本項(xiàng)目由萬(wàn)向研究院、中國(guó)聯(lián)通網(wǎng)絡(luò)技術(shù)研究院牽頭，萬(wàn)向錢潮公司、杭州領(lǐng)克信息科技有限公司、廣東宜通世紀(jì)科技股份有限公司參與。
上述單位共同參與測(cè)試床項(xiàng)目的目的是對(duì)創(chuàng)新性的工業(yè)互聯(lián)網(wǎng)業(yè)務(wù)進(jìn)行研究和探索，并為此提供所需的技術(shù)和資源(包括人力、設(shè)備、資金等)，以確定解決方案，并對(duì)解決方案的性能、成本、適用性等各方面進(jìn)行驗(yàn)證。
萬(wàn)向研究院，其前身是萬(wàn)向集團(tuán)技術(shù)中心，為接軌國(guó)際先進(jìn)技術(shù)，2002年改組成公司型運(yùn)行。1996年被原國(guó)家經(jīng)貿(mào)委、財(cái)政部、海關(guān)總署聯(lián)合批準(zhǔn)為國(guó)家級(jí)技術(shù)中心。以國(guó)家人事部批準(zhǔn)建立的國(guó)家級(jí)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(shù)人員。

中國(guó)聯(lián)通網(wǎng)絡(luò)技術(shù)研究院以中國(guó)聯(lián)通發(fā)展戰(zhàn)略為指導(dǎo)，構(gòu)建起中國(guó)聯(lián)通網(wǎng)絡(luò)技術(shù)支撐體系和專業(yè)支撐團(tuán)隊(duì)，圍繞網(wǎng)絡(luò)演進(jìn)、建設(shè)、運(yùn)行、優(yōu)化等關(guān)鍵環(huán)節(jié)開(kāi)展技術(shù)研究，并按照網(wǎng)絡(luò)技術(shù)發(fā)展生命周期，不斷加強(qiáng)對(duì)網(wǎng)絡(luò)技術(shù)演進(jìn)、新技術(shù)引入以及網(wǎng)絡(luò)建設(shè)、運(yùn)行、維護(hù)、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(dú)立性和專業(yè)性要求，加強(qiáng)技術(shù)跟蹤、標(biāo)準(zhǔn)預(yù)研、驗(yàn)證測(cè)試、規(guī)范編制、網(wǎng)絡(luò)分析、網(wǎng)絡(luò)評(píng)測(cè)，為中國(guó)聯(lián)通網(wǎng)絡(luò)運(yùn)營(yíng)發(fā)展提供整體解決方案和全面技術(shù)支撐。其擁有的國(guó)家級(jí)汽車零部件實(shí)驗(yàn)室，出具的實(shí)驗(yàn)報(bào)告獲得44個(gè)國(guó)家和地區(qū)的互認(rèn)資格。浙江省汽車零部件實(shí)驗(yàn)基地也落戶在萬(wàn)向研究院。
萬(wàn)向錢潮一直致力于汽車零部件的研發(fā)和制造，產(chǎn)品從零件到部件到系統(tǒng)集成，生產(chǎn)專業(yè)化，產(chǎn)品系列化，供貨模塊化；產(chǎn)品涵蓋萬(wàn)向節(jié)、輪轂單元、軸承、汽車底盤及懸架系統(tǒng)、制動(dòng)系統(tǒng)、傳動(dòng)系統(tǒng)、排氣系統(tǒng)、燃油箱、工程機(jī)械零部件等汽車系統(tǒng)零部件及總成，是國(guó)內(nèi)最大的獨(dú)立汽車系統(tǒng)零部件供應(yīng)商之一。
杭州領(lǐng)克信息科技有限公司, 一家專門從事工業(yè)物聯(lián)網(wǎng)系統(tǒng)研究、開(kāi)發(fā)、應(yīng)用、咨詢的公司，擁有眾多自主研發(fā)的創(chuàng)新型技術(shù)及產(chǎn)品，包括機(jī)床設(shè)備節(jié)拍分析設(shè)備、綜合數(shù)據(jù)采集平臺(tái)、智能業(yè)務(wù)設(shè)計(jì)平臺(tái)、物聯(lián)網(wǎng)云服務(wù)平臺(tái)等。

廣東宜通世紀(jì)科技股份有限公司，是廣州市高新技術(shù)產(chǎn)業(yè)開(kāi)發(fā)區(qū)天河科技園內(nèi)一家專業(yè)從事計(jì)算機(jī)信息技術(shù)研究、計(jì)算機(jī)信息系統(tǒng)集成、通信軟硬件產(chǎn)品研發(fā)、智慧醫(yī)療、大數(shù)據(jù)、物聯(lián)網(wǎng)等信息技術(shù)與軟件服務(wù)的民營(yíng)高科技企業(yè)。

一、關(guān)鍵詞

5G，MEC邊緣云，邊緣網(wǎng)關(guān)，機(jī)器學(xué)習(xí)，機(jī)器視覺(jué)，質(zhì)量檢測(cè)，質(zhì)量?jī)?yōu)化。

二、發(fā)起公司和主要聯(lián)系人聯(lián)系方式

萬(wàn)向集團(tuán)公司研究院：
主要聯(lián)系人：
馬吉軍
手機(jī)： 13777880980
郵箱：jijun.ma@wxciv.com
中國(guó)聯(lián)通網(wǎng)絡(luò)技術(shù)研究院：
主要聯(lián)系人：
賈雪琴
手機(jī)：18601106631
郵箱：jiaxq21@chinaunicom.cn

三、合作公司

萬(wàn)向錢潮股份有限公司：
主要聯(lián)系人：
柯佳華
手機(jī)：15657181289
郵箱：kejiahua@wxj.wxqc.cn

杭州領(lǐng)克信息科技有限公司
主要聯(lián)系人：
余長(zhǎng)宏
座機(jī)：0571-56071258
手機(jī)： 13858033500
郵箱：yuchanghong@linkortech.com

廣東宜通世紀(jì)科技股份有限公司：
主要聯(lián)系人：
王永斌
手機(jī)： 18518051830
郵箱： wangyongbin@etonetech.com

四、測(cè)試床項(xiàng)目目標(biāo)和概述

        在產(chǎn)品質(zhì)量是企業(yè)生命的今天，如何提高產(chǎn)品質(zhì)量的檢測(cè)效率和精度是企業(yè)一直關(guān)注的重點(diǎn)，也是該測(cè)試床要解決的重大目標(biāo)。通過(guò)機(jī)器視覺(jué)、5G蜂窩無(wú)線、人工智能、邊緣計(jì)算等新技術(shù)的有機(jī)結(jié)合，實(shí)現(xiàn)產(chǎn)品實(shí)時(shí)在線高精度檢測(cè)，并通過(guò)工業(yè)云平臺(tái)實(shí)現(xiàn)檢測(cè)模型的迭代提高和共享。

五、測(cè)試床解決方案架構(gòu)

(一)   測(cè)試床應(yīng)用場(chǎng)景
產(chǎn)品質(zhì)量是保障工業(yè)安全與效率的基礎(chǔ)，如萬(wàn)向節(jié)和齒輪軸作為汽車零部件中的的關(guān)鍵部件，其質(zhì)量對(duì)車輛運(yùn)行安全性和持久性有很大影響，因此在生產(chǎn)過(guò)程中的產(chǎn)品質(zhì)量必須進(jìn)行嚴(yán)格控制。

圖 齒輪軸       

圖 萬(wàn)向節(jié)

當(dāng)前缺陷檢測(cè)技術(shù)主要依賴于將產(chǎn)品檢測(cè)圖像與預(yù)定義的缺陷類型庫(kù)進(jìn)行對(duì)比分析，缺乏一定的學(xué)習(xí)能力和檢測(cè)彈性，從而導(dǎo)致檢測(cè)精度和效率較低。

圖 在線檢測(cè)設(shè)備
 

采用基于深度學(xué)習(xí)的在線機(jī)器視覺(jué)檢測(cè)，提高了缺陷檢測(cè)的準(zhǔn)確率和效率。利用機(jī)器視覺(jué)系統(tǒng)實(shí)時(shí)采集產(chǎn)品圖像：在生產(chǎn)線上部署工業(yè)高速和高靈敏度線掃描CCD相機(jī)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(xué)習(xí)模型由訓(xùn)練和測(cè)試圖像構(gòu)建并部署到邊緣計(jì)算平臺(tái)中：確定產(chǎn)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(qiáng)化學(xué)習(xí)提高了檢測(cè)精度。

(二)    測(cè)試床重點(diǎn)技術(shù)
1       
2       

2.1      蜂窩網(wǎng)絡(luò)支持工廠現(xiàn)場(chǎng)數(shù)據(jù)采集

從工業(yè)互聯(lián)網(wǎng)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(chǎn)裝備處采集的的數(shù)據(jù)，包括加工監(jiān)控?cái)?shù)據(jù)、產(chǎn)品質(zhì)量控制數(shù)據(jù)、生產(chǎn)環(huán)境監(jiān)控?cái)?shù)據(jù)等；
下行的控制類數(shù)據(jù)：生產(chǎn)裝備接收到的數(shù)據(jù)，主要涉及對(duì)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(jí)的實(shí)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(kāi)處理。數(shù)據(jù)采集方案主要包括：
1)  工業(yè)裝備的網(wǎng)絡(luò)化改造：采用蜂窩網(wǎng)技術(shù)將從裝備采集的數(shù)據(jù)傳輸?shù)杰囬g的邊緣網(wǎng)關(guān)。移動(dòng)互聯(lián)網(wǎng)的快速發(fā)展促使工業(yè)廠家對(duì)無(wú)線通信的要求日益增強(qiáng)，目前多數(shù)工業(yè)廠房通過(guò)WIFI進(jìn)行無(wú)線接入。然而，WIFI在抗干擾、安全認(rèn)證、QoS質(zhì)量保證、業(yè)務(wù)連續(xù)性方面無(wú)法進(jìn)行可靠保障，難以滿足工業(yè)場(chǎng)景對(duì)無(wú)線傳輸質(zhì)量的要求。
2)  邊緣網(wǎng)關(guān)：在邊緣網(wǎng)關(guān)處對(duì)采集到的裝備數(shù)據(jù)進(jìn)行解析、數(shù)據(jù)封裝和本地?cái)?shù)據(jù)處理。
3)  MEC邊緣云：采用MEC邊緣云技術(shù)，利用MEC邊緣云的分流功能，將從裝備采集來(lái)的原始數(shù)據(jù)在本地處理，以極大縮短數(shù)據(jù)傳輸時(shí)延（相比于中心云存儲(chǔ)，時(shí)延縮短50%）。
4)  中心云：將機(jī)器學(xué)習(xí)的訓(xùn)練過(guò)程所需的時(shí)延不敏感數(shù)據(jù)分流到中心云存儲(chǔ)。
蜂窩網(wǎng)絡(luò)和MEC邊緣云結(jié)合，可以實(shí)現(xiàn)工業(yè)設(shè)備生產(chǎn)數(shù)據(jù)的實(shí)時(shí)分析處理和本地分流，助力企業(yè)轉(zhuǎn)型升級(jí)，實(shí)現(xiàn)生產(chǎn)數(shù)據(jù)采集、數(shù)據(jù)分析、生產(chǎn)優(yōu)化，提高生產(chǎn)效率。數(shù)據(jù)在邊緣側(cè)進(jìn)行分析、存儲(chǔ)，無(wú)需經(jīng)過(guò)傳統(tǒng)核心網(wǎng)，因此，采用蜂窩網(wǎng)絡(luò)結(jié)合MEC邊緣云的方案具有時(shí)延短、安全性高，帶寬高等優(yōu)勢(shì)。

2.2      邊緣計(jì)算

2.2.1 MEC邊緣云

MEC邊緣云技術(shù)是5G關(guān)鍵技術(shù)之一。因MEC與無(wú)線接入網(wǎng)絡(luò)的松耦合性，在5G網(wǎng)絡(luò)還未成熟的情況下，運(yùn)營(yíng)商一般選擇把MEC部署在4G網(wǎng)絡(luò)上，以對(duì)MEC的性能、功能、接口等進(jìn)行試驗(yàn)。
MEC邊緣云位于無(wú)線接入網(wǎng)和核心網(wǎng)EPC之間，利用無(wú)線基站內(nèi)部或無(wú)線接入網(wǎng)邊緣的云計(jì)算設(shè)施提供本地化的公有云服務(wù)，并能連接位于其它網(wǎng)絡(luò)（如企業(yè)網(wǎng)）內(nèi)部的私有云從而形成混合云。MEC邊緣云基于特定的云計(jì)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(nèi)的IT資源。第三方應(yīng)用以虛擬機(jī)（VM）的形式部署于邊緣云，能夠通過(guò)統(tǒng)一的API，獲取開(kāi)放的無(wú)線網(wǎng)絡(luò)能力。MEC邊緣云由業(yè)務(wù)域及管理域構(gòu)成。業(yè)務(wù)域用于支持第三方應(yīng)用的運(yùn)行。管理域負(fù)責(zé)對(duì)MEC邊緣云的業(yè)務(wù)域進(jìn)行管理。

在本項(xiàng)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(wǎng)絡(luò)中。MEC邊緣云有兩種形態(tài)：
1）作為基站的增強(qiáng)功能，通過(guò)軟件升級(jí)或者新增版卡，與基站集成的的內(nèi)置方式
2）作為獨(dú)立設(shè)備，部署在基站后或網(wǎng)關(guān)后的外置方式。

下圖為中國(guó)聯(lián)通LTE網(wǎng)絡(luò)中典型的邊緣云端到端組網(wǎng)架構(gòu)，邊緣云服務(wù)器位于基站與核心網(wǎng)之間，通過(guò)解析S1消息實(shí)現(xiàn)業(yè)務(wù)的分流?；竞秃诵木W(wǎng)之間通常經(jīng)過(guò)多個(gè)傳輸環(huán)：接入環(huán)、匯聚環(huán)、和核心環(huán)。根據(jù)業(yè)務(wù)類型、處理能力，網(wǎng)絡(luò)規(guī)劃等需求，可將邊緣云部署于網(wǎng)絡(luò)中的合適位置。

2.2.2邊緣網(wǎng)關(guān)、邊緣分析

1.        邊緣網(wǎng)關(guān)設(shè)計(jì)：
本測(cè)試床項(xiàng)目中的邊緣服務(wù)器設(shè)計(jì)參考并遵循ECC、EdgeX Foundry等組織的協(xié)議及架構(gòu)，如下圖所示，本項(xiàng)目邊緣服務(wù)器從架構(gòu)上分為：設(shè)備支持層、核心服務(wù)層、用戶服務(wù)層、擴(kuò)展服務(wù)層。

1)        設(shè)備支持層：
該層負(fù)責(zé)與南向設(shè)備交互。
設(shè)備支持是與南向設(shè)備或物聯(lián)網(wǎng)對(duì)象交互的邊緣連接器，包括本測(cè)試床項(xiàng)目所有的機(jī)器設(shè)備，產(chǎn)品的檢測(cè)設(shè)備等，其中，基于視覺(jué)的產(chǎn)品質(zhì)量分析檢測(cè)設(shè)備由本層支持并提供驅(qū)動(dòng)及數(shù)據(jù)接口服務(wù)。設(shè)備支持同時(shí)服務(wù)于多個(gè)異質(zhì)設(shè)備（如多種加工中心、數(shù)控機(jī)床、鋸床、磨床等）。
設(shè)備支持層的微服務(wù)采用數(shù)據(jù)重構(gòu)的方法，通過(guò)物聯(lián)網(wǎng)對(duì)本次測(cè)試床實(shí)施對(duì)象本身的協(xié)議與設(shè)備，傳感器，執(zhí)行器和其他物聯(lián)網(wǎng)對(duì)象進(jìn)行通信。

2)        核心服務(wù)層：
核心服務(wù)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(wù)提供相關(guān)服務(wù)的信息，包括微服務(wù)配置屬性；
Core Data：持久性存儲(chǔ)庫(kù)和從南側(cè)對(duì)象收集的數(shù)據(jù)的相關(guān)管理服務(wù)；
Metadata：提供配置新設(shè)備并將它們與其擁有的設(shè)備服務(wù)配對(duì)的功能；
Command：處理北向應(yīng)用發(fā)往南向設(shè)備的請(qǐng)求；當(dāng)然該服務(wù)還會(huì)處理框架內(nèi)其它微服務(wù)發(fā)往南向設(shè)備的請(qǐng)求，如本地的分析服務(wù)。

3)        用戶服務(wù)層：
用戶服務(wù)（CS）層包含本次測(cè)試床實(shí)施項(xiàng)目所有的微服務(wù)，本層微服務(wù)主要提供邊緣側(cè)視頻圖像實(shí)時(shí)處理服務(wù)和智能分析決策服務(wù)，同時(shí)也提供生產(chǎn)流水線工藝優(yōu)化智能算法的服務(wù)。 此外，該層提供如日志記錄，調(diào)度和數(shù)據(jù)清理（清理）等的支持功能。

4)        擴(kuò)展服務(wù)層：
本測(cè)試床實(shí)施中，應(yīng)用中國(guó)聯(lián)通5G快速接入的特點(diǎn)，將質(zhì)量檢測(cè)圖像實(shí)時(shí)傳送給云端，云端進(jìn)行同步分析，并結(jié)合圖像數(shù)據(jù)的歷史分析結(jié)果進(jìn)行更新反饋給邊緣服務(wù)器，因此，擴(kuò)展服務(wù)層實(shí)現(xiàn)了一組微服務(wù)實(shí)現(xiàn)以下功能：
北向應(yīng)用可以在網(wǎng)關(guān)注冊(cè)，并獲取其感興趣的南向設(shè)備的數(shù)據(jù)；
通知數(shù)據(jù)何時(shí)被發(fā)往中國(guó)聯(lián)通云服務(wù)器；
通知數(shù)據(jù)傳輸格式；
反饋圖像處理結(jié)果，并增加更新算法信息

2.3      機(jī)器學(xué)習(xí)

2.3.1基本方法和模型

本測(cè)試床計(jì)劃首先采集大量的相同規(guī)格的產(chǎn)品檢測(cè)彩色圖片。然后，把彩色圖片轉(zhuǎn)化成統(tǒng)一的灰度圖。對(duì)采集的圖片進(jìn)行標(biāo)記，對(duì)于每一張圖片，進(jìn)行相應(yīng)的標(biāo)記（合格：1，不合格：0）。將標(biāo)記的數(shù)據(jù)分為訓(xùn)練集集、測(cè)試集、驗(yàn)證集，將所有的灰度圖片以及它所對(duì)應(yīng)的標(biāo)記隨機(jī)劃分為訓(xùn)練集（training set）（60%），驗(yàn)證集（cross-validation set）（20%），測(cè)試集（test set）（20%）。利用訓(xùn)練集進(jìn)行模型訓(xùn)練，學(xué)習(xí)深度學(xué)習(xí)網(wǎng)絡(luò)參數(shù)，通過(guò)調(diào)參保證模型的泛化能力，用交叉熵（cross entropy）來(lái)作為損失函數(shù)。

主要考慮采用以下2種模型架構(gòu)：
1)   模型1的架構(gòu):
第一層：第一層卷積神經(jīng)網(wǎng)絡(luò)（CNN）
第二層：通過(guò)線性整流激活函數(shù)（ReLU）
第三層：應(yīng)用最大池化層（Max-pooling）
第四層：第二層卷積神經(jīng)網(wǎng)絡(luò)
第五層：通過(guò)線性整流函數(shù)
第六層：再次應(yīng)用最大池化層
第七層：使用扁平層（flatten layer）
第八層：經(jīng)過(guò)全連接層（fully-connected layer）
第九層：利用脫離層（Dropout layer）, 并設(shè)置脫離率（dropout rate）為0.5
第十層：再次經(jīng)過(guò)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(gòu):
第一層：第一層卷積神經(jīng)網(wǎng)絡(luò)（CNN）
第二層：通過(guò)最大輸出激活函數(shù)（maxout）
第三層：應(yīng)用最大池化層（Max-pooling）
第四層：第二層卷積神經(jīng)網(wǎng)絡(luò)
第五層：通過(guò)線性整流函數(shù)
第六層：再次應(yīng)用最大池化層
第七層：使用扁平層（flatten layer）
第八層：經(jīng)過(guò)全連接層（fully-connected layer）
第九層：利用脫離層（Dropout layer）, 并設(shè)置脫離率（dropout rate）為0.5
第十層：再次經(jīng)過(guò)全連接層
第十一層：最后使用柔性最大層（softmax）
利用驗(yàn)證集對(duì)深度學(xué)習(xí)模型進(jìn)行測(cè)試，防止過(guò)擬合，并使用驗(yàn)證集分別驗(yàn)證上述2個(gè)被訓(xùn)練出來(lái)的模型，選出最佳模型所對(duì)應(yīng)的參數(shù)。利用測(cè)試集對(duì)深度學(xué)習(xí)模型進(jìn)行驗(yàn)證，保證模型的正確性。使用測(cè)試集進(jìn)行模型預(yù)測(cè)，從而來(lái)衡量該最優(yōu)模型的性能和分類能力。即可以把測(cè)試集當(dāng)成從來(lái)不存在的數(shù)據(jù)集，在確定模型參數(shù)后，對(duì)該模型進(jìn)行性能評(píng)價(jià)。

2.3.2圖像識(shí)別和質(zhì)量診斷智能化、質(zhì)量預(yù)測(cè)智能化

流程化工業(yè)生產(chǎn)過(guò)程中，作為開(kāi)發(fā)AI支持的分析與自優(yōu)化機(jī)器的第一步，機(jī)械與自動(dòng)化制造商應(yīng)該對(duì)自身機(jī)器性能保持完全透明。本測(cè)試床采用圖像識(shí)別方式，將人工智能方法在流程化生產(chǎn)制造領(lǐng)域的優(yōu)化決策過(guò)程的輔助作用。

本測(cè)試床項(xiàng)目將產(chǎn)品質(zhì)量?jī)?yōu)化問(wèn)題的全過(guò)程概括分為數(shù)據(jù)獲取、決策優(yōu)化、方案實(shí)施這三個(gè)階段，邊緣網(wǎng)關(guān)通過(guò)圖像處理方法，實(shí)現(xiàn)決策優(yōu)化過(guò)程，基于遠(yuǎn)端云海量數(shù)據(jù)和算法，更快更好地完成邊緣服務(wù)難以實(shí)現(xiàn)的大數(shù)據(jù)計(jì)算任務(wù)?；?G和人工智能的產(chǎn)品質(zhì)量實(shí)時(shí)檢測(cè)和優(yōu)化測(cè)試床項(xiàng)目在實(shí)施階段的云端檢測(cè)反饋信息作為新的輸入數(shù)據(jù)，并對(duì)邊緣側(cè)算法進(jìn)行自我更新和提升，不斷提高邊緣側(cè)的圖像識(shí)別能力，提高分析的準(zhǔn)確率。
在邊緣側(cè)，通過(guò)基于5G高性能網(wǎng)絡(luò)傳輸，將圖像在云端做進(jìn)一步處理，同時(shí)同步到邊緣側(cè)，邊緣側(cè)通過(guò)產(chǎn)品質(zhì)量檢測(cè)，可以從以下兩個(gè)方面改進(jìn)產(chǎn)品的質(zhì)量：

1)        質(zhì)量診斷智能化
質(zhì)量診斷是本測(cè)試床項(xiàng)目中針對(duì)一字軸產(chǎn)品的專題診斷，利用圖像處理方法，針對(duì)產(chǎn)品質(zhì)量方面存在的問(wèn)題，自動(dòng)快速地進(jìn)行評(píng)價(jià)，并為消除缺點(diǎn)、提高生產(chǎn)工藝水平而提出改進(jìn)建議和指導(dǎo)實(shí)施。產(chǎn)品質(zhì)量診斷，指的是定期對(duì)已交庫(kù)的產(chǎn)品進(jìn)行抽查試驗(yàn)，檢查產(chǎn)品質(zhì)量能否滿足用戶的需要。通過(guò)診斷檢查，掌握產(chǎn)品的質(zhì)量信息，以便及早采取措施加以改進(jìn)。工序質(zhì)量診斷，指的是對(duì)工序質(zhì)量進(jìn)行檢查，評(píng)價(jià)各工序能力是否達(dá)到要求，掌握工序質(zhì)量信息，尋找影響工序質(zhì)量的主要因素，以便采取對(duì)策加以改進(jìn)。
工序質(zhì)量診斷是質(zhì)量診斷的基礎(chǔ)，也是最重要的一環(huán)，所以，本測(cè)試床項(xiàng)目著重研究基于圖像處理后得到的質(zhì)量檢測(cè)結(jié)果，通過(guò)此結(jié)果來(lái)進(jìn)行工序質(zhì)量診斷。質(zhì)量診斷最為關(guān)鍵的是數(shù)據(jù)分析、知識(shí)檢索和故障判定三個(gè)環(huán)節(jié)。數(shù)據(jù)分析通過(guò)對(duì)質(zhì)量特征值的進(jìn)一步處理，提取最能反映工序質(zhì)量問(wèn)題的信息；根據(jù)這些信息，從人、機(jī)、料、法、環(huán)、測(cè)（即5M1E）等角度進(jìn)行檢索，排查質(zhì)量問(wèn)題的可能故障源；最后依照相關(guān)準(zhǔn)則對(duì)質(zhì)量故障源給出判定，依照判定結(jié)果結(jié)合相關(guān)知識(shí)對(duì)工序進(jìn)行調(diào)整，其流程圖如圖所示。

從數(shù)學(xué)角度看，質(zhì)量診斷的過(guò)程實(shí)際上就是把癥狀空間的向量映射到故障源空間，即實(shí)現(xiàn)空間X（癥狀空間）到空間Y（故障源）的映射F（映射關(guān)系）。映射關(guān)系F是未知的，質(zhì)量診斷的實(shí)質(zhì)也就是綜合各種參數(shù)、知識(shí)和方法，找出這種映射關(guān)系F，進(jìn)而應(yīng)用這種關(guān)系，在以后發(fā)生質(zhì)量問(wèn)題時(shí)能快速找出問(wèn)題根源?；谝陨戏治隹芍瑧?yīng)用何種控制方法查找這種映射關(guān)系，是智能化工序質(zhì)量診斷的關(guān)鍵問(wèn)題所在。

結(jié)合人工智能技術(shù)的特點(diǎn)、應(yīng)用流程以及質(zhì)量診斷的原理，本測(cè)試床項(xiàng)目在前期實(shí)施過(guò)程中，初步得出人工智能技術(shù)與工序質(zhì)量診斷有以下結(jié)合點(diǎn)：
①一字軸加工過(guò)程系統(tǒng)中，影響工序質(zhì)量的因素極其復(fù)雜，從故障現(xiàn)象到故障原因的推理過(guò)程是非線性的。人工智能算法中，神經(jīng)網(wǎng)絡(luò)技術(shù)的非線性特征能夠滿足這種要求。

②良好的工序質(zhì)量診斷系統(tǒng)不但能夠?qū)σ酝霈F(xiàn)過(guò)的故障進(jìn)行有效識(shí)別，還能夠?qū)Τ醮纬霈F(xiàn)的質(zhì)量問(wèn)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(xué)習(xí)拓展能力，這與人工智能算法中的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法在本質(zhì)上是一致的。
③工序質(zhì)量診斷過(guò)程中需要同時(shí)處理多種多樣的質(zhì)量信息，而且要求信息處理必須及時(shí)。神經(jīng)網(wǎng)絡(luò)技術(shù)信息處理的并行機(jī)制可以解決控制系統(tǒng)中大規(guī)模實(shí)時(shí)計(jì)算問(wèn)題，而且并行機(jī)制中的冗余性可以使控制系統(tǒng)具有很強(qiáng)的容錯(cuò)能力。
④工序質(zhì)量受到來(lái)自5M1E條件下多種因素影響，有些甚至干擾很強(qiáng)烈，這就要求系統(tǒng)有一定的抗干擾能力。神經(jīng)網(wǎng)絡(luò)的信息分布特點(diǎn)，使經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的聯(lián)想能力，對(duì)個(gè)別神經(jīng)元和連接權(quán)值的損壞，并不會(huì)對(duì)信息特征造成太大的影響，因此神經(jīng)網(wǎng)絡(luò)具有很好的穩(wěn)定性，即神經(jīng)網(wǎng)絡(luò)受干擾時(shí)自動(dòng)穩(wěn)定的特性和強(qiáng)大的容錯(cuò)能力。
2)        質(zhì)量預(yù)測(cè)的智能化
目前，人工智能算法在質(zhì)量預(yù)測(cè)模型中的研究成果主要有兩個(gè)方面：一方面是以產(chǎn)品錯(cuò)誤報(bào)告為基礎(chǔ)，以失效時(shí)間作為人工智能網(wǎng)絡(luò)輸入的質(zhì)量預(yù)測(cè)模型；另一方面是以質(zhì)量度量參數(shù)作為人工智能網(wǎng)絡(luò)輸入的質(zhì)量預(yù)測(cè)模型。
失效時(shí)間是指產(chǎn)品從加工完成時(shí)至在正常使用狀況下失去使用價(jià)值時(shí)的時(shí)間段，是衡量產(chǎn)品質(zhì)量的一個(gè)有力指標(biāo)。產(chǎn)品的失效時(shí)間一般是通過(guò)抽樣測(cè)試來(lái)確定的，其估算方法如下：已知(，) 時(shí)間內(nèi)有個(gè)樣品失效，可以用等間隔方式估計(jì)此個(gè)失效樣品的失效時(shí)間，即在(，)內(nèi)第h個(gè)失效時(shí)間可用如下公式計(jì)算。
，h=1，2，…，
式中，，--——試驗(yàn)?zāi)硶r(shí)間段的起止時(shí)間；——第h個(gè)失效時(shí)間；——失效產(chǎn)品個(gè)數(shù)。
而度量是按照明確定義的規(guī)則，將數(shù)字或者符號(hào)賦予真實(shí)世界中的實(shí)體的屬性的過(guò)程，通過(guò)這種映射人們可以更容易的理解實(shí)體的特性和實(shí)體間的關(guān)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(shí)世界的意義。度量理論對(duì)于在企業(yè)質(zhì)量管理中選擇和應(yīng)用合適的度量是很重要的，通過(guò)這種方式來(lái)描述實(shí)體的屬性。這一賦值雖然本質(zhì)上是經(jīng)驗(yàn)性的，但是，所賦數(shù)值或符號(hào)必須能夠反映事物被度量的屬性。度量是一個(gè)三元組（Q,M,N），其中：
1）經(jīng)驗(yàn)關(guān)系系統(tǒng)Q =(Q ,R)，Q為被度量實(shí)體的集合，R={}為Q上的一系列關(guān)系。
2）數(shù)值關(guān)系系統(tǒng)N =(N ,P)，N為數(shù)值或者符號(hào)的一個(gè)集合，P={}為N上的一系列關(guān)系。
3）映射M :Q →N ,M (x)為實(shí)體x在被度量屬性方面的度量值。
本測(cè)試床通過(guò)圖像處理方法，對(duì)生產(chǎn)線上的產(chǎn)品進(jìn)行自動(dòng)質(zhì)量檢測(cè)，事實(shí)上是對(duì)一字軸產(chǎn)品進(jìn)行聚類分析，輸出僅為二值：合格與不合格，這實(shí)際上是一個(gè)模式識(shí)別問(wèn)題。在項(xiàng)目實(shí)施過(guò)程中，把人工智能網(wǎng)絡(luò)應(yīng)用于模式識(shí)別問(wèn)題包括兩個(gè)截然不同的階段。第一個(gè)階段是訓(xùn)練階段，這一階段是調(diào)整權(quán)值，以表現(xiàn)問(wèn)題域，見(jiàn)圖質(zhì)量檢測(cè)訓(xùn)練模型。第二個(gè)階段是工作階段或稱預(yù)測(cè)階段，如圖質(zhì)量預(yù)測(cè)網(wǎng)絡(luò)模型，在這一階段中，權(quán)值固定不變，并且當(dāng)把實(shí)驗(yàn)數(shù)據(jù)或?qū)嶋H數(shù)據(jù)輸入到網(wǎng)絡(luò)時(shí)，網(wǎng)絡(luò)能夠?qū)ζ浞诸悺?/span>

圖  質(zhì)量檢測(cè)訓(xùn)練模型

圖  質(zhì)量預(yù)測(cè)網(wǎng)絡(luò)模型
 

通過(guò)生產(chǎn)過(guò)程中的設(shè)備數(shù)據(jù)預(yù)處理后，就可以將數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行質(zhì)量預(yù)測(cè)。數(shù)據(jù)預(yù)處理可以改進(jìn)數(shù)據(jù)的質(zhì)量，從而有助于提高其后的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的精度和性能。數(shù)據(jù)預(yù)處理，是將得到的原始數(shù)據(jù)轉(zhuǎn)化為能被人工神經(jīng)元網(wǎng)絡(luò)識(shí)別的數(shù)據(jù)，是數(shù)據(jù)挖掘的重要內(nèi)容之一。BP神經(jīng)網(wǎng)絡(luò)由于具有很好的函數(shù)逼近能力,因而通過(guò)對(duì)訓(xùn)練樣本的學(xué)習(xí),能很好地反映出對(duì)象的輸入/輸出之間復(fù)雜的非線性關(guān)系。實(shí)質(zhì)是求誤差函數(shù)的最小值，它通過(guò)多個(gè)樣本的反復(fù)訓(xùn)練，權(quán)值誤差函數(shù)的最速下降(負(fù)梯度)方向來(lái)改變,最終收斂于最小點(diǎn),最后將多個(gè)已知樣本訓(xùn)練得到的各層連接權(quán)及各層神經(jīng)元的偏置值等信息作為知識(shí)保存，以便對(duì)未訓(xùn)練樣本值進(jìn)行預(yù)測(cè)。

2.4       物聯(lián)網(wǎng)設(shè)備管理平臺(tái)

在本測(cè)試床項(xiàng)目中主要驗(yàn)證物聯(lián)網(wǎng)設(shè)備管理平臺(tái)在MEC邊緣云上的部署。物聯(lián)網(wǎng)設(shè)備管理平臺(tái)可實(shí)現(xiàn)物聯(lián)網(wǎng)的設(shè)備連接、設(shè)備管理、應(yīng)用使能等功能。向下提供設(shè)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(duì)數(shù)據(jù)進(jìn)行分析、存儲(chǔ)、可視化及整合；同時(shí)提供豐富的可調(diào)用的應(yīng)用接口（API），滿足行業(yè)客戶的應(yīng)用快速開(kāi)發(fā)。
平臺(tái)的優(yōu)勢(shì)如下:
1)        數(shù)據(jù)采集：立子云平臺(tái)支持ModBus、CANbus等多種工業(yè)通信協(xié)議，針對(duì)各類物聯(lián)網(wǎng)終端，通過(guò)在終端或服務(wù)器側(cè)部署Agent進(jìn)行協(xié)議解析數(shù)據(jù)格式轉(zhuǎn)換，實(shí)現(xiàn)終端與平臺(tái)的快速連接。支持以太網(wǎng)、光纖等通用協(xié)議接入，支持2G/3G/4G、NB-IoT、LoRaWAN等無(wú)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(yīng)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(shí)現(xiàn)數(shù)據(jù)的遠(yuǎn)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(biāo)準(zhǔn)的設(shè)備配置、固件和OTA升級(jí)方式。
4)        電信級(jí)安全體系：設(shè)備、應(yīng)用與平臺(tái)數(shù)據(jù)交互均采用SSL安全加密機(jī)制；支持128位AES、64位DES、3DES等算法；支持設(shè)備認(rèn)證鑒權(quán)，批量注冊(cè)和設(shè)備主動(dòng)請(qǐng)求憑證方式。
5)        便捷的水平擴(kuò)展能力：通過(guò)Nginx負(fù)載均衡和MongoDB技術(shù)實(shí)現(xiàn)基于node方式的無(wú)限水平擴(kuò)展能力，以較少的資源支持海量設(shè)備接入。
6)        靈活的部署方式和多租戶管理：支持多級(jí)租戶、分級(jí)運(yùn)營(yíng)模式，每個(gè)租戶獨(dú)有數(shù)據(jù)庫(kù)，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(shí)時(shí)處理能力：實(shí)時(shí)監(jiān)控設(shè)備異常數(shù)據(jù)，通過(guò)SMS、語(yǔ)音、郵件等進(jìn)行告警；對(duì)設(shè)備即使觸發(fā)遠(yuǎn)程自動(dòng)操作。
8)        多語(yǔ)言與工具支持：采用多層次開(kāi)發(fā)架構(gòu)，針對(duì)不同開(kāi)發(fā)能力的用戶提供多樣化開(kāi)發(fā)方式，方便用戶快速實(shí)現(xiàn)功能的構(gòu)建、應(yīng)用的開(kāi)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(kāi)發(fā)方式，定制化的用戶應(yīng)用。
(三)          技術(shù)創(chuàng)新性及先進(jìn)性
在產(chǎn)品質(zhì)量是企業(yè)生命的今天，如何提高產(chǎn)品質(zhì)量的檢測(cè)效率和精度是企業(yè)一直關(guān)注的重點(diǎn)。通過(guò)機(jī)器視覺(jué)、5G蜂窩無(wú)線、人工智能、邊緣計(jì)算等新技術(shù)的有機(jī)結(jié)合，實(shí)現(xiàn)產(chǎn)品實(shí)時(shí)在線高精度檢測(cè)，并通過(guò)工業(yè)云平臺(tái)實(shí)現(xiàn)檢測(cè)模型的迭代提高和共享。
測(cè)試床采用5G邊緣云對(duì)圖像數(shù)據(jù)進(jìn)行實(shí)時(shí)分析，與現(xiàn)有中心云技術(shù)相比，能提供基于位置的云服務(wù)能力，在實(shí)時(shí)性、安全性方面更好滿足工業(yè)應(yīng)用需要。測(cè)試床采用5G技術(shù)，實(shí)現(xiàn)質(zhì)量檢測(cè)圖像數(shù)據(jù)實(shí)時(shí)上傳到云服務(wù)，云服務(wù)器端基于檢測(cè)圖像實(shí)時(shí)和歷史圖像數(shù)據(jù)的人工智能學(xué)習(xí)，實(shí)現(xiàn)算法自我進(jìn)化。設(shè)計(jì)的四層邊緣服務(wù)架構(gòu)，實(shí)現(xiàn)對(duì)異質(zhì)型設(shè)備的數(shù)據(jù)支持，采用數(shù)據(jù)重建方法，實(shí)現(xiàn)對(duì)異質(zhì)型數(shù)據(jù)非透明設(shè)備實(shí)現(xiàn)設(shè)備運(yùn)行信息采集。在邊緣側(cè)基于圖像處理結(jié)果，結(jié)合人工智能算法，實(shí)現(xiàn)質(zhì)量識(shí)別和質(zhì)量預(yù)測(cè)算法，通過(guò)算法的自我更新及工藝的自我提升，實(shí)現(xiàn)流水線生產(chǎn)流程的質(zhì)量提升。
(四)          測(cè)試床解決方案架構(gòu)
1.        整體架構(gòu)實(shí)現(xiàn)概述
整體框架如圖所示，共分為三層架構(gòu)：
1)        設(shè)備層
通過(guò)工業(yè)機(jī)器視覺(jué)實(shí)現(xiàn)產(chǎn)品質(zhì)量的圖像實(shí)時(shí)檢測(cè)，并將實(shí)時(shí)圖像數(shù)據(jù)傳輸至邊緣層進(jìn)行智能分析決策，同時(shí)根據(jù)反饋結(jié)果實(shí)時(shí)操作。
2)        邊緣層
邊緣層接收來(lái)自工業(yè)視覺(jué)形成的產(chǎn)品圖像數(shù)據(jù)，基于人工智能算法模型進(jìn)行實(shí)時(shí)分析決策，同時(shí)將數(shù)據(jù)經(jīng)過(guò)聚合后上傳到共有云；同時(shí)接收經(jīng)過(guò)訓(xùn)練的數(shù)據(jù)處理模型進(jìn)行更新，以提高檢測(cè)精度。
3)        公有云
接收來(lái)自邊緣云聚合的數(shù)據(jù)信息，訓(xùn)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?；谌斯ぶ悄軝z測(cè)模型可在云平臺(tái)通過(guò)API進(jìn)行調(diào)用，實(shí)現(xiàn)模型的共享。

2.        架構(gòu)特征
1)        實(shí)時(shí)性：由于圖像數(shù)據(jù)采用5G邊緣云技術(shù)在靠近設(shè)備的邊緣側(cè)被分析處理并即時(shí)反饋給應(yīng)用方，滿足了工業(yè)應(yīng)用實(shí)時(shí)性的要求。
2)        精確性：在云端基于歷史數(shù)據(jù)完成對(duì)模型的訓(xùn)練，訓(xùn)練后的算法模型在邊緣層持續(xù)完成迭代更新，識(shí)別精度隨著模型的訓(xùn)練逐步提高。
3)        數(shù)據(jù)安全：數(shù)據(jù)在本地邊緣層進(jìn)行實(shí)時(shí)分析和處理，在滿足實(shí)時(shí)性的同時(shí)更大限度的保障產(chǎn)品數(shù)據(jù)的安全。
4)        模型共享：訓(xùn)練模型可在云端通過(guò)API調(diào)用的方式進(jìn)行共享，提升行業(yè)整體水平。
3.        測(cè)試床功能架構(gòu)
通過(guò)物聯(lián)網(wǎng)傳感器設(shè)備采集數(shù)據(jù)，通過(guò)工控機(jī)的智能分析與控制，將數(shù)據(jù)深度加工挖掘?yàn)槠渌I(yè)應(yīng)用作為數(shù)據(jù)儲(chǔ)備，數(shù)據(jù)處理的相關(guān)工作在邊緣云內(nèi)完成，針對(duì)數(shù)據(jù)的深度分析則是在中心云內(nèi)進(jìn)行，如下圖所示。

圖 測(cè)試床功能架構(gòu)
4.        邊緣云架構(gòu)
在本測(cè)試床項(xiàng)目中，主要試驗(yàn)MEC邊緣云與邊緣網(wǎng)關(guān)的準(zhǔn)實(shí)時(shí)性業(yè)務(wù)對(duì)接、與物聯(lián)網(wǎng)設(shè)備管理平臺(tái)的對(duì)接。
為解決降低開(kāi)銷，降低時(shí)延，自適應(yīng)響應(yīng)等問(wèn)題，需要一種新的網(wǎng)絡(luò)資源模型，即為邊緣節(jié)點(diǎn)配置計(jì)算和存儲(chǔ)能力，讓其在更接近高數(shù)量增長(zhǎng)的移動(dòng)設(shè)備的同時(shí)，降低云端的計(jì)算負(fù)載，降低服務(wù)延時(shí)，同時(shí)也可以降低整個(gè)網(wǎng)絡(luò)的帶寬開(kāi)銷。“邊緣云”或“MEC移動(dòng)邊緣云”設(shè)備可以允許協(xié)同邊緣網(wǎng)絡(luò)節(jié)點(diǎn)（比如基站，接入點(diǎn)，交換機(jī)，路由器）進(jìn)行計(jì)算和存儲(chǔ)能力的配置，如下圖所示，從而可以實(shí)現(xiàn)分布式計(jì)算。

圖 邊緣云架構(gòu)

六、預(yù)期成果

(一)          測(cè)試床的預(yù)期測(cè)試結(jié)果，針對(duì)測(cè)試項(xiàng)
本測(cè)試床主旨在于通過(guò)創(chuàng)新先進(jìn)的各類前沿技術(shù)，提高工業(yè)產(chǎn)能與效率，主要表現(xiàn)為以下三個(gè)方面：
提高產(chǎn)品質(zhì)量檢測(cè)精度：將機(jī)器視覺(jué)檢測(cè)技術(shù)結(jié)合云計(jì)算，在傳統(tǒng)質(zhì)量檢測(cè)算法基礎(chǔ)上，結(jié)合云端進(jìn)行算法的更新和進(jìn)化，并同步到邊緣側(cè)，不斷提高產(chǎn)品質(zhì)量檢測(cè)精度；
提高產(chǎn)品檢測(cè)效率：利用機(jī)器視覺(jué)實(shí)時(shí)檢測(cè)，并利用蜂窩網(wǎng)絡(luò)和5G邊緣計(jì)算支持準(zhǔn)實(shí)時(shí)分析決策反饋，根據(jù)產(chǎn)品形式實(shí)時(shí)調(diào)整檢測(cè)模型，最大程度提升產(chǎn)品檢測(cè)效率；
提升行業(yè)整體水平：通過(guò)云平臺(tái)實(shí)現(xiàn)檢測(cè)模型的調(diào)用和共享，提升行業(yè)整體水平。
(二)          商業(yè)價(jià)值
從云與平臺(tái)的角度：云平臺(tái)可實(shí)現(xiàn)檢測(cè)模型的調(diào)用和共享，通過(guò)訓(xùn)練模型術(shù)對(duì)金屬表面缺陷識(shí)別、缺陷特征、缺陷規(guī)律等進(jìn)行顯性化、模型化、代碼化，同時(shí)可供零配件制造工業(yè)APP開(kāi)發(fā)者靈活調(diào)用，解決相關(guān)場(chǎng)景的核心和痛點(diǎn)問(wèn)題，這將帶來(lái)巨大的商業(yè)價(jià)值。
從數(shù)據(jù)采集及處理的角度：采用全新的設(shè)備數(shù)據(jù)重構(gòu)方法，采集異質(zhì)型數(shù)據(jù)非透明設(shè)備的運(yùn)行數(shù)據(jù)，此采集設(shè)備能夠廣泛應(yīng)用數(shù)字化工廠的建設(shè)，同時(shí)能夠?qū)崿F(xiàn)MES、ERP、PLM等企業(yè)管理軟件的自動(dòng)生產(chǎn)數(shù)據(jù)獲取，設(shè)備具有很大的市場(chǎng)前景。
從MEC邊緣云的通信新技術(shù)角度：基于三層架構(gòu)的邊緣側(cè)服務(wù)器構(gòu)建，同時(shí)讓人工智能算法嵌入邊緣服務(wù)器，實(shí)現(xiàn)半定制化的行業(yè)深度應(yīng)用，此人工智能算法和產(chǎn)品質(zhì)量改進(jìn)方法具有行業(yè)普遍性，在配車零配件生產(chǎn)類企業(yè)中具有很大的市場(chǎng)推廣價(jià)值。

(三)          經(jīng)濟(jì)效益
利用機(jī)器視覺(jué)技術(shù)實(shí)現(xiàn)產(chǎn)品質(zhì)量檢測(cè)精度和檢測(cè)效率的大大提升，在降低生產(chǎn)成本的同時(shí)提高了產(chǎn)品質(zhì)量，從而避免了產(chǎn)品因質(zhì)量問(wèn)題帶來(lái)的經(jīng)濟(jì)損失，同時(shí)利用機(jī)器視覺(jué)技術(shù)可對(duì)各類型的產(chǎn)品質(zhì)量圖像檢測(cè)進(jìn)行自主學(xué)習(xí)，大大提升了檢測(cè)柔性，進(jìn)一步提升了企業(yè)產(chǎn)品的市場(chǎng)競(jìng)爭(zhēng)力，從而給企業(yè)帶來(lái)巨大的經(jīng)濟(jì)效益。
邊緣側(cè)采用數(shù)據(jù)重構(gòu)方法，支持異質(zhì)型數(shù)據(jù)非透明設(shè)備的接入，可靈活配置支持多業(yè)務(wù)場(chǎng)景，包括設(shè)備廠商、終端工廠、設(shè)備租賃方、維修方、代理商等等，讓設(shè)備擁有者或者廠商可以遠(yuǎn)程管理自己銷售出去的所有生產(chǎn)設(shè)備，通過(guò)本測(cè)試床使用的方法，實(shí)時(shí)獲取設(shè)備運(yùn)行數(shù)據(jù)和生產(chǎn)狀態(tài)，從而基于設(shè)備的數(shù)據(jù)和統(tǒng)計(jì)，對(duì)設(shè)備生產(chǎn)的產(chǎn)品質(zhì)量進(jìn)行改進(jìn)。
對(duì)于制造類企業(yè)客戶而言，結(jié)合產(chǎn)品質(zhì)量情況，同時(shí)利用車間中運(yùn)行的所有機(jī)床設(shè)備及其運(yùn)行狀態(tài)、故障記錄、產(chǎn)量、良品率、保養(yǎng)等生產(chǎn)因素，改善生產(chǎn)條件，改進(jìn)工藝流程，讓工廠設(shè)備可以完全智能化運(yùn)轉(zhuǎn)。

(四)          社會(huì)價(jià)值
1.        云制造新模式
隨著人工智能、工業(yè)大數(shù)據(jù)、云計(jì)算等技術(shù)的發(fā)展，以數(shù)據(jù)為驅(qū)動(dòng)的生產(chǎn)過(guò)程和產(chǎn)品質(zhì)量提升將成為企業(yè)提升發(fā)展的方向。本測(cè)試床從生產(chǎn)線數(shù)據(jù)自動(dòng)感知、邊緣平臺(tái)實(shí)時(shí)分析、云平臺(tái)持續(xù)優(yōu)化、生產(chǎn)系統(tǒng)精準(zhǔn)執(zhí)行，實(shí)現(xiàn)產(chǎn)線、邊緣、云平臺(tái)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(tái)可實(shí)現(xiàn)檢測(cè)模型的調(diào)用和共享，通過(guò)訓(xùn)練模型術(shù)對(duì)金屬表面缺陷識(shí)別、缺陷特征、缺陷規(guī)律等進(jìn)行顯性化、模型化、代碼化，可供零配件制造工業(yè)APP開(kāi)發(fā)者靈活調(diào)用，促進(jìn)零配件制造工業(yè)知識(shí)的沉淀、傳播、復(fù)用與價(jià)值創(chuàng)造，從而提升行業(yè)整體水平。
3.        帶動(dòng)相關(guān)行業(yè)發(fā)展
機(jī)器視覺(jué)、云制造等新模式實(shí)施的同時(shí)還可對(duì)數(shù)字化控制系統(tǒng)、高精度檢驗(yàn)設(shè)備、精密傳感器、自動(dòng)化裝備等智能裝備行業(yè)發(fā)展產(chǎn)生巨大的帶動(dòng)作用，進(jìn)一步促進(jìn)國(guó)家產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整和經(jīng)濟(jì)發(fā)展。

七、測(cè)試床技術(shù)可行性

(一)          物理平臺(tái)
物理平臺(tái)主要功能為兩方面：一方面是設(shè)備數(shù)據(jù)解析器，實(shí)現(xiàn)異構(gòu)型機(jī)床設(shè)備的數(shù)據(jù)采集，采集本測(cè)試床項(xiàng)目所覆蓋的設(shè)備運(yùn)行參數(shù)；另一方面是MEC邊緣云，實(shí)現(xiàn)設(shè)備接入和邊緣服務(wù)，采用ModBus、OPC UA等工業(yè)協(xié)議實(shí)現(xiàn)邊緣服務(wù)器從設(shè)備支持層的接入，并且采用MQTT協(xié)議，實(shí)現(xiàn)5G云端數(shù)據(jù)接口的接入。

(二)          軟件平臺(tái)
1.        基于質(zhì)量檢測(cè)結(jié)果的生產(chǎn)流程更新算法：
結(jié)合生產(chǎn)過(guò)程監(jiān)控和質(zhì)量檢測(cè)結(jié)果，對(duì)生產(chǎn)過(guò)程中存在的非正常信號(hào)進(jìn)行自我分析，實(shí)現(xiàn)產(chǎn)品質(zhì)量的初步提升；對(duì)生產(chǎn)過(guò)程中的設(shè)備運(yùn)行節(jié)拍進(jìn)行自我分析，結(jié)合工藝要求，邊緣側(cè)自動(dòng)分析質(zhì)量提升方法；
2.        邊緣側(cè)設(shè)備參數(shù)可視化平臺(tái)
設(shè)備數(shù)據(jù)的可視化操作，包括：設(shè)備運(yùn)行參數(shù)、設(shè)備運(yùn)行時(shí)間、設(shè)備產(chǎn)能、設(shè)備OEE等。擬采用的界面如下圖所示。

圖 擬測(cè)試的設(shè)備可視化界面
 

3.        物聯(lián)網(wǎng)設(shè)備管理平臺(tái)
物聯(lián)網(wǎng)設(shè)備管理平臺(tái)可實(shí)現(xiàn)物聯(lián)網(wǎng)的設(shè)備連接、設(shè)備管理、應(yīng)用使能等功能。向下提供設(shè)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(duì)數(shù)據(jù)進(jìn)行分析、存儲(chǔ)、可視化及整合；同時(shí)提供豐富的可調(diào)用的應(yīng)用接口（API），滿足工業(yè)行業(yè)的應(yīng)用快速開(kāi)發(fā)。

八、和AII技術(shù)的關(guān)系

(一)          與AII總體架構(gòu)的關(guān)系

AII總體架構(gòu)

參考AII《工業(yè)互聯(lián)網(wǎng)體系架構(gòu)》中的AII參考體系構(gòu)架，見(jiàn)下圖，本測(cè)試床項(xiàng)目服務(wù)的業(yè)務(wù)屬于企業(yè)內(nèi)智能生產(chǎn)業(yè)務(wù)，主要著眼于：
l  基于機(jī)器學(xué)習(xí)對(duì)工廠產(chǎn)線機(jī)器視覺(jué)系統(tǒng)的改造以提高機(jī)器視覺(jué)系統(tǒng)的智能；
l  采用升級(jí)后機(jī)器學(xué)習(xí)系統(tǒng)改造生產(chǎn)線良品保障系統(tǒng)。

圖  AII參考體系構(gòu)架
 

本測(cè)試床成果可為AII參考體系架構(gòu)中數(shù)據(jù)域的數(shù)據(jù)采集交換提供技術(shù)參考，包括：
l  試驗(yàn)蜂窩網(wǎng)絡(luò)對(duì)于準(zhǔn)實(shí)時(shí)圖像數(shù)據(jù)采集、分析的支持；
l  MEC邊緣云與邊緣網(wǎng)關(guān)的業(yè)務(wù)協(xié)同。

本測(cè)試床成果可為AII參考體系架構(gòu)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(shù)參考，包括：
l  采用機(jī)器學(xué)習(xí)對(duì)工業(yè)圖像分析算法進(jìn)行改進(jìn)，試驗(yàn)多種機(jī)器學(xué)習(xí)模型；
l  試驗(yàn)將準(zhǔn)實(shí)時(shí)圖像分析算法部署在MEC邊緣云上，將機(jī)器學(xué)習(xí)模塊部署在中心云。

本測(cè)試床成果可為AII參考體系架構(gòu)中的網(wǎng)絡(luò)域應(yīng)用支撐提供技術(shù)參考，包括：
l  試驗(yàn)物聯(lián)網(wǎng)設(shè)備管理平臺(tái)在5GMEC邊緣云上的部署以支撐低延時(shí)高可靠工業(yè)應(yīng)用；
l  試驗(yàn)物聯(lián)網(wǎng)設(shè)備管理平臺(tái)對(duì)圖像類準(zhǔn)實(shí)時(shí)數(shù)據(jù)識(shí)別算法的支持。

(二)          AII安全（可選）
無(wú)
(三)          詳細(xì)清單（可選）
無(wú)
(四)          風(fēng)險(xiǎn)模型（可選）
無(wú)
(五)          安全聯(lián)系人

(六)          與已存在AII測(cè)試床的關(guān)系
目前AII已存在工業(yè)領(lǐng)域的測(cè)試床主要集中在對(duì)物理設(shè)備數(shù)據(jù)采集上云，并且通過(guò)云端數(shù)據(jù)分析和挖掘，以數(shù)據(jù)為導(dǎo)向，實(shí)現(xiàn)車間的智能化生產(chǎn)，或者是對(duì)新型無(wú)線網(wǎng)絡(luò)協(xié)議的測(cè)試。主要的注意力集中在構(gòu)建數(shù)據(jù)鏈路，以及后期對(duì)數(shù)據(jù)的分析利用。
而本測(cè)試床的亮點(diǎn)集中在基于人工智能的機(jī)器視覺(jué)技術(shù)實(shí)現(xiàn)產(chǎn)品質(zhì)量檢測(cè)精度和檢測(cè)效率，雖然也涉及設(shè)備物聯(lián)和數(shù)據(jù)上云，但是采用了最新的5G技術(shù)（包括MEC邊緣云）、最新的物聯(lián)網(wǎng)邊緣設(shè)備管理平臺(tái)。我們的注意力并不是對(duì)數(shù)據(jù)的分析和挖掘，而是對(duì)數(shù)據(jù)本身的保護(hù)，確保其真實(shí)、可信、可靠。

九、交付件

十、測(cè)試床使用者

測(cè)試床項(xiàng)目是針對(duì)機(jī)器視覺(jué)技術(shù)實(shí)現(xiàn)產(chǎn)品質(zhì)量檢測(cè)精度和檢測(cè)效率的一個(gè)概念驗(yàn)證，歡迎非發(fā)起方的公司使用該測(cè)試床進(jìn)一步提出創(chuàng)新的想法。

十一、     知識(shí)產(chǎn)權(quán)說(shuō)明

本測(cè)試參與各方本著互相尊重、互為合作，保護(hù)對(duì)方利益為前提的原則進(jìn)行合作，對(duì)包括但不限于任何專利權(quán)、專有技術(shù)、版權(quán)、商標(biāo)權(quán)以及商業(yè)秘密等所產(chǎn)生的任何侵權(quán)和賠償，雙方應(yīng)在充分協(xié)商的基礎(chǔ)上，協(xié)調(diào)解決。

十二、     部署，操作和訪問(wèn)使用

測(cè)試床的物理生產(chǎn)線直接使用萬(wàn)向錢潮股份有限公司車間內(nèi)的生產(chǎn)線，數(shù)據(jù)存儲(chǔ)在邊緣云和中心云平臺(tái)上，參與單位可以通過(guò)特定接口訪問(wèn)。

十三、     資金

預(yù)估資金1000萬(wàn)，包括設(shè)備采購(gòu)以及開(kāi)發(fā)成本。資金由牽頭單位和參與單位自籌。

十四、     時(shí)間軸