一種新的智能自動化框架

李 勍， 朱 政， 張 林， 王萌萌

（中國機械科學研究總院集團有限公司， 北京 100044）

0 引言

Taiichi Ohno 在1988 年提出了自主或 “人機交互自動化”的概念，描述了豐田生產系統中智能機器的自主運行模式[1]。 隨著工業4.0 的發展，智能自動化作為人工智能和自動化的結合也逐漸發展壯大[2-3]。 工業4.0、智能制造、智能工廠或第四次工業革命，這些概念中都提出了技術和設備能夠自主地，智能地與和人互動的要求[4-5]。

自動化行業升級的目標并沒有改變， 即減少停機時間并優化資源的使用。 在市場壓力下， 企業為了降低大規模生產的成本同時保證定制生產靈活性， 大規模定制化的生產需求也隨之出現[6]。 企業為了生產小批量，多樣化的產品，其組織和集成更加復雜，實時性和決策能力也會變差[7]。 新的智能自動化系統在利用全球標準的同時，也可以與以前的系統進行連接和工作。

數據是一項寶貴的商業資產。 通過基于數據的決策支持系統， 工業生產環境的連續數據流可以通過集成分析來優化生產過程。 數據的獲取、操作和使用已成為該行業投資新技術的核心價值。 這一轉變背后的領域包括：①智能自動化，例如網絡物理系統、協作機器人和預測分析[8]；②物聯網（IoT），被國際電信聯盟稱為“信息社會的基礎設施”，即所有設備都應相互連接并相互通信；③支持大數據平臺的云解決方案和邊緣計算， 同時通過使用設備資源確保外圍分散[9]；④數字孿生，用于模擬模型[6]和增強現實。

數據不一致是一個挑戰， 實際生產中的數據經常會受到污染：形式和格式太多，不完整或完全缺乏，錯誤太多，沒有得到適當的跟蹤或是非結構化等[10]。 造成這個問題的通常不是應用程序和系統， 而是獲取和處理數據的體系結構。 數據科學和商業智能等領域正在不斷增長，必須妥善處理數據管理中的這一缺陷， 否則它可能會成為行業發展的瓶頸。

為了應對以上數據采集和管理的挑戰， 本文提出了一個框架，支持智能自動化中間件（MIA）的開發，MIA 將傳統自動化技術與云服務、 大數據和軟件開發集成到決策支持系統中，將傳統的自動化金字塔轉變為更加靈活。并介紹了基于此框架下的兩個應用案例。

1 自動化金字塔

通過開發數據驅動的工業體系結構， 實現了生產流程、業務規劃和物流之間的信息交換。 ISA-95 是國際自動化學會的一項國際標準，自動化金字塔是由ISA-95 提供的框架，用于在5 層中提供此接口，如圖1 所示。

圖1 ISA-95 自動化金字塔架構

在底層，條碼和射頻識別（RFID）是最先進的識別技術，用于跟蹤和監控資源、提供可追溯性并為智能系統提供關鍵數據[12-13]。

SCADA 是一種控制和網絡系統架構， 用于監督員、SCADA 計算機、分布式人機界面（HMI）、PLC（可編程邏輯控制器）等控制器和車間設備（傳感器和執行器）之間的通信和數據交換。 SCADA 系統架構是工業數據采集的標準[14]，利用較小的PLC 循環時間提供高重復性和高可靠性。這種架構將物理系統與更高層次的抽象隔離開來。

制造執行系統（MES）向企業業務層的控制系統添加了一個抽象層。MES 用于實時跟蹤、分析和通知車間從原材料到成品的所有轉變[15]。 MES 提供從生產流程到車間和企業的實時商業智能（BI）。 MES 可用于衡量關鍵成功指標（KPI），例如整體設備效率（OEE），檢索統計過程數據并與智能決策支持系統協作。 決策支持系統的去中心化已經影響了MES 與其他系統通信的方式[16]。

企業資源規劃（ERP）是一套模塊化、集成化的應用程序，負責管理公司的核心業務流程。通常在同一數據庫上實時（或接近實時）運行。如今，許多新的應用正在被添加到工業運營中，它們可以來自數字化工作、數據采集解決方案，如SCADA 和MES，或者基于使用機器學習和數據挖掘工具從原始數據中提取有用的知識[17]。 由于復雜性不斷增加，當單個ERP 不能唯一地滿足公司的特定需求時，許多商業模式往往需要尋求最佳的解決方案[18]。

隨著顛覆性技術的出現和數據管理變得更加復雜，大數據倉庫（BDW）似乎是一種最先進的技術，可以實時收集和處理生成的大數據[19]。 BDW 中的集成元數據是通過來自不同數據源的提取轉換加載（ETL）操作獲取的。BI可以通過在線分析處理（OLAP）立方體實時分析BDW 的不同維度。 BDW 可用于現代車間，以支持決策支持系統和饋送智能自動化解決方案。

基于云的解決方案也在影響自動化金字塔， 通過互聯網為行業提供服務、應用程序和資源，實現遠程云計算基礎設施的可擴展性、靈活性、安全性，并降低維護成本。 云連接通過即插即用的多個數據系統向數字世界提供數據分析[20]。 基于云的解決方案正在不斷發展，并成為Siemens Mindsphere 等工業物聯網廠商的推動者。 通過在網絡邊緣處理數據， 邊緣計算確保了外圍和分散的決策能力[9]。

Arduino 或Raspberry PI 等微控制器是在物聯網環境中跟蹤和獲取數據的廉價選擇， 但仍缺乏工業平臺的可靠性或穩健性，無需維護合同或認證。 SIMATIC IoT2040是2016 年西門子外殼內的Arduino，提供IP20 保護，但與標準PLC 提供的IP65/67 相去甚遠[20]。

開放平臺通信統一架構（OPC-UA）與平臺無關，是標準工業自動化通信平臺， 用于在軟件和設備之間實時交換數據，允許機器對機器通信[8，14]。 OPC 服務器用于將從PLC、HMI、PC 或軟件應用程序接收到的數據轉換為OPC協議。 然后可以使用OPC 客戶端來請求和解釋來自OPC服務器的數據。 OPC 服務器/客戶端配置可用于在TCP/IP協議下通過PROFINET（工業以太網）在PLC 和數據庫之間交換數據。嵌入式系統設備中使用的OPCUA 是物聯網架構的推動者[21]。

2 智能自動化框架

2.1 智能自動化功能

智能自動化框架的成功開發取決于如何有效地考慮數據采集和管理問題的所有特征。功能可以從體系結構、應用程序到組織結構幾個方面進行考慮[5]。本文提出了以下功能的指導原則：

互操作性：一個系統與其他系統集成的能力。接口應該利用標準和通信協議來連接信息并將信息轉換為有意義的結果。 網絡物理系統需要這些交互的系統[8]。

虛擬化：創建物理環境的數字雙胞胎或副本[6]。 仿真模型可用于分析復雜系統（例如制造工廠）在不同場景和環境下的行為。 將信息轉換為數字格式的過程也可以稱為數字化。

可視化：系統與用戶之間的界面。 HMI、應用程序前端和商業智能儀表板的布局和設計應清晰、靈活、易于訪問、快速且響應迅速。

可追溯性： 在資源的整個生命周期內實時跟蹤和監控資源的能力。這是由識別系統發揮作用的架構提供的。

去中心化：決策支持系統自行做出決策的能力。這樣的系統可以是本地或遠程的基于云的方式。 軟件實施可能包括反應性和預測性分析，例如預測性維護、合規性檢查或動態調度[22]。

實時性：立即獲取信息、分析和提供結果的能力。 基礎設施和架構應該準備好處理實時信息交換流。 繞過自動化金字塔的層級可以培養更敏捷的方法。

模塊化： 新模塊的靈活集成或通過需求變化對現有模塊的適應；系統應該被分解成更小的和獨立的子系統，降低整體復雜性。

訪問級別：數據訪問政策的管理機構。 定期將必要的數據移動到應用程序數據倉庫中，通過保持數據完整性將風險降至最低。 將系統遷移到云端也可以減少安全問題。

知識管理：內部知識不應該只存在于關鍵人物身上。信息應該流動，使文檔保持最新非常重要。

2.2 數據特征

智能自動化架構必須反映其數據需求。 數據通常可以通過其容量（Volume）、速度（Velocity）和多樣性（Variety）來定義，被稱為大數據的3Vs[11]，其他作者提出的包括準確性（Veracity）甚至價值（Value），使其成為5Vs。 還有其他分類，例如10Vs 或10Bigs[23]。 本文針對以下特征提出了指導方針：

數量：記錄可能沒有周期性，如生產訂單或基于事件的觸發器，但也可以是周期性的，具有高粒度要求，例如在第二個時間范圍內。 生成的數據量可能需要不斷增長和變化的基礎設施。數據模型的架構必須為擴展、將數據移動到元數據替代方案以及包括數據庫索引做好適當的準備。

頻率：保存、處理和交付數據的速度。 較低的頻率通常用于從數據庫和/或數據倉庫中獲取信息，而在設置為實時跟蹤、執行分析和提供結果的應用程序中，更高的應用程序很常見。實時正在成為行業應用的標準。有必要在每個頻率的處理能力和可能的情況之間找到折衷方案。什么粒度是必須的，什么不是必須的，這是一個不斷變化的閾值。 哪些應該被視為歷史數據，哪些仍然相關。

多樣性：數據類型可以是簡單且結構良好的表，其中包含數字、文本和日期時間，也可能是來自音頻、圖像、視頻或其他文件的非結構化數據的復雜表格。 運行應用程序所需的所有數據都應該被提取、 預處理并整合到一個單一的結構化數據模型中。

復雜性：指數據的維度以及數據如何相互關聯。數據模型的體系結構必須是模塊化且靈活的， 這樣以后就不需要對其進行修改。 參數化是必不可少的， 而不是硬編碼，以允許集成新的需求。

質量：數據可能有許多錯誤，影響其可用性。 它可能是不可預測的、可變的，并且有太多的異常值。 可能有間隙和峰值，例如斷電和連接故障。 它可能是不準確的、多余的或不可信的。架構應包括日志和保護機制，以確保數據采集和管理的質量。

2.3 工業方法

數據模型的設計應適應智能自動化系統的所有特性和數據特征，并遵守應用要求。 需求工程（RE）在對系統的操作環境進行建模的同時平衡了技術、 社會和組織需求。 通用語言的創建和標準的采用支持面向服務的體系結構（SOA）。 業務流程建模和表示法（BPMN）工具可以支持功能分析和工作流規范。 BPM 提供了有關業務流程流的圖形表示。當業務復雜且文檔很少時，這對于確保愿景一致性特別有用。 Petri 網的開發是驗證自動化機制的常用方法。敏捷軟件開發是公司、客戶和外包人才之間為開發解決方案而進行的合作[11]。

2.4 智能自動化中間件（MIA）

通過分析智能自動化的特點和數據特征發現， 傳統的自動化金字塔不符合一些基本要求。 智能自動化需要同時與金字塔的所有層實時交換信息。 數據采集和管理的挑戰要求采用更加動態和靈活的方法。Faller 支持這一說法，稱自動化金字塔不會保持原樣。新的專用系統將出現，但金字塔中各層的內容將繼續存在[8]。

本文的提議是通過創建中間件軟件來解決這個問題，以滿足每個應用程序的特定要求，如圖2 所示。

圖2 智能自動化框架

該框架將所有自動化層， 例如MES、SCADA、PLC 和PC 集成到MIA 中，它還集成了ERP 等企業技術。 MIA 包括云功能、大數據倉庫和集成軟件。 由于其互操作性，客戶端可以通過MIA 與所有應用程序進行交互。 該框架支持同一生產站點中的多個MIA 解決方案，每個解決方案都有自己的應用程序要求。

3 應用案例

3.1 MIA 應用于分揀行業

在這個行業中， 每臺機器每天都在一個集成視覺系統的幫助下對數千個單元進行分類。 這些單元經過不同的分揀階段，每個階段都會產生中間或最終產品的容器。質量是一個重要特征， 因為這些單元在每個階段都可以根據缺陷進行分類。每個生產現場可以有幾百臺機器，有幾條生產線。每個PLC 都連接到一條生產線。該架構的實現如圖3 所示。

圖3 適用于分揀行業的MIA

在這種架構中， 為了確保控制和跟蹤系統之間沒有干擾， 安裝了一個跟蹤PLC 來饋送控制器PLC 的相同信號。遠程服務器上安裝了一個OPC 服務器，以讀取來自所有跟蹤PLC 的信號。 使用MES 安裝創建了第二臺服務器，其中包含數據庫、應用程序軟件和連接到OPC 服務器的OPC 客戶端。生產訂單、事件和商業智能通過儀表板和基于Web 的前端傳送到車間。 生產訂單通過MIA 定期從ERP 提供。N 是數據庫的數量，Z 是在相同MIA 下運行MES應用程序的站點數量，M 和K 是每個MES 實施中的客戶端計算機數量，P 和Q 是每個生產站點中的PLC 數量。

分析生產記錄后可以發現， 每臺分揀機的輸出在預期比例上經常出現偏差。 預期比例是根據待分類材料的物理條件和經驗知識計算的。由于不良分類條件的存在，這些偏差在生產結束前會被忽視， 從而造成了巨大的生產損失。 通過簡單地實時跟蹤最后幾千個計數的輸出比例，可以通過堆棧燈指導操作員調整機器的分類條件，通過實時數據提供反應性維護分析。

3.2 MIA 應用于化工行業

在這個例子中有許多勞動密集型配方， 資源管理對操作員和機器來說都是一個挑戰。配方訂單可以實時交付，并且可以彼此之間可能會有較大的差異。 機器和操作員的能力決定了誰可以在哪里做什么，該架構的實現如圖4 所示。

圖4 MIA 應用于化工行業

在這種架構中， 資源的實時信息是通過RFID 和Barcode 從生產環境中獲取的。 這些信息與SCADA 和從ERP 中的計劃生產一起編譯到MIA 中。 該解決方案通過優化算法提供資源調度，動態調整實時輸入。預先知道配方的SCADA 可以通過其I/O 機器人自動化模塊幫助操作員執行耗時的任務。N 是數據庫的數量，M 是實現中的客戶端計算機的數量，RI/O 代表遠程輸入/輸出。

通過實時跟蹤資源，該架構為動態調度算法提供了可靠的信息來源[18]。 實時跟蹤和交付的時間戳是此實施成功的關鍵。

4 結束語

在本文中，提出了一種新的智能自動化框架。 傳統的自動化金字塔無法滿足當今實時數據交換和管理的要求。 引入包含云功能、大數據倉庫和集成軟件的智能自動化中間件（MIA）似乎是滿足此類要求的替代方案。與SCADA和MES 一樣，一個站點可以有多個MIA，每個MIA 都有自己的應用要求。 本文介紹了智能自動化框架的兩個真實工業實施示例，以使用MIA 獲取和管理數據。

在應用于分揀行業的MIA 中，MES 提供的跟蹤系統允許記錄計數器和機器事件等生產數據， 通過基于云的方法提供KPI 和智能。 在此實施過程中， 信息通過OPC在PLC 和MES 之間直接交換，確保設備和軟件之間的互操作性。 決策支持系統通過實時數據分析提供反應性維護， 并通過OPC 回寫命令對車間中的堆棧燈進行管理。MES 的采用有助于實現無紙化流程， 因為無需在每輪結束時填寫生產記錄。 未來的工作可以通過當前記錄的數據（例如機器事件）來完成預測性維護。 該架構還確保了控制系統和監控系統之間的安全物理分離。 可視化通過瀏覽器傳送到移動設備、固定站和車載設備，所有這些都連接到MES 應用程序的網絡服務器。 儀表板中的信息刷新率，包括與PLC、遠程數據庫和決策系統的數據交換，周期為1s。 計劃完成后，SCADA 能夠在不到1s 的時間內開始制作配方。該實施還得到了模擬工具的開發支持，在該工具中，可以通過更改可用資源來測試不同的場景。

MIA 架構通過軟件集成解決了關鍵的智能自動化功能，如互操作性、集成軟件、實時能力、繞過金字塔中的層、通過決策支持系統的分散化、可追溯性、使用識別系統和虛擬化，以及生產過程的數字化。MIA 還通過基于云的大數據倉庫體系結構解決了關鍵數據特征，如數量、頻率、多樣性和復雜性。 總而言之，MIA 框架并不意味著所有工作都由一臺計算機完成， 中間件可以擴展到多個節點，一個節點可以運行DBW，而其他節點可以運行集成軟件或支持數據庫，MES 服務器還可以提供決策支持系統。