基于边缘智能2.0的工业互联网平台架构及应用

刘 炜，张 为

(烽火通信科技股份有限公司，武汉 430074)

0 引 言

全球信息与通信技术(Information and Communications Technology,ICT)产业正向第5代移动通信技术(5th-Generation,5G)、云计算、物联网和人工智能(Artificial Intelligence,AI)等方向发展，边缘计算(Edge Computing，EC)也获得空前关注。EC是在靠近物或数据源头的网络边缘侧，就近提供智能服务，融合网络、计算、存储和应用核心能力的开放平台，其满足行业数字化与智能化的关键需求[1]。

作为“新基建”的核心领域之一，工业互联网(Industrial Internet)可以看作数字“新基建”的领头羊，是实现产业数字化、网络化和智能化发展的重要基础设施和关键支撑，为行业数字化转型升级提供了网络连接和计算处理平台，加速了实体经济各领域的数字化进程[2]。工业4.0与工业互联网蓬勃兴起，对现场设备管控、资源优化配置和生产智能化等领域都提出了新的要求，迫切需要在工业现场边缘处加强网络、数据和安全体系建设。可以说，EC是实现工业互联网的必要路径，工业互联网是EC落地最多的应用场景。工业场景下，传统中心云架构的安全性和实时性难以满足需求，需要具备低时延要求和轻量化的信息与物理深度融合的应用。目前国内工业互联网平台虽不少，但多侧重于商业产品的宣传和包装，缺乏兼具指导性和实用性的通用技术架构。在此背景下，我们提出了边缘智能(Edge Intelligence,EI)2.0的概念，可就近部署智能化运维服务与灵活便捷的运行环境，基于此构建了云、网、边、端4位一体协同的完整工业互联网平台架构，并在表面贴装技术(Surface Mounted Technology,SMT)生产线进行了实践和总结。

1 EI发展概述

1.1 EI的现状与挑战

EI是指将AI技术与EC相结合部署在边缘节点，为边缘侧就近提供场景感知、图像识别、数据分析和制造协同与预测性维护等智能化的服务，以满足行业数字化在敏捷连接、实时业务、数据优化、应用智能和安全与隐私保护等方面的关键需求[3]。

虽然EI自提出以来就得到了业界的普遍关注，但目前仍处于EI 1.0的初级发展阶段，应用并不成熟，主要面临如下一些挑战：

一是信息技术(Information Technology,IT)、通信技术(Communication Technology,CT)和运营技术(Operational Technology,OT)缺乏融合。目前IT与CT已逐渐融合为ICT技术，但OT技术体系碎片化明显，与ICT在标准规范、行业语言和知识背景等方面存在较大差异，数据信息难以有效流动与集成[4]。

二是知识没有模型化，难以有效利用。工业互联网平台的核心是在工业技术原理、行业知识、基础工艺和研发工具规则化、模块化和软件化基础上的数字化模型[5]，使之封装为可重复使用的组件，否则EI应用无从谈起。

三是缺乏智能和高效的整体架构，云边缺乏有效协同。目前国内工业互联网平台架构尚未形成统一认识，云端与边缘侧缺乏有效管理与协同，相关业务与应用仍处于割裂状态，没有形成端到端的协作。

1.2 EI 1.0与2.0对比分析

EI 2.0是在EI 1.0的基础上，引入了云边协同、边边协作、模型裁剪、模型分割与边缘安全等概念，形成智能化更强、协同性更好和安全性更高的EI体系，可充分发挥边缘设备与边缘云的综合优势。

EI 2.0重点关注5个方面的能力：

(1)云边协同能力：通过云端与边缘测的协同，实现分布式与集中式的平衡；

(2)边边协作能力：在边缘自治的前提下，实现边边协作，强化互联互通；

(3)模型裁剪与分割：对AI模型做裁剪与分割，可在边缘服务器和终端同时做AI训练，并支持可重构计算，最大化发挥终端与边缘协同的优势；

(4)容灾备份能力：在边缘侧和边缘云增加本地容灾备份能力，并且在中心云也能进行异地数据备份；

(5)数据隐私与安全：通过虚拟专网、安全组件和权限控制等手段增加数据隐私与安全性。

EI 1.0与2.0的主要差异如表1所示。

表1 EI 1.0与2.0对比

2 基于EI 2.0的工业互联网平台架构

2.1 工业互联网平台总体架构

为充分发挥中心云的优势与EI 2.0的能力，我们设计了“中心云/行业云—工业边缘云(边缘智脑)—边缘网关—边缘设备”的工业互联网平台4层架构，总体逻辑框架如图1所示。其中，边缘智脑是平台的重中之重，按照基础设施即服务(Infrastructure as a Service,IaaS)、平台即服务(Platform as a Service,PaaS)和软件即服务(Software as a Service,SaaS)的通用云计算架构设计。EI 2.0主要部署在边缘智脑的PaaS层，包括开放应用编程接口(Open Application Programming Interface, OpenAPI)，软件开发过程、方法与系统的统称(Development & Operations, DevOps)、微服务框架和AI训练模型等；边缘网络主要包括无线保真(Wireless Fidelity,WiFi)、工业无源光网络(Passive Optical Network,PON)和时间敏感型网络(Time Sensitive Network,TSN)等多种网络结构；边缘网关则分为北向、核心层和南向，其中北向包括轻量级现场应用与安全外壳协议(Secure Shell,SSH)、消息队列遥测传输(Message Queuing Telemetry Transport,MQTT)等上行通信协议，核心层主要是嵌入式操作系统及核心组件，南向则主要包括中央处理器(Central Processing Unit,CPU)、图形处理器(Graphics Processing Unit,GPU)和现场可编程逻辑门阵列(Field Programmable Gate Array,FPGA)等硬件及用于过程控制的对象链接和嵌入统一体系结构(Object Linking and Embedding for Process Control Unified Architecture,OPC UA)和Modbus等通用工业协议；边缘终端则包括传感器、工业机器人、自动导引运输车(Automated Guided Vehicle,AGV)和有轨制导车辆(Rail Guided Vehicle,RGV)等现场设备。

图1 基于EI 2.0的工业互联网平台总体架构

在图1所示架构中，中心云、行业云、公有云和其他云处于外网环境，主要提供行业数据与公共资源。工业边缘云处于企业内网，由边缘智脑、边缘网络、边缘网关和边缘终端共同构建，边缘智脑平台作为整个工业互联网平台的核心，起到设备管控、资源调度、数据处理、建模分析与应用支撑等关键作用；边缘网关则将生产一线的数据进行采集与预处理，实现现场设备与工业系统之间的打通。

该架构最大的特色是融合了边缘云与工业大数据以及行业云和公有云的各自优势，具备了云网融合、云边协同与边边协作3大关键特征，可以最大化地发挥出EI在工业互联网领域的重要作用，有极强的创新性、开放性与适用性。

2.2 边缘智脑技术架构

边缘智脑是工业边缘云的核心，也是EI 2.0的主要载体，按照边缘云基础服务(EC-IaaS)层、边缘云平台服务(EC-PaaS)层和边缘云应用服务(EC-SaaS)层的3层云计算架构来构建，其详细技术架构如图2所示。

图2 工业边缘智脑技术架构示意图

(1)EC-SaaS包括与工业制造密切相关的设备综合效率(Overall Equipment Effectiveness, OEE)、生产过程执行管理系统(Manufacturing Execution System,MES)、统计过程控制系统(Statistical Process Control,SPC)与企业资源计划(Enterprise Resource Planning,ERP)等工业APP，为生产一线提供行业赋能。

(2)EC-PaaS主要包括虚拟化网络功能(Virtualize Network Function,VNF)、AI训练模型、DevOps、微服务架构及通用的工业机理模型与数据建模工具等，并能通过标准的OpenAPI 规范提供远程服务，EC-PaaS可以说是工业边缘智脑的重中之重。

(3)EC-IaaS主要提供资源统一编排能力、异构资源管理能力、边缘设备管理能力和系统部署运维能力等，通过Kubernetes+Docker底座对OpenStack组件进行容器化部署，可以为应用层提供裸机、虚拟机(Virtual Machine, VM)和容器集群等多样化的管理与服务。

(4)其他功能：包括X86边缘服务器、AI芯片、分布式存储、虚拟交换机(Open vSwitch,OVS)与软件交换系统(Auvtech VoIP SoftSwitch,AVS)等软硬件系统，主要为边缘智脑提供底层的计算、网络、存储与安全等基础能力支撑。

2.3 工业边缘网关架构

边缘网关是联结物理世界与数字世界的重要桥梁，就像工业互联网的神经结，将工业现场的产线、管道、变频器、可编程逻辑控制器(Programmable Logic Controller，PLC)和机器人等设备连接起来，以适应现场应用低延时、高可靠和多样化的需求，并配合边缘智脑共同进行智能化数据处理。按照边缘网关云边协同与边缘自治的需要，我们将边缘网关设计为北向、南向与核心层3部分，技术架构如图3所示。

图3 工业边缘网关技术架构示意图

(1)北向：指边缘网关的数据层，包括流式数据的预处理、现场侧AI算法、服务注册以及规则引擎下发等。通过SSH和MQTT等北向接口协议，边缘智脑能对边缘网关进行集中运维和管控，并实现系统和应用程序的远程更新，支持遗留设备或专有设备的软件开发工具包(Software Development Kit,SDK)。

(2)南向：指边缘网关的物理层，可以是X86架构或更轻量化的精简指令集机器(Acorn RISC Machine,ARM)架构，支持CPU、GPU、FPGA和适应机器学习的张量处理单元(Tensor Processing Unit,TPU)，能进行协议转换并连接各类现场设备。南向协议采取TSN与OPC-UA的融合技术(OPC UA over TSN)，将 IT 和 OT 无缝融合到工业通信项目中，可实现从传感层、控制层和管理层直到云端的数据通信，是打通现场设备与边缘网关的重要通道，确保了工业场景中拥有跨厂商的互操作性，构建了全新OICT(IT+CT+OT)融合生态系统[6]。

(3)核心层：指边缘网关的系统层，包括操作系统、容器环境与核心组件。目前主流嵌入式操作系统都是基于Linux的，包括CentOS和Ubuntu等；Kubernetes则是容器编排事实标准；核心组件我们采用EdgeX Foundry框架，可在Kubernetes环境中运行，能提供微服务配置、持久性存储库和设备服务配对等功能，处理北向应用及其他微服务发往南向的请求。EdgeX Foundry框架与平台或供应商无关，可由微服务或软件组件进行升级或替换，支持设备/传感器现场部署，安全且易于管理[7]。

(4)通信层：负责现场设备、传感器与边缘网关之间的数据通信，具体又分为通用无线分组服务(General Packet Radio Service,GPRS)、窄带物联网(Narrow Band Internet of Things, NB-IoT)、长程无线(Long Range, LoRa)等中远距离通信技术，和蓝牙、WiFi、近场无线(Near Field Communication,NFC)与紫蜂(Zigbee,ZB)等短距离无线通信技术，可适应不同应用场景。

2.4 云边协同与边边协作

云边协同与边边协作是实现工业互联网的重要基础，涉及边缘云平台与边缘网关各层面的协同，包括EC-IaaS层与边缘网关南向的计算、存储、网络与安全等资源的协同；EC-PaaS层与边缘网关核心层的数据协同、智能协同和业务管理协同；EC-SaaS层与边缘网关北向的应用服务协同；加上边缘节点之间构成的边缘通信网与边缘算力网，从而克服数据传输瓶颈，对数据、计算和网络进行整体优化以达到最佳效率，最终达到云、网、边、端4位一体的协同，其协同方式如图4所示。

图4 云边协同与边边协作示意图

(1)资源协同：包括边缘节点所需的计算、存储、网络和虚拟化等基础设施资源的协同，以及边缘节点设备自身的生命周期管理协同[8]。在边缘网关资源不足的情况下，可以调用边缘云的资源作为补充，并根据现场情况对边缘侧网络的负载均衡进行调整，满足边缘侧应用对资源的需求。

(2)数据协同：边缘节点主要负责数据采集，按照规则或数据模型对数据进行初步处理与分析，将处理后的数据，尤其是异常(如告警和故障)数据上传给云端；边缘云持续接收边缘节点的数据，基于海量的运行状态数据开展大数据统计分析、供应链和订单分配等模型的持续训练与优化[9]。

(3)智能协同：EI 2.0的核心是通过模型分割与模型压缩将复杂的计算任务放到边缘云平台上运行，计算量小的算法则放在现场侧运行，通过边缘网关与云平台协同训练，有效降低深度学习模型的推断时延。目前模型压缩较主流的是剪枝(Pruning)法，利用无监督端对端训练剪枝网络中冗余的异质结构，通过快速迭代阈值收缩算法解决优化问题，稳定移除冗余结构，提升剪枝效率[10]，以更好地在边缘侧进行模型推理。此外，针对边缘推理中大规模推理服务的成本优化问题，可采取多版本模型与多数据模型自适应推理机制，通过预先测量模型“压缩”和数据“压缩”对推理精度的影响，在满足用户对推理服务要求的响应时间和准确性的基础上,利用计算资源和带宽资源之间的折衷,并同时调整模型和数据版本,在面向大规模推理请求服务时,可最大程度地降低总体服务成本[11]。

(4)边边协作：包括边边网络与边边计算协作(边缘算力网)。边边网络的重点是边缘节点之间直接通信，基于由众多边缘节点构建的分布式传输加速网络来克服互联网的数据传输稳定性和跨运营商的传输速度瓶颈等问题，无需通过中心绕道[12]。边缘算力网将计算能力和网络状况作为路由信息发布到网络，网络基于虚拟的服务身份标识号(Identity Document,ID)将计算任务报文路由到最合适的计算节点，实现边边协作，利用服务的多副本特性，实现用户的就近接入和服务的负载均衡，适应服务的动态性[13]。

3 EI 2.0在SMT产线的应用研究

3.1 SMT典型问题与解决方案

SMT是在印刷电路板(Printed Circuit Board,PCB)基础上进行加工的系列工艺流程的简称，是电子组装行业里最主要的一种技术和工艺。传统SMT产线是孤岛式的，沒有设备间的互联互通，仅依靠技术人员的经验设定参数，需要大量人员进行设备维护与检测，尤其在锡膏检测(Solder Paste Inspection,SPI)和自动光学检测(Automated Optical Inspection,AOI)等工序的误判点数多，造成产线直通率下降，每条SMT产线均需安排目检人员进行二次复判，而大量目检容易造成成本上升和产能下降[14]。

上述问题普遍存在于电子制造业中，是典型共性问题，因此我们建立了基于SMT大数据的EI 2.0解决方案。本次研究对象为两条全自动SMT生产线，采取本文第2部分所述架构，由边缘网关负责采集和缓存SMT数据，边缘智脑则对采集的数据进行建模与分析，对SMT制程、SMT机台参数和SPI/AOI的检测数据等进行处理，及时侦测产线异常状态，并提供基于EI 2.0的智能化应用。

3.2 SMT智能产线的数据采集

SMT产线包括多种设备，需通过边缘网关数据采集功能满足对流式数据源、静态数据源和应用程序接口(Application Programming Interface,API)数据源等多种数据源的整合。数据采集以采集插件的形式适配各种场景，包括数据库采集器、文件采集器、API采集器和日志采集器等。数采对象包括3类：一是丝印机和回流炉等生产类设备，以收集设备当前状态信息为主，从而实现信息追溯；二是SPI和AOI等检测类设备，需要对生成的数据进行深度分析；三是贴片机等综合类设备，既要收集状态信息，也需要对数据进行深度分析，以提升生产效率。

SMT产线数据源分为设备通用数据及关键数据，包括PCB条码、机器标识码、开关机状态、运行状态、待机状态、运行效率和程序参数等。本次试点SMT产线设备清单及关键数据采集需求如表2所示。

表2 SMT产线关键设备数据

3.3 SMT智能产线生产类应用

SMT产线具有小批量和多品种的特点，其智能化是以工业4.0时代少量多单、快速备料及易于维护为目标。SMT产线的智能化应用可分为生产与检测两大类，SMT生产类应用包括SPI看板、生产时序图、产线平衡统计分析和OEE等，具体应用情况如下：

(1)数字地图：实时反映工厂、车间和产线的设备布局和状态，针对产线的实际布局和设备类型进行了定制化展示；

(2)生产时序图：通过生产节拍、设备状态、不良品和不良率时序图4种维度综合反映真实的生产状态，满足各种场景下的数据分析和回溯；

(3)产线平衡统计分析：主要用于分析产线设备之间的生产平衡度，找出产线的生产瓶颈工序，然后进行针对性地分析和优化，以提升产线的整体生产效率和产量；同时找出产线生产不饱和工序，然后考虑对不饱和设备进行更多任务的分配及资源整合，提升整体的设备利用率，降低设备等料和空转等不必要的浪费。

(4)设备效率分析：SMT产线之间比较相似，横向对比多条SMT产线之间的OEE数据，进行对标，找出表现较好和表现较差的产线，包括直通率、抛料率及抛料根因分析等，并预估出较差产线的提升空间和预期目标，同时对比产线内设备的利用率，找出瓶颈设备和不饱和设备，再进行针对性优化。

典型的SPI看板与智能应用情况如图5所示。

图5 SMT产线智能应用看板

3.4 SMT智能产线检测类应用

SMT产线对元器件的包装方式、引脚共面性和可焊性等有严苛的要求，AOI是基于光学原理对焊接生产中遇到的常见缺陷进行检测的设备，在SMT产线中普遍应用。AOI通过摄像头自动扫描PCB，采集图像，测试的焊点与数据库中的合格参数进行比较，经过图像处理，检查出PCB上的缺陷[15]。

AOI普遍存在缺陷条件建立过程繁琐、无法符合新型态或更细微的条件检查、产品100%全检且误报率低等问题，因此我们引入AI模型进行改善。在边缘网关部署SMT AI AOI推理引擎，将AOI设备近半年的照片数据送至边缘智脑服务器，通过AI模型的部署及再训练，在7 s内即可完成单片PCB瑕疵检测，在此基础上产线人员做二次复判认定模型瑕疵并标记，同时输出模型瑕疵检测分类分析及每日模型检测报告，可大幅减少误判率，并与制造执行管理系统直接对接。本次试点产线SMT AOI 的EI应用方案如图6所示。

图6 EI 2.0在SMT AOI中的应用

3.5 SMT智能产线的应用效果

通过实施边缘智脑平台及相关应用，试点SMT产线智能化取得了如下成效：

(1)实现SMT设备自动化与智能化，减少了30%的人力投入；

(2)运用深度学习等AI手段进行智能分析并优化SMT制程参数，误报率降低约35%，SPI检出率提升至98%以上；

(3)实现产线关键数据可视化，并进行即时管理与调配，成本降低约20%；

(4)提升产线总体品质管理，降低退料审查(Return Material Authorization，RMA)成本约15%；

(5)人员训练时间从6个月缩短至3个月，人才培训速率提升约50%。

4 结束语

本文将EC、AI和工业互联网进行有机整合，在EI 1.0的基础上设计出基于EI 2.0的工业互联网平台整体架构，理清了工业边缘云、边缘网关与终端设备之间的关系，明确了各部分的核心模块与云边协同方式，并提出了工业边缘网关北向、南向及核心层的技术体系，以实现端到端的工业互联网业务整合。基于此架构，我们对两条SMT产线进行了试点改造，重点将EI 2.0应用在AOI检测上，并对SMT制程、产线平衡和SPI检测等进行智能分析与优化处理，取得了较好的应用效果。同时，在实践中也发现，虽然现场设备完成了数据采集，但利用率不高，真正能有效利用的只占全部数据的约10%。因此，数据采集只是实现工业互联网平台的第一步，如何与生产实际相结合，以及如何发挥出工业大数据的价值，还有待业内不断研究探索。