基于端边云协同的智能管控系统架构设计研究.pdf

2023年11月计算机应用文摘第39 卷第2 2 期基于端边云协同的智能管控系统架构设计研究贾飞凡（中国电子技术标准化研究院，北京10 0 0 0 7)摘要：针对离散制造业对数据的互联互通需求，文章提出一种基于端边云协同的智能管控系统架构。通过分析云服务层、边缘服务层和端用户层之间的资源协作关系，构建了端边云协同计算体系，制定了多源异构数据融合方法，最终形成了基于端边云协同的智能管控系统架构，为提升离散制造业的智能化水平及数据的高效利用提供了参考和依据。关键词：边缘计算；端边云协同；系统架构；数据融合中图法分类号：TM39Research on intelligent control system architecture design based onAbstract:Aiming at the demand for data interconnection and interoperability in the discretemanufacturing industry,an intelligent control system architecture based on end-side cloudcollaboration is proposed.By analyzing the resource collaboration relationship among cloud servicelayer,edge service layer and end-user layer,the end-edge cloud collaborative computing system andmulti-source heterogeneous data fusion method are proposed.Finally,An intelligently fused end-edgecloud collaborative intelligent control system architecture is formed,which provides reference andbasis for discrete manufacturing scenarios in terms of data utilization rate and intelligence level.Key words:edge computing,end-edge-cloud collaboration,system architecture,data fusion1引言与传统的云计算或边缘计算相比,边云协同通过有效整合、优化云端和边缘端的纵-横向计算与存储资源，实现了云端和边缘端的高效协同配合，旨在避免云端计算带来的时延和过负载问题，同时克服边缘端计算的算力和存储受限的缺点 1 2 2相关文献研究基于端边云协同的架构设计已成为当前的研究热点,国内外学者和企业对边云协同架构和数据融合方面展开了相关研究。2.1边云协同架构边云协同主要涉及云计算和边缘计算节点在基础设施（存储、网络及计算等各类资源协同）、应用（应用服务协同)和平台（实现数据、智能化、服务编排及部署的有效协同）三个层面的协同。Jameela等 3 构建了集成云计算和边缘计算的体系结构，为边缘层和云层的节点平台提供了通信服务，解决了云端计算负文献标识码：Aend-edge-cloud collaborationJIA Feifan(China Electronics Standardization Institute,Beijing 100007,China)载过大的问题。Sood 等 4 提出了基于边缘计算和云计算的系统框架，通过终端层收集信息和边缘层自动获取关键词的方式，在云层生成时态网络分析图，有效解决了应用时延等问题。Ren等 5 以最小化终端设备任务卸载加权时延为目标，构建了端边云协同的架构。华为提出了一个“2+1+X”的边云协同架构，实现了云上云下的分布部署，满足了业务实时性要求。亚马逊与西门子合作，共同推出边云协同技术框架,充分发挥边缘计算低延迟的云原生服务优势，解决了边缘设备存储容量有限等问题。上述研究表明，利用边云协同技术可有效解决时延和负载过大的问题，但现阶段国内外面向离散制造业场景的边云协同架构的研究处于起步阶段，存在端边云协同架构设计不完善的问题。2.2楼数据融合数据连接的高效融合是实现边云协同的重要基础。Korobko6 提出的三元组数据融合方法实现了异构数据的多个关联维度映射，提升了数据互联互通效52率。Filip 等 7 为降低计算成本,提出了一种新的异构数据云边缘环境下微服务调度方法，通过改进CloudSim仿真框架，提升了通用设备及数据利用率。Wu等 8 通过引入个性化联邦学习方法,解决了物联网中多源异构数据融合难等问题。然而,现有的研究通常缺乏针对端边云协同智能管控的数据感知和获取方法,导致数据融合的质量不高，难以直接用于面向离散制造行业的端边云协同架构下的数据融合。鉴于此,本文提出了一种面向离散制造业场景的端边云协同架构设计方法结合多源异构数据融合方法,形成了基于端边云的智能管控系统架构，为离散制造场景在高可靠、低延时和智能化等方面提供支持。3立端边云协同架构设计3.1端边云协同计算体系为了实现面向离散制造业终端、边缘、云端的协同,本文构建了一种端边云协同计算体系，如图1所示。端边云协同计算体系主要包含三个部分，即终端、边缘以及云端。终端指拥有操作系统的智能设备，这类设备拥有受限的计算、存储能力；边缘指传统物联网中的网关,地理位置接近终端,并为终端提供网络接入功能,是终端获取计算等资源的节点；云端指云计算中心,拥有强大的计算能力与存储资源,距离终端地理位置较远,端到端往返时延较大。(1)终端用户层。在离散制造业场景中终端用户层包括制造系统的各类传感器、智能摄像头、网络设备、检测设备等现场设备。此外，终端用户层是边缘计算的数据源头，主要负责数据采集以及任务的发起。(2)边缘服务层。其由边缘设备和边缘管理平台组成，对连接的边缘设备及边缘应用程序进行管理，创建新项目，开发与发布应用，支持边云通信组件、IEC61131-3控制内核、多设备协议接人组件、边缘APPSDK等。(3)云端服务层。它是数据应用云中心,具有强大的计算与资源存储能力，提供海量数据快速存储和高效处理服务，是用户使用工业边缘平台的应用起点，负责完成工业边缘管理平台在工业现场的搭建，支持APP应用仓库、云监控、工业视觉等。在构建的端边云协同计算体系中,终端可以充分利用边缘服务层与云端服务层的低网络时延和高计算能力等特性,将自身可卸载组件自动卸载到边缘多个网关处或者云端，利用多目的地并行原理,最小化应用程序完成时间。计算机应用文摘边缘应用程序发布边缘管理平台发布工具安装边缘APP管理边缘设备数据收集现场设备图1端边云协同计算体系3.2端边云协同的智能管控体系架构在上述构建的端边云协同计算体系的基础上,结合人工智能、5G、物联网等技术在当前离散制造工业场景中的应用,通过梳理IT(ERP系统、供应链系统、MES系统、OA系统等）和OT（摄像机、各类传感器、闸机、RFID等），边缘侧的组件、边缘节点以及云边的APC、云PLC资源构成情况，分析面向离散制造业场景中边云协同架构的特征,建立了多层结构协同的资源拓扑关系，设计了具有应用云、边缘云、边缘节点和现场设备的四层智能管控系统架构,如图2 所示。应用管理质量监控应用云边缘云APP仓库组件边缘数据存储节点边缘系统节点平台软件多设备协议接入组件边缘服务集边缘消息成现场IT:ERP系统、供应链系统、MES系统、OA系统设备OT:摄像机、各类传感器、闸机、RFID.图2 端边云协同的分布式智能管控系统架构边缘云组件主要由APP仓库、节点管理、云边通信和边缘APP管理4个功能模块组成，同时提供Web展示功能；APP仓库可进行上传、下载、删除等操作，具有加密存储功能，防止篡改；云边通信模块支持MQTT、H T T P、4G/5G、W i Fi 等通信协议,其中JSON格式数据主要通过MQTT协议完成通信，视频流则通过HTTP接人云端。4多多源异构数据融合方法从上述构建的端边云协同智能管控系统架构可以看出,离散制造业存在多种设备聚集的情况，考虑到制造系统中数据形态多样造成的精度差、利用率低等问题，将离散制造产品生产过程涉及的多源异构数据划分为传感器数据、图像数据、文本数据等不同模2023年第2 2 期云监控云通信组件云中心云服下载务层边缘服务层端用户层机械#网络设备检测设备传感设备设备管理数据维护边缘节点管理通信组件边缘APP管理云边通道边缘APP虚拟化容器APP调度引擎SDK就地配置管理边缘数据边缘设备AP应用仓库云端对结果数据进行分析结果数据管理信号边云通信组件IEC61131-3控制内核边缘设备原始数据ERP系统运行日志多设备协议接入组件原始数据实时加工分析控制信号MES系统RFID制造设备人机交互屏网多场景多层次的网络接入5G光纤APNNB-IoT网络安全与防护2023 年第2 2 期态的数据。针对这些多源异构数据,采用主成分分析方法进行数据预处理、特征提取和特征选择，实现边缘数据特征融合，以确保所提取特征的全面性和准确性,如图3所示。具体采用的特征提取和数据处理方法如下。(1)传感器数据。传感器数据一般属于时序数据，首先对其进行时域分析、频域分析和时频域分析，然后采用机器学习中的无监督学习的方法峰值法来提取传感器信号的特征。(2)图像数据。首先对手机的图像进行插值缩放和灰度变化等预处理,然后利用基于计算机视觉的特征提取方法和基于卷积神经网络的深度学习方法，实现对图像高级特征的提取与表征。(3)文本数据。首先对得到的文本进行预处理，然后利用基于词频的词袋模型、词频-逆向文档频率对文本特征进行提取,基于词向量特征模型提取其特征矩阵,最后将文本数据转换为数值特征，为后续的数据处理提供支撑。基于提出的多源异构数据融合方法,进一步促进了所提管控系统架构中终端、边缘端和云端之间的数据互联互通，提升了其在离散制造业场景下的通用性。基于特征提取的边缘数据特征融合方法一日计算、网络、存储、服务器虚拟化、备份软件、快照能力、数据在线去重、压缩等面向多噪声输入条件的边缘数据无损压缩技术异常值处理错误纠正、重复项删除、规格统一、逻辑修正、构造转换、数据压缩、数据丢弃等图3多源异构数据融合过程5应用实践瑕疵检测是手机、计算机、电视的屏幕生产中的关键环节。传统的检测方法利用光/电设备对屏幕进行检测,并将结果与初始设计进行对比分析,来判断所检测产品是否存在瑕疵。但这不仅需要较长时间对瑕疵进行定位，也无法对产品的瑕疵严重程度、可否修复和引发原因等进行识别，仍需经验丰富的检测工人参与。随着产业规模的不断扩大,这种传统检测方式已无法满足对产品的高产能和高质量需求。为此,本节以手机屏幕生产中的瑕疵检测为例,基于构建的端边云协同的智能管控系统架构,结合大数据分析、深度学习和数据融合等方法，为提升手机屏幕产能和质量提供了解决方案。计算机应用文摘基于构建的端边云协同的智能管控系统架构对手机屏幕智能瑕疵检测工作流程如下。(1)对手机屏幕生产过程中生产数据、工艺数据、图像数据等数据进行收集与存储，并利用智能光/电设备对手机屏幕检测形成的大量非结构化数据进行采集，实现对瑕疵特性及定位的精准描述。（2)通过边缘服务器中的视觉预处理平台进行实时运算处理后汇入云端数据中心。利用云端的数据分析和挖掘能力（如图像检测和分类算法)进行训练，生成新的数据洞察及输出新模型，并部署到边缘服务器。在手机屏幕生产过程中，边缘服务器会自主匹配合理的分析模型，对生产的手机屏幕进行瑕疵识别、位置标注、质量不良程度分类与预警等。（3)手机屏幕检测的最终结果将会呈现在工程师的监控屏幕上。基于输出的检测结果，工程师可对存在不同瑕疵的手机屏幕进行后续的高效管理，如可用、维修或作废等。本文将所构建的系统架构应用在手机屏幕瑕疵检测场景中,通过端边云协同智能管控,让瑕疵检测过程变得更为便捷和通用。用户只需根据企业需求在系统中预先对手机屏幕质量相关参数进行设定，就可以有效解决人工瑕疵检测中存在的人力成本和瑕疵遗漏等问题。该架构通过结合大数据的不良原因分析，为提升手机屏幕生产线的效率和产品质量提供了有力支撑。6结束语本文基于云计算和边缘计算各自的优缺点，通过对离散制造业场景分析，构建了基于端边云协同的智能管控系统架构，并通过手机屏幕瑕疵检测对所提架构进行了应用实践，检验了所提架构的有效性。后期将进一步结合离散制造业不同场景，优化和完善端边云协同架构及相关算法,形成具备普适应、鲁棒性和高智能化的智能管控平台，为全面提升离散制造行业数据利用率、智能化水平、安全性等提供参考和依据。参考文献：1丁凯,陈东，王岩，等.基于云-边协同的智能工厂工业物联网架构与自治生产管控技术J.计算机集成制造系统,2 0 19,2 5(12):312 7-3138.2张佳乐，赵彦超,陈兵，等.边缘计算数据安全与隐私保护研究综述J.通信学报，2 0 18,39（3）：1-2 1.3 JAMEELA A J,NADER M.PsCPS:A distributed platform forcloud and fog integrated smart cyber-physical systems J.IEEE Access,2018(6):41432-41449.(下转第56 页）5356低交通堵塞及事故发生率，同时提升人们的出行效率。在交通违章与事故处理方面,计算机视觉在智能交通系统中的应用减少了交警的出警次数，有效降低了城市交通管理的人力成本。(3)有利于提高决策的准确性。基于计算机视觉的智能交通系统可有效预测客流量、车流量及人口流动趋势。这些准确的预测可作为有效的依据帮助城市管理者制定决策。5计算机视觉在智能交通系统应用中的难点5.1育前期应用投入资金多计算机视觉在交通系统应用离不开软件和硬件的支持。在硬件部分，需要在前期投入大量资金进行底层环境的搭建。在软件部分，需要投入大量成本对交通数据开展实时的采集、存储及分析，这些问题导致应用计算机视觉无法在部分地区得到有效的应用。5.2后期系统维护复杂基于计算机视觉的智能交通系统应用在后期的维护较为复杂，维护人员需要具备一定的专业技术。现有计算机视觉技术厂家的水平参差不齐，且暂时不存在统一的技术规范。因此，兼容性问题已成为基于计算机视觉的智能交通系统改造或升级的一大困难。5.3应用环境多变复杂基于计算机视觉的智能交通系统应用还可能受到环境的影响。如沙尘环境将对最终的分析结果造成影响，复杂多变的使用环境对计算机视觉在智能交通系统的应用提出了更高的要求。5.4视觉模型训练要求高如何将人类已有的先验知识加人计算机的学习过程中,从而实现超越专业水平的检测效果是目前的(上接第53 页)4 SOOD S K,MAHAJAN I.Fog-cloud based cyber-physicalsystem for distinguishing,detecting and preventing mosquitoborne diseases-ScienceDirect J .Fu t u r e G e n e r a t i o nComputer Systems,2018(88):764-775.5 REN J,YU G,HE Y,et al.Collaborative cloud and edgecomputing for latency minimizationJ.IEEE Transactions onVehicular Technology,2019;68(5):5031-5044.6 KOROBKO A.Matching disparate dimensions for analticalintegration of heterogeneous data sources C/Proceedingsof MEDES 19:11th International Conference on Managementof Digital EcoSystems,2019;66-72.计算机应用文摘研究热点之一10 11。经验丰富的交警可快速准确处理违章或事故，但计算机只能通过常规的样本训练进行判断,难以应对复杂多变的情况参考文献：1】陆化普.智能交通系统主要技术的发展J.科技导报，2019,37(6):27-35.2马永杰,程时升,马芸婷，等.卷积神经网络及其在智能交通系统中的应用综述J.交通运输工程学报,2 0 2 1,2 1(4):48-71.3段延娥，李道亮，李振波，等.基于计算机视觉的水产动物视觉特征测量研究综述J.农业工程学报，2 0 15,3 1（15）：1-11.【4庄碧芬.基于机器视觉的智能交通灯设计J.信息技术与信息化,2 0 2 2(9)：19 2-19 5.5张金雷,陈瑶,杨立兴,等.基于计算机视觉的轨道交通站内客流识别与预测J.铁道科学与工程学报，2 0 2 3,2 0(10):3696-3704.6 陈卫卫.基于机器视觉的车道偏离预警系统关键技术研究D.西安：长安大学,2 0 2 1.7胡超超.基于计算机视觉的驾驶员险态驾驶行为检测与预警方法研究D.重庆：重庆交通大学,2 0 2 2.8王京华，王李管,毕林.基于计算机视觉技术的矿井电机车无人驾驶障碍物检测技术J.黄金科学技术,2 0 2 1,2 9(1):136-146.9王子豪.无人驾驶汽车视觉导航方法的研究D.大连：大连海洋大学，2 0 2 2.10 董美荣.计算机视觉技术在农机自动化上的应用与优势分析J.农机使用与维修,2 0 2 0(10):3 0-3 1.11 雷林建,孙胜利,向玉开，等.智能制造中的计算机视觉应用瓶颈问题J.中国图象图形学报，2 0 2 0,2 5（7）：13 3 0-1343.作者简介：云铸(19 9 1一）,硕士,助教，主要研究方向：人工智能技术应用。7 FILIP I,POP F,SERBANESCU C,et al.Microservicesscheduling modelcloud-edgeenvironments as support for IoT applications J.IEEEInternet of Things Journal,2020,5(4):2672-2681.8 WU Q,HE K,CHEN X.Personalized federated learning forintelligent IoT applications:a cloud-edge based frameworkJ.IEEE Open Journal of the Computer Society,2020,1(11):35-44.作者简介：贾飞凡（19 8 6 一），硕士，研究方向：人工智能、物联网。2023年第2 2 期overheterogeneous