本項目由萬向研究院、中國聯(lián)通網(wǎng)絡技術(shù)研究院牽頭，萬向錢潮公司、杭州領(lǐng)克信息科技有限公司、廣東宜通世紀科技股份有限公司參與。
上述單位共同參與測試床項目的目的是對創(chuàng)新性的工業(yè)互聯(lián)網(wǎng)業(yè)務進行研究和探索，并為此提供所需的技術(shù)和資源(包括人力、設備、資金等)，以確定解決方案，并對解決方案的性能、成本、適用性等各方面進行驗證。
萬向研究院，其前身是萬向集團技術(shù)中心，為接軌國際先進技術(shù)，2002年改組成公司型運行。1996年被原國家經(jīng)貿(mào)委、財政部、海關(guān)總署聯(lián)合批準為國家級技術(shù)中心。以國家人事部批準建立的國家級企業(yè)博士后科研工作站為依托，研究院共擁有數(shù)百名專業(yè)研發(fā)技術(shù)人員。

中國聯(lián)通網(wǎng)絡技術(shù)研究院以中國聯(lián)通發(fā)展戰(zhàn)略為指導，構(gòu)建起中國聯(lián)通網(wǎng)絡技術(shù)支撐體系和專業(yè)支撐團隊，圍繞網(wǎng)絡演進、建設、運行、優(yōu)化等關(guān)鍵環(huán)節(jié)開展技術(shù)研究，并按照網(wǎng)絡技術(shù)發(fā)展生命周期，不斷加強對網(wǎng)絡技術(shù)演進、新技術(shù)引入以及網(wǎng)絡建設、運行、維護、優(yōu)化等各環(huán)節(jié)的系統(tǒng)性研究和統(tǒng)籌規(guī)劃，按照系統(tǒng)性、完整性、獨立性和專業(yè)性要求，加強技術(shù)跟蹤、標準預研、驗證測試、規(guī)范編制、網(wǎng)絡分析、網(wǎng)絡評測，為中國聯(lián)通網(wǎng)絡運營發(fā)展提供整體解決方案和全面技術(shù)支撐。其擁有的國家級汽車零部件實驗室，出具的實驗報告獲得44個國家和地區(qū)的互認資格。浙江省汽車零部件實驗基地也落戶在萬向研究院。
萬向錢潮一直致力于汽車零部件的研發(fā)和制造，產(chǎn)品從零件到部件到系統(tǒng)集成，生產(chǎn)專業(yè)化，產(chǎn)品系列化，供貨模塊化；產(chǎn)品涵蓋萬向節(jié)、輪轂單元、軸承、汽車底盤及懸架系統(tǒng)、制動系統(tǒng)、傳動系統(tǒng)、排氣系統(tǒng)、燃油箱、工程機械零部件等汽車系統(tǒng)零部件及總成，是國內(nèi)最大的獨立汽車系統(tǒng)零部件供應商之一。
杭州領(lǐng)克信息科技有限公司, 一家專門從事工業(yè)物聯(lián)網(wǎng)系統(tǒng)研究、開發(fā)、應用、咨詢的公司，擁有眾多自主研發(fā)的創(chuàng)新型技術(shù)及產(chǎn)品，包括機床設備節(jié)拍分析設備、綜合數(shù)據(jù)采集平臺、智能業(yè)務設計平臺、物聯(lián)網(wǎng)云服務平臺等。

廣東宜通世紀科技股份有限公司，是廣州市高新技術(shù)產(chǎn)業(yè)開發(fā)區(qū)天河科技園內(nèi)一家專業(yè)從事計算機信息技術(shù)研究、計算機信息系統(tǒng)集成、通信軟硬件產(chǎn)品研發(fā)、智慧醫(yī)療、大數(shù)據(jù)、物聯(lián)網(wǎng)等信息技術(shù)與軟件服務的民營高科技企業(yè)。

一、關(guān)鍵詞

5G，MEC邊緣云，邊緣網(wǎng)關(guān)，機器學習，機器視覺，質(zhì)量檢測，質(zhì)量優(yōu)化。

二、發(fā)起公司和主要聯(lián)系人聯(lián)系方式

萬向集團公司研究院：
主要聯(lián)系人：
馬吉軍
手機： 13777880980
郵箱：jijun.ma@wxciv.com
中國聯(lián)通網(wǎng)絡技術(shù)研究院：
主要聯(lián)系人：
賈雪琴
手機：18601106631
郵箱：jiaxq21@chinaunicom.cn

三、合作公司

萬向錢潮股份有限公司：
主要聯(lián)系人：
柯佳華
手機：15657181289
郵箱：kejiahua@wxj.wxqc.cn

杭州領(lǐng)克信息科技有限公司
主要聯(lián)系人：
余長宏
座機：0571-56071258
手機： 13858033500
郵箱：yuchanghong@linkortech.com

廣東宜通世紀科技股份有限公司：
主要聯(lián)系人：
王永斌
手機： 18518051830
郵箱： wangyongbin@etonetech.com

四、測試床項目目標和概述

        在產(chǎn)品質(zhì)量是企業(yè)生命的今天，如何提高產(chǎn)品質(zhì)量的檢測效率和精度是企業(yè)一直關(guān)注的重點，也是該測試床要解決的重大目標。通過機器視覺、5G蜂窩無線、人工智能、邊緣計算等新技術(shù)的有機結(jié)合，實現(xiàn)產(chǎn)品實時在線高精度檢測，并通過工業(yè)云平臺實現(xiàn)檢測模型的迭代提高和共享。

五、測試床解決方案架構(gòu)

(一)   測試床應用場景
產(chǎn)品質(zhì)量是保障工業(yè)安全與效率的基礎(chǔ)，如萬向節(jié)和齒輪軸作為汽車零部件中的的關(guān)鍵部件，其質(zhì)量對車輛運行安全性和持久性有很大影響，因此在生產(chǎn)過程中的產(chǎn)品質(zhì)量必須進行嚴格控制。

圖 齒輪軸       

圖 萬向節(jié)

當前缺陷檢測技術(shù)主要依賴于將產(chǎn)品檢測圖像與預定義的缺陷類型庫進行對比分析，缺乏一定的學習能力和檢測彈性，從而導致檢測精度和效率較低。

圖 在線檢測設備
 

采用基于深度學習的在線機器視覺檢測，提高了缺陷檢測的準確率和效率。利用機器視覺系統(tǒng)實時采集產(chǎn)品圖像：在生產(chǎn)線上部署工業(yè)高速和高靈敏度線掃描CCD相機和照明系統(tǒng)；圖像采集子系統(tǒng)從不同角度采集圖像。
深度學習模型由訓練和測試圖像構(gòu)建并部署到邊緣計算平臺中：確定產(chǎn)品是否有缺陷；確定缺陷類型，如表面裂紋、磨削廢料、壓力損傷、挫傷等；深度強化學習提高了檢測精度。

(二)    測試床重點技術(shù)
1       
2       

2.1      蜂窩網(wǎng)絡支持工廠現(xiàn)場數(shù)據(jù)采集

從工業(yè)互聯(lián)網(wǎng)的角度，按照上行和下行數(shù)據(jù)的維度，工業(yè)裝備的數(shù)據(jù)可以分為兩類：
上行的狀態(tài)類數(shù)據(jù)：從生產(chǎn)裝備處采集的的數(shù)據(jù)，包括加工監(jiān)控數(shù)據(jù)、產(chǎn)品質(zhì)量控制數(shù)據(jù)、生產(chǎn)環(huán)境監(jiān)控數(shù)據(jù)等；
下行的控制類數(shù)據(jù)：生產(chǎn)裝備接收到的數(shù)據(jù)，主要涉及對工業(yè)裝備的控制類數(shù)據(jù)、配置類數(shù)據(jù)等。
根據(jù)工廠裝備升級的實際情況，多數(shù)情況下，上行數(shù)據(jù)和下行數(shù)據(jù)需要分開處理。數(shù)據(jù)采集方案主要包括：
1)  工業(yè)裝備的網(wǎng)絡化改造：采用蜂窩網(wǎng)技術(shù)將從裝備采集的數(shù)據(jù)傳輸?shù)杰囬g的邊緣網(wǎng)關(guān)。移動互聯(lián)網(wǎng)的快速發(fā)展促使工業(yè)廠家對無線通信的要求日益增強，目前多數(shù)工業(yè)廠房通過WIFI進行無線接入。然而，WIFI在抗干擾、安全認證、QoS質(zhì)量保證、業(yè)務連續(xù)性方面無法進行可靠保障，難以滿足工業(yè)場景對無線傳輸質(zhì)量的要求。
2)  邊緣網(wǎng)關(guān)：在邊緣網(wǎng)關(guān)處對采集到的裝備數(shù)據(jù)進行解析、數(shù)據(jù)封裝和本地數(shù)據(jù)處理。
3)  MEC邊緣云：采用MEC邊緣云技術(shù)，利用MEC邊緣云的分流功能，將從裝備采集來的原始數(shù)據(jù)在本地處理，以極大縮短數(shù)據(jù)傳輸時延（相比于中心云存儲，時延縮短50%）。
4)  中心云：將機器學習的訓練過程所需的時延不敏感數(shù)據(jù)分流到中心云存儲。
蜂窩網(wǎng)絡和MEC邊緣云結(jié)合，可以實現(xiàn)工業(yè)設備生產(chǎn)數(shù)據(jù)的實時分析處理和本地分流，助力企業(yè)轉(zhuǎn)型升級，實現(xiàn)生產(chǎn)數(shù)據(jù)采集、數(shù)據(jù)分析、生產(chǎn)優(yōu)化，提高生產(chǎn)效率。數(shù)據(jù)在邊緣側(cè)進行分析、存儲，無需經(jīng)過傳統(tǒng)核心網(wǎng)，因此，采用蜂窩網(wǎng)絡結(jié)合MEC邊緣云的方案具有時延短、安全性高，帶寬高等優(yōu)勢。

2.2      邊緣計算

2.2.1 MEC邊緣云

MEC邊緣云技術(shù)是5G關(guān)鍵技術(shù)之一。因MEC與無線接入網(wǎng)絡的松耦合性，在5G網(wǎng)絡還未成熟的情況下，運營商一般選擇把MEC部署在4G網(wǎng)絡上，以對MEC的性能、功能、接口等進行試驗。
MEC邊緣云位于無線接入網(wǎng)和核心網(wǎng)EPC之間，利用無線基站內(nèi)部或無線接入網(wǎng)邊緣的云計算設施提供本地化的公有云服務，并能連接位于其它網(wǎng)絡（如企業(yè)網(wǎng)）內(nèi)部的私有云從而形成混合云。MEC邊緣云基于特定的云計算系統(tǒng)（例如，OpenStack）提供虛擬化軟件環(huán)境用以規(guī)劃管理邊緣云內(nèi)的IT資源。第三方應用以虛擬機（VM）的形式部署于邊緣云，能夠通過統(tǒng)一的API，獲取開放的無線網(wǎng)絡能力。MEC邊緣云由業(yè)務域及管理域構(gòu)成。業(yè)務域用于支持第三方應用的運行。管理域負責對MEC邊緣云的業(yè)務域進行管理。

在本項目執(zhí)行期間，因5G模組和終端尚未成熟，因此優(yōu)先考慮將MEC邊緣云部署在LTE網(wǎng)絡中。MEC邊緣云有兩種形態(tài)：
1）作為基站的增強功能，通過軟件升級或者新增版卡，與基站集成的的內(nèi)置方式
2）作為獨立設備，部署在基站后或網(wǎng)關(guān)后的外置方式。

下圖為中國聯(lián)通LTE網(wǎng)絡中典型的邊緣云端到端組網(wǎng)架構(gòu)，邊緣云服務器位于基站與核心網(wǎng)之間，通過解析S1消息實現(xiàn)業(yè)務的分流。基站和核心網(wǎng)之間通常經(jīng)過多個傳輸環(huán)：接入環(huán)、匯聚環(huán)、和核心環(huán)。根據(jù)業(yè)務類型、處理能力，網(wǎng)絡規(guī)劃等需求，可將邊緣云部署于網(wǎng)絡中的合適位置。

2.2.2邊緣網(wǎng)關(guān)、邊緣分析

1.        邊緣網(wǎng)關(guān)設計：
本測試床項目中的邊緣服務器設計參考并遵循ECC、EdgeX Foundry等組織的協(xié)議及架構(gòu)，如下圖所示，本項目邊緣服務器從架構(gòu)上分為：設備支持層、核心服務層、用戶服務層、擴展服務層。

1)        設備支持層：
該層負責與南向設備交互。
設備支持是與南向設備或物聯(lián)網(wǎng)對象交互的邊緣連接器，包括本測試床項目所有的機器設備，產(chǎn)品的檢測設備等，其中，基于視覺的產(chǎn)品質(zhì)量分析檢測設備由本層支持并提供驅(qū)動及數(shù)據(jù)接口服務。設備支持同時服務于多個異質(zhì)設備（如多種加工中心、數(shù)控機床、鋸床、磨床等）。
設備支持層的微服務采用數(shù)據(jù)重構(gòu)的方法，通過物聯(lián)網(wǎng)對本次測試床實施對象本身的協(xié)議與設備，傳感器，執(zhí)行器和其他物聯(lián)網(wǎng)對象進行通信。

2)        核心服務層：
核心服務層介于北向與南向之間，主要由以下組件組成：
Configuration and Registration：為其它微服務提供相關(guān)服務的信息，包括微服務配置屬性；
Core Data：持久性存儲庫和從南側(cè)對象收集的數(shù)據(jù)的相關(guān)管理服務；
Metadata：提供配置新設備并將它們與其擁有的設備服務配對的功能；
Command：處理北向應用發(fā)往南向設備的請求；當然該服務還會處理框架內(nèi)其它微服務發(fā)往南向設備的請求，如本地的分析服務。

3)        用戶服務層：
用戶服務（CS）層包含本次測試床實施項目所有的微服務，本層微服務主要提供邊緣側(cè)視頻圖像實時處理服務和智能分析決策服務，同時也提供生產(chǎn)流水線工藝優(yōu)化智能算法的服務。 此外，該層提供如日志記錄，調(diào)度和數(shù)據(jù)清理（清理）等的支持功能。

4)        擴展服務層：
本測試床實施中，應用中國聯(lián)通5G快速接入的特點，將質(zhì)量檢測圖像實時傳送給云端，云端進行同步分析，并結(jié)合圖像數(shù)據(jù)的歷史分析結(jié)果進行更新反饋給邊緣服務器，因此，擴展服務層實現(xiàn)了一組微服務實現(xiàn)以下功能：
北向應用可以在網(wǎng)關(guān)注冊，并獲取其感興趣的南向設備的數(shù)據(jù)；
通知數(shù)據(jù)何時被發(fā)往中國聯(lián)通云服務器；
通知數(shù)據(jù)傳輸格式；
反饋圖像處理結(jié)果，并增加更新算法信息

2.3      機器學習

2.3.1基本方法和模型

本測試床計劃首先采集大量的相同規(guī)格的產(chǎn)品檢測彩色圖片。然后，把彩色圖片轉(zhuǎn)化成統(tǒng)一的灰度圖。對采集的圖片進行標記，對于每一張圖片，進行相應的標記（合格：1，不合格：0）。將標記的數(shù)據(jù)分為訓練集集、測試集、驗證集，將所有的灰度圖片以及它所對應的標記隨機劃分為訓練集（training set）（60%），驗證集（cross-validation set）（20%），測試集（test set）（20%）。利用訓練集進行模型訓練，學習深度學習網(wǎng)絡參數(shù)，通過調(diào)參保證模型的泛化能力，用交叉熵（cross entropy）來作為損失函數(shù)。

主要考慮采用以下2種模型架構(gòu)：
1)   模型1的架構(gòu):
第一層：第一層卷積神經(jīng)網(wǎng)絡（CNN）
第二層：通過線性整流激活函數(shù)（ReLU）
第三層：應用最大池化層（Max-pooling）
第四層：第二層卷積神經(jīng)網(wǎng)絡
第五層：通過線性整流函數(shù)
第六層：再次應用最大池化層
第七層：使用扁平層（flatten layer）
第八層：經(jīng)過全連接層（fully-connected layer）
第九層：利用脫離層（Dropout layer）, 并設置脫離率（dropout rate）為0.5
第十層：再次經(jīng)過全連接層
第十一層：最后使用柔性最大層（softmax）

2)   模型2的架構(gòu):
第一層：第一層卷積神經(jīng)網(wǎng)絡（CNN）
第二層：通過最大輸出激活函數(shù)（maxout）
第三層：應用最大池化層（Max-pooling）
第四層：第二層卷積神經(jīng)網(wǎng)絡
第五層：通過線性整流函數(shù)
第六層：再次應用最大池化層
第七層：使用扁平層（flatten layer）
第八層：經(jīng)過全連接層（fully-connected layer）
第九層：利用脫離層（Dropout layer）, 并設置脫離率（dropout rate）為0.5
第十層：再次經(jīng)過全連接層
第十一層：最后使用柔性最大層（softmax）
利用驗證集對深度學習模型進行測試，防止過擬合，并使用驗證集分別驗證上述2個被訓練出來的模型，選出最佳模型所對應的參數(shù)。利用測試集對深度學習模型進行驗證，保證模型的正確性。使用測試集進行模型預測，從而來衡量該最優(yōu)模型的性能和分類能力。即可以把測試集當成從來不存在的數(shù)據(jù)集，在確定模型參數(shù)后，對該模型進行性能評價。

2.3.2圖像識別和質(zhì)量診斷智能化、質(zhì)量預測智能化

流程化工業(yè)生產(chǎn)過程中，作為開發(fā)AI支持的分析與自優(yōu)化機器的第一步，機械與自動化制造商應該對自身機器性能保持完全透明。本測試床采用圖像識別方式，將人工智能方法在流程化生產(chǎn)制造領(lǐng)域的優(yōu)化決策過程的輔助作用。

本測試床項目將產(chǎn)品質(zhì)量優(yōu)化問題的全過程概括分為數(shù)據(jù)獲取、決策優(yōu)化、方案實施這三個階段，邊緣網(wǎng)關(guān)通過圖像處理方法，實現(xiàn)決策優(yōu)化過程，基于遠端云海量數(shù)據(jù)和算法，更快更好地完成邊緣服務難以實現(xiàn)的大數(shù)據(jù)計算任務?；?G和人工智能的產(chǎn)品質(zhì)量實時檢測和優(yōu)化測試床項目在實施階段的云端檢測反饋信息作為新的輸入數(shù)據(jù)，并對邊緣側(cè)算法進行自我更新和提升，不斷提高邊緣側(cè)的圖像識別能力，提高分析的準確率。
在邊緣側(cè)，通過基于5G高性能網(wǎng)絡傳輸，將圖像在云端做進一步處理，同時同步到邊緣側(cè)，邊緣側(cè)通過產(chǎn)品質(zhì)量檢測，可以從以下兩個方面改進產(chǎn)品的質(zhì)量：

1)        質(zhì)量診斷智能化
質(zhì)量診斷是本測試床項目中針對一字軸產(chǎn)品的專題診斷，利用圖像處理方法，針對產(chǎn)品質(zhì)量方面存在的問題，自動快速地進行評價，并為消除缺點、提高生產(chǎn)工藝水平而提出改進建議和指導實施。產(chǎn)品質(zhì)量診斷，指的是定期對已交庫的產(chǎn)品進行抽查試驗，檢查產(chǎn)品質(zhì)量能否滿足用戶的需要。通過診斷檢查，掌握產(chǎn)品的質(zhì)量信息，以便及早采取措施加以改進。工序質(zhì)量診斷，指的是對工序質(zhì)量進行檢查，評價各工序能力是否達到要求，掌握工序質(zhì)量信息，尋找影響工序質(zhì)量的主要因素，以便采取對策加以改進。
工序質(zhì)量診斷是質(zhì)量診斷的基礎(chǔ)，也是最重要的一環(huán)，所以，本測試床項目著重研究基于圖像處理后得到的質(zhì)量檢測結(jié)果，通過此結(jié)果來進行工序質(zhì)量診斷。質(zhì)量診斷最為關(guān)鍵的是數(shù)據(jù)分析、知識檢索和故障判定三個環(huán)節(jié)。數(shù)據(jù)分析通過對質(zhì)量特征值的進一步處理，提取最能反映工序質(zhì)量問題的信息；根據(jù)這些信息，從人、機、料、法、環(huán)、測（即5M1E）等角度進行檢索，排查質(zhì)量問題的可能故障源；最后依照相關(guān)準則對質(zhì)量故障源給出判定，依照判定結(jié)果結(jié)合相關(guān)知識對工序進行調(diào)整，其流程圖如圖所示。

從數(shù)學角度看，質(zhì)量診斷的過程實際上就是把癥狀空間的向量映射到故障源空間，即實現(xiàn)空間X（癥狀空間）到空間Y（故障源）的映射F（映射關(guān)系）。映射關(guān)系F是未知的，質(zhì)量診斷的實質(zhì)也就是綜合各種參數(shù)、知識和方法，找出這種映射關(guān)系F，進而應用這種關(guān)系，在以后發(fā)生質(zhì)量問題時能快速找出問題根源?；谝陨戏治隹芍瑧煤畏N控制方法查找這種映射關(guān)系，是智能化工序質(zhì)量診斷的關(guān)鍵問題所在。

結(jié)合人工智能技術(shù)的特點、應用流程以及質(zhì)量診斷的原理，本測試床項目在前期實施過程中，初步得出人工智能技術(shù)與工序質(zhì)量診斷有以下結(jié)合點：
①一字軸加工過程系統(tǒng)中，影響工序質(zhì)量的因素極其復雜，從故障現(xiàn)象到故障原因的推理過程是非線性的。人工智能算法中，神經(jīng)網(wǎng)絡技術(shù)的非線性特征能夠滿足這種要求。

②良好的工序質(zhì)量診斷系統(tǒng)不但能夠?qū)σ酝霈F(xiàn)過的故障進行有效識別，還能夠?qū)Τ醮纬霈F(xiàn)的質(zhì)量問題給出初步診斷，或提供參考信息，即診斷系統(tǒng)有一定的學習拓展能力，這與人工智能算法中的神經(jīng)網(wǎng)絡的學習算法在本質(zhì)上是一致的。
③工序質(zhì)量診斷過程中需要同時處理多種多樣的質(zhì)量信息，而且要求信息處理必須及時。神經(jīng)網(wǎng)絡技術(shù)信息處理的并行機制可以解決控制系統(tǒng)中大規(guī)模實時計算問題，而且并行機制中的冗余性可以使控制系統(tǒng)具有很強的容錯能力。
④工序質(zhì)量受到來自5M1E條件下多種因素影響，有些甚至干擾很強烈，這就要求系統(tǒng)有一定的抗干擾能力。神經(jīng)網(wǎng)絡的信息分布特點，使經(jīng)過訓練的神經(jīng)網(wǎng)絡具有強大的聯(lián)想能力，對個別神經(jīng)元和連接權(quán)值的損壞，并不會對信息特征造成太大的影響，因此神經(jīng)網(wǎng)絡具有很好的穩(wěn)定性，即神經(jīng)網(wǎng)絡受干擾時自動穩(wěn)定的特性和強大的容錯能力。
2)        質(zhì)量預測的智能化
目前，人工智能算法在質(zhì)量預測模型中的研究成果主要有兩個方面：一方面是以產(chǎn)品錯誤報告為基礎(chǔ)，以失效時間作為人工智能網(wǎng)絡輸入的質(zhì)量預測模型；另一方面是以質(zhì)量度量參數(shù)作為人工智能網(wǎng)絡輸入的質(zhì)量預測模型。
失效時間是指產(chǎn)品從加工完成時至在正常使用狀況下失去使用價值時的時間段，是衡量產(chǎn)品質(zhì)量的一個有力指標。產(chǎn)品的失效時間一般是通過抽樣測試來確定的，其估算方法如下：已知(，) 時間內(nèi)有個樣品失效，可以用等間隔方式估計此個失效樣品的失效時間，即在(，)內(nèi)第h個失效時間可用如下公式計算。
，h=1，2，…，
式中，，--——試驗某時間段的起止時間；——第h個失效時間；——失效產(chǎn)品個數(shù)。
而度量是按照明確定義的規(guī)則，將數(shù)字或者符號賦予真實世界中的實體的屬性的過程，通過這種映射人們可以更容易的理解實體的特性和實體間的關(guān)系。而困難在于如何解釋數(shù)字化的行為和判斷其在現(xiàn)實世界的意義。度量理論對于在企業(yè)質(zhì)量管理中選擇和應用合適的度量是很重要的，通過這種方式來描述實體的屬性。這一賦值雖然本質(zhì)上是經(jīng)驗性的，但是，所賦數(shù)值或符號必須能夠反映事物被度量的屬性。度量是一個三元組（Q,M,N），其中：
1）經(jīng)驗關(guān)系系統(tǒng)Q =(Q ,R)，Q為被度量實體的集合，R={}為Q上的一系列關(guān)系。
2）數(shù)值關(guān)系系統(tǒng)N =(N ,P)，N為數(shù)值或者符號的一個集合，P={}為N上的一系列關(guān)系。
3）映射M :Q →N ,M (x)為實體x在被度量屬性方面的度量值。
本測試床通過圖像處理方法，對生產(chǎn)線上的產(chǎn)品進行自動質(zhì)量檢測，事實上是對一字軸產(chǎn)品進行聚類分析，輸出僅為二值：合格與不合格，這實際上是一個模式識別問題。在項目實施過程中，把人工智能網(wǎng)絡應用于模式識別問題包括兩個截然不同的階段。第一個階段是訓練階段，這一階段是調(diào)整權(quán)值，以表現(xiàn)問題域，見圖質(zhì)量檢測訓練模型。第二個階段是工作階段或稱預測階段，如圖質(zhì)量預測網(wǎng)絡模型，在這一階段中，權(quán)值固定不變，并且當把實驗數(shù)據(jù)或?qū)嶋H數(shù)據(jù)輸入到網(wǎng)絡時，網(wǎng)絡能夠?qū)ζ浞诸悺?/span>

圖  質(zhì)量檢測訓練模型

圖  質(zhì)量預測網(wǎng)絡模型
 

通過生產(chǎn)過程中的設備數(shù)據(jù)預處理后，就可以將數(shù)據(jù)輸入神經(jīng)網(wǎng)絡模型中進行質(zhì)量預測。數(shù)據(jù)預處理可以改進數(shù)據(jù)的質(zhì)量，從而有助于提高其后的BP神經(jīng)網(wǎng)絡訓練的精度和性能。數(shù)據(jù)預處理，是將得到的原始數(shù)據(jù)轉(zhuǎn)化為能被人工神經(jīng)元網(wǎng)絡識別的數(shù)據(jù)，是數(shù)據(jù)挖掘的重要內(nèi)容之一。BP神經(jīng)網(wǎng)絡由于具有很好的函數(shù)逼近能力,因而通過對訓練樣本的學習,能很好地反映出對象的輸入/輸出之間復雜的非線性關(guān)系。實質(zhì)是求誤差函數(shù)的最小值，它通過多個樣本的反復訓練，權(quán)值誤差函數(shù)的最速下降(負梯度)方向來改變,最終收斂于最小點,最后將多個已知樣本訓練得到的各層連接權(quán)及各層神經(jīng)元的偏置值等信息作為知識保存，以便對未訓練樣本值進行預測。

2.4       物聯(lián)網(wǎng)設備管理平臺

在本測試床項目中主要驗證物聯(lián)網(wǎng)設備管理平臺在MEC邊緣云上的部署。物聯(lián)網(wǎng)設備管理平臺可實現(xiàn)物聯(lián)網(wǎng)的設備連接、設備管理、應用使能等功能。向下提供設備的快速接入、數(shù)據(jù)采集；提供靈活的可編程智能規(guī)則等。對數(shù)據(jù)進行分析、存儲、可視化及整合；同時提供豐富的可調(diào)用的應用接口（API），滿足行業(yè)客戶的應用快速開發(fā)。
平臺的優(yōu)勢如下:
1)        數(shù)據(jù)采集：立子云平臺支持ModBus、CANbus等多種工業(yè)通信協(xié)議，針對各類物聯(lián)網(wǎng)終端，通過在終端或服務器側(cè)部署Agent進行協(xié)議解析數(shù)據(jù)格式轉(zhuǎn)換，實現(xiàn)終端與平臺的快速連接。支持以太網(wǎng)、光纖等通用協(xié)議接入，支持2G/3G/4G、NB-IoT、LoRaWAN等無線通信協(xié)議接入方式。
2)        協(xié)議適配：支持HTTP、MQTT、CoAP、LWM2M、ModBus、CANbus等協(xié)議，按照終端應用層協(xié)議，將采集的數(shù)據(jù)以上述協(xié)議數(shù)據(jù)格式發(fā)送到云端，實現(xiàn)數(shù)據(jù)的遠程接入。
3)        圖形化編程:采用通用拖拽式儀表盤和柱狀圖、餅狀圖等展示部件；靈活的可配置智能規(guī)則；標準的設備配置、固件和OTA升級方式。
4)        電信級安全體系：設備、應用與平臺數(shù)據(jù)交互均采用SSL安全加密機制；支持128位AES、64位DES、3DES等算法；支持設備認證鑒權(quán)，批量注冊和設備主動請求憑證方式。
5)        便捷的水平擴展能力：通過Nginx負載均衡和MongoDB技術(shù)實現(xiàn)基于node方式的無限水平擴展能力，以較少的資源支持海量設備接入。
6)        靈活的部署方式和多租戶管理：支持多級租戶、分級運營模式，每個租戶獨有數(shù)據(jù)庫，保障數(shù)據(jù)隔離和安全；支持公有云和私有云部署方式，目前已在聯(lián)通沃云、阿里云、AWS云上部署。
7)        實時處理能力：實時監(jiān)控設備異常數(shù)據(jù)，通過SMS、語音、郵件等進行告警；對設備即使觸發(fā)遠程自動操作。
8)        多語言與工具支持：采用多層次開發(fā)架構(gòu)，針對不同開發(fā)能力的用戶提供多樣化開發(fā)方式，方便用戶快速實現(xiàn)功能的構(gòu)建、應用的開發(fā)。提供基于Java Script的SmartApp Kit；提供支持Java C++、Lua的SDK；提供插件、小部件開發(fā)方式，定制化的用戶應用。
(三)          技術(shù)創(chuàng)新性及先進性
在產(chǎn)品質(zhì)量是企業(yè)生命的今天，如何提高產(chǎn)品質(zhì)量的檢測效率和精度是企業(yè)一直關(guān)注的重點。通過機器視覺、5G蜂窩無線、人工智能、邊緣計算等新技術(shù)的有機結(jié)合，實現(xiàn)產(chǎn)品實時在線高精度檢測，并通過工業(yè)云平臺實現(xiàn)檢測模型的迭代提高和共享。
測試床采用5G邊緣云對圖像數(shù)據(jù)進行實時分析，與現(xiàn)有中心云技術(shù)相比，能提供基于位置的云服務能力，在實時性、安全性方面更好滿足工業(yè)應用需要。測試床采用5G技術(shù)，實現(xiàn)質(zhì)量檢測圖像數(shù)據(jù)實時上傳到云服務，云服務器端基于檢測圖像實時和歷史圖像數(shù)據(jù)的人工智能學習，實現(xiàn)算法自我進化。設計的四層邊緣服務架構(gòu)，實現(xiàn)對異質(zhì)型設備的數(shù)據(jù)支持，采用數(shù)據(jù)重建方法，實現(xiàn)對異質(zhì)型數(shù)據(jù)非透明設備實現(xiàn)設備運行信息采集。在邊緣側(cè)基于圖像處理結(jié)果，結(jié)合人工智能算法，實現(xiàn)質(zhì)量識別和質(zhì)量預測算法，通過算法的自我更新及工藝的自我提升，實現(xiàn)流水線生產(chǎn)流程的質(zhì)量提升。
(四)          測試床解決方案架構(gòu)
1.        整體架構(gòu)實現(xiàn)概述
整體框架如圖所示，共分為三層架構(gòu)：
1)        設備層
通過工業(yè)機器視覺實現(xiàn)產(chǎn)品質(zhì)量的圖像實時檢測，并將實時圖像數(shù)據(jù)傳輸至邊緣層進行智能分析決策，同時根據(jù)反饋結(jié)果實時操作。
2)        邊緣層
邊緣層接收來自工業(yè)視覺形成的產(chǎn)品圖像數(shù)據(jù)，基于人工智能算法模型進行實時分析決策，同時將數(shù)據(jù)經(jīng)過聚合后上傳到共有云；同時接收經(jīng)過訓練的數(shù)據(jù)處理模型進行更新，以提高檢測精度。
3)        公有云
接收來自邊緣云聚合的數(shù)據(jù)信息，訓練模型，將更新模型輸出到邊緣云端，完成數(shù)據(jù)的分析和處理，公有云根據(jù)周期數(shù)據(jù)流完成模型迭代?；谌斯ぶ悄軝z測模型可在云平臺通過API進行調(diào)用，實現(xiàn)模型的共享。

2.        架構(gòu)特征
1)        實時性：由于圖像數(shù)據(jù)采用5G邊緣云技術(shù)在靠近設備的邊緣側(cè)被分析處理并即時反饋給應用方，滿足了工業(yè)應用實時性的要求。
2)        精確性：在云端基于歷史數(shù)據(jù)完成對模型的訓練，訓練后的算法模型在邊緣層持續(xù)完成迭代更新，識別精度隨著模型的訓練逐步提高。
3)        數(shù)據(jù)安全：數(shù)據(jù)在本地邊緣層進行實時分析和處理，在滿足實時性的同時更大限度的保障產(chǎn)品數(shù)據(jù)的安全。
4)        模型共享：訓練模型可在云端通過API調(diào)用的方式進行共享，提升行業(yè)整體水平。
3.        測試床功能架構(gòu)
通過物聯(lián)網(wǎng)傳感器設備采集數(shù)據(jù)，通過工控機的智能分析與控制，將數(shù)據(jù)深度加工挖掘為其他工業(yè)應用作為數(shù)據(jù)儲備，數(shù)據(jù)處理的相關(guān)工作在邊緣云內(nèi)完成，針對數(shù)據(jù)的深度分析則是在中心云內(nèi)進行，如下圖所示。

圖 測試床功能架構(gòu)
4.        邊緣云架構(gòu)
在本測試床項目中，主要試驗MEC邊緣云與邊緣網(wǎng)關(guān)的準實時性業(yè)務對接、與物聯(lián)網(wǎng)設備管理平臺的對接。
為解決降低開銷，降低時延，自適應響應等問題，需要一種新的網(wǎng)絡資源模型，即為邊緣節(jié)點配置計算和存儲能力，讓其在更接近高數(shù)量增長的移動設備的同時，降低云端的計算負載，降低服務延時，同時也可以降低整個網(wǎng)絡的帶寬開銷?！斑吘壴啤被颉癕EC移動邊緣云”設備可以允許協(xié)同邊緣網(wǎng)絡節(jié)點（比如基站，接入點，交換機，路由器）進行計算和存儲能力的配置，如下圖所示，從而可以實現(xiàn)分布式計算。

圖 邊緣云架構(gòu)

六、預期成果

(一)          測試床的預期測試結(jié)果，針對測試項
本測試床主旨在于通過創(chuàng)新先進的各類前沿技術(shù)，提高工業(yè)產(chǎn)能與效率，主要表現(xiàn)為以下三個方面：
提高產(chǎn)品質(zhì)量檢測精度：將機器視覺檢測技術(shù)結(jié)合云計算，在傳統(tǒng)質(zhì)量檢測算法基礎(chǔ)上，結(jié)合云端進行算法的更新和進化，并同步到邊緣側(cè)，不斷提高產(chǎn)品質(zhì)量檢測精度；
提高產(chǎn)品檢測效率：利用機器視覺實時檢測，并利用蜂窩網(wǎng)絡和5G邊緣計算支持準實時分析決策反饋，根據(jù)產(chǎn)品形式實時調(diào)整檢測模型，最大程度提升產(chǎn)品檢測效率；
提升行業(yè)整體水平：通過云平臺實現(xiàn)檢測模型的調(diào)用和共享，提升行業(yè)整體水平。
(二)          商業(yè)價值
從云與平臺的角度：云平臺可實現(xiàn)檢測模型的調(diào)用和共享，通過訓練模型術(shù)對金屬表面缺陷識別、缺陷特征、缺陷規(guī)律等進行顯性化、模型化、代碼化，同時可供零配件制造工業(yè)APP開發(fā)者靈活調(diào)用，解決相關(guān)場景的核心和痛點問題，這將帶來巨大的商業(yè)價值。
從數(shù)據(jù)采集及處理的角度：采用全新的設備數(shù)據(jù)重構(gòu)方法，采集異質(zhì)型數(shù)據(jù)非透明設備的運行數(shù)據(jù)，此采集設備能夠廣泛應用數(shù)字化工廠的建設，同時能夠?qū)崿F(xiàn)MES、ERP、PLM等企業(yè)管理軟件的自動生產(chǎn)數(shù)據(jù)獲取，設備具有很大的市場前景。
從MEC邊緣云的通信新技術(shù)角度：基于三層架構(gòu)的邊緣側(cè)服務器構(gòu)建，同時讓人工智能算法嵌入邊緣服務器，實現(xiàn)半定制化的行業(yè)深度應用，此人工智能算法和產(chǎn)品質(zhì)量改進方法具有行業(yè)普遍性，在配車零配件生產(chǎn)類企業(yè)中具有很大的市場推廣價值。

(三)          經(jīng)濟效益
利用機器視覺技術(shù)實現(xiàn)產(chǎn)品質(zhì)量檢測精度和檢測效率的大大提升，在降低生產(chǎn)成本的同時提高了產(chǎn)品質(zhì)量，從而避免了產(chǎn)品因質(zhì)量問題帶來的經(jīng)濟損失，同時利用機器視覺技術(shù)可對各類型的產(chǎn)品質(zhì)量圖像檢測進行自主學習，大大提升了檢測柔性，進一步提升了企業(yè)產(chǎn)品的市場競爭力，從而給企業(yè)帶來巨大的經(jīng)濟效益。
邊緣側(cè)采用數(shù)據(jù)重構(gòu)方法，支持異質(zhì)型數(shù)據(jù)非透明設備的接入，可靈活配置支持多業(yè)務場景，包括設備廠商、終端工廠、設備租賃方、維修方、代理商等等，讓設備擁有者或者廠商可以遠程管理自己銷售出去的所有生產(chǎn)設備，通過本測試床使用的方法，實時獲取設備運行數(shù)據(jù)和生產(chǎn)狀態(tài)，從而基于設備的數(shù)據(jù)和統(tǒng)計，對設備生產(chǎn)的產(chǎn)品質(zhì)量進行改進。
對于制造類企業(yè)客戶而言，結(jié)合產(chǎn)品質(zhì)量情況，同時利用車間中運行的所有機床設備及其運行狀態(tài)、故障記錄、產(chǎn)量、良品率、保養(yǎng)等生產(chǎn)因素，改善生產(chǎn)條件，改進工藝流程，讓工廠設備可以完全智能化運轉(zhuǎn)。

(四)          社會價值
1.        云制造新模式
隨著人工智能、工業(yè)大數(shù)據(jù)、云計算等技術(shù)的發(fā)展，以數(shù)據(jù)為驅(qū)動的生產(chǎn)過程和產(chǎn)品質(zhì)量提升將成為企業(yè)提升發(fā)展的方向。本測試床從生產(chǎn)線數(shù)據(jù)自動感知、邊緣平臺實時分析、云平臺持續(xù)優(yōu)化、生產(chǎn)系統(tǒng)精準執(zhí)行，實現(xiàn)產(chǎn)線、邊緣、云平臺的協(xié)同優(yōu)化的云制造新模式。
2.        提升行業(yè)整體水平
云平臺可實現(xiàn)檢測模型的調(diào)用和共享，通過訓練模型術(shù)對金屬表面缺陷識別、缺陷特征、缺陷規(guī)律等進行顯性化、模型化、代碼化，可供零配件制造工業(yè)APP開發(fā)者靈活調(diào)用，促進零配件制造工業(yè)知識的沉淀、傳播、復用與價值創(chuàng)造，從而提升行業(yè)整體水平。
3.        帶動相關(guān)行業(yè)發(fā)展
機器視覺、云制造等新模式實施的同時還可對數(shù)字化控制系統(tǒng)、高精度檢驗設備、精密傳感器、自動化裝備等智能裝備行業(yè)發(fā)展產(chǎn)生巨大的帶動作用，進一步促進國家產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整和經(jīng)濟發(fā)展。

七、測試床技術(shù)可行性

(一)          物理平臺
物理平臺主要功能為兩方面：一方面是設備數(shù)據(jù)解析器，實現(xiàn)異構(gòu)型機床設備的數(shù)據(jù)采集，采集本測試床項目所覆蓋的設備運行參數(shù)；另一方面是MEC邊緣云，實現(xiàn)設備接入和邊緣服務，采用ModBus、OPC UA等工業(yè)協(xié)議實現(xiàn)邊緣服務器從設備支持層的接入，并且采用MQTT協(xié)議，實現(xiàn)5G云端數(shù)據(jù)接口的接入。

(二)          軟件平臺
1.        基于質(zhì)量檢測結(jié)果的生產(chǎn)流程更新算法：
結(jié)合生產(chǎn)過程監(jiān)控和質(zhì)量檢測結(jié)果，對生產(chǎn)過程中存在的非正常信號進行自我分析，實現(xiàn)產(chǎn)品質(zhì)量的初步提升；對生產(chǎn)過程中的設備運行節(jié)拍進行自我分析，結(jié)合工藝要求，邊緣側(cè)自動分析質(zhì)量提升方法；
2.        邊緣側(cè)設備參數(shù)可視化平臺
設備數(shù)據(jù)的可視化操作，包括：設備運行參數(shù)、設備運行時間、設備產(chǎn)能、設備OEE等。擬采用的界面如下圖所示。

圖 擬測試的設備可視化界面
 

3.        物聯(lián)網(wǎng)設備管理平臺
物聯(lián)網(wǎng)設備管理平臺可實現(xiàn)物聯(lián)網(wǎng)的設備連接、設備管理、應用使能等功能。向下提供設備的快速接入、數(shù)據(jù)采集；提供靈活的可編程智能規(guī)則等。對數(shù)據(jù)進行分析、存儲、可視化及整合；同時提供豐富的可調(diào)用的應用接口（API），滿足工業(yè)行業(yè)的應用快速開發(fā)。

八、和AII技術(shù)的關(guān)系

(一)          與AII總體架構(gòu)的關(guān)系

AII總體架構(gòu)

參考AII《工業(yè)互聯(lián)網(wǎng)體系架構(gòu)》中的AII參考體系構(gòu)架，見下圖，本測試床項目服務的業(yè)務屬于企業(yè)內(nèi)智能生產(chǎn)業(yè)務，主要著眼于：
l  基于機器學習對工廠產(chǎn)線機器視覺系統(tǒng)的改造以提高機器視覺系統(tǒng)的智能；
l  采用升級后機器學習系統(tǒng)改造生產(chǎn)線良品保障系統(tǒng)。

圖  AII參考體系構(gòu)架
 

本測試床成果可為AII參考體系架構(gòu)中數(shù)據(jù)域的數(shù)據(jù)采集交換提供技術(shù)參考，包括：
l  試驗蜂窩網(wǎng)絡對于準實時圖像數(shù)據(jù)采集、分析的支持；
l  MEC邊緣云與邊緣網(wǎng)關(guān)的業(yè)務協(xié)同。

本測試床成果可為AII參考體系架構(gòu)中數(shù)據(jù)域的工業(yè)數(shù)據(jù)建模、仿真與分析提供技術(shù)參考，包括：
l  采用機器學習對工業(yè)圖像分析算法進行改進，試驗多種機器學習模型；
l  試驗將準實時圖像分析算法部署在MEC邊緣云上，將機器學習模塊部署在中心云。

本測試床成果可為AII參考體系架構(gòu)中的網(wǎng)絡域應用支撐提供技術(shù)參考，包括：
l  試驗物聯(lián)網(wǎng)設備管理平臺在5GMEC邊緣云上的部署以支撐低延時高可靠工業(yè)應用；
l  試驗物聯(lián)網(wǎng)設備管理平臺對圖像類準實時數(shù)據(jù)識別算法的支持。

(二)          AII安全（可選）
無
(三)          詳細清單（可選）
無
(四)          風險模型（可選）
無
(五)          安全聯(lián)系人

(六)          與已存在AII測試床的關(guān)系
目前AII已存在工業(yè)領(lǐng)域的測試床主要集中在對物理設備數(shù)據(jù)采集上云，并且通過云端數(shù)據(jù)分析和挖掘，以數(shù)據(jù)為導向，實現(xiàn)車間的智能化生產(chǎn)，或者是對新型無線網(wǎng)絡協(xié)議的測試。主要的注意力集中在構(gòu)建數(shù)據(jù)鏈路，以及后期對數(shù)據(jù)的分析利用。
而本測試床的亮點集中在基于人工智能的機器視覺技術(shù)實現(xiàn)產(chǎn)品質(zhì)量檢測精度和檢測效率，雖然也涉及設備物聯(lián)和數(shù)據(jù)上云，但是采用了最新的5G技術(shù)（包括MEC邊緣云）、最新的物聯(lián)網(wǎng)邊緣設備管理平臺。我們的注意力并不是對數(shù)據(jù)的分析和挖掘，而是對數(shù)據(jù)本身的保護，確保其真實、可信、可靠。

九、交付件

十、測試床使用者

測試床項目是針對機器視覺技術(shù)實現(xiàn)產(chǎn)品質(zhì)量檢測精度和檢測效率的一個概念驗證，歡迎非發(fā)起方的公司使用該測試床進一步提出創(chuàng)新的想法。

十一、     知識產(chǎn)權(quán)說明

本測試參與各方本著互相尊重、互為合作，保護對方利益為前提的原則進行合作，對包括但不限于任何專利權(quán)、專有技術(shù)、版權(quán)、商標權(quán)以及商業(yè)秘密等所產(chǎn)生的任何侵權(quán)和賠償，雙方應在充分協(xié)商的基礎(chǔ)上，協(xié)調(diào)解決。

十二、     部署，操作和訪問使用

測試床的物理生產(chǎn)線直接使用萬向錢潮股份有限公司車間內(nèi)的生產(chǎn)線，數(shù)據(jù)存儲在邊緣云和中心云平臺上，參與單位可以通過特定接口訪問。

十三、     資金

預估資金1000萬，包括設備采購以及開發(fā)成本。資金由牽頭單位和參與單位自籌。

十四、     時間軸