李福兴，李璐爔，彭 友

(1.东南大学 教育技术中心，江苏 南京 210036；2.江苏经贸职业技术学院 贸易与物流学院，江苏 南京 211168)

智能设备是传统电气设备与计算机技术、控制理论、数据处理技术、传感器技术、网络通信技术、电力电子技术等相结合的产物，其结构复杂、自动化程度高，具备智能感知、自我检测与诊断、健康维护等功能[1]。很多大型企业拥有大量智能化设备和系统，例如风电场有成千上万套风电机组分布在野外恶劣环境中，目前其智能化程度不高，无法预测设备失效产生的后果，预测性维护还处于早期开发阶段[2]。企业智能设备数量庞大，系统维护量巨大，检修人员多[3]。日常检修仅凭经验判断，难度大、效率低，亟需实现对智能设备故障类型、故障点、处理方法的自动诊断[4]。基于以上需求，笔者提出智能设备预测性维护[5-7]理念。预测性维护技术由来已久，国内外一些学者对数据驱动、故障检测、诊断与预测、机器学习、预测模型和框架[8-9]等方面进行了研究，还有一些学者研究了国外故障预测与健康管理软件、系统建模、模型评价方法、标准体系、故障诊断方法[10-11]等。这些研究大多局限于单台设备和系统，借助于互联网、物联网、大数据技术、云计算技术展开企业级智能设备预测性维护方面的研究较少。为此，笔者从边云协同计算模式出发，分析研究企业大量分散的智能设备和系统的预测性维护框架和模式，认为可充分利用边缘计算广泛的连接性等实现实时采集异种智能设备工况数据等；……