基于云边协同的流程制造工艺参数优化模型

刘鑫，刘孝保，张雨东，张嘉祥，梁珉清

（650550 云南省 昆明市 昆明理工大学 机电工程学院）

0 引言

思科在2012 年12 月提出了“万物互联”的概念，随着物联网技术的不断发展以及产业的不断升级，对技术的深入提出了更高的要求。据统计，2021 年使用的联网物件总数将达到250 亿个，海量物件将导致数据呈现井喷式的增长，海量数据如果都实时上传到云计算中心，对数据处理带宽和时延都提出了更高要求[1]，特别是多种通讯协议的设备相互沟通、设备快速响应控制等需求。边缘计算是指在网络边缘侧执行计算的一种新型计算模式，在靠近数据源头或者物联网设备的网络边缘一侧，融合计算、存储、网络以及应用核心能力的分布式开放架构，可以就近提供在一侧的智能服务[2-3]，可以有效缓解云平台对数据的处理负荷，同时提高数据处理的时效性，满足数据传输的时延以及异构设备的快速响应控制问题[4]。

目前，针对智能产线中工艺参数的优化问题，相关学者已经开展了研究与实践工作。文献[5-7]采用正交实验法，分析多个因素中哪些因素对结果的影响最大，哪些因素对结果的影响较小，从大量的试验数据中挑选有代表性的因素进行测试，从而确定最佳工艺参数组合；文献[8-9]采用关联分析法将多目标优化问题转化为单目标优化。

上述研究中关联分析算法主观性过强，部分参数最优值难以确定，并且均未考虑参数优化的实时性问题。针对产线工艺参数优化过程中多种通讯协议的物联网设备沟通以及快速响应等问题，本文提出一种基于云边协同的流程制造工艺参数优化模型，通过引入云边协同服务，提高设备的快速响应控制，为解决制造过程中工艺参数的优化提供一种新的方法和技术手段。

1 流程制造参数优化问题分析

工业制造过程中往往包含诸多重要的生产过程指标。生产过程指标一般分为2 类[10]，一类是指生产过程中的工艺参数，如温度、湿度等；另一类是生产过程中的质量指标，如烘干流程的产品最终含水率等。如图1 所示，X1，X2，…，XN表示流程制造过程中的N 道工序，每道工序包含若干项工艺参数J11，J12等；S11为流程制造过程中工序X1的第1 道质量指标。

图1 流程制造工艺过程示意图Fig.1 Process Manufacturing Process Diagram

生产过程指标普遍由广泛分布在工业现场或数据产生端的各种物理设备接入，包括工业机器人、网络连接传感器、各种工业现场设备等。由于流程制造工艺过程参数数量众多，工艺流程长、加上在实际加工现场环境中，随着不同班组，不同原料的交替，加工质量呈现较大波动。同时，为了得到更优的质量指标，上游工序必须为下游工序提供稳定的加工原料，从而使下游工序的产品质量更为稳定，因此这些因素使得流程制造过程中工艺参数的优化存在的问题可总结如下：

（1）数据处理的实时性难以保证。在流程制造过程中，存在大量传感器节点，所有传感器节点一起完成生产过程中数据的接入，云计算利用其强大的存储、计算以及部署能力，收集、存储和分析这些数据，为生产提供各类应用服务。然而随着制造过程中越来越多的数据需要低延时、低能耗地处理，如果继续采用传统云计算来处理这些数据，那么在数据长距离传输的过程中，高延迟以及网络带宽的堵塞会导致数据处理的实时性大大降低，对计算任务的实时处理成为流程制造工艺过程中工艺参数优化面临的一大挑战。

（2）工艺设备“沟通”困难。由于流程制造过程中工序众多且工序间存在巨大差异，不同工序的现场设备协议不同，导致不同设备间的数据流未打通，工业现场存在着大量“信息孤岛”，企业内部对数据的共享性与互通性得不到保证，因此对流程制造现场产生的数据流无法实现高效的管控。

随着工业物联网技术发展与应用不断深入，以云计算为核心的运算模式需要承载的数据量越来越大[11]，整个生产过程中的多优化任务交互执行，任务间存在复杂的关联协作关系，且随着数据资源的动态增长，需要考虑优化任务的实时性。因此，基于云边协同的流程制造工艺参数优化模型，主要针对流程制造过程中对工艺参数达到优化的同时提高在工艺控制环节的实时性以及数据的安全性，促进流程制造行业的生产效率以及全局协同能力。

2 基于云边协同的产线体系架构

基于云边协同的资源接入对象是广泛分布在工业现场或数据产生端的各种物理设备，包括工业机器人、网络连接传感器、各种工业现场设备等。基于边缘计算的流程制造业资源对象接入的全过程就是海量的工业现场数据。通过在边缘侧完成一定能力的数据分析，同时与云平台协同服务，实现更深层次的数据分析后，通过边缘层将分析结果反馈到设备端，起到实时处理数据、提高效率、降低带宽等作用。

基于云边协同的产线体系架构主要包括云计算层、边缘层以及现场层，通过云边端的协同工作，实现工业应用场景的需求，如图2 所示。

图2 基于云边协同的产线体系架构Fig.2 Production line architecture based on cloud edge collaboration

现场层是广泛分布在工业现场的物联设备，设备通过多种类型的现场网络和工业总线与边缘层中的边缘智能网关设备进行连接，实现边缘层与现场层之间数据的连通。

边缘层是整个架构的核心部分[12]，由边缘节点、边缘网关、边缘传感器、边缘服务器、边缘控制器组成，边缘节点是硬件实体，是承载边缘计算业务的核心[3]。边缘网关可充当现场设备彼此连接及连接到云端的桥梁，允许来自工业现场的数据流入和到现场层的流出控制命令。边缘传感器以低功耗信息采集和处理为重点。边缘控制器以控制业务为重点，边缘层接收、处理和转发来自现场设备的数据流，通过部署在边缘层的算法模型、规则引擎、消息路由等服务对接收到的数据进行实时计算分析。

云计算层提供智能化生产等应用程序支持，可以与边缘层进行通信，接收来自边缘层上传的信息，并提供丰富的计算资源，再通过对边缘层的命令下发，实现对现场层的资源管控。从全局范围内实现对资源调度的管控和对生产全过程的优化。

该系统架构支持边缘节点灵活部署更新，提供从数据采集到云端应用一体化服务，同时边缘节点网关具有计算分析能力，可以将数据在本地处理后再上传到云平台，降低网络带宽、传输时延要求与云计算层资源成本，以适应更多工业应用场景。

3 基于云边协同的流程制造工艺参数优化模型构建

3.1 优化模型

基于本文提出的云边协同框架，边缘计算与云计算协同可以更好地服务于面向智能产线的工艺参数优化场景。基于云边协同的流程制造工艺参数优化模型如图3 所示。

图3 基于云边协同的参数优化模型Fig.3 Parameter optimization model based on cloud edge collaboration

工业产线的各工序物联网设备通过多种类型的通信协议将采集的工艺参数与质量指标上传给边缘层的边缘智能网关，边缘网关将当前工序的质量指标上传到云平台，云平台负责分析当前质量指标是否符合标准，若当前工序质量指标不符合标准则将标准的质量指标返回给边缘层，边缘层接收到云端返回的标准质量指标后，通过部署在边缘智能网关的优化模型计算各工序的工艺参数和质量指标之间的关系，根据质量指标调节工艺参数。

3.2 边缘计算平台

边缘计算整合靠近现场设备的计算资源为用户提供服务，通过边缘计算平台实现快速部署应用。许多产业机构和学术组织都成立了边缘计算相关的项目研究，目前边缘计算平台数目众多，本文提出的基于云边协同的流程制造工艺参数优化模型，列举了一些边缘计算开源平台。

Akraino Edge Stack 是一个开源软件堆栈，主要提供针对边缘计算的服务和应用程序优化，它旨在快速扩展边缘云服务，提供高可靠性以及高灵活性的云服务支持，最大限度地提高应用程序运行的可靠性以及负载能力[13-14]。

CORD 是AT&T 联合ON.Lab、ONOS、PMCSierra 和Sckipio 共同开发[15]。该项目希望通过部署交换机等硬件以及OpenStack 等开放软件对厂商进行解耦，通过编排层与业务协同实现应用的快速部署并提供灵活的云服务。

EdgeX Foundry[16-17]是Linux 基金会启动的一个边缘计算开源项目，是一系列开源的微服务的集合，每一个微服务采用Restful API 进行沟通。EdgeX Foundry 通过灵活的微服务部署，保证了整体框架的灵活性以及可维护性。

因为EdgeX Foundry 的灵活性和开放性，本文选取EdgeX Foundry 开源平台作为边缘层的边缘网关软件平台。EdgeX Foundry 由4 个服务层和2 个底层增强系统服务组成，服务层从物理领域的边缘（设备服务层）到信息领域的边缘（应用服务层），以核心和支持服务层为中心，平台架构如图4 所示。

图4 EdgeX Foundry 平台架构图Fig.4 Edgex Foundry platform architecture diagram

设备服务层承担连接设备与边缘网关的桥梁角色，通过设备协议与设备进行通讯。设备服务层将通过不同协议传输的数据格式转换为统一的格式，并将接收到的数据发送到核心数据，接收来自于命令微服务的命令，对于非官方提供的协议，可通过SDK 自定义其协议。

核心服务层是Edgex Foundry 的“核心”，包含核心数据、命令、元数据以及注册配置微服务，核心数据用于收集从南侧对象收集的数据。命令微服务用于请求从北向南对设备的控制；元数据收集设备自身的属性信息；注册配置提供关于架构内相关微服务的属性信息。

支持服务层包含规则引擎、日志记录等微服务，包含对设备数据处理的规则编写与告警等功能，规则引擎支持用户编写一些规则，当数据触发某一特定规则时，可以自动执行某一动作。

应用服务层北向连接工业云平台，通过分发服务将接收到的数据传输到北向应用服务器。

4 应用实例

本文基于上述提出的优化模型，以温湿度为对象，以Edgex Foundry 为边缘计算网关软件系统，实现数据的上传以及分析，在实验环境下模拟产线中边缘网关接收温湿度数据、上传数据至云端、云计算平台计算分析返回关键数据到边缘端的优化过程，模拟智能产线的温湿度环境优化过程。边缘网关系统架构图如图5 所示。

图5 边缘智能网关系统架构图Fig.5 Architecture diagram of edge intelligent gateway system

软件系统主要由Edgex Foundry 的微服务所组成，边缘智能网关支持 Docker、Python、TensorFlow 等运行环境，并开发了支持 Modbus、OPC-UA、Rest 等工业通信协议的设备交互模块和支持数据存储分发服务的数据池模块、支持HTTPS、MQTT 等通信协议的网络连接模块，提供可视化编程工具、计算公式编排、事件管理和网关管理等应用工具。各模块之间通过API 接口进行数据交互共享，部分API 接口对外开放，为物联网边缘应用开发提供基础服务。

4.1 温湿度数据采集

采用基于MODBUS 协议的RS485 温湿度探头采集温湿度数据。通过MODBUS 协议设备服务上传至EdgeX Foundry 平台，EdgeX Foundry 将数据转换成统一格式，然后发送到核心数据服务来添加对应的数据集合，核心数据服务首先调用元数据服务来查询该设备是否存在，当设备存在时，核心数据服务将数据存储在数据库中，否则返回异常。数据上传的序列图如图6 所示。本文设定每1 s 采集一次温湿度数据，采集到的数据格式如图7 所示。

图6 数据上传序列图Fig.6 Data upload sequence diagram

图7 边缘网关采集到的温湿度数据Fig.7 Temperature and humidity data collected by edge gateway

4.2 温湿度数据上传云计算层

当边缘网关采集到温湿度数据后，应用服务通过Restful API 调用核心数据微服务中的数据，通过应用服务的配置，将数据转发至云计算平台。上传云端流程如图8 所示。

图8 边缘数据上传云端Fig.8 Edge data uploading to cloud

4.3 云计算层反馈边缘层

本文用主机来模拟云计算平台，云计算平台接收由边缘网关上传的数据，并对接收到的温湿度数据做分析。云计算平台对接收到的温湿度数据每3 s 做一次平均值，并通过规则引擎将平均值数据传回边缘网关，如图9 所示。

图9 云计算层返回的湿度数据Fig.9 Humidity data returned by cloud computing layer

4.4 命令控制

边缘网关根据云计算平台传回的温湿度的平均值进行设备层的优化调控，即当边缘网关接收到返回的湿度数据达到55%时，关闭模拟继电器设备开关（设置值为0）；当接收到的湿度数据小于51%时，开启模拟继电器设备开关（设置值为1）。通过对模拟继电器设备开关的控制来模拟命令控制微服务对设备调控，使各工序中要求的温湿度环境保持在最优的范围之内。当温湿度环境低于最优范围，命令模块则控制设备进行增温增湿；当温湿度环境高于最优范围，则控制设备停止增温增湿。命令控制触发的规则如图10 所示。

图10 规则文件Fig.10 Rule file

5 结语

本文针对工业智能产线生产过程中的数据处理实时性差、生产组织间信息流难以沟通、优化效率低下等问题，提出了基于云边协同的流程制造工艺参数优化模型，分析流程制造过程中存在的优化问题，构建了该模型的云边协同优化框架以及边缘计算平台的部署；最后，基于EdgeX Foundry 边缘计算平台搭建云边相互协同优化的实验环境，验证了基于云边协同的流程制造工艺参数优化模型的有效性，为产线数据采集以及处理提供新的方法与思路。当前是边缘计算技术发展期，相关理论与探索尚处于研究阶段，还需要更深入的研究与探索，才能够更好地服务于工业现场，服务于智能制造领域。