本項目由萬向研究院、中國聯(lián)通網絡技術研究院牽頭，萬向錢潮公司、杭州領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)網業(yè)務進行研究和探索，并為此提供所需的技術和資源(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中心，為接軌國際先進技術，2002年改組成公司型運行。1996年被原國家經貿委、財政部、海關總署聯(lián)合批準為國家級技術中心。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)技術人員。
中國聯(lián)通網絡技術研究院以中國聯(lián)通發(fā)展戰(zhàn)略為指導，構建起中國聯(lián)通網絡技術支撐體系和專業(yè)支撐團隊，圍繞網絡演進、建設、運行、優(yōu)化等關鍵環(huán)節(jié)開展技術研究，并按照網絡技術發(fā)展生命周期，不斷加強對網絡技術演進、新技術引入以及網絡建設、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，加強技術跟蹤、標準預研、驗證測試、規(guī)范編制、網絡分析、網絡評測，為中國聯(lián)通網絡運營發(fā)展提供整體解決方案和全面技術支撐。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，產品從零件到部件到系統(tǒng)集成，生產專業(yè)化，產品系列化，供貨模塊化；產品涵蓋萬向節(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，是國內最大的獨立汽車系統(tǒng)零部件供應商之一。
杭州領克信息科技有限公司, 一家專門從事工業(yè)物聯(lián)網系統(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)新型技術及產品，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，是廣州市高新技術產業(yè)開發(fā)區(qū)天河科技園內一家專業(yè)從事計算機信息技術研究、計算機信息系統(tǒng)集成、通信軟硬件產品研發(fā)、智慧醫(yī)療、大數(shù)據(jù)、物聯(lián)網等信息技術與軟件服務的民營高科技企業(yè)。
一、關鍵詞
5G，MEC邊緣云，邊緣網關，機器學習，機器視覺，質量檢測，質量優(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)通網絡技術研究院：
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
在產品質量是企業(yè)生命的今天，如何提高產品質量的檢測效率和精度是企業(yè)一直關注的重點，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、邊緣計算等新技術的有機結合，實現(xiàn)產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
(一) 測試床應用場景
產品質量是保障工業(yè)安全與效率的基礎，如萬向節(jié)和齒輪軸作為汽車零部件中的的關鍵部件，其質量對車輛運行安全性和持久性有很大影響，因此在生產過程中的產品質量必須進行嚴格控制。
圖 齒輪軸
圖 萬向節(jié)
當前缺陷檢測技術主要依賴于將產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)實時采集產品圖像：在生產線上部署工業(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建并部署到邊緣計算平臺中：確定產品是否有缺陷；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
1
2
2.1 蜂窩網絡支持工廠現(xiàn)場數(shù)據(jù)采集
從工業(yè)互聯(lián)網的角度，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)：從生產裝備處采集的的數(shù)據(jù)，包括加工監(jiān)控數(shù)據(jù)、產品質量控制數(shù)據(jù)、生產環(huán)境監(jiān)控數(shù)據(jù)等；
下行的控制類數(shù)據(jù)：生產裝備接收到的數(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)裝備的網絡化改造：采用蜂窩網技術將從裝備采集的數(shù)據(jù)傳輸?shù)杰囬g的邊緣網關。移動互聯(lián)網的快速發(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)場景對無線傳輸質量的要求。
2) 邊緣網關：在邊緣網關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，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。
蜂窩網絡和MEC邊緣云結合，可以實現(xiàn)工業(yè)設備生產數(shù)據(jù)的實時分析處理和本地分流，助力企業(yè)轉型升級，實現(xiàn)生產數(shù)據(jù)采集、數(shù)據(jù)分析、生產優(yōu)化，提高生產效率。數(shù)據(jù)在邊緣側進行分析、存儲，無需經過傳統(tǒng)核心網，因此，采用蜂窩網絡結合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邊緣云技術是5G關鍵技術之一。因MEC與無線接入網絡的松耦合性，在5G網絡還未成熟的情況下，運營商一般選擇把MEC部署在4G網絡上，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和核心網EPC之間，利用無線基站內部或無線接入網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絡（如企業(yè)網）內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，獲取開放的無線網絡能力。MEC邊緣云由業(yè)務域及管理域構成。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，與基站集成的的內置方式
2）作為獨立設備，部署在基站后或網關后的外置方式。
下圖為中國聯(lián)通LTE網絡中典型的邊緣云端到端組網架構，邊緣云服務器位于基站與核心網之間，通過解析S1消息實現(xiàn)業(yè)務的分流。基站和核心網之間通常經過多個傳輸環(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，網絡規(guī)劃等需求，可將邊緣云部署于網絡中的合適位置。
2.2.2邊緣網關、邊緣分析
1. 邊緣網關設計：
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，如下圖所示，本項目邊緣服務器從架構上分為：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，產品的檢測設備等，其中，基于視覺的產品質量分析檢測設備由本層支持并提供驅動及數(shù)據(jù)接口服務。設備支持同時服務于多個異質設備（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)重構的方法，通過物聯(lián)網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對象收集的數(shù)據(jù)的相關管理服務；
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，將質量檢測圖像實時傳送給云端，云端進行同步分析，并結合圖像數(shù)據(jù)的歷史分析結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：
北向應用可以在網關注冊，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)格的產品檢測彩色圖片。然后，把彩色圖片轉化成統(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，學習深度學習網絡參數(shù)，通過調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：
1) 模型1的架構:
第一層：第一層卷積神經網絡（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：第二層卷積神經網絡
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:
第一層：第一層卷積神經網絡（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：第二層卷積神經網絡
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圖像識別和質量診斷智能化、質量預測智能化
流程化工業(yè)生產過程中，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制造領域的優(yōu)化決策過程的輔助作用。
本測試床項目將產品質量優(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，邊緣網關通過圖像處理方法，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。基于5G和人工智能的產品質量實時檢測和優(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)，并對邊緣側算法進行自我更新和提升，不斷提高邊緣側的圖像識別能力，提高分析的準確率。
在邊緣側，通過基于5G高性能網絡傳輸，將圖像在云端做進一步處理，同時同步到邊緣側，邊緣側通過產品質量檢測，可以從以下兩個方面改進產品的質量：
1) 質量診斷智能化
質量診斷是本測試床項目中針對一字軸產品的專題診斷，利用圖像處理方法，針對產品質量方面存在的問題，自動快速地進行評價，并為消除缺點、提高生產工藝水平而提出改進建議和指導實施。產品質量診斷，指的是定期對已交庫的產品進行抽查試驗，檢查產品質量能否滿足用戶的需要。通過診斷檢查，掌握產品的質量信息，以便及早采取措施加以改進。工序質量診斷，指的是對工序質量進行檢查，評價各工序能力是否達到要求，掌握工序質量信息，尋找影響工序質量的主要因素，以便采取對策加以改進。
工序質量診斷是質量診斷的基礎，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量檢測結果，通過此結果來進行工序質量診斷。質量診斷最為關鍵的是數(shù)據(jù)分析、知識檢索和故障判定三個環(huán)節(jié)。數(shù)據(jù)分析通過對質量特征值的進一步處理，提取最能反映工序質量問題的信息；根據(jù)這些信息，從人、機、料、法、環(huán)、測（即5M1E）等角度進行檢索，排查質量問題的可能故障源；最后依照相關準則對質量故障源給出判定，依照判定結果結合相關知識對工序進行調整，其流程圖如圖所示。
從數(shù)學角度看，質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（映射關系）。映射關系F是未知的，質量診斷的實質也就是綜合各種參數(shù)、知識和方法，找出這種映射關系F，進而應用這種關系，在以后發(fā)生質量問題時能快速找出問題根源。基于以上分析可知，應用何種控制方法查找這種映射關系，是智能化工序質量診斷的關鍵問題所在。
結合人工智能技術的特點、應用流程以及質量診斷的原理，本測試床項目在前期實施過程中，初步得出人工智能技術與工序質量診斷有以下結合點：
①一字軸加工過程系統(tǒng)中，影響工序質量的因素極其復雜，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，神經網絡技術的非線性特征能夠滿足這種要求。
②良好的工序質量診斷系統(tǒng)不但能夠對以往出現(xiàn)過的故障進行有效識別，還能夠對初次出現(xiàn)的質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網絡的學習算法在本質上是一致的。
③工序質量診斷過程中需要同時處理多種多樣的質量信息，而且要求信息處理必須及時。神經網絡技術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。神經網絡的信息分布特點，使經過訓練的神經網絡具有強大的聯(lián)想能力，對個別神經元和連接權值的損壞，并不會對信息特征造成太大的影響，因此神經網絡具有很好的穩(wěn)定性，即神經網絡受干擾時自動穩(wěn)定的特性和強大的容錯能力。
2) 質量預測的智能化
目前，人工智能算法在質量預測模型中的研究成果主要有兩個方面：一方面是以產品錯誤報告為基礎，以失效時間作為人工智能網絡輸入的質量預測模型；另一方面是以質量度量參數(shù)作為人工智能網絡輸入的質量預測模型。
失效時間是指產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，是衡量產品質量的一個有力指標。產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。這一賦值雖然本質上是經驗性的，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）經驗關系系統(tǒng)Q =(Q ,R)，Q為被度量實體的集合，R={}為Q上的一系列關系。
2）數(shù)值關系系統(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，對生產線上的產品進行自動質量檢測，事實上是對一字軸產品進行聚類分析，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，這一階段是調整權值，以表現(xiàn)問題域，見圖質量檢測訓練模型。第二個階段是工作階段或稱預測階段，如圖質量預測網絡模型，在這一階段中，權值固定不變，并且當把實驗數(shù)據(jù)或實際數(shù)據(jù)輸入到網絡時，網絡能夠對其分類。
圖 質量檢測訓練模型
圖 質量預測網絡模型
通過生產過程中的設備數(shù)據(jù)預處理后，就可以將數(shù)據(jù)輸入神經網絡模型中進行質量預測。數(shù)據(jù)預處理可以改進數(shù)據(jù)的質量，從而有助于提高其后的BP神經網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)轉化為能被人工神經元網絡識別的數(shù)據(jù)，是數(shù)據(jù)挖掘的重要內容之一。BP神經網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系。實質是求誤差函數(shù)的最小值，它通過多個樣本的反復訓練，權值誤差函數(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及各層神經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)網設備管理平臺
在本測試床項目中主要驗證物聯(lián)網設備管理平臺在MEC邊緣云上的部署。物聯(lián)網設備管理平臺可實現(xiàn)物聯(lián)網的設備連接、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)網終端，通過在終端或服務器側部署Agent進行協(xié)議解析數(shù)據(jù)格式轉換，實現(xiàn)終端與平臺的快速連接。支持以太網、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，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，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) 技術創(chuàng)新性及先進性
在產品質量是企業(yè)生命的今天，如何提高產品質量的檢測效率和精度是企業(yè)一直關注的重點。通過機器視覺、5G蜂窩無線、人工智能、邊緣計算等新技術的有機結合，實現(xiàn)產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，實現(xiàn)質量檢測圖像數(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，實現(xiàn)對異質型設備的數(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。在邊緣側基于圖像處理結果，結合人工智能算法，實現(xiàn)質量識別和質量預測算法，通過算法的自我更新及工藝的自我提升，實現(xiàn)流水線生產流程的質量提升。
(四) 測試床解決方案架構
1. 整體架構實現(xiàn)概述
整體框架如圖所示，共分為三層架構：
1) 設備層
通過工業(yè)機器視覺實現(xiàn)產品質量的圖像實時檢測，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)經過聚合后上傳到共有云；同時接收經過訓練的數(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。基于人工智能檢測模型可在云平臺通過API進行調用，實現(xiàn)模型的共享。
2. 架構特征
1) 實時性：由于圖像數(shù)據(jù)采用5G邊緣云技術在靠近設備的邊緣側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
通過物聯(lián)網傳感器設備采集數(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)處理的相關工作在邊緣云內完成，針對數(shù)據(jù)的深度分析則是在中心云內進行，如下圖所示。
圖 測試床功能架構
4. 邊緣云架構
在本測試床項目中，主要試驗MEC邊緣云與邊緣網關的準實時性業(yè)務對接、與物聯(lián)網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絡的帶寬開銷。“邊緣云”或“MEC移動邊緣云”設備可以允許協(xié)同邊緣網絡節(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
六、預期成果
(一) 測試床的預期測試結果，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，提高工業(yè)產能與效率，主要表現(xiàn)為以下三個方面：
提高產品質量檢測精度：將機器視覺檢測技術結合云計算，在傳統(tǒng)質量檢測算法基礎上，結合云端進行算法的更新和進化，并同步到邊緣側，不斷提高產品質量檢測精度；
提高產品檢測效率：利用機器視覺實時檢測，并利用蜂窩網絡和5G邊緣計算支持準實時分析決策反饋，根據(jù)產品形式實時調整檢測模型，最大程度提升產品檢測效率；
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)檢測模型的調用和共享，通過訓練模型術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)者靈活調用，解決相關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)重構方法，采集異質型數(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，同時能夠實現(xiàn)MES、ERP、PLM等企業(yè)管理軟件的自動生產數(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角度：基于三層架構的邊緣側服務器構建，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品質量改進方法具有行業(yè)普遍性，在配車零配件生產類企業(yè)中具有很大的市場推廣價值。
(三) 經濟效益
利用機器視覺技術實現(xiàn)產品質量檢測精度和檢測效率的大大提升，在降低生產成本的同時提高了產品質量，從而避免了產品因質量問題帶來的經濟損失，同時利用機器視覺技術可對各類型的產品質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)產品的市場競爭力，從而給企業(yè)帶來巨大的經濟效益。
邊緣側采用數(shù)據(jù)重構方法，支持異質型數(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)和生產狀態(tài)，從而基于設備的數(shù)據(jù)和統(tǒng)計，對設備生產的產品質量進行改進。
對于制造類企業(yè)客戶而言，結合產品質量情況，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、產量、良品率、保養(yǎng)等生產因素，改善生產條件，改進工藝流程，讓工廠設備可以完全智能化運轉。
(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)、云計算等技術的發(fā)展，以數(shù)據(jù)為驅動的生產過程和產品質量提升將成為企業(yè)提升發(fā)展的方向。本測試床從生產線數(shù)據(jù)自動感知、邊緣平臺實時分析、云平臺持續(xù)優(yōu)化、生產系統(tǒng)精準執(zhí)行，實現(xiàn)產線、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)檢測模型的調用和共享，通過訓練模型術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)展產生巨大的帶動作用，進一步促進國家產業(yè)結構的調整和經濟發(fā)展。
七、測試床技術可行性
(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. 基于質量檢測結果的生產流程更新算法：
結合生產過程監(jiān)控和質量檢測結果，對生產過程中存在的非正常信號進行自我分析，實現(xiàn)產品質量的初步提升；對生產過程中的設備運行節(jié)拍進行自我分析，結合工藝要求，邊緣側自動分析質量提升方法；
2. 邊緣側設備參數(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)網設備管理平臺
物聯(lián)網設備管理平臺可實現(xiàn)物聯(lián)網的設備連接、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技術的關系
(一) 與AII總體架構的關系
AII總體架構
參考AII《工業(yè)互聯(lián)網體系架構》中的AII參考體系構架，見下圖，本測試床項目服務的業(yè)務屬于企業(yè)內智能生產業(yè)務，主要著眼于：
l 基于機器學習對工廠產線機器視覺系統(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)改造生產線良品保障系統(tǒng)。
圖 AII參考體系構架
本測試床成果可為AII參考體系架構中數(shù)據(jù)域的數(shù)據(jù)采集交換提供技術參考，包括：
l 試驗蜂窩網絡對于準實時圖像數(shù)據(jù)采集、分析的支持；
l MEC邊緣云與邊緣網關的業(yè)務協(xié)同。
本測試床成果可為AII參考體系架構中數(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參考體系架構中的網絡域應用支撐提供技術參考，包括：
l 試驗物聯(lián)網設備管理平臺在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測試床的關系
目前AII已存在工業(yè)領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，或者是對新型無線網絡協(xié)議的測試。主要的注意力集中在構建數(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實現(xiàn)產品質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（包括MEC邊緣云）、最新的物聯(lián)網邊緣設備管理平臺。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實現(xiàn)產品質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、 知識產權說明
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、專有技術、版權、商標權以及商業(yè)秘密等所產生的任何侵權和賠償，雙方應在充分協(xié)商的基礎上，協(xié)調解決。
十二、 部署，操作和訪問使用
測試床的物理生產線直接使用萬向錢潮股份有限公司車間內的生產線，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
