2025《设备远程监控和运维的研究现状的国内外文献综述》4300字.docxVIP

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\o1-3\h\u1404设备远程监控和运维的研究现状的国内外文献综述 1

162161.1.1设备远程监控和运维的发展 1

252261.1.2设备远程监控和运维架构 2

279211.1.3论文研究目标 5

32218参考文献 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