《Vibration》：Research on Edge Feature Extraction Methods for Device Monitoring Based on Cloud–Edge Collaboration
摘要
焦化、冶金等行业企业拥有大量工业设备，需要实时监测和及时故障检测。将所有监测数据传输到服务器或云平台进行处理面临数据量大、延迟高、带宽消耗大等挑战，影响监测系统的实时性和稳定性。本文提出了一种用于设备监测的云边协同边缘特征提取方法。建立了“边缘预处理-云端优化-边缘迭代”的三层协同架构。在边缘侧，基于设备结构和故障机制采用轻量级时域和频域特征提取模块，对监测数据（如设备振动）进行快速预处理和特征提取，大幅减少上传数据量。云节点通过阈值自学习和数据驱动模型训练构建诊断特征库，然后通过此阈值学习机制将优化的特征提取参数分发到边缘节点。边缘节点根据更新参数动态迭代其特征提取能力，提高复杂工况下关键故障特征的捕获精度。以企业在线设备监测系统为实验场景进行了验证和示范应用。结果表明，与纯云解决方案相比，所提方法数据传输量减少98.21%，所需带宽减少98.25%，同时有效提升了监测系统的实时性。该方法显著提高了设备监测的响应能力，降低了对网络带宽和数据传输的要求，为工业物联网环境下的设备健康管理提供了有效的技术方案。
1. 引言
焦化、冶金等行业严重依赖泵、风机、压缩机等旋转设备。这些设备在高温、高压、高粉尘的恶劣条件下连续运行，执行介质输送和能量转换的核心功能。轴承磨损或叶轮腐蚀等故障不仅会导致整条生产线停产数小时，造成数十万元直接损失，还可能引发介质泄漏或爆炸等重大安全事故。因此，对旋转设备实施状态监测与健康管理（PHM），实现早期故障预警和精确诊断，对于保障安全生产、降低运营成本至关重要。当前主流PHM系统采用“边缘采集-云处理”的集中式架构：边缘节点仅采集振动、温度等监测数据，所有数据需实时传输至云端处理。这种模式在设备群监测场景下存在显著缺陷：单台设备每小时产生超过1GB振动数据，数千台集群消耗大量带宽，无法满足“秒级响应”的实时性要求。同时，集中式云计算消耗大量服务器处理和存储资源，冗余数据造成浪费并影响监测系统稳定性。如何在保持监测精度的同时，解决数据传输量大、实时性差的问题，已成为该领域亟待突破的核心挑战。
边缘特征提取将数据处理任务转移到设备附近。在边缘侧进行数据预处理和关键特征选择后，仅上传提取的故障敏感特征（而非完整原始数据）至云端。这种方法在降低数据传输带宽需求的同时，提升了监测的实时性。近年来，全球研究人员在边缘特征提取方面进行了广泛研究：在算法层面，提出了基于时域统计（如均方根值、峰值因子）和轻量级频域分析（如简化小波包变换算法）的方法，以适应边缘侧有限的计算能力；在应用层面，已成功应用于风电、汽车等行业的设备监测。然而，冶金和化工行业面临独特挑战：一方面，复杂的现场工况使得监测设备易受损且管理存在不足；另一方面，大多数现有研究实现了单向数据交换（“边缘提取-云端诊断”），缺乏基于云端优化的边缘特征提取参数动态调整机制，难以适应设备状态的波动。
针对这些行业痛点以及冶金化工厂动态设备监测中存在的技术局限，本文研究了基于云边协同的边缘特征提取方法。首先，设计了三层云边协同架构，采用“边缘预处理-云端优化-边缘迭代”结构，界定边缘与云端的功能边界。其次，设计了适用于边缘侧的特征提取模块及配套功能。随后，开发了基于云端的阈值自学习机制和数据驱动的故障诊断模型。利用历史和实时监测数据，构建了多维智能设备故障预警系统。通过优化参数的分发，实现边缘特征提取能力的迭代更新。最后，以某焦化企业乙醇生产线上的泵设备为研究对象，建立了云边协同监测系统。对数据传输量、特征提取耗时、故障诊断准确率等指标进行了分析与验证。
2. 监测系统云边协同结构设计
整体拓扑结构采用云边协同架构，遵循“边缘预处理 → 云端优化 → 边缘迭代升级”的顺序。通过三个功能层的协调交互，该方法提升了复杂冶金化工工业设备监测的实时性和准确性。
对于焦化厂的泵组、压缩机、风机等旋转设备，通过在设备旁安装传感器和部署数据采集装置实现数据采集。首先，实时采集设备振动、温度等数据，同时系统评估传感器连接状态和设备启停状态，以过滤无效数据。其次，基于设备特性和规则系统设计边缘计算模块，结合波形和频谱分析方法提取故障敏感特征。最后，实时触发本地报警，并通过消息队列遥测传输（MQTT）协议将特征数据和原始波形传输至云服务器。用于报警的特征指标、判断规则和阈值支持通过服务器进行远程配置。
在云服务器端，系统首先接收并存储从边缘传输的数据。然后对监测数据、健康评估、诊断结果和预测趋势进行可视化。对于数据报警和故障诊断，基于历史运行数据和实时监测构建了多维智能报警和诊断系统。同时，通过向边缘分发优化参数（包括特征提取阈值和诊断规则），实现边缘侧特征提取能力的迭代更新。这最终提升了设备监测报警的及时性和故障诊断的准确性，为焦化企业制定旋转设备的管理决策和维修计划提供数据支持。
3. 边缘特征提取与数据传输
3.1. 设备状态特征评估原理与方法
关于特征提取，采集的设备动态振动数据可以从时域和频域两个角度进行观察和分析。不同设备部件的振动响应在测量信号中形成独特的特征签名。通过从时域波形（如峰值、峭度、均方根值等）和频域频谱（如特征频率、窄带能量分布）中提取特征，可以实现对设备状态的定量描述。鉴于数据记录仪通常采用计算和存储资源受限的ARM处理器，采用可配置方式构建了嵌入式算法包。这使得能够实时采集和提取关键特征，满足快速设备状态评估的时效性要求。
对于设备自诊断，采集器通过IEPE接口连接振动传感器，通过4–20 mA电气接口连接过程测量数据。它利用偏置电压、信号范围等传感器参数来检测短路或断路故障，从而执行传感器自检。此外，数据采集器通过RJ45、Wi-Fi或5G通信接口将信息传输到服务器。它实时检测和验证通信握手信号及数据帧完整性，使监测系统能够实现实时自诊断。此功能不仅确认系统正常运行，还能快速识别由传感器断开、采集器模块故障或接触不良引起的异常。因此，它显著提高了安装和调试效率，同时简化了后续操作维护。
特征值和原始波形数据通过MQTT协议传输到后端服务器，使用两个独立的接口协议。特征值报警的阈值标准最初根据企业或国家标准设置。随着数据积累，后端服务器可以进行学习优化，优化结果下载到数据采集器进行迭代改进。若调整仅涉及参数修改，可通过远程配置部署实现。算法升级则通过OTA（空中下载）更新实现，从而实现边缘计算逻辑的动态刷新。
3.2. 边缘特征计算
特征值计算和判断是基于规则的。振动报警方法分为三类：阈值报警、基于机理的报警和基于统计指标的报警。阈值报警可采用绝对或相对标准：绝对标准参考国际、国家、行业或企业标准；相对标准利用设备正常运行时的基线振动值，报警阈值通过数据学习相对于基线数据来确定。
基于诊断机理的报警可以通过根据设备结构特性和运动学特征设置窄带范围、特定频带、包络值或无因次统计量来实现。基于统计指标的报警可以通过根据统计规律和数据变化率特征建立报警值来配置。
从计算角度看，阈值报警和基于诊断机理的报警所需的阈值指标可以在边缘直接计算。相反，统计指标和变化率指标需要服务器软件根据数据趋势和统计规律进行计算和配置。
在边缘采集器内部，基于边缘特征识别需求进行预处理和边缘计算。将上位机或云服务器的部分计算任务卸载到采集器，有效减少了数据传输量，降低了延迟，提高了系统响应速度，并实现了本地化数据处理。
采集器承担的边缘计算功能主要包括以下方面：
(1) 过程信号（如温度、压力、转速）：必须在采集器内部根据传感器原理和灵敏度计算相应的物理量后再传输（例如，Pt100温度值，单位为摄氏度）；
(2) 对于振动信号，采集器具备多种边缘处理能力，包括积分、滤波和信号提取。它还在内部计算以下参数：
(a) 振动全频带幅值（峰值加速度、均方根速度、峰峰值位移）和转速测量；
(b) 振动1倍频和2倍频幅值和相位；
(3) 设备启停状态判断；
(4) 加速度包络值（适用于轴承监测的加速度传感器）；
(5) 峭度指标（适用于轴承和齿轮箱监测的加速度传感器）等。
包络和峭度计算通过适用于采集器嵌入式处理器的资源优化算法实现。加速度包络通过带通滤波后进行绝对值解调和低通平滑获得，与全频带希尔伯特变换相比显著减少了计算量。峭度采用在线滑动窗口方法计算，该方法增量更新统计矩，避免了大数据存储，并能在内存限制下实时执行。
3.3. 边缘数据传输
3.3.1. 传输格式与内容
边缘设备与云服务器之间的数据传输采用MQTT协议；消息内容封装为JSON（JavaScript Object Notation）格式。
传输协议涵盖的内容主要包括：设备（数据采集器、传感器）信息的派发与上传；网络参数的派发与上传；数据采集和传输参数设置的派发与上传；数据采集器监测数据（边缘计算得到的监测特征值）的上传；数据采集器动态波形数据的上传；数据采集器自检异常信息的上传；网络时间同步接口；设备版本信息查询；编程器版本检查与OTA升级等。
3.3.2. 传输调度策略
为降低传输负载，提升实时性，并减少对监测系统网络带宽和服务器资源的需求，边缘采集器根据设备运行状态智能切换数据传输策略：当采集器判定设备运行稳定时，仅上传振动特征值（如峰值、峭度、均方根值）；当检测到振动异常时，自动触发完整动态波形上传。这种分层传输机制在保证数据分析和故障诊断准确性的同时，显著减少了数据量，从而有效提升了系统的实时响应能力。具体传输调度方法如下：
(1) 数据采集器持续采集动态数据并进行处理。数据上传分为特征数据和动态波形数据，按预设时间间隔和传输策略执行。特征值指监测的过程数据（如温度读数）或动态信号特征（如振动通频值）；动态波形数据指用于特征提取的完整动态波形（如振动波形）。
(2) 特征数据上传流程如下：数据采集器持续采集数据并提取特征。在设定的时间间隔t（例如t = 5秒），上传特征数据、时间戳和设备启停状态，以支持状态监测和趋势分析。
(3) 动态波形数据上传流程如下：数据采集器持续采集数据，并在设定的时间间隔T（例如T = 30分钟）上传动态波形数据、对应的特征数据、时间戳和设备启停状态。这便于服务器软件对动态波形进行进一步分析和诊断。
(4) 振动积分功能可在数据采集器内实现。若系统需要此能力，可通过采集器进行振动积分计算。
(5) 采集系统实时将特征值与报警阈值进行比较：
首次触发报警时，立即传输特征数据，以及当前报警时刻的动态波形数据和前三组波形数据及其对应的特征值。
若报警持续（即通频值保持高于报警阈值），系统不会完全停止波形传输，而是实施双触发机制：
① 若振动通频值的变化量超过预设的波动阈值（Δθ，例如报警阈值的15%），边缘节点立即触发新一轮波形上传，以捕获异常状态的动态变化。
② 若通频值保持稳定（变化量 < Δθ），系统按预定时间间隔（T）上传累积的波形数据，以避免数据丢失。
若报警升级至二级（危险）级别并持续，系统首先上传达到危险阈值的前三组特征值对应的动态波形。在危险状态期间，上述双触发机制仍然有效，以确保有针对性的数据传输，避免无意义的连续上传。
(6) 上传振动信号波形时，上传的波形应包括原始波形和根据配置请求生成的物理量波形（例如，对于配置为请求速度信号的加速度传感器，上传的波形应包括原始加速度波形和积分后的速度波形）。
(7) 若时间间隔T设置超过一天，且长期监测数据始终低于报警阈值，系统应在每日固定时间（例如12:00）上传一组正常状态下的波形数据、特征值、时间戳和设备启停状态信息，用于对比分析。
(8) 启停数据的采集与传输机制如下：采集器硬件持续采集。除上述基于时间变化模式的数据存储和上报外，启停场景需要设置转速变化和幅值变化的阈值，以确保在这些过程中波形数据的准确上传。
(9) 触发波形上传的依据是振动通频值（加速度对应峰值，速度对应均方根值，位移对应峰峰值）的数值状态。此数值状态具有两个核心功能：
它是初次报警及相应波形上传的触发条件；
在持续报警期间，若通频值的变化量超过预设波动阈值（Δθ），也会立即触发波形上传，确保异常特征的动态变化不被遗漏。
(10) 当数据采集器同时采集电信号和振动信号时，电流波形上传的时机和周期应与振动信号一致（遵循相同的双触发机制和时间间隔规则）。若采集器仅采集电信号，则以电流均方根（RMS）值的大小作为上传触发依据，参考振动通频值的阈值比较和变化判断逻辑。
3.4. 模型优化与参数分发
数据采集器具备云边协同能力，支持服务器注册、设备管理和远程配置。它支持边缘与中心云之间的数据和资源协调。边缘侧负责关键指标计算和上传，而服务器负责可视化、大数据存储、学习和建模任务。优化后的模型、配置参数、报警阈值以及新开发的特征提取算法可以通过远程配置或OTA更新进行部署，以提升设备性能。为增强边缘设备可靠性和安全性，新算法和OTA更新优化需经批准后方可实施。
4. 应用与验证
4.1. 项目概况
为验证所设计的云边协同监测系统的可用性和性能，在某焦化企业的乙醇生产线上进行了示范应用。旨在验证该系统在性能提升和振动故障诊断方面相较于无边缘计算的传统系统的能力。
4.2. 实施边缘计算前后数据传输对比分析
在焦化关键设备在线监测系统中，边缘计算和云边协同技术通过合理分配边缘设备与云服务器之间的数据处理任务，实现了高效的数据处理和响应，同时降低了对网络带宽和存储资源的需求。以示范项目为例，该项目包含200台乙醇泵设备，每台设备配备6个振动加速度传感器，以下分析和计算基于此配置。
4.2.1. 无边缘计算
无边缘计算时，系统以30秒为监测周期，采样和传输模式如下：每个测点每30秒向服务器传输一组波形数据。每组波形数据包含8192个点，每个数据点占4字节。因此，每振动通道每次传输的数据量为32 kB。
系统包含200台设备，每台设备6个振动测点。无边缘计算时，每30分钟的数据传输量计算如下：
32 kB × 200 (台设备) × 6 (测点/台) × 60 (次/30
