日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

卡奧斯工業智能研究院（青島）有限公司陳錄城

卡奧斯物聯科技股份有限公司魯效平，盛國軍

卡奧斯工業智能研究院（青島）有限公司楊振發，秦承剛，王超，王朋靜

1　引言

家電行業是典型的離散制造業細分領域，是支撐我國經濟飛速發展的關鍵力量。隨著新一代信息技術的廣泛應用，家電行業面臨著以下困境：產品在外觀設計、功能性等方面具有高度相似性，同質化現象突出，難以滿足體驗經濟時代消費者差異化、多樣化的需求，價格戰頻發，利潤空間受到擠壓；消費者對產品品質、智能化、個性化的需求不斷增加，傳統的生產模式無法快速響應市場變化，訂單交付周期長，質量管控力度不足，庫存周轉壓力大，等等^[1]。這些挑戰逼迫家電企業進行數字化、智能化轉型，以海爾為代表的龍頭企業早已開始著手布局工業互聯網。其通過搭建工業互聯網平臺^[2,3]，形成以用戶為中心的大規模個性化定制生產模式^[4]，完成人、機、料、管理流程、管理系統的廣泛互聯，使用戶參與到產品從概念設計到成品制造的全過程，實現用戶需求的實時響應和生產資源的無縫對接，從而實現降本、增效、提質。面向家電行業的工業互聯網平臺需要解決多種類工業設備接入、多源工業數據集成、海量數據處理、工業數據建模分析、工業知識積累迭代等一系列問題，在傳統的“云-端”架構中，訓練和推理服務器部署在遠端數據中心或云端，端側的數據需要通過網絡傳輸到云端統一處理和分析，但家電智能工廠涉及海量的生產設備和傳感器，如果所有數據都發往云端處理，會消耗大量網絡帶寬資源，增加企業隱私和機密信息泄漏風險，一旦出現網絡不穩定或斷網的情況，還會導致生產中斷，也無法滿足生產線監控、設備狀態檢測等特定場景對數據處理的低延遲需求^[5,6]。邊緣計算恰好可以彌補這一短板，它通過將計算資源放置在靠近數據源的邊緣節點上，在本地實現部分數據處理和決策能力，只將關鍵數據或結果傳輸到云端，減少了數據傳輸延遲，提高了響應速度，減少了對網絡帶寬的需求，即使在沒有網絡的情況下，設備仍然可以正常運行。在云邊協同架構中，計算資源的異構性、處理器的地理分散性等因素，給云端和邊緣端的資源分配和任務調度優化帶來了新的挑戰，云邊資源優化調度成為工業互聯網的重要研究方向之一^[7]。倪志偉等^[8]提出了一種基于多目標離散型人工蜂群算法的云任務調度優化策略，能更好地改善虛擬資源中云任務調度系統的性能。趙宏偉等^[9]提出了一種改進的差分人工蜂群算法，能優化云邊協同調度模型，并有效解決多目標資源調度問題。王淑玲等^[10]從場景拆分、調度目標、求解方案的角度依次對兩種典型的云邊協同場景進行分析，給出了適應場景特性的資源調度優化參考方案。

海爾集團基于自身近40年的制造經驗與數字化轉型實踐，探索出一套基于云邊協同的工業互聯網平臺體系。該平臺利用5G的快速部署、高可靠、低時延等特性構建家電智能工廠的網絡架構，將云計算全局性、非實時、長周期的大數據處理、分析與業務決策能力，和邊緣計算實時性、低延遲的數據處理與應用服務能力有機結合，可以從大規模任務統一調度、異構計算協同部署與邊緣任務實時重構三個層面對云端和邊緣端的計算資源進行高效管控和利用，從而使家電企業能夠有效采集生產設備、生產線和生產現場成千上萬種不同類型的數據，并依托人工智能技術強化數據分析與洞察能力，實現了智能化的管理和控制，為家電行業的智能化、自動化轉型提供了參考和啟示。

2　基于云邊協同的工業互聯網平臺

通過創新現場級工業操作系統、數字工業操作系統和工業云腦，卡奧斯建立了基于云邊端協同的家電行業工業互聯網平臺。該平臺匯聚了各類工業資源，打通了交互定制、研發設計、精準營銷、模塊采購、智能生產、智慧物流和智慧服務等業務全流程，形成了以用戶最佳體驗為中心的跨行業、跨領域、全周期的企業-用戶、企業-資源、資源-用戶“三元價值矩陣”新工業體系，實現了企業全面精細化、信息化、智能化的管理與控制，賦能家電企業完成從大規模生產到大規模個性化定制的模式轉型。如圖1所示，平臺架構自下而上分別為：

（1）端—工業裝備

端泛指連接到平臺邊緣節點的設備以及該設備承載的應用，可以是注塑機、大型工控機床等各種生產設備，溫度、振動、超聲等各類傳感器，以及攝像頭、AGV、工業機器人等。其通過大帶寬、低時延、高可靠的5G網絡，并適配MQTT、Modbus、OPC-UA等通信協議，實現多源異構設備的海量接入。

（2）邊—現場級工業操作系統

現場級工業操作系統采用工業級高可用架構，由云邊協同-邊緣組件、容器引擎、安全模塊、應用容器組和實時Linux操作系統等部分組成，能夠完成邊緣節點的注冊認證和管理。應用容器組中配置了各種功能應用，包括機器視覺算法、裝備預測性維護、產品裝配輔助、數據預治理、產線能效優化和產品質量提升等。系統兼容數百種通信協議，支持多源異構工業裝備的泛在接入，依托協議轉換技術能夠實現多源異構數據的歸一化和融合集成，并可進行邊緣計算和本地分析，實現底層數據的匯聚處理和向云端的集成。

（3）云—數字工業操作系統和工業云腦

數字工業操作系統包含容器云管平臺，數據庫、中間件、數據計算等選裝件管理及服務，數據增強、計算增強、交互增強等增強件管理及服務，組件服務開放API，云邊協同-云端組件，物聯管理和數據管理等部分，其通過數據主線技術可以連接多種企業數據源。容器云管平臺支持企業完成硬件資源管理、虛擬資源管理、容器管理和運行/運營管理，為企業提供安全可靠的服務。

圖1 基于云邊協同的工業互聯網平臺體系架構

工業云腦主要由專家模型庫、工業知識庫、工業大模型、工業大數據和能力網格等部分組成。專家模型庫支持設備故障預測、工廠生產排程、制造資源配置優化以及AGV智能調度等功能；工業知識庫中沉淀了經過數字化封裝的工業機理模型，具有強大的可復用能力，可以廣泛應用于產品的設計研發和生產制造過程；工業大數據能夠對邊端傳輸的數據進行存儲、治理、訪問、分析和決策；工業大模型支持多模態信息的融合，可以識別產品的CAD設計圖紙，生成設備操作指令，能夠調度專家模型完成工藝參數推薦。企業可以任意調用能力網格中的機器視覺、數字孿生、可視化看板等能力，實現生產自感知、自適應、自診斷、自學習、自決策。

3　云邊資源智能優化調度

平臺云端和邊緣端的資源分配和任務調度是通過內置在云邊協同-邊緣組件和云邊協同-云端組件中的云邊資源智能優化調度模塊實現的。如圖2所示，該模塊由任務響應接收與處理子模塊、任務部署子模塊和任務調度算法庫子模塊三部分組成，能夠從大規模任務統一調度、異構計算協同部署與邊緣任務實時重構三個層面對邊端和云端計算資源進行高效管控，以滿足異構計算、任務部署、協同優化的實時需求。

圖2 云邊資源智能優化調度模塊

（1）任務接收與處理子模塊

任務接收與處理子模塊接收用戶提交的任務，其采用增量聚類技術讀取上載任務所需資源量、所對應的物理設備、依賴數據源、依賴數據上載量、運行過程與物理設備交互量、任務結果下載方式等數據信息，并通過不確定性量化模型計算任務運行時長及失效率，完成不確定性挖掘。該子模塊基于確定性規則按照領域粗分和需求細分對任務進行分類，依據任務重要度、任務前驅后繼關系、任務運行方式指派任務優先級，以能耗和效率為任務調度的目標，制定調度約束的統一需求描述規則。該子模塊的輸入為用戶提交的任務，輸出為任務分類和任務需求描述，由任務部署子模塊接收。

（2）任務部署子模塊

由于云端和邊緣端資源的分布性和異構性，通過單一云平臺對所有可共享計算和存儲資源的統籌調度是十分低效的。隨著資源和任務規模的增大，多個云端和邊緣端逐漸實現分區域協同，通過域內調度單元對用戶提交的任務群進行調度和部署。對任務來說，可選資源群包含云端資源、鄰近邊端資源及非鄰近可達邊端資源，其中鄰近指資源與任務關聯的終端設備物理距離的鄰近。鄰近邊端資源主要用于處理通信量與實時性要求高的任務，云端資源主要用于處理通信和實時性要求較低的計算或存儲密集型任務，而非鄰近可達邊端則作為二者的折中，當鄰近邊端和云端資源過載情況下，分擔其部分任務負載。由于任務需求不同且可選資源特性不同，為每一類任務需求和云邊協同場景建立特定的調度模型并求解顯然是不現實的。

因此，任務部署子模塊建立了異構任務調度過程統一模型，將各領域關聯任務以拓撲圖模板表示，集成各類場景下獨立任務、關聯任務群的總執行時間、各類任務能耗、工業任務的物流約束和質量約束等，形成任務目標集、變量編碼集和任務約束集，利用按位補齊和掩碼技術實現不同長度調度變量的變換，使編碼作為任務調度算法庫子模塊的一個統一輸入接口。子模塊具備云邊資源信息實時獲取功能，能夠將當前任務對應的可達資源劃分為上述三個層面，讀取不同層面資源的可利用率、節點路由信息、節點間可用頻道與帶寬、節點物理距離，為任務調度提供必要支持。

任務部署子模塊按照任務群分組、調度域劃分、調度模型配置、優化方案生成、調度結果部署和任務動態遷移等六個步驟實現任務群部署。按照類型將任務群分為多個調度組，每組任務依據其鄰近邊端資源狀態選擇調度域；基于異構任務調度過程統一模型，為每組任務對應生成一組變量編碼，配置不同調度目標和約束，并調用任務調度算法庫子模塊中的算法生成優化方案，最終將任務群按照方案逐一指派邊緣端和云端計算資源節點，生成具有特定硬件平臺約束的目標代碼，進而執行代碼加載指令，遠程控制目標節點的指令更新，完成任務動態部署。當發生資源過載、任務中斷、負載不均時，子模塊將再次調用任務調度算法庫子模塊中的算法對問題節點中的任務進行快速重調度，移至其他物理資源繼續運行，實現動態遷移。

任務部署子模塊是云邊資源智能優化調度的核心實施部件，其輸入為可達云端和邊緣端的資源信息以及任務接收與處理子模塊的輸出，其輸出直接作用于云端和邊端資源，完成任務部署和動態調整，是任務和資源的核心中間件。

（3）任務調度算法庫子模塊

任務調度算法庫子模塊基于超啟發思想，搭建了可配置智能優化算法框架，集合了多種進化搜索算子，建立了任務調優的多個可選局部變換規則。根據迭代過程和種群劃分，算法的可配置分為兩個層面，第一個層面指針對不同迭代階段選取不同的進化算子和局部啟發式規則實現種群的更新，通過指定其參數、執行順序及迭代尋優的次數來對所生成的算法進行控制，算子作為靈活組成零件能在不同階段發揮廣度搜索和深度挖掘作用，當某一個或多個低效算子被選中時，其他算子能在后一階段及時修正搜索方向，保持搜索的整體性能；第二個層面指針對不同個體配置選取不同的算子，各個算子針對個體的作用域不同、組成結構不同、參數不同，它們在整個迭代過程同步執行，多個算子的同時作用保證了個體的多樣性行為，高效算子可帶動低效算子在各階段保持搜索效率，多個算子的混合保證在搜索時間復雜性不增的情況下拓展問題的適用范圍，保持算法整體的魯棒性，并帶動其他個體實現協作求解。

在此基礎上，子模塊基于進化算子和局部啟發式規則特征將算法結構、算子及參數映射為算法編碼，集成主流的超啟發策略，實現算法結構自動變換、算子自動選擇和算子參數自動配置。從算子分類角度來看，進化算子主要決定種群在整個解空間內的進化方向，而局部調度規則作為輔助則從個體局部范圍進行定位。由于云邊資源狀態和協同模式的多變性，很難事先確定哪一種算子對哪一個場景的搜索是有效的，在這種情況下，子模塊將半隨機超啟發策略應用到進化算子的選擇中，并運用各種隨機超啟發策略為每個個體在不同階段變步長的選取局部搜索規則，提升了搜索效率和準確性。

4　案例實施與效果

以某冰箱互聯工廠為例，其通過云邊協同的工業互聯網平臺，將云計算、邊緣計算、物聯網、大數據等數字化技術融入工業生產中，為生產決策提供了智能化服務，實現了端到端的互聯互通，前端連接用戶需求，后端連接智能工廠，在實現柔性化、定制化生產的同時，進行全球資源的協同配置。同時，其基于大規模個性化定制模式，在賦能建設互聯工廠的過程中，不僅實現了數字化改造，還通過數字化手段面向用戶開放全流程，使其參與研發、設計、制造，實現產業鏈的連接形式隨用戶需求靈活變化，打造出端到端“燈塔工廠”。

經過賦能，工廠面對用戶定制設計、快速交貨和高品質的需求，通過大數據、數字孿生、先進視覺檢測技術的應用，實現按單生產智能制造、超薄真空節能發泡、數據集成分析、AI視覺真空管控、壓縮機柔性裝配、物流發運智能調配等業務場景的數字化，訂單響應周期縮短35%，生產效率提升35%，質量績效提升36%。

5　結論

海爾集團構建了基于云邊協同的工業互聯網平臺，賦能家電行業數字化、智能化轉型，形成了以用戶為中心的大規模個性化定制生產模式，完成了人、機、料、管理流程、管理系統的廣泛互聯，使用戶參與到從產品設計到成品制造的業務全流程，實時響應用戶需求，精準匹配制造資源，實現可持續發展。平臺通過云邊資源智能優化調度模塊對云端和邊緣端的計算資源進行高效管控，能夠滿足云邊協同架構對異構計算、任務部署和協同優化的實時需求。目前該平臺已經賦能多家工廠完成數智化轉型，全面提升了核心競爭力，為家電企業的數智化轉型起到了良好的示范作用。

★基金項目：國家自然科學基金青年基金（62303272），山東省博士后創新項目（SDCXZG-202203036），泰山產業領軍人才工程專項經費資助（tscx202306029），山東省自然科學基金青年基金（ZR2022QF038）。

作者簡介：

陳錄城（1969-），男，山東青島人，正高級工程師，現就職于卡奧斯物聯科技股份有限公司，研究方向為工業互聯網、智能制造、大規模個性化定制理論及關鍵技術等。

魯效平（1981-），男，山東泰安人，教授級高工，現就職于卡奧斯物聯科技股份有限公司，研究方向為工業互聯網、智能制造關鍵技術等。（本文通訊作者）

楊振發（1993-），男，山東臨沂人，現就職于卡奧斯工業智能研究院（青島）有限公司，研究方向為智能傳感器、工業互聯網、大規模個性化定制理論及關鍵技術等。

參考文獻：

[1] 趙爽, 許蕾, 張艷麗, 等. 家用電器行業個性化定制發展綜述[J]. 家電科技, 2020, (6) : 112 - 116.

[2] 蔡毅, 田暉, 彭玲, 等. 家電行業"5G+工業互聯網"標準化體系構建研究[J]. 輕工標準與質量, 2022, (5) : 116 - 119.

[3] 邢燕. 5G+工業互聯網賦能家電行業數字化轉型探析[J]. 信息通信技術, 2022, 16 (5) : 13 - 17.

[4] 陳錄城, 魯效平, 盛國軍, 等. 大規模個性化定制研究綜述[J]. 新型工業化, 2023, 13 (10) : 11 - 21.

[5] 李智威, 莫王昊, 李北, 等. 基于資源約束多目標優化的物聯網邊緣計算資源分配[J]. 現代電子技術, 2024, 47 (2) : 59 - 66.

[6] 王超, 魯效平, 劉倫明, 等. 5G+MEC在家電業機器視覺檢測系統中的應用[J]. 電子技術應用, 2022, 48 (12) : 84 - 88.

[7] 王凌, 吳楚格, 范文慧. 邊緣計算資源分配與任務調度優化綜述[J]. 系統仿真學報, 2021, 33 (3) : 509 - 520.

[8] 倪志偉, 李蓉蓉, 方清華, 等. 基于離散人工蜂群算法的云任務調度優化[J]. 計算機應用, 2016, 36 (1) : 107 - 112 + 121.

[9] 趙宏偉, 荊學慧, 張帥, 等. 面向云邊協同的資源調度優化策略[J]. 沈陽大學學報(自然科學版), 2021, 33 (1) : 41 - 46 + 74.

[10] 王淑玲, 孫杰, 王鵬, 等. 云邊協同中的資源調度優化[J]. 電信科學, 2023, 39 (2) : 163 - 170.

摘自《自動化博覽》2024年第二期暨《邊緣計算2024專輯