边缘计算与AI驱动的工业感知系统

基于边缘计算和人工智能的工业网络感知系统框架

1. 引言

国际电信联盟（ITU）于 2005 年 11 月正式提出了“物联网，IoT”这一术语，引起了全球广泛关注，被认为是继计算机和互联网之后世界信息产业的第三次浪潮。同时，工业网络技术与工业自动化技术及物联网技术的结合，日益受到各国研究机构和标准化组织的重视[2–6]。一些重要的制造业政府政策，如德国“工业 4.0”、美国“工业互联网”、“中国制造 2025”计划，均将制造业作为发展重点和强大实力的基础。以信息化与工业化深度融合为主线，工业物联网相关技术正成为产业研究的焦点[7–9]。工业物联网是指在工业生产各个环节中，利用具有感知能力的智能终端、普适移动计算模式和广泛移动网络通信所构成的网络[10–12]。

工业物联网（智能制造业和智能工厂的底层技术）的架构主要分为三层：感知层、中间层和应用层，如图1所示。

感知层由终端设备和网关组成，例如各种类型的数据采集与控制模块。该层通过终端设备实现应用数据的信息采集与控制，以及终端设备的信息采集和网络化控制。通过网关[14]获取设备信号；中间层由通信网络和各种应用服务器[15]组成，主要负责采集数据的收集与分析，实现制造过程监控、实时监控、加工质量诊断以及设备的维护、维修与检修（MRO）等功能。基于中间层，应用层为智能家居、智慧医疗和智能工厂的应用开发提供上层服务，从而在融合网络模式下实现各类应用的扩展。

随着万物互联时代的到来，不同系统、设备和应用的数据呈爆炸式增长。当前企业数据库的数据规模已从TB级发展到PB级，并形成了工业大数据[16]。工业大数据的战略意义不仅在于企业所拥有的数据规模有多大，更在于如何合理、专业地分析、解释、应用数据，对数据进行处理，从而实现数据附加值[17, 18]。

面对工业大数据，采用服务器后台集中处理数据模式的方式是当前已完成大量原始数据采集，数据通过网络层传输至应用服务层。服务层对收到的原始数据进行数据清洗、标准化、预处理、存储与分析，并结合业务逻辑和安全策略，为用户层提供功能支持，同时构建多种应用服务器、关系型事务数据库和数据仓库，用于专题分析和决策分析[19]。

在现阶段，工业网络采用云计算方法进行数据处理以应对工业数据。尽管这种方法可以降低企业成本并提高效率，但也会带来以下需求和挑战：

(1) 配备传感器的智能设备所产生的数据将巨大且多样，这使得后台系统的信息量大，数据分析与计算困难，并且系统鲁棒性低。

(2) 现场设备传输到后台服务器的海量数据增加了传输带宽的负载，导致网络延迟，使数据决策的反馈过程不及时。

(3) 传感器节点设备未对数据处理和决策进行模块化，导致后台服务器的数据库处理和决策维度较低。

为了解决上述问题，本文聚焦于工业网络的感知层，提出了一种基于边缘计算和人工智能技术的工业物联网感知系统新架构，以提升工业网络通信的时效性和确定性，从而提高工业物联网的处理效率和工业大数据的价值率，减轻后端服务器的压力。

2. 基于边缘计算和人工智能的工业物联网感知系统架构

2.1. 基于边缘计算和人工智能的工业物联网感知系统

本文所指的基于边缘计算和人工智能的工业物联网感知系统，是指将边缘计算模型和人工智能技术引入当前阶段工业物联网的感知层，对底层传感器感知组采集的数据进行分析与管理，从而帮助执行器快速做出决策。其目标是建立具有独立无线传感器网络的感知系统，实现工业物联网感知层的优化。通过增加包含人工智能算法的传感器路由器，使感知层的无线传感器网络具备分析与决策能力，并在后台服务器提供的高维、更科学的决策支持下对现场设备进行管理。

工业网络系统的优化是通过分布在现场的一级和二级传感器路由器，结合后端服务器来实现以下两个功能。首先，独立于感知层的无线传感器网络能够及时分析和判断数据并做出决策。其次，后端服务器接收对数据的智能分析结果。

无线传感器网络的结果可以减少后台服务器的计算量，并提高工业网络系统的整体鲁棒性。

如图2所示，为基于人工智能算法模型的传感器路由器控制系统。

本文中的传感器路由器是一种能够接收环境中传感器数据并通过执行器对环境施加动作的实体。它集成了自校准、自诊断、自学习、自决策、自适应和自组织的人工智能技术，由信息融合模块、环境评估模块、行动规划模块和监控模块组成，分别用于本地信息处理和行为决策。

信息融合模块 ：用于综合各种环境感知信号，通过比较和匹配，获得具有一定可信度的环境描述。

环境评估模块 ：通过特定的先验模型，从感知信号中描述环境变化特征。

动作规划模块 ：基于环境评估的相应行动计划。

监控模块 ：在正常情况下进行监控操作执行；遇到异常事件以生成相应的处理指令。

2.2. 基于边缘计算和人工智能的工业物联网感知系统架构

基于上述思路，构建了基于边缘计算和人工智能的工业物联网感知层架构。该系统由传感器感知组、执行器组、一级传感器路由器和二级传感器路由器四部分组成，如图3所示。

传感器感知组由现场无线传感器节点设备组成，负责收集设备数据并将传感器数据传输至一级传感器路由器。一级传感器路由器仅收集与其决策过程相关的传感器数据，进行数据过滤与清洗、特征提取、模块分类和决策。如果存在与执行器直接相关的决策过程，则直接向执行器发送指令，使其执行相应动作。同时，一级传感器路由器根据二级传感器路由器的要求，将相关数据上报至二级传感器路由器。二级传感器路由器收集来自一级传感器路由器上报的所有数据，进行高维决策。如果存在与执行器直接相关的决策过程，则直接向执行器发送指令，让其执行相应动作。在时间，二级传感器路由器根据服务器后台的要求，将相关数据上报至服务器后台。各层级通过ZigBee树状网络进行通信。

一级传感器路由器对采集的数据进行分类并过滤无效数据，同时进行简单的计算和分析决策，以减轻网络负载。二级传感器路由器收集所有一级传感器路由器的模块化数据，并提供需要多种场景模块参与的方案（一个一级传感器路由器代表一个场景模块）。这使得整个工业物联网系统的决策维度更高。

2.3. 流程分析

本文提到的工业网络感知系统流程如图4所示。

(1) 数据采集 ：传感器感知组采集数据，并通过无线方式发送到一级传感器路由器。

(2) 初级智能分析决策 ：由一级传感器路由器进行数据清洗和过滤、特征提取、模块分类以及决策判断。如果数据被判定为异常数据，则向执行器发送相关指令，执行器产生动作。生成的初级智能决策结果和数据被传递到二级传感器路由器。

(3) 高维智能分析决策 ：更高维度的智能分析决策通过二级传感器路由器对数据进行处理。如果判断为异常数据，则向执行器发送相关指令，执行器执行动作。生成的高维智能决策结果、数据处理结果和未处理数据被发送到服务器后台。

3. 基于边缘计算和人工智能的工业物联网感知系统的关键技术

本文中，基于边缘计算和人工智能的工业网络感知系统涵盖了信息、计算机、自动化、工业管理及智能决策的理论、方法与模型。本文主要探讨了边缘计算与人工智能这两种关键技术理念与方法的实现。

现场设备传感器相关的技术在主动感知和传感器路由的采集、计算、决策以及传输数据方面发挥作用，从而构成独特的无线传感器网络的感知层。

3.1. 边缘计算

边缘计算[20, 21]是一种在网络边缘进行计算的新型计算模型。网络边缘设备具有足够的计算能力，能够实现源数据的本地处理，并将结果发送到云计算中心[22]。本文所述的系统结构基于边缘计算模型，在现有以服务器模型为核心的集中式大数据处理技术基础上，辅以以边缘计算模型为核心的大规模边缘数据处理技术，应用于工业网络系统旨在解决后台系统处理海量数据的问题。一级传感器路由器和二级传感器路由器作为边缘计算的节点，是现场设备所依赖的感知层无线传感器网络的前提和基础，其目的是对复杂的海量数据进行模块化，确保数据的时效性和可靠性。边缘计算使得工厂自身的应用和基础设施能够构建于后端服务器与传感器路由器之间，从而提升数据传输性能，确保实时处理，并降低云计算负载。

3.2. 人工智能

近年来，由于人工智能技术具有传统方法所不具备的智能特性，包括认知计算、模块化分类决策支持等技术，人们越来越关注其如何及时处理海量数据的问题[23, 24]。人工智能的目标是在理解自然智能（特别是人类智能）的基础上，创造出具有一定智能水平的智能机器，使这些人造智能机器在运行速度、工作精度、工作强度和耐力方面远超人类[25–27]。

在本文研究的系统架构中，主要将大量用于处理环境大数据的人工智能算法模型部署在传感器路由器[28–30]环境中的后台服务器上，从而使工业网络系统的感知层通过现场环境中两级传感器路由器的分布，实现对环境监测数据的分类、筛选和采集，并基于所获取的数据实现任务预测、异常检测和及时决策三大功能。

关键在于在多源数据采集的基础上，实现智能工厂的大数据分析技术，包括计算智能技术、信息融合技术、决策技术和其他人工智能分析技术。

(1) 计算智能技术

本文中，计算智能技术被定义为人工智能模型和技术在信息处理过程中的应用。根据定义，人工智能中的计算智能涉及广泛的内容。本文主要讨论由D.鲁梅尔哈特于1988年提出的用于算法前向多层反演的人工神经网络反向传播（Back Propagation, BP）模型。该算法解决了多层神经网络中隐含单元层的连接权问题，克服了简单感知机无法解决的诸多问题，使BP模型成为神经网络的重要模型之一并得到广泛应用。基于BP算法的过程如图5所示。

第一步：对传感器感知组采集的原始数据进行预处理，选取训练样本集，并从样本集中取出一个示例；

第二步：将权重和阈值的初始值 ωji(0)、θj(0) 设为小随机数；

第三步：提供训练样本，输入向量：Xk (k = 1, 2, …, p)；期望输出：Dk (k = 1, 2, …, p)；通过以下第四步到第六步对每个值进行迭代计算；

第四步：计算网络的实际输出和隐藏层单元的状态：
$$ O_{kj} = f_j\left(\sum_i \omega_{ji} O_{ki} + \theta_j\right) \tag{2-1} $$

第五步：计算输入和输出层训练误差：
输出层：
$$ \sigma_{kj} = O_{kj}(1 - O_{kj})(t_{kj} - O_{kj}) \tag{2-2} $$
输入层：
$$ \sigma_{kj} = O_{kj}(1 - O_{kj}) \sum_m \sigma_{km} \omega_{mj} \tag{2-3} $$

第六步：修正权重和阈值：
$$ \omega_{ji}(t+1) = \omega_{ji}(t) + \eta \sigma_j O_{kj} + \sigma[\omega_{ji}(t) - \omega_{ji}(t-1)] \tag{2-4} $$
$$ \theta_j(t+1) = \theta_j(t) + \eta \sigma_j + \alpha[\theta_j(t) - \theta_j(t-1)] \tag{2-5} $$

第七步：判断每次经历1-p个样本后，目标误差是否满足精度要求 $ e \leq \varepsilon $，其中 $ \varepsilon $ 代表设定的精度；

第八步：结束。

(2) 信息融合技术

传感器信息融合是指利用不同传感器的信息来完成场景模块的描述。其关键在于使用特定方法有效处理或推断所获取的各种信息。本文将神经网络技术应用于多传感器信息融合。首先，根据系统需求和传感器特性，选择合适的神经网络模型，并建立输入与传感器信息输出及系统决策之间的映射关系。然后基于已有的感知信息和系统决策，研究数据，确定功率分配智能，完成网络训练，使训练好的神经网络参与实际融合过程。如图6所示，获得的信息经过适当的过程1，作为一级传感器路由器的输入，该路由器利用神经网络处理数据并输出结果。

相关结果，然后通过过程2将其解释为系统特定的决策行为。在本文中，二级传感器路由器类似于一个本地服务器。通过对多种一级传感器路由器获取的信息进行集成与融合，二级传感器路由器能够更可靠、准确和快速地完成数据描述和执行器决策。

(3) 决策技术

系统的功能最终体现在行为的输出上。所有环境感知和数据分析都是为了使执行器能够及时采取适当的动作，因此人工智能的决策技术不可或缺。由于决策过程通常需要高性能模型，本文主要讨论神经网络ES（专家系统，ES）专家系统。

神经网络ES是一种具有自学习、自适应、分布式存储、联想记忆、并行处理以及鲁棒性和容错特性的神经网络，用于实现ES功能。通过自动采集模块输入，组织并存储专家提供的学习实例，选择神经网络结构，并调用神经网络学习算法，从而实现知识库的知识获取。当输入新的学习实例时，知识获取模块通过新实例的学习自动获得新的网络权重分布，进而更新知识库。神经网络ES的基本结构如图7所示。

4. 结论

工业网络正朝着“高精度、高效率和高可靠性”的方向发展，这使得对生产过程中产生的多源信息的采集、模块分类，以及对生产过程的动态监测、分析、预测和快速决策提出了更高的要求。从系统实现的角度出发，本文基于边缘计算和人工智能，提出了工业物联网感知系统的架构，并探讨了其关键技术。上述方法和技术在物联网再制造领域的应用具有重要的参考价值，为工业物联网的发展奠定了重要的研究基础。