面向个性化定制场景的边缘侧柔性制造一体化方案
发布时间：2022-05-23 00:00:00
本方案需要针对该细分场景 提供全流程的解决方案，提供前端订单系统、生产管理 系统、产品运维、质量检测系统等，达到订单全流程透 明、车间管理数字化、产品在线追溯的全流程覆盖，同 时针对工业中的AI需求提供算力和算法平台支持能力， 为个性化定制类企业提供了一体化的解决方案。
作者：成都阿普奇科技股份有限公司
1 目标和概述
在“自动化+信息化”的产业升级的大背景下，针对个性化定制类的生产企业的发展依然存在很大的制约，面向个性化定制场景的柔性制造一体化方案期望解决的问题包括：
（1）小批量、多订单混合生产管理柔性化不足。
（2）生产数据多、数据维护工作量大。
（3）产品非标准程度高、经验依赖性强。
（4）行业特性显著，智能化改造缺乏匹配的AI能 力支持。
针对以上问题和痛点，本方案需要针对该细分场景提供全流程的解决方案，提供前端订单系统、生产管理系统、产品运维、质量检测系统等，达到订单全流程透明、车间管理数字化、产品在线追溯的全流程覆盖，同时针对工业中的AI需求提供算力和算法平台支持能力， 为个性化定制类企业提供了一体化的解决方案。
2 方案介绍
2.1 总体架构
系统总体提供一体化的柔性化智能工厂服务能力。 核心流程和功能如图1所示。
图1 系统核心流程和功能
系统采用多层软件体系结构，提供分布计算环境及对应用的通用服务；同时采用面向对象及构件技术在框架上灵活组成应用系统。体系架构支持线性平滑扩展，可动态地增加系统组件服务器来满足用户不断增加的需求，不同系统组件可以部署到不同服务器上，多台服务器同时处理、均衡负载，而系统性能基本与硬件的投入成线性关系。
该项目采用B/S架构，支持服务、应用端、移动端等多个节点，完全基于浏览器操作。系统采用J2EE框架，应具备良好的兼容性和跨平台性，支持当前大多数操作系统平台，如：Windows、Unix、Linux等。整体系统架构图如图2所示。
图2 系统架构图
主要包括：
（1） 设备感知层：主要完成数据、传感信号的采集。
（2）网络传输层：完成异构数据的接入、冗余数据的清洗等边缘计算。
（3） 平台PaaS层： 基础平台能力的构建， 包括设备、用户、过程、数据、系统的管理。同时完成计算引擎、数据引擎等能力支撑。
（4）应用SaaS层：提供业务过程定制集成、大数据分析呈现、用户交互等能力。在应用上提供产品商城、订单流转、智能车间、产品运维、视觉引擎等应用模块。
2.2 主要内容
系统提供了在线商城、订单流转、智能车间、算法引擎等核心能力。提供端到端的整体一体化解决方案。实现订单整体在线流程透明化，同时提供个性化产品的扩展定义能力和行业扩展能力，主要功能层面包括：
（1）在线商城系统
· 为客户提供包括产品展示、购物车、配置定制、报价计算等功能；
· 提供后台管理配置功能，包括商品定义、上架、销量数据分析等。
（2）订单管理系统
· 提供订单透明化管理能力，包括下单、审核、进度状态（生产排单计划、生产状态、生产入库、计划发货、发货审核、确认发货、物流状态等）；
· 合同管理功能，包括合同制作、自动生成、电子签章、合同审核等过程。
（3）数字车间系统
主要功能包括：
· 提供生产排产和产线管理（设备、人员、工位、 标准作业程序（Standard Operating Procedure， SOP）资料等）；
· 过程管理（生产准备、执行、老化管理等）；
· 生产汇报、大屏看板、质量分析；
· 产线设备检测。
（4）产品运维系统
· 针对IT服务商，提供运营级管理能力，包括租户管理、用户管理、消息管理、资源管理等功能；
· 针对集成商场景，提供产品管理、模板管理、设备管理等物联功能，同时针对运维业务，提供故障定义、报警管理、处理预研、工单管理等；
· 针对终端用户，提供自定义服务、消息定制、任务管理、工单派发等功能；
· 同时提供运维大数据分析、知识库、故障预测等功能和能力。
（5）AI算法引擎
主要功能包括：
· 算力加速SDK和算法插件接入平台；
· 统一的算法模块注册、调用接口；
· 基础算法和算子实例；
· 神经网络运行基础环境和平台；
· 针对细分行业（金刚石加工工具行业等）的行业化算法模块。
2.3 突破的关键技术
（1）边缘大数据清洗技术。工业现场协议繁多、 数据量巨大，需要在边缘端实现数据初步整合和清洗。 目前大多数工业物联平台针对不同行业都需要定制开发，本项目采用了“模型化”设计理念，将不同行业的产品抽象成由属性、服务、事件所组成的数据模型，使得本系统可以适配于不同行业。
（2）高性能计算技术。在实际应用的数据中，除了结构化数据，也存在大量视频、音频等非结构化数据，需要提供对于数据的分析、识别、训练、推理等服务能力，高性能计算技术成为项目可实施性的关键。对于算力的构建，在微观算力优化上支持指令集优化、 CPU/GPU等并行计算技术；在宏观技术架构上，支持 单机、边缘侧、外部云等算力架构。采用分布式计算方式，把一部分计算任务，迁移到CPU之外的部件进行 计算，把解码任务整体迁移到核芯显卡中进行，核芯和 CPU共享内存能够带来更小的系统开销，从而提升整体性能。同时也降低了成本和整体能耗。
（3）操作系统层之下的远程运维技术。在智能制造领域中，计算机节点是现场系统的信息中枢，在出现操作系统损坏等情况下，提供修复和控制能力的意义重大。市面上主流运维系统都是基于操作系统进行开发的，运行在操作系统之上，本系统采用了硬件级的技术手段，在脱离操作系统的情况下，用户可以对设备进行 硬件级的维护。
（4）边缘AI计算能力。提供AI计算框架和引擎。 支持算法的插件式集成。支持卷积神经网络深度学习算法模型的无缝导入。并为工业质量检测中切割盘等典型加工行业场景提供了定制化的算法模块，实现了AI算法的行业精确适配。
（5）工业异构数据支持。阿普奇网关套件定位于解决工业网络中协议、规约复杂多样，数据通讯接口不畅及设备上云的问题，采用高性能嵌入式硬件平台，内嵌工业数据采集和处理系统，具有多种通信规约库，可以实现对不同工业设备的数据采集、预处理、协议转换和复用转发。
3 代表性及推广价值
本项目提供如下服务：
（1）项目设计和建设，为客户提供整体智能工厂系统的设计、开发、实施等。
（2）平台运营服务，为客户提供数据分析、产品运维等服务。为客户提供长期持续服务。
当前已经应用的实践案例：
3.1 工业边缘计算设备制造商
3.1.1 解决的问题
工业边缘计算设备，包括了常规的工业计算机和AI 边缘算力设备等，该行业个性化、小批量、定制多，导致订单管理复杂、生产过程复杂、质量管控难度高等。
3.1.2 应用情况 典型的场景包括：
（1）采用该柔性化智能工厂系统解决了该行业商品订购信息精确匹配的问题。
（2）订单过程透明化。
（3）完成了工序的结构化定义和生产防呆管理，图3为SOP呈现工位面板运行界面。
图3 SOP呈现工位面板运行界面
（4）解决了生产信息实时呈现问题，图4为生产实时大屏。
图4 生产实时大屏显示
（5）提供了产品出厂后的远程运维能力。
3.2.1 成效总结
（1）完成了整体订单透明化管理，实现了订单状态的实时反馈和管控能力。
（2）提升了业务处理的在线处理效率，通过在线合同管理、审批、签章，极大提升了处理的响应速度。
（3）提升了生产过程智能化程度，通过设备监 测、SOP结构化、质量管控等一系列功能，提升生产效率和质量水平。
（4）提供了完整的产品监测、运维、追溯能力。 减少了现场维护成本，提升了服务的及时性，同时增加了客户粘度。
3.2 切割片行业质量检测
3.2.1 解决的问题
金刚石加工工具行业是一个非常传统的行业， 这个行业最为重要的特点就是工艺流程长，包括了制 坯、冲孔、印刷等九个流程，在各个环节，对于检测的缺陷类型和应用条件都差异很大。该行业具有工艺流程长、检测需求多、精度高等特点，此外还存在切割盘金属拉丝背景的干扰，用标准算法不能完全满足部分工序下的检测需求，比如印刷环节的印刷检测、
烧结环节的裂纹检测，因此提供了整套定制算法以及完整的技术解决方案。
3.2.2 应用情况
基于本项目平台，除了物联平台功能、数字车间功能外，重点在现有AI算法引擎的基础上进行配置扩展，提供了以下产品质量视觉检测能力：
核心功能包括：
（1）工程管理
· 工程增删查改，系统化集中管理；
· 支持工程复制，相似型号产品只需微调算法参数即可适用；
· 支持工程数据完整备份与迁移；
· 同一设备支持多机位同时运行工程， 性能最大化；
· 工程运行数据统计，支持设置合格率警报线来进行报警，并自动停止工程运行。
（2）工程配置
· 引导式算法配置流程，无需编程，经过简单培训即可独自进行工程配置应用；
· 相机、算法插件化管理，支持标准GigE Vision、USB3.0Vision系列工业相机；
· 图像采集，支持软件、硬件、外部信号多种触发方式；
· 智能算法库，满足识别、定位、测量、检测等多样化视觉需求；
· 算法参数实时修改验证，无需来回切换；
· 支持工业以太网、RS232、RS485、I/O接口等标准外部设备连接，实现数据外传。
（3）运行监控
· 工程检测结果实时查看；
· 多机位同时运行，同时查看结果数据；
· 历史NG（不通过）结果图片查看。
（4）统计分析
· 工程检测数据统计汇总查看，为工业生产维护提供数据支持；
· 支持合格率、NG率、实时检测结果多维度图表数据统计；
· 支持工程历史结果追踪；
· 支持工程总体检测结果及各算法单独的结果统计。
3.2.3 成效总结
（1）该方案的实施，整体提升了该行业的数字化水平；
（2）用智能化手段解决了切割盘行业的质量视觉检测的问题，解放了人力，整体提升了产品品质。
来源 | 《自动化博览》2022年第二期暨《边缘计算2022专辑》
