av网站的免费观看丨无码福利一区二区三区丨亚洲人成影院在线观看丨337p人体粉嫩胞高清视频丨国内a∨免费播放

本項目由萬向研究院、中國聯(lián)通網(wǎng)絡(luò)技術(shù)研究院牽頭，萬向錢潮公司、杭州領(lǐng)克信息科技有限公司、廣東宜通世紀科技股份有限公司參與。
上述單位共同參與測試床項目的目的是對創(chuàng)新性的工業(yè)互聯(lián)網(wǎng)業(yè)務(wù)進行研究和探索，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，并對解決方案的性能、成本、適用性等各方面進行驗證。
萬向研究院，其前身是萬向集團技術(shù)中心，為接軌國際先進技術(shù)，2002年改組成公司型運行。1996年被原國家經(jīng)貿(mào)委、財政部、海關(guān)總署聯(lián)合批準為國家級技術(shù)中心。以國家人事部批準建立的國家級企業(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。

中國聯(lián)通網(wǎng)絡(luò)技術(shù)研究院以中國聯(lián)通發(fā)展戰(zhàn)略為指導(dǎo)，構(gòu)建起中國聯(lián)通網(wǎng)絡(luò)技術(shù)支撐體系和專業(yè)支撐團隊，圍繞網(wǎng)絡(luò)演進、建設(shè)、運行、優(yōu)化等關(guān)鍵環(huán)節(jié)開展技術(shù)研究，并按照網(wǎng)絡(luò)技術(shù)發(fā)展生命周期，不斷加強對網(wǎng)絡(luò)技術(shù)演進、新技術(shù)引入以及網(wǎng)絡(luò)建設(shè)、運行、維護、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、獨立性和專業(yè)性要求，加強技術(shù)跟蹤、標準預(yù)研、驗證測試、規(guī)范編制、網(wǎng)絡(luò)分析、網(wǎng)絡(luò)評測，為中國聯(lián)通網(wǎng)絡(luò)運營發(fā)展提供整體解決方案和全面技術(shù)支撐。其擁有的國家級汽車零部件實驗室，出具的實驗報告獲得44個國家和地區(qū)的互認資格。浙江省汽車零部件實驗基地也落戶在萬向研究院。
萬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)品涵蓋萬向節(jié)、輪轂單元、軸承、汽車底盤及懸架系統(tǒng)、制動系統(tǒng)、傳動系統(tǒng)、排氣系統(tǒng)、燃油箱、工程機械零部件等汽車系統(tǒng)零部件及總成，是國內(nèi)最大的獨立汽車系統(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，包括機床設(shè)備節(jié)拍分析設(shè)備、綜合數(shù)據(jù)采集平臺、智能業(yè)務(wù)設(shè)計平臺、物聯(lián)網(wǎng)云服務(wù)平臺等。

廣東宜通世紀科技股份有限公司，是廣州市高新技術(shù)產(chǎn)業(yè)開發(fā)區(qū)天河科技園內(nèi)一家專業(yè)從事計算機信息技術(shù)研究、計算機信息系統(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)的民營高科技企業(yè)。

一、關(guān)鍵詞

5G，MEC邊緣云，邊緣網(wǎng)關(guān)，機器學(xué)習(xí)，機器視覺，質(zhì)量檢測，質(zhì)量優(yōu)化。

二、發(fā)起公司和主要聯(lián)系人聯(lián)系方式

萬向集團公司研究院：
主要聯(lián)系人：
馬吉軍
手機： 13777880980
郵箱：jijun.ma@wxciv.com
中國聯(lián)通網(wǎng)絡(luò)技術(shù)研究院：
主要聯(lián)系人：
賈雪琴
手機：18601106631
郵箱：jiaxq21@chinaunicom.cn

三、合作公司

萬向錢潮股份有限公司：
主要聯(lián)系人：
柯佳華
手機：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：
余長宏
座機：0571-56071258
手機： 13858033500
郵箱：yuchanghong@linkortech.com

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

四、測試床項目目標和概述

        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)量的檢測效率和精度是企業(yè)一直關(guān)注的重點，也是該測試床要解決的重大目標。通過機器視覺、5G蜂窩無線、人工智能、邊緣計算等新技術(shù)的有機結(jié)合，實現(xiàn)產(chǎn)品實時在線高精度檢測，并通過工業(yè)云平臺實現(xiàn)檢測模型的迭代提高和共享。

五、測試床解決方案架構(gòu)

(一)   測試床應(yīng)用場景
產(chǎn)品質(zhì)量是保障工業(yè)安全與效率的基礎(chǔ)，如萬向節(jié)和齒輪軸作為汽車零部件中的的關(guān)鍵部件，其質(zhì)量對車輛運行安全性和持久性有很大影響，因此在生產(chǎn)過程中的產(chǎn)品質(zhì)量必須進行嚴格控制。

圖 齒輪軸       

圖 萬向節(jié)

當前缺陷檢測技術(shù)主要依賴于將產(chǎn)品檢測圖像與預(yù)定義的缺陷類型庫進行對比分析，缺乏一定的學(xué)習(xí)能力和檢測彈性，從而導(dǎo)致檢測精度和效率較低。

圖 在線檢測設(shè)備
 

采用基于深度學(xué)習(xí)的在線機器視覺檢測，提高了缺陷檢測的準確率和效率。利用機器視覺系統(tǒng)實時采集產(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)練和測試圖像構(gòu)建并部署到邊緣計算平臺中：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；深度強化學(xué)習(xí)提高了檢測精度。

(二)    測試床重點技術(shù)
1       
2       

2.1      蜂窩網(wǎng)絡(luò)支持工廠現(xiàn)場數(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)控數(shù)據(jù)、產(chǎn)品質(zhì)量控制數(shù)據(jù)、生產(chǎn)環(huán)境監(jiān)控數(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)工廠裝備升級的實際情況，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)。移動互聯(lián)網(wǎng)的快速發(fā)展促使工業(yè)廠家對無線通信的要求日益增強，目前多數(shù)工業(yè)廠房通過WIFI進行無線接入。然而，WIFI在抗干擾、安全認證、QoS質(zhì)量保證、業(yè)務(wù)連續(xù)性方面無法進行可靠保障，難以滿足工業(yè)場景對無線傳輸質(zhì)量的要求。
2)  邊緣網(wǎng)關(guān)：在邊緣網(wǎng)關(guān)處對采集到的裝備數(shù)據(jù)進行解析、數(shù)據(jù)封裝和本地數(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，將從裝備采集來的原始數(shù)據(jù)在本地處理，以極大縮短數(shù)據(jù)傳輸時延（相比于中心云存儲，時延縮短50%）。
4)  中心云：將機器學(xué)習(xí)的訓(xùn)練過程所需的時延不敏感數(shù)據(jù)分流到中心云存儲。
蜂窩網(wǎng)絡(luò)和MEC邊緣云結(jié)合，可以實現(xiàn)工業(yè)設(shè)備生產(chǎn)數(shù)據(jù)的實時分析處理和本地分流，助力企業(yè)轉(zhuǎn)型升級，實現(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)進行分析、存儲，無需經(jīng)過傳統(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延短、安全性高，帶寬高等優(yōu)勢。

2.2      邊緣計算

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，運營商一般選擇把MEC部署在4G網(wǎng)絡(luò)上，以對MEC的性能、功能、接口等進行試驗。
MEC邊緣云位于無線接入網(wǎng)和核心網(wǎng)EPC之間，利用無線基站內(nèi)部或無線接入網(wǎng)邊緣的云計算設(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（VM）的形式部署于邊緣云，能夠通過統(tǒng)一的API，獲取開放的無線網(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)用的運行。管理域負責對MEC邊緣云的業(yè)務(wù)域進行管理。

在本項目執(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）作為基站的增強功能，通過軟件升級或者新增版卡，與基站集成的的內(nèi)置方式
2）作為獨立設(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，通過解析S1消息實現(xiàn)業(yè)務(wù)的分流。基站和核心網(wǎng)之間通常經(jīng)過多個傳輸環(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：
本測試床項目中的邊緣服務(wù)器設(shè)計參考并遵循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、擴展服務(wù)層。

1)        設(shè)備支持層：
該層負責與南向設(shè)備交互。
設(shè)備支持是與南向設(shè)備或物聯(lián)網(wǎng)對象交互的邊緣連接器，包括本測試床項目所有的機器設(shè)備，產(chǎn)品的檢測設(shè)備等，其中，基于視覺的產(chǎn)品質(zhì)量分析檢測設(shè)備由本層支持并提供驅(qū)動及數(shù)據(jù)接口服務(wù)。設(shè)備支持同時服務(wù)于多個異質(zhì)設(shè)備（如多種加工中心、數(shù)控機床、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，通過物聯(lián)網(wǎng)對本次測試床實施對象本身的協(xié)議與設(shè)備，傳感器，執(zhí)行器和其他物聯(lián)網(wǎng)對象進行通信。

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：持久性存儲庫和從南側(cè)對象收集的數(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)配對的功能；
Command：處理北向應(yīng)用發(fā)往南向設(shè)備的請求；當然該服務(wù)還會處理框架內(nèi)其它微服務(wù)發(fā)往南向設(shè)備的請求，如本地的分析服務(wù)。

3)        用戶服務(wù)層：
用戶服務(wù)（CS）層包含本次測試床實施項目所有的微服務(wù)，本層微服務(wù)主要提供邊緣側(cè)視頻圖像實時處理服務(wù)和智能分析決策服務(wù)，同時也提供生產(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)        擴展服務(wù)層：
本測試床實施中，應(yīng)用中國聯(lián)通5G快速接入的特點，將質(zhì)量檢測圖像實時傳送給云端，云端進行同步分析，并結(jié)合圖像數(shù)據(jù)的歷史分析結(jié)果進行更新反饋給邊緣服務(wù)器，因此，擴展服務(wù)層實現(xiàn)了一組微服務(wù)實現(xiàn)以下功能：
北向應(yīng)用可以在網(wǎng)關(guān)注冊，并獲取其感興趣的南向設(shè)備的數(shù)據(jù)；
通知數(shù)據(jù)何時被發(fā)往中國聯(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      機器學(xué)習(xí)

2.3.1基本方法和模型

本測試床計劃首先采集大量的相同規(guī)格的產(chǎn)品檢測彩色圖片。然后，把彩色圖片轉(zhuǎn)化成統(tǒng)一的灰度圖。對采集的圖片進行標記，對于每一張圖片，進行相應(yīng)的標記（合格：1，不合格：0）。將標記的數(shù)據(jù)分為訓(xùn)練集集、測試集、驗證集，將所有的灰度圖片以及它所對應(yīng)的標記隨機劃分為訓(xùn)練集（training set）（60%），驗證集（cross-validation set）（20%），測試集（test set）（20%）。利用訓(xùn)練集進行模型訓(xùn)練，學(xué)習(xí)深度學(xué)習(xí)網(wǎng)絡(luò)參數(shù)，通過調(diào)參保證模型的泛化能力，用交叉熵（cross entropy）來作為損失函數(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)過全連接層
第十一層：最后使用柔性最大層（softmax）
利用驗證集對深度學(xué)習(xí)模型進行測試，防止過擬合，并使用驗證集分別驗證上述2個被訓(xùn)練出來的模型，選出最佳模型所對應(yīng)的參數(shù)。利用測試集對深度學(xué)習(xí)模型進行驗證，保證模型的正確性。使用測試集進行模型預(yù)測，從而來衡量該最優(yōu)模型的性能和分類能力。即可以把測試集當成從來不存在的數(shù)據(jù)集，在確定模型參數(shù)后，對該模型進行性能評價。

2.3.2圖像識別和質(zhì)量診斷智能化、質(zhì)量預(yù)測智能化

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

本測試床項目將產(chǎn)品質(zhì)量優(yōu)化問題的全過程概括分為數(shù)據(jù)獲取、決策優(yōu)化、方案實施這三個階段，邊緣網(wǎng)關(guān)通過圖像處理方法，實現(xiàn)決策優(yōu)化過程，基于遠端云海量數(shù)據(jù)和算法，更快更好地完成邊緣服務(wù)難以實現(xiàn)的大數(shù)據(jù)計算任務(wù)。基于5G和人工智能的產(chǎn)品質(zhì)量實時檢測和優(yōu)化測試床項目在實施階段的云端檢測反饋信息作為新的輸入數(shù)據(jù)，并對邊緣側(cè)算法進行自我更新和提升，不斷提高邊緣側(cè)的圖像識別能力，提高分析的準確率。
在邊緣側(cè)，通過基于5G高性能網(wǎng)絡(luò)傳輸，將圖像在云端做進一步處理，同時同步到邊緣側(cè)，邊緣側(cè)通過產(chǎn)品質(zhì)量檢測，可以從以下兩個方面改進產(chǎn)品的質(zhì)量：

1)        質(zhì)量診斷智能化
質(zhì)量診斷是本測試床項目中針對一字軸產(chǎn)品的專題診斷，利用圖像處理方法，針對產(chǎn)品質(zhì)量方面存在的問題，自動快速地進行評價，并為消除缺點、提高生產(chǎn)工藝水平而提出改進建議和指導(dǎo)實施。產(chǎn)品質(zhì)量診斷，指的是定期對已交庫的產(chǎn)品進行抽查試驗，檢查產(chǎn)品質(zhì)量能否滿足用戶的需要。通過診斷檢查，掌握產(chǎn)品的質(zhì)量信息，以便及早采取措施加以改進。工序質(zhì)量診斷，指的是對工序質(zhì)量進行檢查，評價各工序能力是否達到要求，掌握工序質(zhì)量信息，尋找影響工序質(zhì)量的主要因素，以便采取對策加以改進。
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，本測試床項目著重研究基于圖像處理后得到的質(zhì)量檢測結(jié)果，通過此結(jié)果來進行工序質(zhì)量診斷。質(zhì)量診斷最為關(guān)鍵的是數(shù)據(jù)分析、知識檢索和故障判定三個環(huán)節(jié)。數(shù)據(jù)分析通過對質(zhì)量特征值的進一步處理，提取最能反映工序質(zhì)量問題的信息；根據(jù)這些信息，從人、機、料、法、環(huán)、測（即5M1E）等角度進行檢索，排查質(zhì)量問題的可能故障源；最后依照相關(guān)準則對質(zhì)量故障源給出判定，依照判定結(jié)果結(jié)合相關(guān)知識對工序進行調(diào)整，其流程圖如圖所示。

從數(shù)學(xué)角度看，質(zhì)量診斷的過程實際上就是把癥狀空間的向量映射到故障源空間，即實現(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)量診斷的實質(zhì)也就是綜合各種參數(shù)、知識和方法，找出這種映射關(guān)系F，進而應(yīng)用這種關(guān)系，在以后發(fā)生質(zhì)量問題時能快速找出問題根源。基于以上分析可知，應(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)鍵問題所在。

結(jié)合人工智能技術(shù)的特點、應(yīng)用流程以及質(zhì)量診斷的原理，本測試床項目在前期實施過程中，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：
①一字軸加工過程系統(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)過的故障進行有效識別，還能夠?qū)Τ醮纬霈F(xiàn)的質(zhì)量問題給出初步診斷，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)量診斷過程中需要同時處理多種多樣的質(zhì)量信息，而且要求信息處理必須及時。神經(jīng)網(wǎng)絡(luò)技術(shù)信息處理的并行機制可以解決控制系統(tǒng)中大規(guī)模實時計算問題，而且并行機制中的冗余性可以使控制系統(tǒng)具有很強的容錯能力。
④工序質(zhì)量受到來自5M1E條件下多種因素影響，有些甚至干擾很強烈，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，使經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)具有強大的聯(lián)想能力，對個別神經(jīng)元和連接權(quán)值的損壞，并不會對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)受干擾時自動穩(wěn)定的特性和強大的容錯能力。
2)        質(zhì)量預(yù)測的智能化
目前，人工智能算法在質(zhì)量預(yù)測模型中的研究成果主要有兩個方面：一方面是以產(chǎn)品錯誤報告為基礎(chǔ)，以失效時間作為人工智能網(wǎng)絡(luò)輸入的質(zhì)量預(yù)測模型；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)測模型。
失效時間是指產(chǎn)品從加工完成時至在正常使用狀況下失去使用價值時的時間段，是衡量產(chǎn)品質(zhì)量的一個有力指標。產(chǎn)品的失效時間一般是通過抽樣測試來確定的，其估算方法如下：已知(，) 時間內(nèi)有個樣品失效，可以用等間隔方式估計此個失效樣品的失效時間，即在(，)內(nèi)第h個失效時間可用如下公式計算。
，h=1，2，…，
式中，，--——試驗?zāi)硶r間段的起止時間；——第h個失效時間；——失效產(chǎn)品個數(shù)。
而度量是按照明確定義的規(guī)則，將數(shù)字或者符號賦予真實世界中的實體的屬性的過程，通過這種映射人們可以更容易的理解實體的特性和實體間的關(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)實世界的意義。度量理論對于在企業(yè)質(zhì)量管理中選擇和應(yīng)用合適的度量是很重要的，通過這種方式來描述實體的屬性。這一賦值雖然本質(zhì)上是經(jīng)驗性的，但是，所賦數(shù)值或符號必須能夠反映事物被度量的屬性。度量是一個三元組（Q,M,N），其中：
1）經(jīng)驗關(guān)系系統(tǒng)Q =(Q ,R)，Q為被度量實體的集合，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)值或者符號的一個集合，P={}為N上的一系列關(guān)系。
3）映射M :Q →N ,M (x)為實體x在被度量屬性方面的度量值。
本測試床通過圖像處理方法，對生產(chǎn)線上的產(chǎn)品進行自動質(zhì)量檢測，事實上是對一字軸產(chǎn)品進行聚類分析，輸出僅為二值：合格與不合格，這實際上是一個模式識別問題。在項目實施過程中，把人工智能網(wǎng)絡(luò)應(yīng)用于模式識別問題包括兩個截然不同的階段。第一個階段是訓(xùn)練階段，這一階段是調(diào)整權(quán)值，以表現(xiàn)問題域，見圖質(zhì)量檢測訓(xùn)練模型。第二個階段是工作階段或稱預(yù)測階段，如圖質(zhì)量預(yù)測網(wǎng)絡(luò)模型，在這一階段中，權(quán)值固定不變，并且當把實驗數(shù)據(jù)或?qū)嶋H數(shù)據(jù)輸入到網(wǎng)絡(luò)時，網(wǎng)絡(luò)能夠?qū)ζ浞诸悺?/span>

圖  質(zhì)量檢測訓(xùn)練模型

圖  質(zhì)量預(yù)測網(wǎng)絡(luò)模型
 

通過生產(chǎn)過程中的設(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)模型中進行質(zhì)量預(yù)測。數(shù)據(jù)預(yù)處理可以改進數(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,因而通過對訓(xùn)練樣本的學(xué)習(xí),能很好地反映出對象的輸入/輸出之間復(fù)雜的非線性關(guān)系。實質(zhì)是求誤差函數(shù)的最小值，它通過多個樣本的反復(fù)訓(xùn)練，權(quán)值誤差函數(shù)的最速下降(負梯度)方向來改變,最終收斂于最小點,最后將多個已知樣本訓(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保存，以便對未訓(xùn)練樣本值進行預(yù)測。

2.4       物聯(lián)網(wǎng)設(shè)備管理平臺

在本測試床項目中主要驗證物聯(lián)網(wǎng)設(shè)備管理平臺在MEC邊緣云上的部署。物聯(lián)網(wǎng)設(shè)備管理平臺可實現(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。對數(shù)據(jù)進行分析、存儲、可視化及整合；同時提供豐富的可調(diào)用的應(yīng)用接口（API），滿足行業(yè)客戶的應(yīng)用快速開發(fā)。
平臺的優(yōu)勢如下:
1)        數(shù)據(jù)采集：立子云平臺支持ModBus、CANbus等多種工業(yè)通信協(xié)議，針對各類物聯(lián)網(wǎng)終端，通過在終端或服務(wù)器側(cè)部署Agent進行協(xié)議解析數(shù)據(jù)格式轉(zhuǎn)換，實現(xiàn)終端與平臺的快速連接。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，實現(xiàn)數(shù)據(jù)的遠程接入。
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；標準的設(shè)備配置、固件和OTA升級方式。
4)        電信級安全體系：設(shè)備、應(yīng)用與平臺數(shù)據(jù)交互均采用SSL安全加密機制；支持128位AES、64位DES、3DES等算法；支持設(shè)備認證鑒權(quán)，批量注冊和設(shè)備主動請求憑證方式。
5)        便捷的水平擴展能力：通過Nginx負載均衡和MongoDB技術(shù)實現(xiàn)基于node方式的無限水平擴展能力，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：支持多級租戶、分級運營模式，每個租戶獨有數(shù)據(jù)庫，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)        實時處理能力：實時監(jiān)控設(shè)備異常數(shù)據(jù)，通過SMS、語音、郵件等進行告警；對設(shè)備即使觸發(fā)遠程自動操作。
8)        多語言與工具支持：采用多層次開發(fā)架構(gòu)，針對不同開發(fā)能力的用戶提供多樣化開發(fā)方式，方便用戶快速實現(xiàn)功能的構(gòu)建、應(yīng)用的開發(fā)。提供基于Java Script的SmartApp Kit；提供支持Java C++、Lua的SDK；提供插件、小部件開發(fā)方式，定制化的用戶應(yīng)用。
(三)          技術(shù)創(chuàng)新性及先進性
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)量的檢測效率和精度是企業(yè)一直關(guān)注的重點。通過機器視覺、5G蜂窩無線、人工智能、邊緣計算等新技術(shù)的有機結(jié)合，實現(xiàn)產(chǎn)品實時在線高精度檢測，并通過工業(yè)云平臺實現(xiàn)檢測模型的迭代提高和共享。
測試床采用5G邊緣云對圖像數(shù)據(jù)進行實時分析，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，在實時性、安全性方面更好滿足工業(yè)應(yīng)用需要。測試床采用5G技術(shù)，實現(xiàn)質(zhì)量檢測圖像數(shù)據(jù)實時上傳到云服務(wù)，云服務(wù)器端基于檢測圖像實時和歷史圖像數(shù)據(jù)的人工智能學(xué)習(xí)，實現(xiàn)算法自我進化。設(shè)計的四層邊緣服務(wù)架構(gòu)，實現(xiàn)對異質(zhì)型設(shè)備的數(shù)據(jù)支持，采用數(shù)據(jù)重建方法，實現(xiàn)對異質(zhì)型數(shù)據(jù)非透明設(shè)備實現(xiàn)設(shè)備運行信息采集。在邊緣側(cè)基于圖像處理結(jié)果，結(jié)合人工智能算法，實現(xiàn)質(zhì)量識別和質(zhì)量預(yù)測算法，通過算法的自我更新及工藝的自我提升，實現(xiàn)流水線生產(chǎn)流程的質(zhì)量提升。
(四)          測試床解決方案架構(gòu)
1.        整體架構(gòu)實現(xiàn)概述
整體框架如圖所示，共分為三層架構(gòu)：
1)        設(shè)備層
通過工業(yè)機器視覺實現(xiàn)產(chǎn)品質(zhì)量的圖像實時檢測，并將實時圖像數(shù)據(jù)傳輸至邊緣層進行智能分析決策，同時根據(jù)反饋結(jié)果實時操作。
2)        邊緣層
邊緣層接收來自工業(yè)視覺形成的產(chǎn)品圖像數(shù)據(jù)，基于人工智能算法模型進行實時分析決策，同時將數(shù)據(jù)經(jīng)過聚合后上傳到共有云；同時接收經(jīng)過訓(xùn)練的數(shù)據(jù)處理模型進行更新，以提高檢測精度。
3)        公有云
接收來自邊緣云聚合的數(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。基于人工智能檢測模型可在云平臺通過API進行調(diào)用，實現(xiàn)模型的共享。

2.        架構(gòu)特征
1)        實時性：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)被分析處理并即時反饋給應(yīng)用方，滿足了工業(yè)應(yīng)用實時性的要求。
2)        精確性：在云端基于歷史數(shù)據(jù)完成對模型的訓(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)在本地邊緣層進行實時分析和處理，在滿足實時性的同時更大限度的保障產(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API調(diào)用的方式進行共享，提升行業(yè)整體水平。
3.        測試床功能架構(gòu)
通過物聯(lián)網(wǎng)傳感器設(shè)備采集數(shù)據(jù)，通過工控機的智能分析與控制，將數(shù)據(jù)深度加工挖掘為其他工業(yè)應(yīng)用作為數(shù)據(jù)儲備，數(shù)據(jù)處理的相關(guān)工作在邊緣云內(nèi)完成，針對數(shù)據(jù)的深度分析則是在中心云內(nèi)進行，如下圖所示。

圖 測試床功能架構(gòu)
4.        邊緣云架構(gòu)
在本測試床項目中，主要試驗MEC邊緣云與邊緣網(wǎng)關(guān)的準實時性業(yè)務(wù)對接、與物聯(lián)網(wǎng)設(shè)備管理平臺的對接。
為解決降低開銷，降低時延，自適應(yīng)響應(yīng)等問題，需要一種新的網(wǎng)絡(luò)資源模型，即為邊緣節(jié)點配置計算和存儲能力，讓其在更接近高數(shù)量增長的移動設(shè)備的同時，降低云端的計算負載，降低服務(wù)延時，同時也可以降低整個網(wǎng)絡(luò)的帶寬開銷。“邊緣云”或“MEC移動邊緣云”設(shè)備可以允許協(xié)同邊緣網(wǎng)絡(luò)節(jié)點（比如基站，接入點，交換機，路由器）進行計算和存儲能力的配置，如下圖所示，從而可以實現(xiàn)分布式計算。

圖 邊緣云架構(gòu)

六、預(yù)期成果

(一)          測試床的預(yù)期測試結(jié)果，針對測試項
本測試床主旨在于通過創(chuàng)新先進的各類前沿技術(shù)，提高工業(yè)產(chǎn)能與效率，主要表現(xiàn)為以下三個方面：
提高產(chǎn)品質(zhì)量檢測精度：將機器視覺檢測技術(shù)結(jié)合云計算，在傳統(tǒng)質(zhì)量檢測算法基礎(chǔ)上，結(jié)合云端進行算法的更新和進化，并同步到邊緣側(cè)，不斷提高產(chǎn)品質(zhì)量檢測精度；
提高產(chǎn)品檢測效率：利用機器視覺實時檢測，并利用蜂窩網(wǎng)絡(luò)和5G邊緣計算支持準實時分析決策反饋，根據(jù)產(chǎn)品形式實時調(diào)整檢測模型，最大程度提升產(chǎn)品檢測效率；
提升行業(yè)整體水平：通過云平臺實現(xiàn)檢測模型的調(diào)用和共享，提升行業(yè)整體水平。
(二)          商業(yè)價值
從云與平臺的角度：云平臺可實現(xiàn)檢測模型的調(diào)用和共享，通過訓(xùn)練模型術(shù)對金屬表面缺陷識別、缺陷特征、缺陷規(guī)律等進行顯性化、模型化、代碼化，同時可供零配件制造工業(yè)APP開發(fā)者靈活調(diào)用，解決相關(guān)場景的核心和痛點問題，這將帶來巨大的商業(yè)價值。
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)，同時能夠?qū)崿F(xiàn)MES、ERP、PLM等企業(yè)管理軟件的自動生產(chǎn)數(shù)據(jù)獲取，設(shè)備具有很大的市場前景。
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，同時讓人工智能算法嵌入邊緣服務(wù)器，實現(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)中具有很大的市場推廣價值。

(三)          經(jīng)濟效益
利用機器視覺技術(shù)實現(xiàn)產(chǎn)品質(zhì)量檢測精度和檢測效率的大大提升，在降低生產(chǎn)成本的同時提高了產(chǎn)品質(zhì)量，從而避免了產(chǎn)品因質(zhì)量問題帶來的經(jīng)濟損失，同時利用機器視覺技術(shù)可對各類型的產(chǎn)品質(zhì)量圖像檢測進行自主學(xué)習(xí)，大大提升了檢測柔性，進一步提升了企業(yè)產(chǎn)品的市場競爭力，從而給企業(yè)帶來巨大的經(jīng)濟效益。
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程管理自己銷售出去的所有生產(chǎn)設(shè)備，通過本測試床使用的方法，實時獲取設(shè)備運行數(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，對設(shè)備生產(chǎn)的產(chǎn)品質(zhì)量進行改進。
對于制造類企業(yè)客戶而言，結(jié)合產(chǎn)品質(zhì)量情況，同時利用車間中運行的所有機床設(shè)備及其運行狀態(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，改進工藝流程，讓工廠設(shè)備可以完全智能化運轉(zhuǎn)。

(四)          社會價值
1.        云制造新模式
隨著人工智能、工業(yè)大數(shù)據(jù)、云計算等技術(shù)的發(fā)展，以數(shù)據(jù)為驅(qū)動的生產(chǎn)過程和產(chǎn)品質(zhì)量提升將成為企業(yè)提升發(fā)展的方向。本測試床從生產(chǎn)線數(shù)據(jù)自動感知、邊緣平臺實時分析、云平臺持續(xù)優(yōu)化、生產(chǎn)系統(tǒng)精準執(zhí)行，實現(xiàn)產(chǎn)線、邊緣、云平臺的協(xié)同優(yōu)化的云制造新模式。
2.        提升行業(yè)整體水平
云平臺可實現(xiàn)檢測模型的調(diào)用和共享，通過訓(xùn)練模型術(shù)對金屬表面缺陷識別、缺陷特征、缺陷規(guī)律等進行顯性化、模型化、代碼化，可供零配件制造工業(yè)APP開發(fā)者靈活調(diào)用，促進零配件制造工業(yè)知識的沉淀、傳播、復(fù)用與價值創(chuàng)造，從而提升行業(yè)整體水平。
3.        帶動相關(guān)行業(yè)發(fā)展
機器視覺、云制造等新模式實施的同時還可對數(shù)字化控制系統(tǒng)、高精度檢驗設(shè)備、精密傳感器、自動化裝備等智能裝備行業(yè)發(fā)展產(chǎn)生巨大的帶動作用，進一步促進國家產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整和經(jīng)濟發(fā)展。

七、測試床技術(shù)可行性

(一)          物理平臺
物理平臺主要功能為兩方面：一方面是設(shè)備數(shù)據(jù)解析器，實現(xiàn)異構(gòu)型機床設(shè)備的數(shù)據(jù)采集，采集本測試床項目所覆蓋的設(shè)備運行參數(shù)；另一方面是MEC邊緣云，實現(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，實現(xiàn)5G云端數(shù)據(jù)接口的接入。

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

圖 擬測試的設(shè)備可視化界面
 

3.        物聯(lián)網(wǎng)設(shè)備管理平臺
物聯(lián)網(wǎng)設(shè)備管理平臺可實現(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。對數(shù)據(jù)進行分析、存儲、可視化及整合；同時提供豐富的可調(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，見下圖，本測試床項目服務(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  基于機器學(xué)習(xí)對工廠產(chǎn)線機器視覺系統(tǒng)的改造以提高機器視覺系統(tǒng)的智能；
l  采用升級后機器學(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  試驗蜂窩網(wǎng)絡(luò)對于準實時圖像數(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  采用機器學(xué)習(xí)對工業(yè)圖像分析算法進行改進，試驗多種機器學(xué)習(xí)模型；
l  試驗將準實時圖像分析算法部署在MEC邊緣云上，將機器學(xué)習(xí)模塊部署在中心云。

本測試床成果可為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  試驗物聯(lián)網(wǎng)設(shè)備管理平臺在5GMEC邊緣云上的部署以支撐低延時高可靠工業(yè)應(yīng)用；
l  試驗物聯(lián)網(wǎng)設(shè)備管理平臺對圖像類準實時數(shù)據(jù)識別算法的支持。

(二)          AII安全（可選）
無
(三)          詳細清單（可選）
無
(四)          風(fēng)險模型（可選）
無
(五)          安全聯(lián)系人

(六)          與已存在AII測試床的關(guān)系
目前AII已存在工業(yè)領(lǐng)域的測試床主要集中在對物理設(shè)備數(shù)據(jù)采集上云，并且通過云端數(shù)據(jù)分析和挖掘，以數(shù)據(jù)為導(dǎo)向，實現(xiàn)車間的智能化生產(chǎn)，或者是對新型無線網(wǎng)絡(luò)協(xié)議的測試。主要的注意力集中在構(gòu)建數(shù)據(jù)鏈路，以及后期對數(shù)據(jù)的分析利用。
而本測試床的亮點集中在基于人工智能的機器視覺技術(shù)實現(xiàn)產(chǎn)品質(zhì)量檢測精度和檢測效率，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。我們的注意力并不是對數(shù)據(jù)的分析和挖掘，而是對數(shù)據(jù)本身的保護，確保其真實、可信、可靠。

九、交付件

十、測試床使用者

測試床項目是針對機器視覺技術(shù)實現(xiàn)產(chǎn)品質(zhì)量檢測精度和檢測效率的一個概念驗證，歡迎非發(fā)起方的公司使用該測試床進一步提出創(chuàng)新的想法。

十一、     知識產(chǎn)權(quán)說明

本測試參與各方本著互相尊重、互為合作，保護對方利益為前提的原則進行合作，對包括但不限于任何專利權(quán)、專有技術(shù)、版權(quán)、商標權(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，操作和訪問使用

測試床的物理生產(chǎn)線直接使用萬向錢潮股份有限公司車間內(nèi)的生產(chǎn)線，數(shù)據(jù)存儲在邊緣云和中心云平臺上，參與單位可以通過特定接口訪問。

十三、     資金

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

十四、     時間軸