基于5G+工業(yè)互聯(lián)網(wǎng)的AGV/移動(dòng)機(jī)器人智能運(yùn)維系統(tǒng)設(shè)計(jì)與應(yīng)用*

夏鵬程 崔繼軒 馬川 李駿

(南京理工大學(xué)電子工程與光電技術(shù)學(xué)院，南京 210014)

0 引言

隨著中國(guó)“互聯(lián)網(wǎng)+”等戰(zhàn)略的提出，我國(guó)工業(yè)互聯(lián)網(wǎng)和智能制造正處于加速發(fā)展的階段。其中在倉(cāng)儲(chǔ)、物流、生產(chǎn)制造等工業(yè)場(chǎng)景中，自動(dòng)導(dǎo)引運(yùn)輸車(Automated Guided Vehicle，AGV)或其他非輪式的移動(dòng)機(jī)器人能夠解決傳統(tǒng)人工物料運(yùn)輸方式中勞動(dòng)強(qiáng)度大和環(huán)境危險(xiǎn)的問(wèn)題，已經(jīng)逐步成為工業(yè)生產(chǎn)運(yùn)輸過(guò)程中的核心裝備[1-2]。但是，隨著此類設(shè)備數(shù)量和使用時(shí)間的不斷上升，企業(yè)將會(huì)面臨設(shè)備故障發(fā)生頻率增加、設(shè)備停機(jī)、產(chǎn)線停產(chǎn)等問(wèn)題[3-4]，因此盡可能有效減少設(shè)備故障發(fā)生概率和高效解決設(shè)備故障是企業(yè)在生產(chǎn)過(guò)程中的迫切需求。

目前，已經(jīng)有很多研究者提出了針對(duì)AGV/移動(dòng)機(jī)器人的各類故障診斷方法，如基于決策樹(shù)和長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行設(shè)備故障分類[5]、基于小波分析和神經(jīng)網(wǎng)絡(luò)檢測(cè)設(shè)備的旋轉(zhuǎn)機(jī)械故障[6]等。但是，上述事后維修的方法并不能避免設(shè)備出現(xiàn)問(wèn)題，面對(duì)有大量AGV設(shè)備的生產(chǎn)線環(huán)境，企業(yè)亟需一套能夠?qū)崿F(xiàn)AGV/移動(dòng)機(jī)器人實(shí)時(shí)監(jiān)控和故障隱患提前分析預(yù)警的解決方案。隨著5G技術(shù)的不斷發(fā)展，許多工業(yè)互聯(lián)網(wǎng)服務(wù)商與生產(chǎn)制造企業(yè)都提出了“5G+工業(yè)互聯(lián)網(wǎng)”設(shè)備運(yùn)維解決方案。三一集團(tuán)利用5G園區(qū)專網(wǎng)接入AGV設(shè)備進(jìn)行遠(yuǎn)程實(shí)時(shí)監(jiān)控[7]，上海電信利用5G網(wǎng)絡(luò)切片技術(shù)保障設(shè)備數(shù)據(jù)的可靠傳輸[8]?！?G+工業(yè)互聯(lián)網(wǎng)”相關(guān)技術(shù)的引入，可以讓大數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)性維護(hù)方法發(fā)揮潛在的優(yōu)勢(shì)。相比于傳統(tǒng)的基于專家先驗(yàn)知識(shí)的預(yù)測(cè)性維護(hù)方法，大數(shù)據(jù)驅(qū)動(dòng)的方法結(jié)合人工智能，利用實(shí)時(shí)采集監(jiān)測(cè)的工業(yè)大數(shù)據(jù)進(jìn)行數(shù)據(jù)分析與訓(xùn)練，能夠充分挖掘數(shù)據(jù)的價(jià)值，發(fā)現(xiàn)更多設(shè)備故障發(fā)生前的隱患信息，從而更有效地避免或減少設(shè)備故障。

圖1 AGV/移動(dòng)機(jī)器人智能運(yùn)維系統(tǒng)總體架構(gòu)

結(jié)合上述研究現(xiàn)狀與調(diào)研分析，本文總結(jié)了企業(yè)的幾個(gè)痛點(diǎn)問(wèn)題：其一，AGV/移動(dòng)機(jī)器人原有的Wi-Fi通信方式延遲高且穩(wěn)定性差，但5G改造方法和網(wǎng)絡(luò)部署方案不明確；其二，AGV/移動(dòng)機(jī)器人設(shè)備類型較多，采集的設(shè)備運(yùn)維數(shù)據(jù)特征較多，企業(yè)缺乏有效的大數(shù)據(jù)處理方法；其三，企業(yè)缺少能夠進(jìn)行模型部署推理與快速構(gòu)建運(yùn)維業(yè)務(wù)應(yīng)用的軟件環(huán)境。針對(duì)上述問(wèn)題，本文提出了基于5G+工業(yè)互聯(lián)網(wǎng)的AGV/移動(dòng)機(jī)器人智能運(yùn)維系統(tǒng)設(shè)計(jì)方案，從網(wǎng)絡(luò)、平臺(tái)和應(yīng)用3個(gè)層面給出了本系統(tǒng)的設(shè)計(jì)思路和建設(shè)方案，對(duì)系統(tǒng)中的智能運(yùn)維模型優(yōu)化方法進(jìn)行了分析，并在某上市倉(cāng)儲(chǔ)設(shè)備制造企業(yè)中進(jìn)行了系統(tǒng)的部署、測(cè)試與應(yīng)用，實(shí)現(xiàn)了企業(yè)相關(guān)設(shè)備的實(shí)時(shí)狀態(tài)監(jiān)測(cè)和當(dāng)前告警通知，并為企業(yè)提供預(yù)測(cè)性維護(hù)建議，減少了設(shè)備維修成本，提高了生產(chǎn)效率。

1 系統(tǒng)總體架構(gòu)設(shè)計(jì)

針對(duì)企業(yè)目前建設(shè)AGV/移動(dòng)機(jī)器人運(yùn)維系統(tǒng)存在的問(wèn)題和需求，本文提出了一種基于5G+工業(yè)互聯(lián)網(wǎng)的智能運(yùn)維系統(tǒng)架構(gòu)(見(jiàn)圖1)。

整個(gè)系統(tǒng)包含4個(gè)部分，其中設(shè)備層包括各類AGV或移動(dòng)機(jī)器人設(shè)備，如AGV小車、穿梭子母車、箱式穿梭車等；網(wǎng)絡(luò)層、平臺(tái)層和應(yīng)用層為智能運(yùn)維系統(tǒng)的核心部分。網(wǎng)絡(luò)層面，為各類AGV設(shè)備部署5G工業(yè)芯片，搭建企業(yè)現(xiàn)場(chǎng)級(jí)5G室內(nèi)網(wǎng)絡(luò)，提供高可靠、低時(shí)延的數(shù)據(jù)傳輸網(wǎng)絡(luò)環(huán)境；平臺(tái)層面，搭建面向AGV/移動(dòng)機(jī)器人的工業(yè)互聯(lián)網(wǎng)智能運(yùn)維平臺(tái)，實(shí)現(xiàn)企業(yè)相關(guān)設(shè)備的數(shù)據(jù)采集、匯聚、存儲(chǔ)和分析，并提供運(yùn)維業(yè)務(wù)應(yīng)用的開(kāi)發(fā)、構(gòu)建與運(yùn)行環(huán)境；應(yīng)用層面，利用遷移學(xué)習(xí)、聯(lián)邦學(xué)習(xí)、深度學(xué)習(xí)等算法訓(xùn)練優(yōu)化設(shè)備故障診斷/預(yù)測(cè)模型，開(kāi)發(fā)設(shè)備狀態(tài)監(jiān)測(cè)、預(yù)測(cè)性維護(hù)、質(zhì)量檢測(cè)、告警管理等運(yùn)維業(yè)務(wù)應(yīng)用，實(shí)現(xiàn)設(shè)備運(yùn)行狀態(tài)的多維展示和監(jiān)控，當(dāng)前告警及時(shí)通知，設(shè)備效能統(tǒng)計(jì)分析以及設(shè)備故障提前發(fā)現(xiàn)。

2 系統(tǒng)關(guān)鍵模塊設(shè)計(jì)

2.1 5G網(wǎng)絡(luò)的設(shè)計(jì)與搭建

AGV/移動(dòng)機(jī)器人設(shè)備原有的Wi-Fi通信方式抗干擾能力差、延時(shí)抖動(dòng)大、網(wǎng)絡(luò)連接穩(wěn)定性不足，難以滿足工業(yè)現(xiàn)場(chǎng)對(duì)網(wǎng)絡(luò)傳輸質(zhì)量的需求。隨著5G通信技術(shù)的成熟，企業(yè)考慮在生產(chǎn)現(xiàn)場(chǎng)引入5G網(wǎng)絡(luò)，但是現(xiàn)有的5G網(wǎng)絡(luò)大多為公網(wǎng)或混合網(wǎng)絡(luò)的部署模式，無(wú)法保證重點(diǎn)生產(chǎn)作業(yè)區(qū)域的覆蓋率和滿足企業(yè)數(shù)據(jù)的安全隔離要求。因此，本文采用5G基站的室內(nèi)建設(shè)方案，從工業(yè)5G終端到5G核心網(wǎng)均在企業(yè)生產(chǎn)環(huán)境內(nèi)部署搭建，滿足企業(yè)對(duì)網(wǎng)絡(luò)可靠性、隔離性和安全性的要求(見(jiàn)圖2)。

圖2 5G網(wǎng)絡(luò)設(shè)計(jì)方案

現(xiàn)場(chǎng)各類AGV/移動(dòng)機(jī)器人設(shè)備安裝工業(yè)5G模組，其中芯片根據(jù)高性能的5G新空口通信協(xié)議需求、生產(chǎn)作業(yè)場(chǎng)景的低功耗要求和設(shè)備安裝尺寸需求進(jìn)行封裝設(shè)計(jì)，終端模組的基帶通信算法采用極化碼Polar和低密度奇偶校驗(yàn)碼的信道編譯碼技術(shù)，可實(shí)現(xiàn)時(shí)延的精細(xì)控制。

針對(duì)企業(yè)生產(chǎn)環(huán)境的5G信號(hào)覆蓋率與時(shí)延性需求，系統(tǒng)采用現(xiàn)場(chǎng)級(jí)室內(nèi)5G基站方案，包括射頻拉遠(yuǎn)單元(Pico Remote Radio Unit，pRRU)、5G數(shù)據(jù)匯聚單元(5G HUB)、5G基帶處理單元池(Building Base Band Unit，BBU)和5G核心網(wǎng)。其中5G HUB擴(kuò)展主要負(fù)責(zé)通用公共無(wú)線接口數(shù)據(jù)處理；BBU資源池負(fù)責(zé)集中調(diào)配基帶資源，進(jìn)行信號(hào)調(diào)制處理；pRRU主要負(fù)責(zé)射頻信號(hào)處理，每個(gè)廠區(qū)的多個(gè)工作區(qū)域都會(huì)部署pRRU以盡可能地覆蓋5G信號(hào)。

上述5G網(wǎng)絡(luò)的室內(nèi)建設(shè)方案，可以為AGV/移動(dòng)機(jī)器人設(shè)備構(gòu)建大帶寬、廣覆蓋和高可靠低時(shí)延的網(wǎng)絡(luò)通信環(huán)境，支持對(duì)設(shè)備的大規(guī)模實(shí)時(shí)調(diào)度控制，其實(shí)時(shí)采集的設(shè)備運(yùn)行數(shù)據(jù)有助于智能運(yùn)維系統(tǒng)對(duì)設(shè)備故障的快速診斷與預(yù)測(cè)分析。

2.2 云邊協(xié)同的工業(yè)互聯(lián)網(wǎng)智能運(yùn)維平臺(tái)技術(shù)架構(gòu)設(shè)計(jì)

考慮到工業(yè)企業(yè)對(duì)各類AGV設(shè)備的運(yùn)維大數(shù)據(jù)和運(yùn)維業(yè)務(wù)應(yīng)用缺少統(tǒng)一和高效的管理工具，并且同類企業(yè)間缺少可信的模型共享空間以進(jìn)一步挖掘運(yùn)維大數(shù)據(jù)的潛在價(jià)值，本文提出了一種云邊協(xié)同的工業(yè)互聯(lián)網(wǎng)智能運(yùn)維平臺(tái)技術(shù)架構(gòu)，旨在幫助企業(yè)快速形成設(shè)備運(yùn)維大數(shù)據(jù)的治理環(huán)境，并為運(yùn)維業(yè)務(wù)應(yīng)用軟件的快速開(kāi)發(fā)與構(gòu)建提供支撐。

如圖3所示，整個(gè)智能運(yùn)維平臺(tái)分為企業(yè)級(jí)工業(yè)邊緣云管平臺(tái)和行業(yè)級(jí)中心云公共服務(wù)平臺(tái)。企業(yè)級(jí)邊緣云管平臺(tái)部署在各企業(yè)的私有云服務(wù)器上，基礎(chǔ)設(shè)施即服務(wù)(Infrastructure as a Service，IaaS)層主要基于云原生技術(shù)將邊緣云基礎(chǔ)設(shè)施的計(jì)算、存儲(chǔ)和網(wǎng)絡(luò)資源虛擬化，并通過(guò)資源監(jiān)控和調(diào)度功能進(jìn)行資源的管理和分配；平臺(tái)即服務(wù)(Platform as a Service，PaaS)層提供針對(duì)設(shè)備運(yùn)維數(shù)據(jù)與運(yùn)維業(yè)務(wù)應(yīng)用的相關(guān)服務(wù)，包括數(shù)據(jù)接入與匯聚、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)分析與應(yīng)用支撐。其中，數(shù)據(jù)接入與匯聚服務(wù)采集設(shè)備的靜態(tài)信息、運(yùn)行狀態(tài)數(shù)據(jù)和當(dāng)前故障數(shù)據(jù)，通過(guò)邊緣數(shù)據(jù)處理模塊進(jìn)行數(shù)據(jù)預(yù)處理和格式轉(zhuǎn)換，并利用規(guī)則引擎轉(zhuǎn)發(fā)數(shù)據(jù)至上層組件；數(shù)據(jù)存儲(chǔ)服務(wù)可存儲(chǔ)大量時(shí)序數(shù)據(jù)，通過(guò)工業(yè)私有區(qū)塊鏈進(jìn)行設(shè)備運(yùn)維日志的可信存證與溯源審計(jì)，在故障專家?guī)熘胁粩啻鎯?chǔ)并更新設(shè)備故障診斷與維護(hù)知識(shí)；數(shù)據(jù)分析服務(wù)提供數(shù)據(jù)的在線/離線分析環(huán)境，以及設(shè)備故障模型的訓(xùn)練和推理環(huán)境；應(yīng)用支撐服務(wù)則提供應(yīng)用的運(yùn)行與管理功能。行業(yè)級(jí)中心云公共服務(wù)平臺(tái)部署在公有云服務(wù)器上，以工業(yè)聯(lián)盟鏈為基礎(chǔ)，為同類型企業(yè)構(gòu)建可信的模型資源共享環(huán)境，利用聯(lián)盟鏈進(jìn)行模型的確權(quán)，通過(guò)聯(lián)邦學(xué)習(xí)框架幫助多家企業(yè)在數(shù)據(jù)不出廠的條件下完成設(shè)備故障模型的高效聚合，并提供工業(yè)應(yīng)用模型庫(kù)以供各參與企業(yè)進(jìn)行模型的共享。平臺(tái)的工業(yè)應(yīng)用服務(wù)則提供運(yùn)維業(yè)務(wù)應(yīng)用的開(kāi)發(fā)、測(cè)試、構(gòu)建、分發(fā)和部署功能，方便企業(yè)相關(guān)應(yīng)用的快速上線。

圖3 云邊協(xié)同的工業(yè)互聯(lián)網(wǎng)智能運(yùn)維平臺(tái)技術(shù)架構(gòu)

2.3 設(shè)備智能運(yùn)維業(yè)務(wù)應(yīng)用的構(gòu)建方案設(shè)計(jì)

設(shè)備智能運(yùn)維業(yè)務(wù)應(yīng)用主要包括設(shè)備質(zhì)量檢測(cè)和預(yù)測(cè)性維護(hù)，需要以人工智能模型為核心進(jìn)行開(kāi)發(fā)構(gòu)建，利用訓(xùn)練好的設(shè)備故障模型對(duì)實(shí)時(shí)數(shù)據(jù)流進(jìn)行分析，從而給出設(shè)備維護(hù)建議并通知企業(yè)運(yùn)維人員。因此，企業(yè)在設(shè)備智能運(yùn)維業(yè)務(wù)應(yīng)用的構(gòu)建過(guò)程中，存在模型精度優(yōu)化、模型實(shí)時(shí)推理、模型在線更新等需求。

針對(duì)上述需求，本文提出了一種設(shè)備智能運(yùn)維業(yè)務(wù)應(yīng)用的構(gòu)建方案，可以基于智能運(yùn)維平臺(tái)高效地構(gòu)建部署此類應(yīng)用(見(jiàn)圖4)。首先采集各類設(shè)備的原始數(shù)據(jù)，對(duì)其進(jìn)行數(shù)據(jù)預(yù)處理和格式轉(zhuǎn)換，處理后的數(shù)據(jù)通過(guò)編排好的規(guī)則進(jìn)行數(shù)據(jù)轉(zhuǎn)發(fā)，發(fā)送給時(shí)序數(shù)據(jù)庫(kù)存儲(chǔ)為歷史數(shù)據(jù)，同時(shí)一部分?jǐn)?shù)據(jù)會(huì)發(fā)送至消息中間件進(jìn)行緩存。時(shí)序數(shù)據(jù)庫(kù)會(huì)將大量歷史數(shù)據(jù)匯聚給大數(shù)據(jù)分析引擎進(jìn)行離線的故障診斷/預(yù)測(cè)模型訓(xùn)練，并將訓(xùn)練好的基準(zhǔn)模型保存至工業(yè)應(yīng)用模型庫(kù)中。消息中間件的實(shí)時(shí)數(shù)據(jù)流會(huì)傳輸至大數(shù)據(jù)分析引擎進(jìn)行模型的在線訓(xùn)練和優(yōu)化，同時(shí)也會(huì)將一段時(shí)間內(nèi)緩存的數(shù)據(jù)輸入至實(shí)時(shí)計(jì)算組件Flink進(jìn)行模型推理，其中用于推理的模型是由工業(yè)模型庫(kù)在聚合、評(píng)估和優(yōu)化多家企業(yè)模型后提供的當(dāng)前最優(yōu)模型。告警管理組件對(duì)模型推理結(jié)果進(jìn)行分析判斷，將維修建議和故障預(yù)警消息轉(zhuǎn)發(fā)至企業(yè)的維修工單系統(tǒng)，由該系統(tǒng)向運(yùn)維人員派發(fā)工單進(jìn)行設(shè)備檢查維護(hù)，最終將故障處理信息反饋至設(shè)備故障知識(shí)專家?guī)?，并將故障?shù)據(jù)更新至?xí)r序數(shù)據(jù)庫(kù)。該類應(yīng)用可以按照上述方案，靈活調(diào)用各組件相關(guān)接口，最終構(gòu)建成容器鏡像部署在企業(yè)級(jí)工業(yè)邊緣云管平臺(tái)。

3 系統(tǒng)關(guān)鍵技術(shù)分析

AGV/移動(dòng)機(jī)器人智能運(yùn)維系統(tǒng)的關(guān)鍵技術(shù)在于使用智能運(yùn)維模型進(jìn)行實(shí)時(shí)推理，依據(jù)推理結(jié)果給出企業(yè)運(yùn)維工作的相關(guān)意見(jiàn)，幫助企業(yè)快速定位設(shè)備故障，減少故障發(fā)生率。但是，在企業(yè)的實(shí)際生產(chǎn)環(huán)境中，模型的訓(xùn)練和優(yōu)化總會(huì)存在一些問(wèn)題：支撐模型訓(xùn)練的數(shù)據(jù)量不足或質(zhì)量不高、收集的故障樣本比例太少、設(shè)備類型較多導(dǎo)致各類模型訓(xùn)練開(kāi)銷大。針對(duì)這些實(shí)際問(wèn)題，本文基于所提的系統(tǒng)架構(gòu)，提出了兩種智能運(yùn)維模型優(yōu)化方法。

3.1 基于遷移學(xué)習(xí)的設(shè)備故障模型預(yù)訓(xùn)練與優(yōu)化方法

針對(duì)多類設(shè)備故障模型訓(xùn)練與更新開(kāi)銷大、部分設(shè)備缺少高質(zhì)量訓(xùn)練數(shù)據(jù)的問(wèn)題，本文提出基于遷移學(xué)習(xí)的設(shè)備故障模型預(yù)訓(xùn)練與優(yōu)化方法(見(jiàn)圖5)。

圖4 設(shè)備智能運(yùn)維業(yè)務(wù)應(yīng)用構(gòu)建方案

圖5 基于遷移學(xué)習(xí)的設(shè)備故障模型預(yù)訓(xùn)練與優(yōu)化方法

將遷移學(xué)習(xí)應(yīng)用到模型構(gòu)建中，即將源域Ds中源任務(wù)Ts知識(shí)遷移到目標(biāo)域Dt中目標(biāo)任務(wù)Tt中[9]，用公式表示為

Ds=Xs,PXs,Ts=Ys,fs·

Dt=Xt,PXt,Tt=Yt,ft·

(1)

其中，Xs、Xt為源域、目標(biāo)域特征空間，PXs、PXt為對(duì)應(yīng)邊緣概率分布，Ys、Yt為源任務(wù)、目標(biāo)任務(wù)標(biāo)簽空間，fs·、ft·為對(duì)應(yīng)預(yù)測(cè)函數(shù)。

圖6 基于橫向聯(lián)邦學(xué)習(xí)的故障模型聚合與優(yōu)化方法

首先，選取質(zhì)量較高的設(shè)備數(shù)據(jù)對(duì)模型預(yù)訓(xùn)練，固定部分參數(shù)后分別用各目標(biāo)設(shè)備數(shù)據(jù)再訓(xùn)練，完成模型構(gòu)建。該方法不僅可以節(jié)省開(kāi)銷，還能夠提升目標(biāo)設(shè)備模型性能。其次，周期性自動(dòng)化地提取模型參數(shù)，利用實(shí)時(shí)數(shù)據(jù)不斷在線更新模型，從而提高模型實(shí)時(shí)可用性并減少人為更新所耗費(fèi)的資源。

根據(jù)上述方法，企業(yè)可以從系統(tǒng)時(shí)序數(shù)據(jù)庫(kù)中篩選較高質(zhì)量的歷史數(shù)據(jù)進(jìn)行初始模型的離線預(yù)訓(xùn)練，將訓(xùn)練好的模型結(jié)合其余相似類型的設(shè)備數(shù)據(jù)進(jìn)一步訓(xùn)練優(yōu)化，并利用系統(tǒng)采集的實(shí)時(shí)數(shù)據(jù)進(jìn)行在線更新，更新優(yōu)化后的模型都將定期保存至工業(yè)應(yīng)用模型庫(kù)中，以供系統(tǒng)的Flink組件調(diào)用模型進(jìn)行實(shí)時(shí)推理。

3.2 基于橫向聯(lián)邦學(xué)習(xí)的設(shè)備故障模型聚合與優(yōu)化方法

針對(duì)多方模型聯(lián)合優(yōu)化場(chǎng)景，考慮到同類型企業(yè)的設(shè)備數(shù)據(jù)特征相似，但樣本數(shù)據(jù)不會(huì)重疊的情況[10]，本文提出基于橫向聯(lián)邦學(xué)習(xí)的設(shè)備故障模型聚合與優(yōu)化方法(見(jiàn)圖6)。各企業(yè)參與方將從中心云服務(wù)器下載的全局模型在本地訓(xùn)練后，再上傳至中心云服務(wù)器。中心云服務(wù)器對(duì)模型進(jìn)行安全聚合，再將聚合后的模型發(fā)送給各參與企業(yè)。

中心云服務(wù)器的模型聚合目標(biāo)函數(shù)如下。

(2)

其中，m是參與企業(yè)總數(shù)，n是數(shù)據(jù)量總和，nk是第k個(gè)參與企業(yè)的數(shù)據(jù)量，F(xiàn)kw是第k個(gè)參與企業(yè)的本地目標(biāo)函數(shù)。

根據(jù)上述方法，各企業(yè)參與方可以使用系統(tǒng)公共服務(wù)平臺(tái)的聯(lián)邦學(xué)習(xí)框架，在數(shù)據(jù)不出廠的前提下進(jìn)行模型的安全聚合，同時(shí)利用公共服務(wù)平臺(tái)的工業(yè)聯(lián)盟鏈進(jìn)行模型確權(quán)，最后使用聯(lián)合優(yōu)化好的模型進(jìn)行本地實(shí)時(shí)推理。這樣既可以在單個(gè)企業(yè)數(shù)據(jù)樣本不足的情況下聯(lián)合提升模型精度，又可以保護(hù)各家企業(yè)的數(shù)據(jù)隱私。

4 系統(tǒng)部署與應(yīng)用

在某智能倉(cāng)儲(chǔ)設(shè)備制造領(lǐng)域的上市企業(yè)生產(chǎn)廠區(qū)內(nèi)進(jìn)行設(shè)備智能運(yùn)維系統(tǒng)的部署、測(cè)試與應(yīng)用，具體的實(shí)施場(chǎng)景如圖7所示。該生產(chǎn)環(huán)境內(nèi)具有托盤(pán)搬運(yùn)AGV、三向叉車AGV、箱式四向穿梭車等12種AGV或移動(dòng)搬運(yùn)機(jī)器人設(shè)備，考慮到企業(yè)數(shù)據(jù)通信的低時(shí)延高可靠需求，將每類設(shè)備的Wi-Fi通信模塊替換為工業(yè)5G模組，在廠房?jī)?nèi)各立體庫(kù)頂部安裝pRRU設(shè)備，并在室內(nèi)部署其余相關(guān)5G網(wǎng)絡(luò)設(shè)備，使整個(gè)生產(chǎn)環(huán)境基本都覆蓋5G網(wǎng)絡(luò)。本文選取了廠區(qū)內(nèi)多個(gè)不同位置，使用測(cè)試軟件對(duì)廠區(qū)通信環(huán)境進(jìn)行了時(shí)延測(cè)試，發(fā)現(xiàn)Wi-Fi網(wǎng)絡(luò)的上下行時(shí)延在4～111 ms內(nèi)頻繁抖動(dòng)，并且終端設(shè)備的快速移動(dòng)會(huì)導(dǎo)致時(shí)延增大；而5G網(wǎng)絡(luò)的上下行時(shí)延可以穩(wěn)定在5～23 ms范圍內(nèi)，時(shí)延抖動(dòng)相對(duì)Wi-Fi網(wǎng)絡(luò)明顯較小，平均時(shí)延更低，并且在終端快速移動(dòng)的情況下時(shí)延也未產(chǎn)生明顯抖動(dòng)。由此可見(jiàn)，5G網(wǎng)絡(luò)的部署解決了原有Wi-Fi通信方式時(shí)延高和不穩(wěn)定的問(wèn)題。

圖7 系統(tǒng)部署實(shí)施場(chǎng)景示意圖

由于廠區(qū)內(nèi)每個(gè)區(qū)域的穿梭車或AGV小車均由獨(dú)立的倉(cāng)儲(chǔ)控制系統(tǒng)(Warehouse Control System，WCS)進(jìn)行管理，缺少統(tǒng)一的設(shè)備監(jiān)控運(yùn)維中心，故在企業(yè)私有云服務(wù)器部署了工業(yè)互聯(lián)網(wǎng)企業(yè)邊緣云管平臺(tái)，匯聚了各類設(shè)備的運(yùn)維監(jiān)測(cè)數(shù)據(jù)(電機(jī)轉(zhuǎn)速/電流、行走里程、伸叉次數(shù)、換向次數(shù)、告警信息等30多類特征維度)。

基于企業(yè)邊緣云管平臺(tái)，可實(shí)現(xiàn)各類設(shè)備實(shí)時(shí)的運(yùn)行狀態(tài)監(jiān)測(cè)，基于歷史狀態(tài)數(shù)據(jù)的設(shè)備效能統(tǒng)計(jì)分析和故障告警通知，并通過(guò)平臺(tái)內(nèi)的工業(yè)私有區(qū)塊鏈可實(shí)現(xiàn)重要運(yùn)維日志的可信存證與追溯審計(jì)，不斷積累故障運(yùn)維模式和數(shù)據(jù)，豐富設(shè)備故障知識(shí)專家?guī)?。同時(shí)，利用大數(shù)據(jù)分析引擎進(jìn)行設(shè)備故障模型的離線訓(xùn)練，其中針對(duì)重型托盤(pán)式四向穿梭車的數(shù)據(jù)集訓(xùn)練分為對(duì)照組和遷移組兩種方式，對(duì)照組只使用重型四向車數(shù)據(jù)單獨(dú)訓(xùn)練故障模型，而遷移組先使用輕型四向車數(shù)據(jù)進(jìn)行模型的預(yù)訓(xùn)練，再將預(yù)訓(xùn)練后的模型用于重型四向車的模型訓(xùn)練。圖8所示為輕/重型四向穿梭車設(shè)備運(yùn)行故障預(yù)測(cè)模型(預(yù)測(cè)未來(lái)10 min內(nèi)是否發(fā)生故障)的訓(xùn)練與測(cè)試結(jié)果。從結(jié)果上看，對(duì)輕型箱式穿梭車的數(shù)據(jù)集單獨(dú)訓(xùn)練并交叉驗(yàn)證，可以達(dá)到較低虛警率下82%的故障預(yù)測(cè)正確率；使用本文所提基于遷移學(xué)習(xí)的方法進(jìn)行重型托盤(pán)式穿梭車(可用真實(shí)數(shù)據(jù)集較少)的模型優(yōu)化，相對(duì)于不使用遷移學(xué)習(xí)的訓(xùn)練方式可以提升23%的故障預(yù)測(cè)正確率?？紤]到該企業(yè)的多家客戶方均有同類型設(shè)備，故可以利用中心云服務(wù)平臺(tái)的聯(lián)邦學(xué)習(xí)框架在保障客戶數(shù)據(jù)隱私的情況下進(jìn)行故障預(yù)測(cè)模型的再優(yōu)化，提升模型精度。根據(jù)故障預(yù)測(cè)模型的推理結(jié)果，系統(tǒng)能夠及時(shí)發(fā)現(xiàn)設(shè)備運(yùn)行異常情況，并向企業(yè)給出相應(yīng)的預(yù)測(cè)性維護(hù)建議，有效減少了由于設(shè)備非計(jì)劃故障停機(jī)造成生產(chǎn)效率降低的情況，從而實(shí)現(xiàn)了企業(yè)工業(yè)生產(chǎn)的降本增效。

圖8 輕/重型四向穿梭車設(shè)備故障預(yù)測(cè)模型的訓(xùn)練與測(cè)試結(jié)果

5 結(jié)束語(yǔ)

本文提出了基于5G+工業(yè)互聯(lián)網(wǎng)的AGV/移動(dòng)機(jī)器人智能運(yùn)維系統(tǒng)設(shè)計(jì)方案，并在企業(yè)實(shí)際生產(chǎn)環(huán)境中進(jìn)行了系統(tǒng)的部署、測(cè)試與應(yīng)用，實(shí)現(xiàn)了高可靠、低時(shí)延的設(shè)備數(shù)據(jù)采集，設(shè)備運(yùn)行狀態(tài)實(shí)時(shí)監(jiān)測(cè)，設(shè)備告警信息及時(shí)通知，設(shè)備關(guān)鍵運(yùn)維日志的可信存儲(chǔ)和設(shè)備預(yù)測(cè)性維護(hù)建議提示。同時(shí)，真實(shí)數(shù)據(jù)集的測(cè)試結(jié)果驗(yàn)證了本文所提智能運(yùn)維模型優(yōu)化方法的有效性與可行性。但是，要提升各類型設(shè)備的故障預(yù)測(cè)準(zhǔn)確性，還需要聯(lián)合多家企業(yè)進(jìn)一步訓(xùn)練和優(yōu)化模型，并進(jìn)行模型的實(shí)際效果測(cè)試與推理應(yīng)用。