水面机器人机舱设备预测维护系统研究与设计.pdf

水面机器人机舱设备预测维护系统研究与设计 乔大雷 1，2，戴立坤1，邹玉娟1 （ 1.江苏海事学院 信息工程学院，江苏 南京211100；2.南京大学 计算机软件新技术国家重点实验室，江苏 南京210023） 来稿日期：2017-12-10 基金项目：江苏海事学院 2017 年度重点课题 （ 2017KJZD-02）；江苏省大学生创新创业训练计划项目 （ 201712679009Y） 作者简介：乔大雷， （ 1980-），男，江苏徐州人，硕士研究生，高级工程师，主要研究方向：智能信息处理和机械故障诊断新技术； 戴立坤， （ 1971-），男，江苏人，硕士研究生，副教授，主要研究方向：物联网应用和智能船舶 1 引言 机舱作为水面机器人 （ Unmanned Surface Vehicles， USVs）动 力装置和机械设备的运行场所，如何实时监测它们的运行状态和 故障诊断一直是船舶轮机自动化领域的关注重点。随着船舶逐渐 进入智能化甚至是无人化时代，对机舱的智能化也提出了更高的 要求，要求其能够综合利用状态监测系统所获得的历史和当前时 刻的信息和数据，对下一时间点或后续一段时间内机舱内机械及 电子设备的运行状态、健康状况进行分析和预测，并将结果用于 机舱设备操作决策和预测性维护方案的制定1-2，这对水面机器人 远洋自主生存能力的行成具有较为深远的意义。 云计算是一种典型的集中式数据处理模式， 采用数据中心 为其提供计算、存储、带宽等各种计算资源3，随着物联网和大数 据处理技术的迅速发展，物联网感知终端产生的海量数据对云中 心计算和服务能力的要求也越来越高，让云中心不堪重负，而物 联网终端和云中心之间数据的汇聚和分发过程也占用了大量的 通信带宽资源，此外传输安全和隐私性也存在较大隐患，因此许 多场合都要求去中心化以缓解云中心的压力， 边缘计算 （ Edge Computing， EC）模式应运而生。 基于边缘计算模式，结合门控循 环单元 （ Gated Recurrent Units， GRU）神经网络的深度学习技术 设计和实现了一个机舱预测性维护系统，具有监控、检测、故障诊 断、剩余寿命 （ Residual Useful Life， RUL）预测，最终实现预测性 维护的功能。 摘要：水面机器人是继无人驾驶汽车、无人机后的工业界、学术界的又一关注热点，机舱作为水面机器人的控制和运行 中枢，要求具备高度的智能化和自治化。 基于边缘计算模式设计和实现了水面机器人机舱预测性维护系统，该系统具有 机舱运行参数实时感知、故障诊断，估计剩余寿命，进而开展预测性维护的功能。 论文给出基于边缘计算的预测性维护系 统体系结构设计，以 NVIDIA Tegra Parker 深度学习 Soc 为核心的边缘网关架构设计，基于 GRU 门控循环单元神经网络 学习算法的故障诊断、剩余寿命预测方法及预测性维护实现思路，最后在 NASA 的 PCoE 发动机退化模拟数据集上验证 了系统设计的可行性及预测算法的有效性。 关键词：水面机器人；智能机舱；边缘计算；预测性维护；GRU 深度学习 中图分类号：TH16；U675.2；TP277文献标识码：A文章编号：1001-3997 （ 2018）06-0270-03 Research and Design of Predictive Maintenance System for Unmanned Surface Vehicles Engine Cabin QIAO Da-lei1，2， DAI Li-kun1， ZOU Yu-juan1 （ 1.School of Information Engineering， Jiangsu Maritime Institute， Jiangsu Nanjing 211100， China； 2.State Key Laboratory of New Software Technology， Nanjing University， Jiangsu Nanjing 210023， China） Abstract：Unmanned surface vehicles are another focus of attention in the industrial and academic fields after unmanned vehicles and unmanned aircraft. The engine cabin， as the control and operation center of USVs， requires a high degree of intelligence and autonomy. Based on the edge computing model， the predictive maintenance system of unmanned engine cabin is designed and realized. The realized system has the function of real-time sensing， fault diagnosis， estimated residual life of the cabin operating parameters， and then the predictive maintenance function. It presents the architecture design of the predictive maintenance system based on the edge calculation， the edge gateway architecture design with NVIDIA Tegra Parker as the core， realization of fault diagnosis， residual life prediction and predictive maintenance based on Gated Recurrent Units neural network learning algorithm. Finally， the feasibility of the system design and the effectiveness of the prediction algorithm are validated on the PCoE NASA engine degradation simulation data set. Key Words：USV; Intelligent Engine Cabin； Edge Computing； Predictive Maintenance； GRU Deep Learning MachineryDesignManufacture 机械设计与制造 第 6 期 2018 年 6 月270 万方数据 2 机舱预测性维护系统体系结构 边缘计算将原云计算中心集中的数据处理能力、 存储资源 以及服务分布式地部署在物联网中物或数据来源的边缘，就近向 周围的物、人提供通讯和实时计算服务，实现靠近存储、实时分 析、本地决策以及更为精确的过程控制，从而节省数据传输、存储 和处理的成本3。 考虑到水面机器人在远洋环境中数据通信带宽 和流量的限制，以及航行中的船舶要能对自身及周围突变海洋环 境做相应实时处理的要求，在机舱监测控制中心边缘网关中就 近引入数据分析与业务自动处理能力，智能化地执行本地业务逻 辑， 依靠边缘计算赋予其的计算能力自主实时做出应急响应，仅 将处理和决策结果上报云中心做二次处理和分析，从而大幅度提 高效率并且降低成本。设计的机舱预测性维护系统包含边缘网关 （ Edge Gateway）、边缘节点和云中心，其中边缘节点由机舱内数以 百计的传感器节点组成，体系结构，如图 1 所示。 边缘智能 边 缘 节 点 边缘网关 云端分析 云中心 图 1 基于边缘计算模式的机舱预测性维护系统体系结构 Fig.1 The Architecture of Cabins Predictive Maintenance System Based on Edge Computing Model 3 边缘网关硬件结构设计 智能机舱边缘网关以 NVIDIA 的 Tegra Parker 深度学习 Soc 作为主控芯片，Tegra Parker 处理器有 6 个 CPU 核心， 其中 4 个 Cortex-A57、2 个具有自主知识产权的 Denver 核心；GPU 基于 Pascal 架构，具有 256 个 CUDA 核心。 以 Tegra Parker 为核心，搭配 8GB 128bit 的 LPDDR4 内存， 32GB 容量的 eMMC 闪存，构建完成一个适合嵌入式深度学习的 边缘网关平台。 设计的边缘网关具有多功能协议转换功能，与机 舱主动力装置及机械设备中的燃油系统、润滑系统、冷却系统、空 气压缩系统和进排气等系统典型的接口关系，如图 2 所示。 Lora 窄带 IoT 海事 卫星 通 讯 扩 展 接 口 传感器接口控制接口 4-20 mA RS485/ 232 CAN bus USB CAN bus Lonworks Ethernet 传感器 控制器 温度 压力 流量 流量 液位 转速 扭矩 功率 振动 噪声 LPDDR4 8GB eMMC 32GB Tegra Parker （ Tensorflow深度学习框架） 16 路 视 频 采 集 监 测 船舶动力装置及机械设备 图 2 边缘网关硬件结构设计框图 Fig.2 Hardware Block Diagram of Edge Gateway 4 深度神经网络模型构建 4.1 GRU 神经网络模型 机舱预测性维护系统中边缘节点采集的数据为带时戳信息的 时序数据， 边缘网关数据处理过程中需要解决数据长期依赖的问 题。 文献5-6分别使用长短时记忆 （ LongShortTermMemoryNetwork， LSTM）网络进行发动机的状态和剩余寿命预测，与传统循环神经 网络 RNN 相比，LSTM 网络是适合训练带时间维度信息的算法4， 其通过向神经元增加记忆细胞实现记忆功能，使用输入门、遗忘 门和输出门 3 个门进行控制。 门控循环单元神经网络在传统 LSTM 基础上改进：将 LSTM 的门数减少至重置门 （ Reset gate）和 更新门 （ Update gate）2 个门，并且去掉了记忆单元。 根据 Chung J 给出的实验结论，GRU 和 LSTM 均能较好处理短周期的序列数 据7，对时间跨度远的知识学习效果相当，但 GRU 参数更少，计算 性能优势明显， 故设计的边缘网关选用 GRU 神经网络模型进行 训练和预测，GRU 模型单元结构，如图 3 所示。 Ot-1 GRU 单元 ht-1 ht-1 xt-1xt xt xt-1 ht+1 Ot+1Ot ht tanh h t ztrt 1- 图 3 GRU 神经网络单元模型 Fig.3 GRU Neural Network Unit Model 图中：Ot（ ht）t 时刻的输出；rt重置门，用来确定当前输入和历 史记忆的组合方式；zt更新门， 用来确定留下之前记忆的 比例，计算公式如下： zt= （ wr ht-1，xt+bz） rt= （ wz ht-1，xt+br）（ 1） 式中：xtt 时刻的输入向量；Sigmoid （ x）=1/ （ 1+math.exp （ -x） ） 函数；wr，wz权重矩阵；ht-1上一时刻隐藏激活值；bz，br 偏差向量。t 时刻隐藏节点的激活值和候选激活值分别计算 如下，其中 * 表示按元素依次相乘： h t=tanh （ W rt*ht-1，xt+bh） （ 2） ht= （ 1-zt）*ht-1+zth t （ 3） 4.2 GRU 神经