摘要
针对当前数字化车间制造数据冗余性高、传输协议不一致的问题,提出一种面向边缘计算的车间数据实时融合方法。首先,围绕边缘计算思想,建立基于物联网的车间数据实时采集体系架构;其次,借鉴证据理论,以一致性检测和归一化后的数据为基础,提出互支持度进行证据转换,并引入改进的证据组合规则获得融合数据,减少设备端上传的数据量,减轻传输网络的传输压力;然后,以OPC UA信息模型为基础,构建协议转换所需配置的信息层次结构模型,以可视化配置的形式完成协议转换,为车间数据提供统一的传输接口;最后,以某航天制造车间总线控制台为验证对象,验证了所提方法的有效性。
随着制造物联技术的不断发展,大量不同的感知设备部署于制造车间现场,为数字化车间的构建提供了海量多源的制造数据,如何实现数据的有效融合与设备间的互联互通成为当前亟需解决的问
制造物联网技术所采集的设备运行数据存在冗余性,直接传输至云端会浪费车间网络带宽并提升存储成本。同时,各数据采集系统间缺乏统一的传输协议,阻碍设备之间的互联互通,对上层应用的开发带来了极大的困难。针对上述问题,国内外学者展开了研究。对于设备/装备运行数据融合问题,曹雪蕊
上述数据融合方法取得了良好的融合效果,但其计算复杂度较高,不适合在边缘环境下进行准确的数据融合。另外,车间数据传输协议转换缺少可视化配置手段,开发新的OPC UA服务器需要重新编写代码,过程较为繁琐。因此,本文建立了基于物联网的数字化制造车间数据实时采集框架,提出一种边缘环境下制造车间数据实时融合方法,计算测量数值间的互支持度,并结合改进的证据理论完成测量数据的融合处理,降低设备端数据上传量,在此基础上,构建协议转换所需配置信息的层次结构模型,完成车间设备传输协议的统一,充分利用边缘端的计算资源,实现车间数据的有效融合与互联互通。
为充分利用车间边缘计算资源,有效去除冗余数据,统一车间数据传输协议,本文提出了一种边缘环境下制造车间数据实时采集体系架构,如

图1 边缘环境下制造车间数据实时采集体系架构
Fig.1 Architecture of real-time collection system for manufacturing workshop data in edge environment
在设备运行数据的采集过程中,若采样频率过低,则无法实现设备运行状态的实时监控;若采样频率过高,则采集到的设备运行数据之间冗余性较强。在数据采集过程中,主张使用异步处理的方式进行数据采集,这样就允许不同设备的采样频率区间不同。本节针对OPC UA节点数据更新周期内采集到的设备运行数据进行融合处理,提升测量数据精度并减少数据体量。
受到车间现场的突发干扰以及传感器自身故障的影响,测量数据容易产生误差。因此,需要将影响数据一致性的误差数据提前剔除。
假设某个待采集数据项在某段时间间隔内获取到P个测量值,测量值从小到大排列可得数据列,则称M1为测量列下极限,Mp为测量列上极限,数据列的中位数Cm的计算公式为
(1) |
数据列的上分布数CU为区间的中位数,下分布数CL为区间的中位数,分布数离散度Cd的计算公式为
(2) |
式中:为数据列的上分布数CU的实际取值;为下分布数CL的实际取值。
定义1 无效数据的判别依据。将Mi中与中位数Cm的距离大于Cd的数据判别为误差数据,判别依据为
(3) |
式中为常数,可以根据实际需求而定,通常取1.0、2.0等值。
经过数据一致性检验以及归一化处理后,假设第i个传感器的测量数据为。采用证据理论,将测量数据Di作为识别框架的识别目标。
定义2 测量值与识别目标的相似度。对于识别框架中的识别目标Di,第j个传感器的测量值与该识别目标的相似度为sij,计算公式为
(5) |
式中:Di和Dj分别为第i个与第j个传感器的测量数值。sij的数值越接近1,说明第j个传感器的测量数值越接近识别目标,即两者的相似度比较高。由sij可以得到一个相似度矩阵S表示各传感器数值对于各识别目标的相似程度为
(6) |
若两个传感器数值对于同一识别目标的相似度都较高,则说明两个传感器数值相互支持。因此可以通过各传感器数值对各识别目标的相似度向量的距离来衡量传感器数值间的互支持度。设向量vi (i=1,2,…,m)为S的第i行,即vi为第i个传感器数值对于所有识别目标的相似度向量。
定义3 两个传感器间的互支持度。向量间的欧式距离dij表示第i个传感器数值与第j个传感器数值之间的互支持度,计算公式为
(7) |
dij越大,则第i个传感器与第j个传感器的互支持度越低;反之,两者的互支持度越高。
定义4 传感器与其他所有传感器的互支持度。向量的欧式距离的均方根平均值ai表示第i个传感器与其他所有传感器的互支持度,ai越小,表明传感器间差异性越小,互支持度越高。其计算公式为
(8) |
设备间的互联互通有助于不同系统的紧密集成,而在实际车间中,不同类型的设备往往会使用不同厂商的产品,具有不同的传输协议,从而在不同设备间形成“信息孤岛”。为解决上述问题,本节提出协议转换所需配置信息的层级结构模型,完成配置信息与信息模型的映射,实现传输协议和语义的统一。
制造车间设备众多,为进一步分析协议转换所需配置信息与设备信息模型之间的映射关系,应当首先分析OPC UA信息建模的流程。
OPC UA信息建模使用面向对象技术由地址空间展示物体逻辑、物理层次上的组成,OPC UA客户端通过地址空间来访问服务器提供的数据和信
综上所述,基于OPC UA的车间设备信息建模在软件实现层面上就是根据设备的物理、逻辑组成完成地址空间中对象、变量节点生成与挂载。
为实现车间设备私有协议到OPC UA协议的转换,提出一种可视化配置的车间设备协议转换方法,该方法具有直观的图形用户界面,用户无需深入了解复杂的协议细节,降低了技术门槛,同时,提供了实时反馈和调试功能,降低了人为错误的可能性,提高了系统的可靠性。该方法流程如

图2 协议转换方法流程
Fig.2 Flowchart of protocol conversion method
首先,初始化OPC UA服务器,指定服务器名称、端口号、公共秘钥等;其次,构建配置信息层次结构模型完成配置信息的输入;然后,通过配置信息生成OPC UA服务器地址空间节点,形成OPC UA地址空间层次结构;最后,以定时循环的形式实现设备原始数据的获取、解析以及节点数值的更新。
(1) 配置信息层次结构模型
信息建模是OPC UA除数据传输之外提供的另一个重要功能,为实现协议转换过程中设备信息模型的构建,结合OPC UA信息模型规范,提出配置信息的层次结构模型,形式化描述为
(16) |
式中:i为人为定义的标号;Eq表示车间中的某设备所需的配置信息;Obi表示该设备中包括的不同部件对象的集合,例如工业机械人包括机械臂和机械手对象;Sdi表示静态数据的集合,包括设备的编号、信号、工程单位等;Pri表示数据采集的协议组集合,包括Profinet、ModBus等;Mei表示设备控制方法的集合,例如描述机器人、PLC等设备的控制方法。
Obi、Pri、Mei的形式化描述为
(17) |
(18) |
(19) |
式中:Ddi表示需要使用设备驱动获取的动态数据的集合,例如机床主轴转速、扭矩等;Pgi表示控制程序的集合。下面以上节所构建的工业机器人的OPC UA信息模型为例说明本章提出的配置信息层次结构模型。
由

图3 工业机器人配置信息层次结构模型
Fig.3 Hierarchical model of configuration information for industrial robots
最后,使用XML保存相关配置信息,工业机器人XML文件的部分内容如下所示
<content name=“Industrial robot” id=“0001”>
<staticdata id=“1” name=“所处位置”>工位1</staticdata>
…
<object id=“1” name=“机械手对象”>
<protocol name=“Profinet”>
<dynamicdata name=“转速”>
<initaddress>7</initaddres>
…
</dynamicdata>
…
</protocol>
</object>
<method id=“1”>数控</method>
</content>
(2) 地址空间构建
配置信息层次结构模型包含设备的静态描述信息、驱动加载信息以及数据项之间的层次信息,可用于OPC UA地址空间的创建。配置信息结构模型中的Eqi和Obi集合对应OPC UA地址空间中的ObjectNode节点,Sdi、Ddi和Mei集合内容对应VariableNode节点,层次信息对应节点间的层级关系。因此,解析上述信息即可生成对应节点以及引用,完成OPCUA地址空间的创建。
为了验证本文提出方法的有效性,本文分别进行了设备运行数据实时融合及边缘环境下数据融合与多协议转换网关方法验证。设计验证的思路如

图4 设计验证思路图
Fig.4 Design verification
为验证所提出的数字化车间设备运行数据实时融合方法的有效性,使用文献[
编号 | 测量值 | 编号 | 测量值 |
---|---|---|---|
1 | 65.41 | 5 | 66.45 |
2 | 65.76 | 6 | 65.73 |
3 | 65.31 | 7 | 65.81 |
4 | 65.35 | 8 | 65.51 |
首先,对数据的一致性进行检测。经过计算可知,四分位数离散度Dd数值为0.35,选取
用A表示组成的向量,由
证据 | 概率分配值 | ||||||
---|---|---|---|---|---|---|---|
m(D1) | m(D2) | m(D3) | m(D4) | m(D5) | m(D6) | m(D7) | |
e1 | 0.187 6 | 0.103 3 | 0.125 0 | 0.140 0 | 0.091 7 | 0.133 0 | 0.219 4 |
e2 | 0.117 4 | 0.172 3 | 0.059 1 | 0.074 0 | 0.140 5 | 0.255 0 | 0.181 6 |
e3 | 0.204 3 | 0.085 1 | 0.147 5 | 0.160 0 | 0.773 1 | 0.105 2 | 0.220 6 |
e4 | 0.198 0 | 0.092 2 | 0.138 4 | 0.152 0 | 0.083 0 | 0.115 8 | 0.220 7 |
e5 | 0.123 5 | 0.166 6 | 0.063 7 | 0.079 0 | 0.136 9 | 0.243 7 | 0.186 6 |
e6 | 0.107 4 | 0.181 4 | 0.052 0 | 0.066 2 | 0.146 2 | 0.273 9 | 0.173 0 |
e7 | 0.168 6 | 0.122 9 | 0.103 7 | 0.120 0 | 0.106 5 | 0.164 6 | 0.213 7 |
E | 0.158 1 | 0.132 0 | 0.098 5 | 0.113 0 | 0.111 7 | 0.184 5 | 0.202 2 |
为进一步验证融合数据的准确度,
对比项 | 融合算法 | |||
---|---|---|---|---|
本文算法 | 算术平均 | 文献[ | ||
最终结果/μm | 65.569 3 | 65.666 3 | 65.564 5 | |
绝对误差/μm | 0.000 70 | 0.009 63 | 0.005 50 | |
相对误差/% | 0.001 06 | 0.146 90 | 0.008 40 |
以某航天车间总线控制台(

图5 总线实验台
Fig.5 Bus test bench
整个总线实验台包括工控机、PLC、电机和温度传感器等,平台各设备之间通过不同的协议进行通讯,如MODBUS⁃TCP、西门子S7等。将总线实验台上的电机以及温度传感器作为车间中待采集的各类生产过程数据,工控机作为边缘计算资源进行实验。
在工控机上运行协议转换器,根据配置信息层次结构模型,完成两个对象的配置信息的填写,具体所需的信息如

图6 配置信息
Fig.6 Configuration information
通过配置信息的填写展示OPC UA服务器的地址空间,点击“监控”按钮,填写采样频率与更新频率,点击“确定”按钮,即可实现测量数值的实时融合与协议转换后的地址空间节点数值实时更新,如图

图7 频率设置
Fig.7 Frequency setting

图8 OPC UA协议转换器
Fig.8 OPC UA protocol converter
为了验证OPC UA的协议转换的正确性,借助OPC UA客户端软件连接协议转换器所生成的OPC UA服务器,如

图9 OPC UA客户端
Fig.9 OPC UA client
本文提出一种边缘环境下数字化车间制造数据实时融合和协议转换方法,主要贡献如下:基于边缘计算的思想,构建了制造车间数据实时采集体系架构。针对车间设备运行数据,基于数值间互支持度和证据理论完成数据实时融合,有融合精度高、计算便利的优点。本文提出了一种适合边缘环境的协议转换方法,实现车间数据传输协议的统一。通过实例应用验证了上述方法在边缘环境下的可用性。后续研究可以考虑通过可配置的方式完成OPC UA地址空间中方法节点的生成。此外,边缘环境下数据传输过程中的安全性问题也是亟需解决的一大难题。
参考文献
周济.工业强基推进产业基础高级化为制造强国奠定坚实基础[J].中国工业和信息化,2022(8): 26-31. [百度学术]
ZHOU Ji. Strengthening the industrial foundation, advancing the advanced development of industrial foundations, and laying a solid foundation for building a strong manufacturing country[J]. China Industry and Information Technology, 2022(8): 26-31. [百度学术]
黄少华, 郭宇, 查珊珊,等.离散车间制造物联网及其关键技术研究与应用综述[J]. 计算机集成制造系统, 2019,25(2): 284-302. [百度学术]
HUANG Shaohua, GUO Yu, ZHA Shanshan, et al. Review on internet-of-manufacturing-things and key technologies for discrete workshop[J]. Computer Integrated Manufacturing Systems, 2019,25(2): 284-302. [百度学术]
曹雪蕊, 张学艺, 彭开香,等.基于数字孪生的小卫星健康预测技术[J]. 南京航空航天大学学报,2022,54(S1): 35-42. [百度学术]
CAO Xuerui, ZHANG Xueyi, PENG Kaixiang, et al. Small satellite health prediction based on digital twin[J]. Journal of Nanjing University of Aeronautics & Astronautics,2022,54(S1): 35-42. [百度学术]
ZHANG Y, XIONG A, XIAO Y, et al. A new combination method based on Pearson coefficient and information entropy for multi-sensor data fusion[J]. Information and Software Technology, 2023, 161: 107248. [百度学术]
刘雪莹,江相伟,吴一庆,等.电力设备多源信息融合的健康状态监测技术分析与研究[J].仪表技术,2024(1): 57-60. [百度学术]
LlU Xueying, JlANG Xiangwei, WU Yiqing, et al. Analysis and research on health monitoring technology for multi-source information fusion of power equipment[J]. Instrumentation Technology,2024(1): 57-60. [百度学术]
璩晶磊, 李少波, 张成龙. 基于模糊证据理论的多传感器数据融合算法[J]. 仪表技术与传感器, 2017,10: 118-122. [百度学术]
QU Jinglei, LI Shaobo, ZHANG Chenglong. Multi-sensor data fusion algorithm based on fuzzy evidence theory[J]. Instrument Technique and Sensor, 2017,10: 118-122. [百度学术]
孙雷,吴庆宪,王玉惠,等.基于改进D-S证据理论的多源空战信息博弈融合方法[J].信息与控制,2022,51(5): 566-572. [百度学术]
SUN Lei, WU Qingxian, WANG Yuhui, et al. Air combat information game fusion method based on improved D-S evidence theory[J]. Information and Control,2022,51(5): 566-572. [百度学术]
MARTINS A, LUCAS J, COSTELHA H, et al. CNC machines integration in smart factories using OPC UA[J]. Journal of Industrial Information Integration, 2023,34: 100482. [百度学术]
熊伟杰,郭宇,黄少华,等.基于OPC UA的数字孪生车间实时数据融合与建模研究[J].机械设计与制造,2022(7): 143-148. [百度学术]
XIONG Weijie, GUO Yu, HUANG Shaohua, et al. Research on real-time data fusion and modeling of digital twin workshop based on OPC UA[J]. Machinery Design & Manufacture, 2022(7): 143-148. [百度学术]
胡飞,胥云,廖映华,等.基于OPC UA的数控机床信息建模与通信研究[J].机床与液压,2021,49(20):53-58. [百度学术]
HU Fei, XU Yun, LIAO Yinghua, et al. Research on information modeling and communication of CNC machine tool based on OPC UA[J]. Machine Tool & Hydraulics,2021,49(20): 53-58. [百度学术]
孙玉成,宋家烨,王健,等.面向生产过程的智能车间数字孪生建模及应用[J]. 南京航空航天大学学报, 2022,54(3): 481-488. [百度学术]
SUN Yucheng, SONG Jiaye, WANG Jian, et al. Modeling and application of digital twin for production process in intelligent workshop[J]. Journal of Nanjing University of Aeronautics & Astronautics, 2022,54(3): 481-488. [百度学术]