CN114089690B - 一种用于车间监控的边缘计算设备与方法 - Google Patents

Abstract

本发明公开了一种用于车间监控的边缘计算设备与方法，包括供电模块、数据传输模块、数据处理模块、数据分析模块和数据存储模块；供电模块为边缘计算设备运行提供能源支撑；数据传输模块用于将采集的高端数控机床运行数据及辅助设备数据传入边缘计算设备，并将计算结果传输到计算机进行显示与云平台进一步处理；数据处理模块用于关联多个产品的采集数据及转换，数据分析模块用于对采集的数据进行实时分析，数据存储模块用于存储加工过程产生的数据。本发明通过边缘计算技术以及加工监控，实现现场处理与远程监控的结合，可有效地提高生产现场的决策能力与自适应能力。

Description

一种用于车间监控的边缘计算设备与方法

技术领域

本发明属于边缘计算技术领域，具体涉及一种边缘计算设备与方法。

背景技术

现有车间产生的数据只通过生产设备自带的处理系统进行处理，各数据之间没有进行有效地关联与分析，无法满足精细化、智能化生产过程控制决策需求。

主要表现在以下方面：

1)在车间生产过程中产生的数据，是生产决策的主要支撑信息，而现有的数据只进行采集，没有进行深入的数据分析与数据处理，进而无法及时判断生产过程中产生的异常情况，在高节拍、智能化的生产方式下，极易导致生产出现异常现象，造成车间停机待产等情况的发生，影响车间发挥应有的生产能力；

2)车间加工过程的数据不及时处理，不利于对加工过程及状态的及时把握，不仅影响工件的加工质量，也影响车间的生产效能；

3)目前对车间数据的主要处理方式，是通过数控机床进行数据采集，并给出相应的统计结果，加工过程的生产状况都是根据工人的经验进行处理，无法实现生产过程状况的有效感知与实时分析，进而无法有地支撑车间的快速决策，可能会直接导致加工产品不合格、生产节拍紊乱等情况的发生。

现有技术中没有类似能够综合分析车间多种数据信息的边缘计算设备文献。

发明内容

为了克服现有技术的不足，本发明提供了一种用于车间监控的边缘计算设备与方法，包括供电模块、数据传输模块、数据处理模块、数据分析模块和数据存储模块；供电模块为边缘计算设备运行提供能源支撑；数据传输模块用于将采集的高端数控机床运行数据及辅助设备数据传入边缘计算设备，并将计算结果传输到计算机进行显示与云平台进一步处理；数据处理模块用于关联多个产品的采集数据及转换，数据分析模块用于对采集的数据进行实时分析，数据存储模块用于存储加工过程产生的数据。本发明通过边缘计算技术以及加工监控，实现现场处理与远程监控的结合，可有效地提高生产现场的决策能力与自适应能力。

本发明解决其技术问题所采用的技术方案如下：

一种用于车间监控的边缘计算设备，包括供电模块、数据传输模块、数据处理模块、数据分析模块和数据存储模块；

所述供电模块为边缘计算设备运行提供能源支撑；

所述数据传输模块采集数控机床运行数据及辅助设备数据，并将其传入边缘计算设备其他模块，再将经过边缘计算设备处理过的结果传输到上位计算机中进行显示和云平台进行后续步骤；具体为：

数据传输模块使用网线通过OPC-UA协议获取数控机床的运行数据；使用网线通过LwM2M协议与计算机及云平台连接传输数据；通过WiFi或者4G协议无线方式与上位计算机的数据存储平台连接；数据传输模块将采集的加工现场高端数控机床、切削液检测设备、智能刀柄产品的数据寄存在数据存储模块的内存中，再通过LwM2M协议上传至上位计算机；

所述数据处理模块用于关联多个数控机床及辅助设备的采集数据及转换，通过modbus rtu和modbus tcp的方式，实现采集的高端数控机床、切削液检测设备、智能刀柄采集数据的转换，形成边缘计算设备数据分析模块能够处理的数据；根据数控机床、切削液检测设备、智能刀柄不同设备的采集频率，对于采集频率低于预设阈值的数据采用分层均值插补法的方式进行数据扩展，对于采集频率高于预设阈值的数据采用间隔采样的方式进行数据量缩减，再采用统一时间步长的方式进行统一时间戳进行数据打包传输；

所述数据分析模块用于对采集的数据进行实时分析，首先采用FPGA嵌入式算法逻辑，通过对调度控制、数据复用、数据反转、时钟管理方面进行优化设计，从逻辑设计端降低边缘计算设备的功耗；其次使用敏感度分析工具，分析深度学习神经网络中各层卷积的敏感度，对卷积进行剪枝，然后对权重进行优化，实现网络的轻量化和计算量的降低；再结合LSTM算法对加工过程中的切削力进行数据处理，预测加工过程中刀具磨损、刀具寿命、扭矩、切削力指标，采用统计拟合的方式对加工过程中的切削液数据及数控机床的环境数据进行处理，分析和预测加工过程切削液PH值、溶氧率、电导率及加工过程中的振动、粉尘、湿度、光照、温度、气压指标；

所述数据存储模块利用存储器进行实时数据的存储；

进一步地，所述供电模块为220V的交流电源或24V的直流电，为边缘计算设备供电。

进一步地，所述数据存储模块的存储器采用2G内存+16G EMMC。

进一步地，所述边缘计算设备的外壳采用不锈钢板折弯及焊接加工方式，表面做磨平喷漆处理，采用壁挂的安装方式，以便于设备在车间的安装与使用。

一种用于车间监控的边缘计算方法，包括如下步骤：

步骤1：边缘计算设备连接；

根据生产现场的设备类型，采用网线或无线方式实现边缘计算设备与数控机床、智能刀柄、切削液感知设备连接，将边缘计算设备与计算机连接，构建生产车间边缘计算平台；

步骤2：加工过程数据采集；

根据生产现场的实际加工需求，进行零部件的实际加工，通过生产现场设备获取生产过程中的实时数据，并通过与边缘计算设备的连接接口，实现边缘计算设备的数据采集过程；

边缘计算设备通过数据传输模块中的数据端口获取数控机床的主轴电流、主轴温度、主轴倍率、进给率、进给率倍率、开机时间、开机累计时间、X轴电流、Y轴电流、Z轴电流、B轴电流、C轴电流、X轴温度、Y轴温度、Z轴温度、B轴温度、C轴温度、X轴机床坐标、Y轴机床坐标、Z轴机床坐标、B轴机床坐标、C轴机床坐标、开关机、急停、限位、进给驱动的监控数据；获取温度、湿度、噪声、光照、XYZ方向振动、大气压监测环境监控数据；获取切削液的PH值、温度、电导率、溶氧率、粘稠度、折光率的切削液监控数据；获取加工过程中X轴切削力、Y轴切削力、Z轴切削力、弯矩、绕Z轴扭矩、温度、测量时间、最大转速的刀柄运行数据；

步骤3：基于边缘计算的数据预处理；

数据处理模块在接收到上述的数据以后，通过电平转换、A/D转换、数据打包的方式转换成人工智能芯片和边缘计算技术能够处理的数据；通过多端口并行处理的方式，对采集的数据分别进行均值插补法与间隔采样，实现数据的扩充与数据的缩减，再通过统一时间步长的方式实现数据时间戳的统一；

随后，针对不同数据量纲不同的问题，利用min-max归一化方法实现数据归一化和标准化处理，保证数据处理的一致性；随后采用小波阈值降噪的方法，对加工过程的数据进行降噪滤波处理，提高数据的质量；

针对不同的应用需求，统一发送到数据分析模块及数据存储模块，进行数据的分析与存储；

步骤4：基于边缘计算的数据分析；

将处理后的数据输入到数据分析模块中，针对具有实时性要求的机床的电流、温度、坐标，刀柄的切削力、弯矩、扭矩，机床振动、机床外部噪声数据，根据数据的时空特性采用深度学习中的LSTM算法对数据进行分析，获取加工过程中数控机床的运行效能、振动、噪声以及切削力、弯矩、扭矩、刀具磨损的分析结果；针对实时性不高的切削液的温度、电导率、溶氧率、粘稠度、折光率指标，机床外部环境的温度、湿度、光照指标，机床的开关机、急停、限位、进给驱动指标数据，采用统计分析的方法获取检测指标的变化趋势；最后将分析的结果传输到数据存储模块进行存储、通过数据传输模块传输到计算机中进行可视化显示；

步骤5：车间监控结果展示；

数据存储模块将分析的结果通过数据传输模块的网络接口输出到计算机中，将加工过程中产品的机床运行状态、刀柄运行状态、环境变化状态以及切削液运行状态进行等结果显示；将边缘计算设备分析的零部件加工过程中的监控指标通过计算机进行可视化展示，为生产现场提供实时的监控服务，支撑生产现场的实时决策。

本发明的有益效果如下：

1)通过边缘计算设备，利用多种数据获取方式，实现加工车间中数控机床、刀柄、切削液以及加工环境的数据获取与分析，可以提高对加工过程的综合感知能力，实现对加工过程的多维度实时监控；

2)采用数据差分和间隔采样的方式进行数据量的处理，结合统一时间步长的方式实现数据的时间戳统一，对数据进行预处理及打包传输，有效地将数控机床、切削液、刀柄、加工环境信息有效地关联起来，形成当前时刻加工过程中的综合性能评估；

3)使用基于FPGA的深度学习加速器软件SDK、网络的压缩量化方法、高效可定制的神经网络逻辑加速器技术，对人工智能分析算法进行加速运算，如采用深度学习中LSTM算法与边缘计算技术，可以在50ms内，预测加工过程中刀具2秒后的切削力及磨损情况，有效地提高加工过程中的实时感知与数据处理能力，降低加工过程的事故率；

4)通过边缘计算技术以及加工监控，实现现场处理与远程监控的结合，可有效地提高生产现场的决策能力与自适应能力；

5)使用方便，能够适应现有西门子五轴数控机床等设备。

附图说明

图1为本发明边缘设备组成框图。

图2为本发明边缘计算设备的运行原理图。

图中，1-数控车床，2-智能刀柄，3-切血液监控设备，4-机床环境监控设备，5-边缘计算设备，6-数据传输模块，7-数据处理模块，8-数据分析模块，9-数据存储模块，10-上位计算机。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

生产过程中产生大量的多源异构数据，为生产过程中边缘端的多源异构数据融合处理以及生产过程监控与质量分析提出了挑战。为了解决生产过程中边缘端的多源异构数据处理以及生产过程监控分析的能力，本发明提出了一种用于车间监控的边缘计算设备与方法，主要解决以下三个方面的技术问题：

(1)多端口多协议传输技术：针对生产车间中设备种类众多，涉及到的设备端口、协议类型众多，为多源数据采集与生产过程感知提出了挑战，本发明提出了一种多端口多协议传输技术，集成了RS485、WiFi、4G、网线通信等多种通信协议，实现不同设备感知数据的传输与对接，为后续的边缘计算提供了数据输入。

(2)多源异构数据处理技术：针对生产车间中多设备采集的多源异构数据处理，本发明提出了多源异构数据处理技术，通过modbus rtu和modbus tcp的方式对数据进行转换；采用固定时间步长的方式进行数据的统一时间戳处理，实现数据的同步处理。

(3)基于FPGA的边缘计算加速技术：针对生产过程的实时处理需求，本发明提出了一种基于FPGA架构的深度学习网络加速与计算方案，通过深度学习加速器来提高设备的运行效率，实现数据的快速处理，满足生产现场边缘端的数据处理与分析需求。

如图1所示，一种用于车间监控的边缘计算设备，包括供电模块、数据传输模块、数据处理模块、数据分析模块和数据存储模块；供电模块为边缘计算设备运行提供能源支撑；数据传输模块用于将采集的高端数控机床运行数据及辅助设备数据传入边缘计算设备，并将计算结果传输到计算机进行显示与云平台进一步处理；数据处理模块用于关联多个产品的采集数据及转换，数据分析模块用于对采集的数据进行实时分析，数据存储模块用于存储加工过程产生的数据。

所述供电模块为边缘计算设备运行提供能源支撑；由开关、电源接口、电源线以及电源转换器组成，可以通过接入加工现场的220V的交流电源为边缘计算设备供电，也可以接入24V的直流电为边缘设备供电，从而保障设备的运行。

所述数据传输模块采集数控机床运行数据及辅助设备数据，并将其传入边缘计算设备其他模块，再将经过边缘计算设备处理过的结果传输到上位计算机中进行显示和云平台进行后续步骤；具体为：

所述数据传输模块可以通过RS485、WiFi、4G、网线通信、LwM2M、OPC-UA、ETH的方式进行数控机床及辅助设备的数据采集与分析。其中利用网线通过OPC-UA与数控系统对接，获取数控机床的运行数据；利用网线通过基于LwM2M协议的方式实现边缘计算设备与上位计算机及云平台的连接；也可以通过WiFi或者4G实现基于TCP/IP与LwM2M协议实现边缘计算设备与数据存储平台连接，替代网线与数据存储平台的连接。通过数据传输模块，将采集的加工现场高端数控机床、切削液检测设备、智能刀柄等产品的数据寄存在数据存储模块的内存中进行数据处理，另通过用LwM2M协议上传至基于车间边缘计算的智能综合监控平台，进行进一步的数据分析。此外，针对传统工业协议的网络安全性能较弱、系统鲁棒性能较低的问题，将网络中弱项的工业协议或线缆，采用TCP/IP网络方式封装，可实现网络安全方面需求的升级，保障数据传递的安全性。

所述数据处理模块通过modbus rtu和modbus tcp的方式，实现采集的高端数控机床、切削液检测设备、智能刀柄采集数据的转换，形成边缘计算设备数据分析模块能够处理的数据；根据将采集的数控机床、切削液检测设备、智能刀柄等不同设备的采集频率，对于采集频率低的数据采集分层均值插补法的方式进行数据扩展，对于采集频率高得数据采用间隔采样的方式进行数据量缩减，再采用采取统一时间步长的方式进行统一时间戳进行数据的打包传输，能够将加工过程中机床、切削液、刀柄、环境等信息有效地同步关联起来，为当前生产过程的综合性能分析提供基础。

所述数据分析模块通过首先采用FPGA嵌入式算法逻辑，通过对调度控制、数据复用、数据反转、时钟管理等方面进行优化设计，从逻辑设计端降低控制加速器的功耗；其次使用敏感度分析工具，分析深度学习神经网络中各层卷积的敏感度，用来确定哪些卷积可以进行剪枝，然后将那些对网络精度不敏感的权重进行优化，实现网络的轻量化和计算量的降低；大幅度提高数据预处理与分析的能力，满足车间边缘端的实时需求。再结合LSTM算法对加工过程中的切削力进行数据处理，预测加工过程中刀具磨损、刀具寿命、扭矩、切削力等指标，采用统计拟合的方式对加工过程中的切削液数据及数控机床的环境数据进行处理，分析和预测加工过程切削液PH值、溶氧率、电导率及加工过程中的振动、粉尘、湿度、光照、温度、气压等指标。

所述数据存储模块采用2G内存+16G EMMC进行数据的存储，利用内存进行实时数据的存储与快速的处理，对实时性要求不高的数据可以通过EMMC进行数据的存储，采用该种数据存储方式对于提高边缘计算的处理速率和提高硬件资源利用率有很大优势。

为保障设备在车间复杂环境的稳定性及安全性，设备外壳采用不锈钢板折弯及焊接加工方式，表面做磨平喷漆处理。外壳能完全将开发硬件平台包裹并很好保护。边缘计算设备采用壁挂的安装方式，以便于设备在车间的安装与使用。

一种用于车间监控的边缘计算方法，包括如下步骤：

步骤1：边缘计算设备连接；

根据生产现场的设备类型，采用网线或无线方式实现边缘计算设备与数控机床、智能刀柄、切削液感知设备连接，将边缘计算设备与计算机连接，构建生产车间边缘计算平台；

步骤2：加工过程数据采集；

根据生产现场的实际加工需求，进行零部件的实际加工，通过生产现场设备获取生产过程中的实时数据，并通过与边缘计算设备的连接接口，实现边缘计算设备的数据采集过程；

边缘计算设备通过数据传输模块中的数据端口获取数控机床的主轴电流、主轴温度、主轴倍率、进给率、进给率倍率、开机时间、开机累计时间、X轴电流、Y轴电流、Z轴电流、B轴电流、C轴电流、X轴温度、Y轴温度、Z轴温度、B轴温度、C轴温度、X轴机床坐标、Y轴机床坐标、Z轴机床坐标、B轴机床坐标、C轴机床坐标、开关机、急停、限位、进给驱动的监控数据；获取温度、湿度、噪声、光照、XYZ方向振动、大气压监测环境监控数据；获取切削液的PH值、温度、电导率、溶氧率、粘稠度、折光率的切削液监控数据；获取加工过程中X轴切削力、Y轴切削力、Z轴切削力、弯矩、绕Z轴扭矩、温度、测量时间、最大转速的刀柄运行数据；

步骤3：基于边缘计算的数据预处理；

数据处理模块在接收到上述的数据以后，通过电平转换、A/D转换、数据打包的方式转换成人工智能芯片和边缘计算技术能够处理的数据；通过多端口并行处理的方式，对采集的数据分别进行均值插补法与间隔采样，实现数据的扩充与数据的缩减，再通过统一时间步长的方式实现数据时间戳的统一；

随后，针对不同数据量纲不同的问题，利用min-max归一化方法实现数据归一化和标准化处理，保证数据处理的一致性；随后采用小波阈值降噪的方法，对加工过程的数据进行降噪滤波处理，提高数据的质量；

针对不同的应用需求，统一发送到数据分析模块及数据存储模块，进行数据的分析与存储；

步骤4：基于边缘计算的数据分析；

将处理后的数据输入到数据分析模块中，针对具有实时性要求的机床的电流、温度、坐标，刀柄的切削力、弯矩、扭矩，机床振动、机床外部噪声数据，根据数据的时空特性采用深度学习中的LSTM算法对数据进行分析，获取加工过程中数控机床的运行效能、振动、噪声以及切削力、弯矩、扭矩、刀具磨损的分析结果；针对实时性不高的切削液的温度、电导率、溶氧率、粘稠度、折光率指标，机床外部环境的温度、湿度、光照指标，机床的开关机、急停、限位、进给驱动指标数据，采用统计分析的方法获取检测指标的变化趋势；最后将分析的结果传输到数据存储模块进行存储、通过数据传输模块传输到计算机中进行可视化显示；

步骤5：车间监控结果展示；

数据存储模块将分析的结果通过数据传输模块的网络接口输出到计算机中，将加工过程中产品的机床运行状态、刀柄运行状态、环境变化状态以及切削液运行状态进行等结果显示；将边缘计算设备分析的零部件加工过程中的监控指标通过计算机进行可视化展示，为生产现场提供实时的监控服务，支撑生产现场的实时决策。

具体实施例：

如图2所示，为本边缘计算设备的运行原理简图，边缘计算设备5从数控机床1、智能刀柄2、切削液监控设备3、机床环境监控设备4中获取数据，通过数据传输模块6、将数据传输到数据处理模块7中进行数据的预处理，分别将数据传输到数据存储模块9中进行存储，将数据传输到数据分析模块8中利用边缘计算技术及深度学习算法进行数据的分析与预测，将数据分析的结果通过数据传输面板6传输到计算机中，由上位计算机10进行加工过程中数据分析与预测结果的显示，实现车间加工过程中的感知、分析到监控。通过不断的重复上述过程，实现车间加工过程中的持续数据分析与加工监控。

本实施例的边缘计算设备具备以下参数：

·边缘计算设备外形尺寸：182*152*67(mm)；

·硬件性能：CPU 4核1GHz，2G内存；16G EMMC存储；

·软件系统：Linux；

·额定电压：AC 220V/DC 24V；

·额定功率：24W。

各组件相关参数的关系：

1)边缘计算设备能够通过RS485、网口、4G及无线WiFi的方式进行数据的传输；

2)边缘计算设备数据处理模块：DSP+FPGA；

3)边缘计算设备数据分析模块：能够接收生产过程中的数据，通过内置的边缘计算模块进行数据的实时处理。边缘计算模块主频为1GHz的四核imax6q处理器，2GB DDR3内存，软件基于V3.0.35的Linux内核编写，数据处理时延<50ms；

4)边缘计算设备数据存储模块：采用16G的EMMC进行数据的存储；

5)适用范围：西门子数控机床、环境监控设备、切削液品况系统。

具体的实施过程有以下几个步骤：

步骤1：边缘计算设备连接

根据生产现场的设备类型，采用网线、接口等方式实现边缘计算设备与数控机床、智能刀柄、切削液感知设备等生产现场设备连接，将边缘计算设备与计算机连接，构建生产车间边缘计算平台；

步骤2：加工过程数据采集

根据生产现场的实际加工需求，进行零部件的实际加工，通过生产现场设备获取生产过程中的实时数据，并通过与边缘计算设备的连接接口/端口，实现边缘计算设备的数据采集过程。

步骤3：基于边缘计算的数据预处理

通过多端口并行处理的方式，对采集的数据分别进行均值插补法与间隔采样，实现数据的扩充与数据的缩减，再通过统一时间步长的方式实现数据时间戳的统一。

随后，针对不同数据量纲不同的问题，利用min-max归一化方法实现数据归一化/标准化处理，保证数据处理的一致性。随后采用小波阈值降噪的方法，对加工过程的数据进行降噪滤波处理，提高数据的质量。

步骤4：基于边缘计算的数据分析

将处理后的数据输入到边缘计算模块中，利用加速后的深度学习算法实现数据的快速计算与分析，获取生产过程中切削液、切削力、机床振动、零部件加工质量的分析结果。

步骤5：车间监控结果展示

将边缘计算设备分析的零部件加工过程中的监控指标通过计算机进行可视化展示，为生产现场提供实时的监控服务，支撑生产现场的实时决策。

设备授权用户可以在计算机中查询高端数控机床、刀柄、切削液等实时变化及变化趋势。利用该设备进行生产现场的数据处理与分析，有如下好处：一、通过计算机为现场加工人员提供数据监控结果，有效地实现对高端数控机床及辅助设备的运行状态监控；二、通过边缘计算技术及深度学习算法，能够在50ms内实现生产数据的实时分析与诊断，有效地提高了生产过程的感知分析能力；三、利用分析的结果，辅助现场人员进行决策，有效地提高了生产过程的决策能力与自适应能力，进一步优化车间的生产过程、提高零件的加工质量。

Claims (5)

1.一种用于车间监控的边缘计算设备，其特征在于，包括供电模块、数据传输模块、数据处理模块、数据分析模块和数据存储模块；

所述供电模块为边缘计算设备运行提供能源支撑；

所述数据传输模块采集数控机床运行数据及辅助设备数据，并将其传入边缘计算设备其他模块，再将经过边缘计算设备处理过的结果传输到上位计算机中进行显示和云平台进行后续步骤；具体为：

数据传输模块使用网线通过OPC-UA协议获取数控机床的运行数据；使用网线通过LwM2M协议与计算机及云平台连接传输数据；通过WiFi或者4G协议无线方式与上位计算机的数据存储平台连接；数据传输模块将采集的加工现场高端数控机床、切削液检测设备、智能刀柄产品的数据寄存在数据存储模块的内存中，再通过LwM2M协议上传至上位计算机；

所述数据处理模块用于关联多个数控机床及辅助设备的采集数据及转换，通过modbusrtu和modbus tcp的方式，实现采集的高端数控机床、切削液检测设备、智能刀柄采集数据的转换，形成边缘计算设备数据分析模块能够处理的数据；根据数控机床、切削液检测设备、智能刀柄不同设备的采集频率，对于采集频率低于预设阈值的数据采用分层均值插补法的方式进行数据扩展，对于采集频率高于预设阈值的数据采用间隔采样的方式进行数据量缩减，再采用统一时间步长的方式进行统一时间戳进行数据打包传输；

所述数据分析模块用于对采集的数据进行实时分析，首先采用FPGA嵌入式算法逻辑，通过对调度控制、数据复用、数据反转、时钟管理方面进行优化设计，从逻辑设计端降低边缘计算设备的功耗；其次使用敏感度分析工具，分析深度学习神经网络中各层卷积的敏感度，对卷积进行剪枝，然后对权重进行优化，实现网络的轻量化和计算量的降低；再结合LSTM算法对加工过程中的切削力进行数据处理，预测加工过程中刀具磨损、刀具寿命、扭矩、切削力指标，采用统计拟合的方式对加工过程中的切削液数据及数控机床的环境数据进行处理，分析和预测加工过程切削液PH值、溶氧率、电导率及加工过程中的振动、粉尘、湿度、光照、温度、气压指标；

所述数据存储模块利用存储器进行实时数据的存储。

2.根据权利要求1所述的一种用于车间监控的边缘计算设备，其特征在于，所述供电模块为220V的交流电源或24V的直流电，为边缘计算设备供电。

3.根据权利要求1所述的一种用于车间监控的边缘计算设备，其特征在于，所述数据存储模块的存储器采用2G内存+16G EMMC。

4.根据权利要求1所述的一种用于车间监控的边缘计算设备，其特征在于，所述边缘计算设备的外壳采用不锈钢板折弯及焊接加工方式，表面做磨平喷漆处理，采用壁挂的安装方式，以便于设备在车间的安装与使用。

5.一种用于车间监控的边缘计算方法，其特征在于，包括如下步骤：

步骤1：边缘计算设备连接；

根据生产现场的设备类型，采用网线或无线方式实现边缘计算设备与数控机床、智能刀柄、切削液感知设备连接，将边缘计算设备与计算机连接，构建生产车间边缘计算平台；

步骤2：加工过程数据采集；

根据生产现场的实际加工需求，进行零部件的实际加工，通过生产现场设备获取生产过程中的实时数据，并通过与边缘计算设备的连接接口，实现边缘计算设备的数据采集过程；

边缘计算设备通过数据传输模块中的数据端口获取数控机床的主轴电流、主轴温度、主轴倍率、进给率、进给率倍率、开机时间、开机累计时间、X轴电流、Y轴电流、Z轴电流、B轴电流、C轴电流、X轴温度、Y轴温度、Z轴温度、B轴温度、C轴温度、X轴机床坐标、Y轴机床坐标、Z轴机床坐标、B轴机床坐标、C轴机床坐标、开关机、急停、限位、进给驱动的监控数据；获取温度、湿度、噪声、光照、XYZ方向振动、大气压监测环境监控数据；获取切削液的PH值、温度、电导率、溶氧率、粘稠度、折光率的切削液监控数据；获取加工过程中X轴切削力、Y轴切削力、Z轴切削力、弯矩、绕Z轴扭矩、温度、测量时间、最大转速的刀柄运行数据；

步骤3：基于边缘计算的数据预处理；

数据处理模块在接收到上述的数据以后，通过电平转换、A/D转换、数据打包的方式转换成人工智能芯片和边缘计算技术能够处理的数据；通过多端口并行处理的方式，对采集的数据分别进行均值插补法与间隔采样，实现数据的扩充与数据的缩减，再通过统一时间步长的方式实现数据时间戳的统一；

随后，针对不同数据量纲不同的问题，利用min-max归一化方法实现数据归一化和标准化处理，保证数据处理的一致性；随后采用小波阈值降噪的方法，对加工过程的数据进行降噪滤波处理，提高数据的质量；

针对不同的应用需求，统一发送到数据分析模块及数据存储模块，进行数据的分析与存储；

步骤4：基于边缘计算的数据分析；

将处理后的数据输入到数据分析模块中，针对具有实时性要求的机床的电流、温度、坐标，刀柄的切削力、弯矩、扭矩，机床振动、机床外部噪声数据，根据数据的时空特性采用深度学习中的LSTM算法对数据进行分析，获取加工过程中数控机床的运行效能、振动、噪声以及切削力、弯矩、扭矩、刀具磨损的分析结果；针对实时性不高的切削液的温度、电导率、溶氧率、粘稠度、折光率指标，机床外部环境的温度、湿度、光照指标，机床的开关机、急停、限位、进给驱动指标数据，采用统计分析的方法获取检测指标的变化趋势；最后将分析的结果传输到数据存储模块进行存储、通过数据传输模块传输到计算机中进行可视化显示；

步骤5：车间监控结果展示；

数据存储模块将分析的结果通过数据传输模块的网络接口输出到计算机中，将加工过程中产品的机床运行状态、刀柄运行状态、环境变化状态以及切削液运行状态进行等结果显示；将边缘计算设备分析的零部件加工过程中的监控指标通过计算机进行可视化展示，为生产现场提供实时的监控服务，支撑生产现场的实时决策。

Images