作為工業物聯網(IIoT)的重要應用場景之一——預測性維護，已受到越來越多的企業重視。根據羅蘭貝格與漢諾威工業展覽會合作針對153家重點關注輸電工程/液壓傳動、電氣自動化/機器人技術等領域機械工程運營公司的調研顯示，81%的受訪公司已布局預測性維護，其中雖有近40%的受訪公司已在提供相關技術和服務，但大部分公司仍然在產品研究階段，或尚未開始任何相關工作。羅蘭貝格在報告中指出：“在預測性維護應用領域，如何將數據系統地轉化成(客戶)利益并應用到特定商業模式中，理想與現實之間仍然存在較大差距。”

圖1?羅蘭貝格針對預測性維護調查報告的相關數據

NI(美國國家儀器，National?Instruments，以下簡稱“NI”)工業物聯網行業市場經理崔鵬表示：“作為一種新的資產、資源和生產要素，工業大數據是工業物聯網的核心，更是中國制造業轉型升級的重要戰略資源。”NI的平臺化解決方案，正在積極幫助探索預測性維護應用的客戶將大數據應用到特定商業模式中，而中車青島四方機車車輛股份有限公司和北京天澤智云科技有限公司(以下簡稱“天澤智云”)就是NI在預測性維護及工業智能領域的重要合作伙伴之一。

1中國高鐵項目案例帶來的預測性維護啟示

中國高鐵的創新舉世矚目，“復興號”以350公里時速的正式運營，標志著中國成為世界高鐵商業運營速度最高的國家。實現高速需要百分百的安全保障作為前提，預測性維護在提升高鐵的安全性上恰可大顯身手。

中車青島四方機車車輛股份有限公司聯合天澤智云，基于NI?InsightCMTM以及CompactRIOTM平臺，打造了針對高鐵的預測性維護解決方案。為了開發預測性維護用的機器學習算法，首先得在短時間內獲取大量數據用于模型訓練。中車青島四方試圖通過快速構建一個高鐵在線實時監控系統，針對高鐵測試線上的8個旋轉件進行測試，測量各個旋轉件的震動與轉速情況，并對采集下來的大量時間序列數據按需求進行篩選、分析，進一步得到所有旋轉件的健康狀況。然而，在這場看似方向明晰的原型化探索中，中車青島四方仍遭遇了5大挑戰：

實時采集挑戰：本項目需要快速構建一個在線實時監測系統，同步采集在同一設備八個旋轉件的振動與轉速，而這需要二十個采集通道;

采樣頻率挑戰：為了擬合高鐵運行的速度，轉軸轉速將高達2200rpm，再加上為了保證采樣包含的頻率范圍能夠涵蓋所有故障頻率，采樣率必須達到很高水平，即25.6kS/s采樣率;

連續采集挑戰：InsightCM是NI一款用于設備在線狀態監測的系統，適合實現分布式狀態監測，但是本項目中的應用目的是進行連續的數據采集以便在短時間內獲得更多的數據來進行分析;

數據處理挑戰：多通道高頻率的采集會在短時間內產生大量數據，要將這些數據進行信號處理和特征提取后產生與健康相關的信息，并傳給服務器端，這對測試設備的計算能力與內存分配能力有所挑戰;

時間同步挑戰：首先，本項目需要十個通道能夠同步采集，以實現在同一個時刻對整個設備通過不同維度進行描述;其次，算法開發對數據的時間戳有特殊要求，需要測試設備端與服務器端時間保持高度一致。

圖2?基于NI平臺搭建的原型化探索測試端設備

為解決上述原型化探索階段遭遇的難題，項目團隊采用InsightCMTM+CompactRIOTM的方案進行數據采集：根據通道數與采樣頻率的要求，選用cRIO-9036?+?NI-9232(即CompactRIO控制器+C系列聲音與振動輸入模塊)搭建測試端設備，經過實測，CompactRIO的計算能力和內存分配能力完全滿足需求;而InsightCM不僅實現了多通道數據采集的同步，還通過設置NTP時間服務器的方式使設備端與服務器端時間保持一致，讓工程師免去了對CompactRIO進行二次開發，從而減少了方案實施的復雜度、加速了實施進度。

據項目團隊反饋：“我們使用了InsightCM搭載CompactRIO進行數據采集，并根據采集下來的數據進行分析。采集到的數據質量非常高，在cRIO中運算我們的PHM智能算法能夠滿足實時性的要求，幫助我們在高鐵測試試驗中分析出了所有的故障，準確率非常高。”

圖3?原型化探索方案的整體架構邏輯框圖

2超越采集，NI方案整合邊緣計算與云計算優勢助力數據價值挖掘

眾所周知，工業物聯網中，邊緣計算部署在終端或者邊緣端，除了數據采集，還是實現嵌入式人工智能的關鍵，因此邊緣端計算的實時性比云端更強，而NI平臺化解決方案在支撐實時性邊緣端計算的同時，還將邊緣計算與云計算的優勢整合到了一起。

基于與NI的緊密合作，天澤智云在預測性維護及其它IIoT應用中，都借助了NI的平臺化解決方案。例如在實現工程化解決方案時，天澤智云的工程師先將工業AI的算法引擎部署在云端，再通過InsightCM與其它的NI的邊緣計算系統進行對接，承載開發的算法所產生的結果，幫助用戶產生對系統的認知;最后底層通過CompactRIO執行機器學習模型，以及對運算結果進行數據的交流，將運算結果通過InsightCM和Web?Service進行發布。

“在邊緣端執行相應的邊緣計算，將原始數據提取出特征信息，進一步將特征信息上傳到私有云或者公有云，完成復雜的PHM(Prognostics?and?Health?Management，故障預測與健康管理)相關的計算，是目前比較合理的架構模式。NI的CompactRIO架構可以提供比較靈活的傳感器接口和比較豐富的計算資源，這種理念和我們相當契合。”天澤智云研發副總裁劉宗長表示：“我們對NI的CompactRIO和InsightCM進行了大量的二次開發，使之能夠實現更多的、貼近用戶需求的邊緣計算功能，并且滿足遠程的調度和管理，最終將有價值的信息上傳到云端，借以實現邊緣計算與云計算的優勢整合。”

“在原型化的探索階段，NI平臺化解決方案以靈活快速著稱，對于有特定需求的客戶，NI能通過自身或攜手合作伙伴提供便捷的二次開發，實現滿足客戶自定義需求的平臺化方案，因此，在不同領域，在不同階段，NI都能以最合適的方案切入。”崔鵬為天澤智云案例的總結，更折射出NI平臺化方案的優勢。

3面對工業大數據挑戰，NI枕戈待旦

預測性維護作為工業大數據最重要的應用之一，是IIoT“價值變現”的開始，貫穿整個IIoT過程，無論監測、測試、控制，還是后期到云端、決策端的處理，這一切都要以工業大數據作為基礎。

圖4?NI認為解決工業大數據挑戰需要兩步

而為解決工業大數據挑戰，NI認為第一步便是更智能的測量，第二步還需要更智能的數據管理，這些都離不開更先進的智能解決方案不斷推出。僅在今年的NIWEEK?2017上，NI便一口氣推出數款新品，例如：最大限度減少使用NI數據采集設備或第三方臺式儀器進行測量的時間的LabVIEW?NXG;強調遠程數據管理的分布式系統管理軟件SystemLink;監測資產健康狀況，以便制定運營和維護計劃的企業級分布式在線監測軟件NI?InsightCM?;以及支持TSN功能的最新CompactDAQ以太網機箱cDAQ-9185和cDAQ-9189……

圖5.?NI攜手產業鏈上下游巨頭成立IIoT?Lab

除了推出更智能的解決方案，NI更重視大生態系統的建設，不論是今年初攜手產業鏈上下游巨頭，共同創辦工業物聯網實驗室(IIoT?Lab)，加速全球范圍內工業物聯網的融合演進;還是加強培養本土合作伙伴，例如北京天澤智云、同濟大學工業4.0-智能工廠實驗室等，NI正積極將國際先進經驗本土化，以自身的平臺化方案為基礎，加速推進中國制造2025的到來。