&A实现工业智能要从痛点入手痛点：不可见的问题4零宕机零次品零浪费衰退Degradation失效Failure故障停机预测性维护不可见可见5工业智能落地面临的基础挑战能源/电力设施监控离散工业设备实时监控系统实时状态应用模型更新软件部署移动接入远程配置系统管理数据融合制造业产线监测数据传输工业智能应用在分布式工业设备管理、工业混合异构信号采集、智能算法边缘部署等方面存在挑战预警工业智能如何从离散异构数据提取价值6外接传感

2、器振动温度设备控制器SCADA系统企业数据库Database边缘计算8广义的边缘端边缘计算：一种分散式运算架构，将应用程序、数据资料与服务的运算，由网络中心节点移往网络逻辑上的边缘节点来处理。*Source:Edge Computing:learn to delegate,Jordan Afonso,边缘计算的优势9数据处理更接近于数据来源，而不是在外部数据中心或云端进行，因此可以减少延迟时间。实时性强企业在本地设备的数据管理解决方案上的花费比在云和数据中心网络上的花费要少。低成本网络带宽有限，让云端不堪重负，造成数据瓶颈。即使带宽能够承受，本地处理也减少资源浪费。网络流量小随着滞后减少，应用

3、程序能够以更快的速度更高效运行。还可结合FPGA等技术，形成闭环反馈。运行效率高出于企业安全考虑，现场数据不希望暴露在外。本地处理可以保证数据安全性，只传出报警通知和行为需求即可。安全性场景1：机床健康监测10各种外置传感器数采设备机床控制器状态信息原始波形数据单机床数据通路机床产线/车间监测系统架构服务器场景2：高铁实时在线监测系统11车载服务器EdgeProServer边缘智能数采硬件高铁轴箱轴承模式识别算法25.6kHz 采样率、每秒超过130Mb数据、分布式实时信号处理转速4振动16温度4边缘特征工程价值：数据 to 信息/知识13 在边缘硬件端即可完成原始波形的特征提取，而不需要上传

4、全部原始数据 25600 S/s-20 S/s 边缘计算可以每时每刻都在计算和诊断-均方根值（RMS）-最大值（max）-最小值（min）-平均值（mean）-方差（variance）-峰峰值（peak-to-peak）-偏度（skewness）-峰度（kurtosis）-边缘特征工程：时域统计量14 基础的特征提取方法，反映了数据的统计分布规律 常见时域统计量 均方根值（RMS）最大值（max）最小值（min）平均值（mean）方差（variance）峰峰值（peak-to-peak）偏度（skewness）峰度（kurtosis）边缘特征工程：时域统计量15 典型使用案例：轴承振动信号提取

5、rms值，振动信号的rms值反映了机器振动的能量，能量越大，振动越剧烈，轴承越有可能出现故障/衰退边缘特征工程：频域特征16 FFT是最基础频域分析方法，可用于 稳态信号的频域特征提取 频域峰值检测 高阶时频域分析方法的组成部分 典型使用案例：计算CNC机床主轴的电流信号的FFT频谱，寻找频率峰值，从而得到主轴转速16边缘特征工程：频域特征1717 包络谱分析先从原始时域信号中提取出包络时间序列，然后对包络时间序列做频谱分析，从而得到包络谱 典型使用案例：通过包络谱分析对轴承早期故障做准确检测边缘人工智能：机器学习与在线训练1919IEC-1001AI AlgorithmWeb Service

6、s通过EdgePro 对结果进行查看和展示实时PHM系统被测设备EdgePro 边缘智能系统示意图2121iEC-1001 高性价比边缘智能硬件iEC-1009 高性能边缘智能硬件iGW-2001 工业智能网关EdgePro ServerEdgePro UI（B/S）EdgePro ClientEdgePro产品主要特点2222混合数据采集能力目前EdgePro可接入，配置和管理各类状态监测系统(CMS)、工控机(IPC)、工业网关、PLC与嵌入式系统等快速规模化设备接入Ed