云计算和边缘计算结合的生产控制系统发明专利

专利名称：云计算和边缘计算结合的生产控制系统

专利类型：发明专利

专利申请号：CN202111501614.4

专利申请（专利权）人：上海交通大学
权利人地址：上海市闵行区东川路800号

专利发明（设计）人：姜丽红,朱晋阳,蔡鸿明,沈冰清,熊熙瑞

专利摘要：一种云计算和边缘计算结合的生产控制系统，包括：指令解析模块、监测配置更新模块、信息适配模块、生产执行模块和生产分析模块，指令解析模块接收来自云端服务平台的生产控制指令并进行内容解析，得到生产任务、操作指令和工艺规范；监测配置更新模块接收来自云端服务平台的用于对生产监测目标进行调整与说明的监测配置信息，解析出检验配置信息后监测配置验证其效性与适用设备并将依据配置信息完成相关执行脚本的生成与注入；信息适配模块对生产单元内的异构设备进行语义于信息协议进行一致性适配；生产执行模块连接边缘端和设备端，获取并传递操作指令、生产状态和生产数据；生产分析模块对生产单元的生产过程进行分析与反馈。本发明能够实现对生产过程的边缘端监测，配合云端服务平台，实现云‑边‑端的有效生产控制协同。

主权利要求：
1.一种云计算和边缘计算结合的生产控制系统，其特征在于，包括：指令解析模块、监测配置更新模块、信息适配模块、生产执行模块和生产分析模块，其中：指令解析模块接收来自云端服务平台的生产控制指令并进行内容解析，得到生产任务、操作指令和工艺规范；
监测配置更新模块接收来自云端服务平台的用于对生产监测目标进行调整与说明的监测配置信息，解析出检验配置信息后监测配置验证其效性与适用设备并将依据配置信息完成相关执行脚本的生成与注入；信息适配模块对生产单元内的异构设备进行语义于信息协议进行一致性适配；生产执行模块连接边缘端和设备端，获取并传递操作指令、生产状态和生产数据；生产分析模块对生产单元的生产过程进行分析与反馈；
所述的生产控制指令包括：生产任务信息、设备操作指令、工艺规范和基础信息；生产任务信息用来记录当次生产任务的基本内容信息，设备操作指令记录相关生产设备在当次生产任务中需要完成的具体操作，工艺规范定义生产中的工艺规范信息，基础信息则记录其他与生产相关的信息；
所述的监测配置信息包括：监测指标列表、指标计算规则和指标阈值列表；监测指标列表列举当前需要监测的目标指标，指标计算规则定义其中需要计算处理的指标的计算具体规则，指标阈值列表则对监测指标的可接受阈值进行具体罗列；
所述的生产分析模块包括：监测数据获取单元、状态数据监测单元、时序数据预警单元和生产数据库，其中：监测数据获取单元包括监测信息解析和数据预处理，其中监测信息解析将对收集获取到的监测信息进行解析处理，数据预处理将对监测数据进行筛选、分类和按序排列操作，并对时序数据以滑动窗口方式进行接收，完成分析预警前的全部处理操作；
状态数据监测单元将对生产监测数据中的状态类数据进行分析；状态类数据指产件流转率这类非时序数据，对这类数据的监测分析包括历史数据统计、状态特征值计算和异常状态监测三个步骤；其中历史数据统计将通过获取历史生产数据，并统计计算其相关生产状态数据，以便对比检查生产状态时间维度的演变；状态特征值计算将计算当次生产任务中的相关状态数据；异常状态检查即通过对比历史生产状态数据与当次生产状态数据、当次生产状态数据与指标阈值，并将其中的异常数据记入生产异常报告中；时序数据预测单元将对生产监测数据中的时序类数据进行分析；时序类数据是指发动机油温不断发送的时频数据，对这类数据的监测分析包括时序数据预测、预测数据补偿和动态阈值分析三个步骤；其中，时序数据预测将通过一定的时序预测算法与模型对当前数据进行趋势预测；预测数据补偿指针对生产中各环节的关联关系进行分析，对后续环节中的预测数据进行补偿调整；
动态阈值分析指考虑相似订单之间数据的实际波动情况，分析计算动态监测阈值，并配合设定阈值进行监测预警提醒；生产数据库将保存记录历次生产任务、执行过程、执行结果、生产反馈信息，为生产数据分析提供数据支撑；
所述的生产反馈信息包括生产异常报告和监测预警提醒，用于云端服务平台对生产过程的后续分析与调整；
所述的预测数据补偿和动态阈值分析具体包括：生产制造单元中包含生产关联紧密的多类设备，在生产执行中前序环节的执行会对后续环节执行造成一定的影响，紧密机加工工艺中，冷却枪涡流管流速过低造成刀具降温不及时，导致切削刀口变形，造成加工精度偏差；因此前序生产环节的时序数据变化往往也与后续生产环节监测数据有一定的关联关系；在此类情况中，直接对单元内某设备时序数据进行单独预测，会造成预测结果的偏差；
通过使用预测补偿ΔD对后续生产环节中的预测值进行补偿调整，具体为：
1)设前序生产环节设备Pa和直接后续生产环节设备Pb，a≠b，从生产实际、专家经验出发，获取两生产环节中相互关联时序数据集分别为则有Xa和Xb的关联关系矩阵 其中
表示数据 和 之间的关联程度；
2)从生产数据库中取当前生产记录前m个滑动窗口取值，通过灰度关联分析计算，可得其中k表示第k个滑动窗口中记录的信息，分辨系数ρ用于削弱异常值对关联空间的影响，以更好体
现系统整体性，xa(k)表示在第k次记录中设备Pa的 的具体取值；
3)通过基于综合自回归移动平均法(ARIMA)预测算法，得到的设备Pa和设备Pb的时序数据预测值分别为
4)结合预测值矩阵Da与关联矩阵Ra,b，完成对Db的预测补偿，得到设备Pb的时序数据最终预测结果
2.根据权利要求1所述的云计算和边缘计算结合的生产控制系统，其特征是，所述的云端服务平台位于系统的上层，是系统中生产任务执行的起点和生产监测的重点，通过服务调用RESTful接口传递生产指令和监测配置的JSON文件，以及请求边缘监测系统的生产反馈信息JSON文件。
3.根据权利要求1所述的云计算和边缘计算结合的生产控制系统，其特征是，所述的信息适配模块包括：语义处理单元和协议处理单元，其中：语义处理单元通过构建领域知识图谱，辅助生产控制指令的下达和监测指标的获取，提供词义消歧、语义匹配功能，明确指令信息和设备实际之间的关系，是确保指令有效执行和监测顺利展开的有力支撑；协议处理单元针对生产单元中各设备服务系统之间协议差别较大，无法直接接收生产指令的情况，通过协议适配、协议转换，帮助边缘端系统有效管控生产单元各设备。
4.一种基于权利要求1～3中任一所述系统的生产相似度的动态预警阈值方法，其特征在于，通过结合动态阈值与临界值，实现对时序数据的分级预警，具体包括：
1)根据设备Pi的监测时序数据xi，在一次历史订单记录中包含n各滑动窗口，第k个窗口内对xi的均值记为 计算各窗口的综合均值
2)根据不同生产订单内容对生产单元设备执行的影响来自物料选择和工艺规范两部分，基于系统统一工艺编码方法，对物料特征信息、特征加工步骤和特征工艺要求进行编码描述，得到物料特征信息矩阵MC、特征加工步骤矩阵PS和特征工艺要求矩阵PR，订单Oi表示为Oi＝|MCPSPR|；通过将该矩阵展开为高维向量，使用余弦相似度的计算方法，可计算两订单之间的相似度sa,b；
3)通过对生产数据库中前m次生产订单记录与当前生产订单进行相似度计算，可得m次记录的相似度矩阵S＝|s1s2…sm|，其中si表示订单i与当前订单之间的相似度；
4)根据前m次各订单综合均值 与各订单同当前订单的相似度，以后者为权重，通过加权平均得到时序数据xi的动态阈值 其中λ为权重，表示动态阈值与加权均值之间的偏差程度；
5)三级数据预警，具体为：当预测值D'i超过临界值μ时，进行一级预警；当预测值D'i处于区间[(Vd+μ)/2,μ)时，进行二级预警；当预测D'i处于区间[Vd,(Vd+μ)/2)时，进行三级级预警。 说明书 : 云计算和边缘计算结合的生产控制系统技术领域[0001] 本发明涉及的是一种云计算领域的技术，具体是一种云计算和边缘计算结合的生产控制系统。背景技术[0002] 现有生产监测方式多为云‑端式的集中统一监测，即对生产过程的监测都由云端服务平台完成，其本身存在监测滞后、通信压力大的局限性以及诸多错误隐患。同时对于时序数据的预测预警依然采用单设备“一刀切”式的预警模式，不利于对预警信息的有效利用。综合以上背景，本文设计一个云计算和边缘计算结合的生产控制系统，在边缘端中增加对业务流程的分析处理模块，给予边缘节点更多的决策权限，并通过优化时序数据预测处理方法，达成分类分级生产反馈，实现云‑边‑端结合的生产控制模式。发明内容[0003] 本发明针对现有技术存在的上述不足，提出一种云计算和边缘计算结合的生产控制系统，通过以生产制造单元为基础构建边缘端，接收并传达来自云端服务平台的生产指令，并赋予边缘端生产监测与预警的权限，使其有更好的自治性。并针对时序数据的预测提出预测补偿和动态监测阈值，使预测结果更具准确性。从而实现对生产过程的边缘端监测，配合云端服务平台，实现云‑边‑端的有效生产控制协同。[0004] 本发明是通过以下技术方案实现的：[0005] 本发明涉及一种云计算和边缘计算结合的生产控制系统，包括：指令解析模块、监测配置更新模块、信息适配模块、生产执行模块和生产分析模块，其中：指令解析模块接收来自云端服务平台的生产控制指令并进行内容解析，得到生产任务、操作指令和工艺规范；监测配置更新模块接收来自云端服务平台的用于对生产监测目标进行调整与说明的监测配置信息，解析出监测配置信息后将验证其有效性与适用设备，并将依据配置信息完成相关执行脚本的生成与注入；信息适配模块对生产单元内的异构设备进行语义于信息协议进行一致性适配；生产执行模块连接边缘端和设备端，获取并传递操作指令、生产状态和生产数据；生产分析模块对生产单元的生产过程进行分析与反馈。[0006] 所述的云端服务平台位于系统的上层，是系统中生产任务执行的起点和生产监测的终点，通过服务调用RESTful接口传递生产指令和监测配置的JSON文件，以及请求边缘监测系统的生产反馈信息JSON文件。[0007] 所述的生产控制指令包括：生产任务信息、设备操作指令、工艺规范和基础信息。生产任务信息用来记录当次生产任务的基本内容信息，设备操作指令记录相关生产设备在当次生产任务中需要完成的具体操作，工艺规范定义生产中的工艺规范信息，基础信息则记录其他与生产相关的信息。[0008] 所述的监测配置信息包括：监测指标列表、指标计算规则、指标阈值列表。监测指标列表列举当前需要监测的目标指标，指标计算规则定义其中需要计算处理的指标的计算具体规则，指标阈值列表则对监测指标的可接受阈值进行具体罗列。[0009] 所述的信息适配模块包括：语义处理单元和协议处理单元，其中：语义处理单元通过构建领域知识图谱，辅助生产控制指令的下达和监测指标的获取，提供词义消歧、语义匹配功能，明确指令信息和设备实际之间的关系，是确保指令有效执行和监测顺利展开的有力支撑；协议处理单元针对生产单元中各设备服务系统之间协议差别较大，无法直接接收生产指令的情况，通过协议适配、协议转换，帮助边缘端系统有效管控生产单元各设备。[0010] 所述的生产分析模块包括：监测数据获取单元、状态数据监测单元、时序数据预警单元和生产数据库，其中：监测数据获取单元包括监测信息解析和数据预处理，其中监测信息解析将对收集获取到的监测信息进行解析处理，数据预处理将对监测数据进行筛选、分类、按序排列操作，并对时序数据以滑动窗口方式进行接收，完成分析预警前的全部处理操作；状态数据监测单元将对生产监测数据中的状态类数据进行分析。状态类数据指如产件流转率这类非时序数据，对这类数据的监测分析包括历史数据统计、状态特征值计算和异常状态监测三个步骤。其中历史数据统计将通过获取历史生产数据，并统计计算其相关生产状态数据，以便对比检查生产状态时间维度的演变。状态特征值计算将计算当次生产任务中的相关状态数据。异常状态检查即通过对比历史生产状态数据与当次生产状态数据、当次生产状态数据与指标阈值，并将其中的异常数据记入生产异常报告中；时序数据预测单元将对生产监测数据中的时序类数据进行分析。时序类数据是指如发动机油温这类不断发送的时频数据，对这类数据的监测分析包括时序数据预测、预测数据补偿和动态阈值分析三个步骤。其中，时序数据预测将通过一定的时序预测算法与模型对当前数据进行趋势预测。预测数据补偿指针对生产中各环节的关联关系进行分析，对后续环节中的预测数据进行补偿调整。动态阈值分析指考虑相似订单之间数据的实际波动情况，分析计算动态监测阈值，并配合设定阈值进行监测预警提醒；生产数据库将保存记录历次生产任务、执行过程、执行结果、生产反馈信息，为生产数据分析提供数据支撑。[0011] 所述的生产反馈信息包括生产异常报告和监测预警提醒，用于云端服务平台对生产过程的后续分析与调整。[0012] 所述的预测数据补偿和动态阈值分析具体包括：生产制造单元中包含生产关联紧密的多类设备，在生产执行中前序环节的执行会对后续环节执行造成一定的影响，如紧密机加工工艺中，冷却枪涡流管流速过低造成刀具降温不及时，导致切削刀口变形，造成加工精度偏差。因此前序生产环节的时序数据变化往往也与后续生产环节监测数据有一定的关联关系。在此类情况中，直接对单元内某设备时序数据进行单独预测，会造成预测结果的偏差。因此，本发明考虑通过使用预测补偿ΔΔD对后续生产环节中的预测值进行补偿调整。具体为：[0013] 1)设前序生产环节设备Pa和直接后续生产环节设备Pb，a≠b，从生产实际、专家经验出发，获取两生产环节中相互关联时序数据集分别为则有Xa和Xb的关联关系矩阵 其中表示数据 和 之间的关联程度。[0014] 2)从生产数据库中取当前生产记录前m个滑动窗口取值，通过灰度关联分析计算，可得 其中k表示第k个滑动窗口中记录的信息，分辨系数ρ用于削弱异常值对关联空间的影响，以更好体现系统整体性，取值为0.5。xa(k)表示在第k次记录中设备Pa的 的具体取值。[0015] 3)通过基于包括但不限于如综合自回归移动平均法(ARIMA)预测算法，得到的设备Pa和设备Pb的时序数据预测值分别为[0016] 4)结合预测值矩阵Da与关联矩阵Ra，b，完成对Db的预测补偿，得到设备Pb的时序数据最终预测结果[0017] 考虑到时序数据监测阈值的通常是人工设定的临界值，其与生产实际中的数据变化范围有一定的差异性，预警应用范围有限。鉴于此问题，本发明提出使用一种基于生产相似度的动态预警阈值方法，通过结合动态阈值与临界值，实现对时序数据的分级预警。具体步骤如下：[0018] 1)根据设备Pi的监测时序数据xi，在一次历史订单记录中包含n各滑动窗口，第k个窗口内对xi的均值记为 计算各窗口的综合均值[0019] 2)根据不同生产订单内容对生产单元设备执行的影响来自物料选择和工艺规范两部分，基于系统统一工艺编码方法，对物料特征信息、特征加工步骤和特征工艺要求进行编码描述，得到物料特征信息矩阵MC、特征加工步骤矩阵PS和特征工艺要求矩阵PR，订单Oi可表示为Oi＝|MCPSPR|。通过将该矩阵展开为高维向量，使用包括但不限于余弦相似度的计算方法，可计算两订单之间的相似度sa，b。[0020] 3)通过对生产数据库中前m次生产订单记录与当前生产订单进行相似度计算，可得m次记录的相似度矩阵S＝|s1s2…sm|，其中si表示订单i与当前订单之间的相似度。[0021] 4)根据上述计算得到的前m次各订单综合均值 与各订单同当前订单的相似度，以后者为权重，通过加权平均得到时序数据xi的动态阈值 其中λ为权重，表示动态阈值与加权均值之间的偏差程度。[0022] 5)数据预警。数据预警分为三级，严重程度由高到低分别为一级预警、二级预警与三级预警，具体为：当预测值D′i超过临界值μ时，进行一级预警；当预测值D′i处于区间[(Vd+μ)/2，μ)时，进行二级预警；当预测D′i处于区间[Vd，(Vd+μ)/2)时，进行三级级预警。[0023] 技术效果[0024] 相比于现有生产过程监测技术，本发明减轻云端服务平台对生产过程的监测压力，通过构建以生产单元为基础的边缘端监测系统，完成实现生产监测的云‑边‑端协同，拓展生产监测的维度；通过基于领域知识图谱的适配模块完成对生产单元的异构设备进行语义匹配，保障生产指令的有效下达和监测数据的获取；同时，对生产过程数据中的状态类数据和时序类数据分别进行处理分析，并通过建立时序数据预测补偿和动态监测阈值，完成生产监测的分类分级反馈。在云‑边协同的工业制造背景下，整体解决现有生产过程监测中的监测滞后、预警信息实用性低的问题。附图说明[0025] 图1为本发明系统示意图；[0026] 图2为实施例流程图。具体实施方式[0027] 如图1所示，为本实施例涉及一种云计算和边缘计算结合的生产控制系统，包括：指令解析模块、监测配置更新模块、信息适配模块、生产执行模块和生产分析模块，其中：指令解析模块接收来自云端服务平台的生产控制指令并进行内容解析，得到生产任务、操作指令和工艺规范；监测配置更新模块接收来自云端服务平台的用于对生产监测目标进行调整与说明的监测配置信息，解析出监测配置信息后将验证其有效性与适用设备，并将依据配置信息完成相关执行脚本的生成与注入；信息适配模块对生产单元内的异构设备进行语义于信息协议进行一致性适配；生产执行模块连接边缘端和设备端，获取并传递操作指令、生产状态和生产数据；生产分析模块对生产单元的生产过程进行分析与反馈。[0028] 如图2所示，为本实施例基于上述系统的种云计算和边缘计算结合的生产控制方法，通过边缘生产控制系统接收云端服务平台发送的生产控制信息和监测配置信息作为业务流程执行的起点，完成生产分析并将包含生产异常报告和监测预警提醒的生产反馈信息返回云端服务平台作为业务流程执行的终点，生产单元层包含生产端元所管辖的各种物联设备并作为边缘监测系统的数据来源。[0029] 所述的生产控制方法具体包括：[0030] 步骤1)指令解析模块通过服务调用RESTful接口接收生产指令JSON文件与监测配置信息JSON文件，完成对其中内容的解析，并调用信息适配模块进一步处理解析后的信息，其中：对于监测配置文件还将进行配置脚本的生成与注入；信息适配模块将对指令信息和监测配置进行异构设备适配，在语义适配过程中会调用基于领域知识图谱的语义适配模块，进行一些词义消歧和语义匹配的工作。[0031] 步骤2)完成解析适配后将适用于对应物联设备的设备操作指令发送给生产执行模块；生产执行模块将传达操作指令给相关物联设备，完成对操作指令的具体下达，并通过OPCserver接口与生产单元进行双向通信，收集需要监测的指标信息；生产单元相关物联设备获取到具体指令操作后开始执行生产任务，并通过设备新数据采集OPCserver接口不断上传生产过程数据；收集到生产过程数据的生产执行模块将对数据进行实时传递，并调用生产分析模块；生产分析模块通过监测数据获取单元完成对生产过程数据的筛选分类，并对时序数据按序排列，随后将生产状态数据传递给状态数据检测单元，将生产时序数据传递给时序数据预警单元。[0032] 步骤3)状态数据监测单元将依据监测配置信息中的指标计算方法计算当前生产的状态特征值，并将超出阈值的状态指标封装为异常报告JSON文件。[0033] 步骤4)时序数据预警单元将对所收集的数据按照滑动窗口配置按序接收，并对数据进行分组补全，最后通过建立时序预测模型对数据进行预测，时序预测模型包括但不限于如回归预测模型、卡尔曼滤波预测模型后，通过分析历史相似订单的数据实际波动情况，建立预警动态阈值。[0034] 步骤5)在完成数据预测后，通过分析生产环节之间的关联性，对预测结果进行补偿调整，并基于动态阈值与设定临界值进行分级预警，并发送监测预警提醒JSON文件，实现边缘端系统对生产单元的生产监测，并完成云‑边‑端的生产监测协同。[0035] 表1技术特性对比[0036][0037][0038][0039] 与现有技术项目比较，本实施例在执行生产监测过程中，将过程监测权限下放至以生产单元为基础的边缘端，实现边缘端的自监测，减少云端服务平台的负载。在生产控制指令解析阶段，以生产单元为基础进行管控指令的接收与解析，避免云端服务平台需要对每个生产设备进行单独指令设置的方式，减轻云端管控压力；通过构建监测配置更新模块，当监测规则发生变动时自动完成脚本更新注入，实现监测配置的在线更新，而现有技术项目则依靠人工提前设定，无法实现监测内容的在线调整；对于接收到的数据信息，相较于依靠人工方式进行语义解析，通过构建领域知识图谱进行语义匹配将较少处理错误率；对时序数据的预测预警处理中，现有技术项目只针对单设备进行数据预测，且预警阈值提前设定难以及时调整，本发明内容通过分析直接前序环节对当前环节的影响程度，对预测结果进行补偿调整，并依据相似历史订单数据实际波动范围，得到动态监测阈值，保障数据预测预警的准确性；在管控反馈输出处理中，相较于利用静态监测规则的统一判断，本发明完善分类分级反馈机制，对状态数据和时序数据进行分类处理，并对时序数据预警进行分级判断，有效支撑云端服务平台的进一步管控分析。[0040] 从管控时效性来看，本发明得益于云‑边‑端分层协同模式，相较于云端服务平台统一管控每台物联设备生产过程，降低云端服务平台直接进行管控的通信和处理压力。通过结合云计算与边缘计算，更加贴近生产端的监测分析有利于提高对异常发现与预警的时效性。[0041] 从预测准确性上看，相较于直接对单设备的生产时序数据进行计算预测，本发明在生产分析模块中，通过计算前序生产环节对当前环节的关联影响程度，针对时序数据预测提出补偿调整，保障时序数据的预测准确性。[0042] 从预警自适应性上看，本发明通过对相似生产订单数据的实际波动范围进行统计分析，计算动态监测阈值，避免使用预警临界值对不同生产状况进行“一刀切”式的阈值控制。与设定临界值一同实现对异常预警的分级反馈策略，提高监测预警对不同生产状况的适应性。[0043] 本发明通过建立以生产单元为基础的边缘端，接收并传达来自云端服务平台的管控指令，并通过解析监测配置信息，实现对监测内容的在线更新，并通过基于领域知识图谱实现对接收数据的语义解析；系统通过获取分析来自生产单元的执行过程数据，对生产状态数据和生产时序数据进行分类监测预警。重点针对时序数据，通过分析生产环节之间的影响关联对预测值进行补偿调整，并通过对历史监测数据的分析整理得到动态监测阈值，配合预警临界值实现分级预测，为云端服务平台进行进一步生产分析与决策提供多角度信息。[0044] 现有的生产控制系统，云端服务平台直接各生产设备进行监管，没有进行管控分层。对于时序数据的预测处理也没有考虑生产环节之间的关联性，通过对比唯一的预警临界值，进行预测数据预警，处理上有一定的局限性。与现有技术相比，本发明能更好地突破当前模式的局限性，在更贴近生产设备的边缘端进行监测分析，可以保障管控时效性，同时，通过提高预测准确性，利用分级反馈机制，增强反馈效果，可以为整体生产控制提供有力支撑。[0045] 上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

专利地区：上海

专利申请日期：2021-12-09

专利公开日期：2024-07-26

专利公告号：CN114118982B