溫博強，張富強，邵樹軍，杜超

(1.長安大學(xué)道路施工技術(shù)與裝備教育部重點實驗室，陜西西安 710064；2.長安大學(xué)智能制造系統(tǒng)研究所，陜西西安 710064；3.陜西法士特齒輪有限責(zé)任公司，陜西西安 710119)

0 前言

基于工業(yè)物聯(lián)網(wǎng)(Industrial Internet of Things，IIoT)的智能工廠和智能車間設(shè)計中，通過在物理底層部署各類智能傳感設(shè)備，包括智能終端、嵌入式系統(tǒng)等，將現(xiàn)場實時狀態(tài)數(shù)據(jù)進行邊緣側(cè)處理，并與倉儲管理系統(tǒng)(Warehouse Management System, WMS)、制造執(zhí)行系統(tǒng)(Manufacturing Execution System，MES)等軟件系統(tǒng)集成交互，可實現(xiàn)生產(chǎn)物流的高效化智能管控。但是，車間底層大量IIoT傳感設(shè)備接入及與上層云端服務(wù)器之間信息頻繁耦合交互產(chǎn)生的海量實時異構(gòu)數(shù)據(jù)，將導(dǎo)致控制系統(tǒng)的信息傳輸延遲率上升，甚至發(fā)生數(shù)據(jù)丟包以及網(wǎng)絡(luò)堵塞問題。為了提升數(shù)據(jù)處理能力，降低服務(wù)器的計算壓力，避免工件物流狀態(tài)信息頻繁地、大規(guī)模地與云端進行直接數(shù)據(jù)交互，將自動導(dǎo)引運輸車(Automated Guided Vehicle，AGV)配置嵌入式系統(tǒng)部署成移動邊緣節(jié)點(Mobile Edge Node，MEN)，將部分時間敏感型或計算不密集型的實時計算任務(wù)部署在MEN節(jié)點完成，如物料感知、AGV動態(tài)運行數(shù)據(jù)處理、配送需求響應(yīng)決策等。

本文作者在射頻識別技術(shù)(Radio Frequency Identification，RFID)物料主動感知的基礎(chǔ)上，提出一種面向車間AGV的云-邊協(xié)同計算框架模型，并對數(shù)據(jù)采集與交互、邊緣側(cè)數(shù)據(jù)處理、云-邊協(xié)同計算等關(guān)鍵技術(shù)做了討論，并經(jīng)過案例驗證了計算框架模型的可行性。

1 國內(nèi)外研究現(xiàn)狀

云-邊協(xié)同計算作為一種具有廣大前景的大規(guī)模工業(yè)物聯(lián)網(wǎng)計算模式，已被應(yīng)用到各個領(lǐng)域，例如，智能建筑、智能醫(yī)療和智能制造等。丁凱等人通過對底層車間配置固定式邊緣節(jié)點與移動式邊緣節(jié)點，提出一種基于云-邊協(xié)同的智能工廠工業(yè)物聯(lián)網(wǎng)架構(gòu)與自治生產(chǎn)管控技術(shù)，為人、機、物共融自治化生產(chǎn)提供了理論技術(shù)支持。張耿通過在傳統(tǒng)制造車間引入制造IIoT技術(shù)，通過基于工業(yè)物聯(lián)網(wǎng)的智能制造服務(wù)主動感知與分布式協(xié)同優(yōu)化配置方法研究，為底層車間的制造資源主動感知與協(xié)同優(yōu)化提供了理論參考。張映鋒等基于最新的CPS(Cyber Physical System)技術(shù)、IIoT技術(shù)和變粒度自適應(yīng)協(xié)同控制策略，提出一種基于物聯(lián)技術(shù)的制造執(zhí)行系統(tǒng)實現(xiàn)方法與關(guān)鍵技術(shù)，實現(xiàn)了AGV與智能加工設(shè)備具備自主決策和主動感知交互，在生產(chǎn)物流領(lǐng)域具備重要的借鑒價值。李廣博運用RFID標(biāo)簽綁定生產(chǎn)物料信息的方式，并結(jié)合AGV搬運物料的定位信息與加工設(shè)備提供的在加工物料狀態(tài)信息，基于OPC UA技術(shù)實現(xiàn)了對離散制造車間的動態(tài)監(jiān)控。

然而，在車間生產(chǎn)物流智能管控方面，尚缺乏基于AGV視角的云-邊協(xié)同計算的應(yīng)用研究。基于RFID物料主動感知，將邊緣計算與車間AGV物理實體結(jié)合，并與上層云計算協(xié)同，提出云-邊協(xié)同計算框架模型應(yīng)用于智能車間部署，將有助于生產(chǎn)物流過程的智能化轉(zhuǎn)型。

2 基于IIoT的車間AGV云-邊協(xié)同計算框架

在AGV配置邊緣節(jié)點與MES云端應(yīng)用服務(wù)的基礎(chǔ)上，建立了基于IIoT的車間AGV云-邊協(xié)同計算框架結(jié)構(gòu)體系，如圖1所示。

圖1 基于IIoT的車間AGV云-邊協(xié)同計算框架

(1)數(shù)據(jù)感知層

為實現(xiàn)對AGV運行狀態(tài)與在加工物料狀態(tài)的全面數(shù)據(jù)感知與透明化，該層為AGV小車等物理資源配置異構(gòu)IIoT傳感設(shè)備，例如：承重監(jiān)測、防碰撞的視覺傳感器、聲音傳感器等，通過不同的通信接口協(xié)議采集的實時數(shù)據(jù)，為生產(chǎn)物流做運輸資源準(zhǔn)備。

(2)邊緣計算層

將車間AGV部署成移動邊緣節(jié)點MEN，進行自身運行狀態(tài)與生產(chǎn)物流生產(chǎn)計劃的預(yù)處理和分析。MEN配置獨立的邊緣數(shù)據(jù)庫，用來存儲關(guān)聯(lián)的數(shù)據(jù)感知層設(shè)備屬性和節(jié)點屬性信息等多源數(shù)據(jù)。MEN調(diào)用RFID數(shù)據(jù)預(yù)處理、數(shù)據(jù)計算分析等應(yīng)用服務(wù)對數(shù)據(jù)感知層上傳的原數(shù)據(jù)進行處理。其中，由嵌入式設(shè)備完成數(shù)據(jù)預(yù)處理，如配置有MCU的STEM32等，而數(shù)據(jù)計算分析由邊緣計算網(wǎng)關(guān)服務(wù)器實現(xiàn)，且數(shù)據(jù)預(yù)處理為數(shù)據(jù)計算分析提供有效的多元數(shù)據(jù)。

(3)通信網(wǎng)絡(luò)層

該層是連接邊緣計算層與云計算層和應(yīng)用服務(wù)層的橋梁，是云-邊協(xié)同互作用的基礎(chǔ)。采用軟件定義網(wǎng)絡(luò)，搭建由應(yīng)用平面、控制平面和數(shù)據(jù)平面構(gòu)成的柔性可擴展的網(wǎng)絡(luò)架構(gòu)。

(4)云計算層與應(yīng)用服務(wù)層

云計算層部署云端數(shù)據(jù)庫服務(wù)器和有強大性能的計算服務(wù)器，為企業(yè)/車間端和用戶端提供計算服務(wù)。各類云端應(yīng)用服務(wù)部署在應(yīng)用服務(wù)層，在提供應(yīng)用服務(wù)的同時，亦可對AGV進行邊緣應(yīng)用服務(wù)遷移。需指出的是，應(yīng)用服務(wù)層中還包括多個AGV-MEN應(yīng)用服務(wù)包，如AGV調(diào)度模塊、AGV運行監(jiān)控模塊、AGV與MES/WMS集成交互模塊等，為AGV的應(yīng)用服務(wù)遷移提供支持。該層部署的公有云數(shù)據(jù)庫包含兩種，分別是非結(jié)構(gòu)化數(shù)據(jù)庫和結(jié)構(gòu)化數(shù)據(jù)庫，用于分類化、高效化存儲生產(chǎn)物流階段的制造大數(shù)據(jù)和各類配置屬性信息。

3 關(guān)鍵技術(shù)

為了支撐生產(chǎn)物流過程的準(zhǔn)確、高效執(zhí)行，依據(jù)MEN邊緣節(jié)點和MES云端服務(wù)的不同，重點對數(shù)據(jù)采集與信息交互、邊緣側(cè)數(shù)據(jù)處理技術(shù)和云-邊協(xié)同計算技術(shù)等關(guān)鍵技術(shù)進行討論。

3.1 AGV狀態(tài)數(shù)據(jù)采集與信息交互

車間生產(chǎn)物流需求的信息主要為AGV運行狀態(tài)信息和在加工物料狀態(tài)信息，據(jù)此云端與邊緣端可計算分析獲得車間各加工物料生產(chǎn)物流緊急度信息，多AGV運用各邊緣節(jié)點分析計算進行自主協(xié)商決策，選擇最優(yōu)的目標(biāo)完成物流運輸任務(wù)，并進行當(dāng)前物料生產(chǎn)運輸任務(wù)動態(tài)規(guī)劃更新。

對于采集AGV運行狀態(tài)數(shù)據(jù)信息，在執(zhí)行MES下達的生產(chǎn)物流生產(chǎn)計劃之前，通過部署在AGV自身的各種檢測裝置與傳感器，進行AGV運行狀態(tài)數(shù)據(jù)采集，以確保生產(chǎn)物流時各個資源就緒、可用、到位。當(dāng)MES-云端服務(wù)器將生產(chǎn)制造計劃下發(fā)給車間底層節(jié)點，各AGV在邊緣端對新增生產(chǎn)物流任務(wù)進行本地化仿真與沖突檢驗，確認無誤后更新運行數(shù)據(jù)并運送物料至指定工位節(jié)點，進行第一道工序加工。信息獲取流程如圖2所示。

圖2 AGV物流調(diào)度信息獲取流程

對于在加工物料狀態(tài)信息，具體獲取流程為：車間制造生產(chǎn)物流階段物料上都貼有唯一包含自身信息的RFID標(biāo)簽，物料的編號通過RFID設(shè)備掃描可以獲取，目標(biāo)物料的在加工狀態(tài)信息通過編號就可以實時追蹤；AGV將物料與托盤運送到工位上，運送過程的配送情況可以通過AGV位置信息得到。加工設(shè)備識別貨物RFID標(biāo)簽上的加工信息開始加工，并將加工信息寫入RFID中。至此MES通過物料標(biāo)簽可以查詢在加工物料加工狀態(tài)，并實時響應(yīng)給AGV，實現(xiàn)AGV與生產(chǎn)物流的實時信息交互、生產(chǎn)設(shè)備與加工物料生產(chǎn)狀況的實時信息獲取。各節(jié)點實時動態(tài)響應(yīng)如圖3所示。

圖3 車間生產(chǎn)物流各節(jié)點信息實時動態(tài)交互圖

3.2 邊緣側(cè)RFID數(shù)據(jù)處理技術(shù)

將邊緣計算技術(shù)應(yīng)用到制造車間中，在車間AGV和各制造工位上配置邊緣節(jié)點，形成具有計算能力的信息物理融合系統(tǒng)計算資源節(jié)點。通過RFID和傳感器等數(shù)據(jù)采集設(shè)備，將實時狀態(tài)數(shù)據(jù)類型中時間敏感型數(shù)據(jù)與計算不密集型數(shù)據(jù)傳輸?shù)杰囬gAGV邊緣節(jié)點，在邊緣節(jié)點內(nèi)對狀態(tài)數(shù)據(jù)進行計算和處理，推理出有管控作用的關(guān)鍵事件，并運用部署MEN協(xié)同決策系統(tǒng)進行調(diào)度決策，最后通過邊緣節(jié)點向AGV傳輸調(diào)度指令，保證生產(chǎn)過程的持續(xù)進行。AGV邊緣端數(shù)據(jù)處理模型如圖4所示。

圖4 AGV邊緣端數(shù)據(jù)處理模型

AGV邊緣數(shù)據(jù)庫獲取底層加工車間RFID原始數(shù)據(jù)(Raw Date)，MEN系統(tǒng)運用數(shù)據(jù)清洗技術(shù)對原始數(shù)據(jù)進行校驗、平滑、過濾、融合處理，與標(biāo)準(zhǔn)數(shù)據(jù)進行對比，判斷數(shù)據(jù)的有效性，得到有效數(shù)據(jù)；再對有效數(shù)據(jù)進行分類、關(guān)聯(lián)、建模，依據(jù)規(guī)定好的數(shù)據(jù)結(jié)構(gòu)，分析出標(biāo)簽名稱、標(biāo)簽讀取時間和標(biāo)簽讀取地點信息；并將這些信息組成基本生產(chǎn)物流信息單元(Id，Time，Place)上傳至MES云端服務(wù)器。圖5中的(a)為RFID閱讀器得到的原始數(shù)據(jù)，(b)為經(jīng)過MEN預(yù)處理后得到的數(shù)據(jù)，其數(shù)據(jù)可以直接通過檢索得到，在AGV配置的MEN系統(tǒng)中可以用來在車間生產(chǎn)物流中進行在加工物料監(jiān)控、物流監(jiān)控等功能。RFID原始數(shù)據(jù)經(jīng)過AGV邊緣端就可以實現(xiàn)(a)到(b)的轉(zhuǎn)換。

圖5 AGV邊緣側(cè)RFID數(shù)據(jù)預(yù)處理

3.3 云-邊協(xié)同計算技術(shù)

根據(jù)車間生產(chǎn)物流任務(wù)數(shù)據(jù)和制造資源實時狀態(tài)數(shù)據(jù)，由云端調(diào)用應(yīng)用服務(wù)生成生產(chǎn)物流計劃，將計劃指令解析成車間物理設(shè)施可直接理解的信息，下發(fā)至各AGV-MEN，通過對工件的感知以及生產(chǎn)物流的計算決策，運用AGV調(diào)度模塊中的“生產(chǎn)-物流任務(wù)競價”應(yīng)用服務(wù)，擇取目標(biāo)最優(yōu)AGV實現(xiàn)工件運輸任務(wù)。其基本原理是：將生產(chǎn)-物流任務(wù)集成規(guī)劃過程視為一個馬爾科夫過程，將物流工序與生產(chǎn)工序序列按時間排序并看作一條可見觀測鏈，并將實現(xiàn)上述工序的AGV與加工設(shè)備序列看作一條隱含狀態(tài)鏈，則可構(gòu)建一個用于此云-邊協(xié)同計算框架模型的生產(chǎn)物流集成規(guī)劃隱馬爾科夫模型(Hidden Markov Model，HMM)，在生產(chǎn)物流實施過程中，該模型的參數(shù)將實時更新。構(gòu)建的模型如下：

={,,,,}

={,,…,}

?,∈={,,…,}

={,,…,}

?,∈={,,…,}

=[]×

?,,=(+1=|=)

=[]×

?,,=(=|=)

其中：表示待加工任務(wù)的生產(chǎn)-物流工序流；表示與生產(chǎn)-物流工序流對應(yīng)的最優(yōu)設(shè)備序列；表示不同設(shè)備之間任務(wù)切換的概率矩陣，且表示在制品從設(shè)備轉(zhuǎn)移到的概率；表示工序任務(wù)之間切換的概率矩陣，且表示在前一工序由設(shè)備完成的條件下，執(zhí)行下一工序的概率；表示初始概率矩陣，且表示第一道工序由設(shè)備執(zhí)行的概率；表示制造工序、物流工序的全集；表示智能工廠內(nèi)的加工設(shè)備、物流設(shè)備等設(shè)備全集。

已知待加工任務(wù)的生產(chǎn)工序序列，依據(jù)HMM，采用Vertibi算法預(yù)測滿足訂單任務(wù)需求的概率最大的物流序列，即確定了生產(chǎn)-物流工序任務(wù)的物流計劃。具體求解過程如下：

(1)定義時刻下具有最大狀態(tài)轉(zhuǎn)移概率的設(shè)備序列為

,…,)

(2)從第一道工序開始到當(dāng)前時刻下的工序，迭代計算與工序序列相對應(yīng)的具有最大狀態(tài)轉(zhuǎn)移概率的設(shè)備序列：

圖6 車間生產(chǎn)物流AGV任務(wù)集成規(guī)劃方案

4 案例驗證

結(jié)合某微型制造中心實驗室搭建IIoT網(wǎng)絡(luò)環(huán)境，以軸類零件加工為例驗證基于RFID物料主動感知的AGV云-邊協(xié)同計算框架模型。圖7所示為車間生產(chǎn)過程中包括的4道制造工序，即初始物料的庫存工序，粗加工工序，精加工工序和成品庫存工序。其中，由6個RFID區(qū)域空間來主動感知加工物料K的狀態(tài)變化；監(jiān)控空間的RFID配置清單如表1所示。

表1 面向車間生產(chǎn)物流的RFID配置方案

圖7 包括4道工序的生產(chǎn)物流案例

具體步驟如下：

(1)在車間底層通過布置各類檢測裝置和傳感裝置，獲取實時的物理資源狀態(tài)信息，如AGV、加工物料、操作人員、加工工位等。

(2)配置有STEM32、RFID讀寫器和多個傳感器的AGV-MEN具有獲取上述步驟中物理資源狀態(tài)數(shù)據(jù)信息的能力，并應(yīng)用RFID物料主動感知技術(shù)實時數(shù)據(jù)采集，使生產(chǎn)物流任務(wù)中AGV的執(zhí)行過程具有動態(tài)調(diào)整性和實時監(jiān)控性。

5 結(jié)論

通過云-邊協(xié)同計算技術(shù)，利用云端服務(wù)器的高計算性能和車間AGV上MEN有限的計算能力，提出一種基于RFID物料主動感知的車間AGV云-邊協(xié)同計算模型框架，闡述了AGV數(shù)據(jù)采集與信息交互、AGV邊緣側(cè)RFID數(shù)據(jù)處理技術(shù)和云-邊協(xié)同計算技術(shù)等關(guān)鍵技術(shù)，以支撐上述計算框架模型邏輯準(zhǔn)確、高效執(zhí)行。最后通過上述制造邏輯建立了HMM模型以及案例研究，驗證其可行性，為生產(chǎn)物流的智能化升級提供支撐。