摘要：智能制造是先进制造过程、系统与模式的总称，边缘计算是横跨通信、计算机、自动控制等多领域的综合性技术，可以满足智能制造在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。文章首先介绍了工业互联网智能制造的基本状况，其次介绍了边缘计算的发展现状，之后详细描述了工业互联网智能制造边缘计算模型，最后给出了工业互联网智能制造边缘计算模型的测试方法。

关键词：工业互联网；智能制造；边缘计算；模型测试

Abstract: Intelligent manufacturing is the general term of advanced manufacturing process, system and mode. Edge computing is a comprehensive technology across communication, computer, automatic control and other fields. It can meet the key requirements of Intelligent Manufacturing in agile connection, real-time business, data optimization, application intelligence, security and privacyprotection. This paper first introduces the basic situation of intelligent manufacturing of industrial Internet, then introduces the development status of edge computing, then describes the edgecomputing model of intelligent manufacturing of industrial Internet in detail, and finally gives the test method of the edge computing model of intelligent manufacturing of industrial Internet.

Key words: Industrial internet; Intelligent manufacturing; Edge computing; Model test Edge Computing Model and Verification Method of Industrial Internet Intelligent Manufacturing

1　工业互联网智能制造概述

智能制造是具有信息深度自感知、智慧优化自决策、精准控制自执行等功能的先进制造过程、系统与模式的总称。智能制造可以追溯到1990年4月日本发起的“智能制造IMS”国际合作研究计划。目前，基于物联网、大数据、云计算等信息技术，智能制造已经贯穿于设计、生产、管理、服务等制造活动的各个环节。工业互联网是指在物联网的基础上，综合应用大数据分析技术和远程控制技术，优化工业设施和机器的运行和维护，通过网络化手段提升工业制造智能化水平。2012年，美国通用电气公司（GE）首先提出了工业互联网概念，此后工业互联网在世界范围内得到了广泛的发展。目前工业互联网以德国“工业4.0平台”和美国“工业互联网联盟”为典型代表，其分别发布了工业互联网智能制造参考架构RAMI 4.0和IIRA。同时，工业互联网技术也迅速得到落地。美国通用电气公司推出了Predix平台，力图打造成能够智能适应任何设备的工业互联网平台；德国西门子推出了Mindsphere，帮助智能工厂建立了近千个制造单元连接的互联网，实现无人化的智能挑选和组装。

工业互联网指在物联网的基础上，综合应用大数据分析技术和远程控制技术，优化工业设施和机器的运行和维护，旨在通过网络化手段提升工业制造智能化水平。工业互联网作为我国智能制造发展的重要支撑，“十三五”规划、《中国制造2025》、“互联网+”、“深化制造业与互联网融合发展”等重大战略都明确提出发展工业互联网。随着智能制造的发展，覆盖工厂OT网络的大量生产/运行数据、控制数据与IT网络中的管理数据、设计/工艺数据交换需求逐步增加，互联主体将从机器、控制系统、信息系统进一步扩展到包含在制品、智能产品、协作企业和用户在内的制造全流程网络互联与数据交互。在智能制造中，将互联网引入到工业领域是制造业普遍面临的共性挑战，重点在IT网络与OT网络的融合，在工业互联网的应用层面向工业智造需求实现覆盖IT与OT的低开销高实时的各类服务分发，在数据应用层实现IT与OT中各类数据的动态互认，将大幅提升我国制造业智能化水平，符合急用先行的原则。

2　边缘计算概述

边缘计算融合了多个学科的内容，不同领域的组织和学者对边缘计算有着不同的解读。边缘计算产业联盟（Edge Computing Consortium，ECC）对边缘计算的定义为：边缘计算是在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的分布式开放平台（架构），就近提供边缘智能服务，满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。近年来，随着移动互联网和物联网的发展，智能终端设备不断普及，网络边缘侧数据的爆发式增长推动了边缘计算的发展。2014年欧洲ETSI成立移动边缘计算标准化工作组（MEC）；同年，AT&T、思科（Cisco）、通用电气（GE）、IBM和英特尔（intel）成立工业互联网联盟（Industrial Internet Consortium，IIC）；2015年，ARM、思科、戴尔、英特尔、微软和普林斯顿大学建立开放雾联盟（OpenFog Consortium）；2016年，国内工业、信息通信业、互联网等领域百余家单位共同发起成立工业互联网产业联盟；同年，由华为技术有限公司、中国科学院沈阳自动化研究所等单位联合倡议发起的边缘计算产业联盟（Edge Computing Consortium，ECC）正式成立。在学术科研方面，2016年，IEEE和ACM共同发起了边缘计算研讨会IEEE/ACM Symposium on Edge Computing；2017年，中国自动化学会率先成立了边缘计算专业委员会。在IEEE COMMUNICATIONS SURVEYS & TUTORIALS、IEEE COMMUNICATIONS MAGAZINE、IEEE Internet of Things Journal等著名学术期刊上都发表了大量边缘计算综述性文章。在标准制定方面，ITU-T SG20发起了“边缘计算需求和能力要求”的国际标准立项，中国通信标准化协会CCSA也陆续开展多项边缘计算行业标准立项。同时，北京大学、东南大学等单位承担了一系列云端融合相关的863和国家重点研发计划项目，有力地推动了边缘技术的发展。例如东南大学的宋爱国等人承担的国家重点研发计划云计算和大数据重点专项“云端融合的自然交互设备和工具”，目前已成功研发有源/无源器件结合的小型可穿戴力触觉反馈装置，以及具有触觉反馈的多通道三维书空笔式交互技术与装置。其中多通道教学系统面向基础教育在“班班通”工程和“数字化校园”工程中进行推广应用，产品应用于中小学教学班11,000多个，学校用户超过100所。

3　工业互联网智能制造边缘计算模型

在工业互联网智能制造领域，边缘计算整体架构如图1所示。

图1 工业互联网智能制造边缘计算整体架构

工业互联网智能制造边缘计算模型主要包括了边缘资源感知和服务感知模型、边缘资源调度模型、边缘任务划分模型、多视图模型库等模型。基于智能任务划分，通过对边缘资源和服务状态的感知进行边缘资源调度，实现云-边缘的协同计算，将计算任务根据最小化能耗、最小化系统延迟以及负载均衡等目标，在云和边缘处进行计算卸载，提升系统的整体性能。工业互联网智能制造边缘计算模型的具体内容如图2所示。

图2 工业互联网智能制造边缘计算模型

（1）边缘资源与服务状态感知模型

边缘资源与服务状态感知模型主要用来感知每个边缘计算节点的ICT资源状态（如网络联接的质量、CPU占有率等）、性能规格（如实时性）、位置等物理信息等，为计算负载在边缘侧的分配和调度提供了关键输入。

边缘资源与服务状态感知模型主要包括边缘计算节点可靠性评估模型、边缘计算节点资源感知模型、边缘网络状态评估模型、边缘节点安全性评估模型。

边缘计算节点资源与服务状态评估如图3所示。

图3 边缘计算节点资源与服务状态评估

边缘计算节点可靠性模型：边缘计算节点可靠性指在规定条件下和给定时间内边缘计算节点正确运行（计算）的概率，包括可靠性、可用性和可维性。

边缘计算节点资源感知模型：对边缘计算节点的计算资源和存储资源进行实时感知。计算资源感知标准包括响应时间和CPU时间等。响应时间是指边缘计算节点接收到计算任务直至给出计算结果所需的时间。其中包括了访问外存储器、访问主存器时间、CPU运算时间、I/O动作时间以及操作系统工作的时间开销等。

网络状态评估模型：网络状态评估模型主要评估指标包括：速率、带宽、吞吐量、时延、往返时间RTT、利用率。

安全性模型：安全性模型主要的内容包括：设备安全、网络安全、控制安全、应用安全和数据安全。

（2）边缘任务调度模型

边缘任务调度模型支持主动的任务调度，能够根据资源状态、服务感知、边缘计算节点间的联接带宽、计算任务的时延要求等，自动地在将任务拆分成多个子任务并分配到多个边缘计算节点上协同计算。也支持把计算资源、服务资源等通过开放接口对业务开放，业务能够主动地控制计算任务的调度过程，如图4所示。

图4 边缘计算边缘任务调度模型

边缘任务调度模型主要包括任务智能分割模型、计算卸载决策模型、任务-边缘节点匹配模型、边缘深度计算模型。

任务分割模型：任务分割的粒度有方法级别、模块级别和线程级别。在任务分割时，移动应用将会被分为本地执行代码和云端执行代码两个部分。其中涉及本地I/O、涉及用户交互的代码必须在本地执行。而与本地设备交互少、代码量少、计算量大的代码则可以上传到云端执行。

卸载决策模型：卸载决策是边缘计算任务调度的核心问题。卸载决策主要关注是否进行计算卸载。卸载决策分为静态决策和动态决策两种。对于静态决策，应用在运行前就已经决定某个模块是否应该上传到服务器执行。动态决策的运行时负载比较高，需要实时监控移动设备的运行状况和网络状况。

任务-节点匹配模型：任务-节点匹配模型主要如何解决根据计算任务和节点当前的状态，来决定计算任务放置在哪个节点上运行的问题。针对于不同的卸载任务，任务-节点匹配模型主要基于能量消耗模型，时间延迟模型和负载均衡模型。

边缘轻量级学习模型：针对深度学习模型等计算密集同时难以分布式优化的智能算法对边缘侧有限的计算资源带来的调整，建立边缘设备计算资源评估方法，在此基础上设计基于边缘设备计算资源的智能算法优化方法，解决边缘智能系统的实时性和可靠性，降低能耗、网络带宽需求，以及信息泄露的可能性。

（3）边缘数据协同模型

边缘数据协同模型研究边缘计算节点对南向的协议适配，边缘计算节点之间的东西联接使用统一的数据联接协议。通过数据协同，节点间可以相互交互数据、知识模型等。边缘计算节点需要知道特定的数据需要在哪些节点间共享，共享的方式包括简单的广播、Pub-Sub模式等。边缘数据协同模型主要包括统一语义模型和语义网络模型。

数据统一语义模型：数据统一语义模型具有平台无关、可兼容既有工业信息模型的通用数据语义描述框架并进行建模，包括面向工业互联网控制数据、管理数据、设计/工艺数据的关键属性分类与提取；针对智能制造底层跨域、上层综合应用的需求，通过对制造流程多层次数据关联关系的分析，按照人机物法环模型分别制定内部及相互间关联关系数据字典标准化研究，实现基于数据业务关联、时空关联的涵盖工厂采购、设计、生产、制造以及物流等领域环节的数据关系字典。

4　工业互联网智能制造边缘计算模型验证方法

为了对工业互联网智能制造边缘计算模型进行验证，在国内某钢铁生产企业的智能车间内，搭建了工业互联网实验验证平台，其总体架构如图5所示。

图 5 工业互联网验证平台总体架构

在该平台中，各功能模块以生产任务、计划、物料为管理对象，实现高效精细化管理，功能模块之间高度整合，形成从订单录入到成品出厂合同结案的高实时信息闭环处理。通过各类型设备接入管理模块完成传感器与智能终端设备注册、设备鉴权、设备接入、网络拓扑、网络调度与故障管理等功能。数据边缘处理过程，各种传感器仪表的数据，处理方式主要是通过传感器、智能终端、摄像头、网关主要是以消息方式实时上报给试验验证平台。验证平台通过内部的边缘处理模块与实时流引擎实现数据的处理。利用实时数据处理的UDF能力可方便扩展支持私有数据的处理、或者复杂处理逻辑；现有生产环境中的各类数据，这种数据是以文件或者数据库形式体现，以定期同步方式同步给试验验证平台。利用DI实现批数据（离线数据）的集成和预处理，从而进行数据监控与展示。

基于该实验平台，表1给出了工业互联网智能制造边缘计算模型的测试方法和测试结果。从实验结果可以看到，本系统提供了较为全面的工业互联网智能制造边缘计算模型测试环境和方法。

表1 工业互联网智能制造边缘计算模型的测试方法和部分测试结果

5　结论

工业互联网智能制造对系统的确定性、实时性和安全性有着很高的要求，边缘计算可以满足工业互联网智能制造的相关需求。本文介绍了工业互联网、智能制造、边缘计算的基本状况，设计了工业互联网智能制造边缘计算模型，搭建了测试平台，设计了测试方案，并进行了模型测试，希望为边缘计算模型和方法的测试提供参考。

基金项目：本文受“智能制造综合标准化与新模式应用项目 工业互联网应用协议及数据互认标准研究与试验验证”资助。

作者简介：

宋纯贺（1981-），男，辽宁鞍山人，研究员，博士生导师，博士，现就职于中国科学院沈阳自动化研究所，研究方向为边缘计算。

武婷婷（1995-），女，河南濮阳人，中国科学院沈阳自动化研究所博士研究生，研究方向为边缘计算。

徐文想（1996-），女，河南周口人，中国科学院沈阳自动化研究所硕士研究生，研究方向为边缘计算。

于诗矛（1991），男，辽宁沈阳人，助理研究员，硕士，现就职于中国科学院沈阳自动化研究所，研究方向为边缘计算。

曾　鹏（1976-），男，辽宁沈阳人，研究员，博士，现任中国科学院沈阳自动化研究所所长助理，研究方向为工业互联网、边缘计算。

摘自《自动化博览》2020年1月刊