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

基于5G和人工智能技術(shù)的產(chǎn)品質(zhì)量實時檢測和優(yōu)化方案

中國聯(lián)通網(wǎng)絡(luò)技術(shù)研究院

網(wǎng)絡(luò)改造技術(shù)篇/前沿技術(shù)/工廠內(nèi)網(wǎng)改造

1 概述

1.1 背景

產(chǎn)品質(zhì)量是企業(yè)的生命，如何提高產(chǎn)品質(zhì)量的檢測效率和檢測精度是企業(yè)一直關(guān)注的重點。當前產(chǎn)品質(zhì)量缺陷的檢測技術(shù)（例如汽車零部件齒輪軸等的檢測）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，這種方法缺乏一定的學(xué)習(xí)能力和檢測彈性，導(dǎo)致檢測精度和效率低下，增加了企業(yè)生產(chǎn)和運營成本。

1.2 實施目標

基于5G和人工智能技術(shù)的產(chǎn)品質(zhì)量實時檢測和優(yōu)化方案通過機器視覺、5G蜂窩無線、人工智能、邊緣計算等技術(shù)結(jié)合，實現(xiàn)了產(chǎn)品質(zhì)量的實時高精度檢測，通過工業(yè)云平臺實現(xiàn)檢測模型的迭代提高和共享。

1.3 適用范圍

本方案的使用的工業(yè)場景為：在滿足工業(yè)實時性和安全性的基礎(chǔ)上利用機器視覺提高檢測效率和精度的工業(yè)場景，優(yōu)先推薦在汽車零部件加工企業(yè)中推廣。

1.4 在工業(yè)互聯(lián)網(wǎng)網(wǎng)絡(luò)體系架構(gòu)中的位置

本方案在AII工業(yè)互聯(lián)網(wǎng)體系架構(gòu)中的位置包括智能工廠內(nèi)部及工業(yè)云平臺，服務(wù)企業(yè)的智能生產(chǎn)任務(wù)，通過邊云協(xié)同，采用機器視覺、5G蜂窩無線、人工智能、邊緣計算等新技術(shù)，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。

參考下圖，本方案對應(yīng)AII工業(yè)互聯(lián)網(wǎng)體系架構(gòu)圖中的位置、作用及相關(guān)關(guān)系如下：

? 在工廠內(nèi)部，通過工業(yè)相機和蜂窩網(wǎng)絡(luò)實現(xiàn)在制品的實時圖像采集，并將數(shù)據(jù)上傳到邊緣云平臺，對應(yīng)圖1中的③在制品與工廠云平臺（及管理軟件）；

? 圖像實時處理和分析AI算法部署在邊緣云上，進行產(chǎn)品圖像質(zhì)量數(shù)據(jù)的實時分析；此外邊緣云還負責(zé)將歷史數(shù)據(jù)傳送到中心云服務(wù)器。基于從邊緣云獲得數(shù)據(jù)，中心云負責(zé)AI模型訓(xùn)練、更新AI模型算法參數(shù)，并將AI模型算法參數(shù)同步至邊緣云，實現(xiàn)邊緣云質(zhì)量檢測算法的自我進化，對應(yīng)圖1中⑦工廠云平臺與協(xié)作平臺；

? 圖像數(shù)據(jù)在邊緣云實時處理分析后，判斷產(chǎn)品是否合格，經(jīng)過工廠控制系統(tǒng)和智能機器，完成殘次品的剔除，對應(yīng)⑤①②，控制指令從工廠云平臺到智能機器、在制品之間的傳輸。

圖1 工業(yè)互聯(lián)網(wǎng)互聯(lián)示意圖

此外，本方案還可支持AII參考體系架構(gòu)（如下圖所示）演進：

圖2 AII參考體系架構(gòu)

數(shù)據(jù)域數(shù)據(jù)采集交換：

? 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；

? MEC邊緣云與工控機的業(yè)務(wù)協(xié)同。

? 數(shù)據(jù)域工業(yè)數(shù)據(jù)建模、仿真與分析：

? 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；

? 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。

網(wǎng)絡(luò)域應(yīng)用支撐：

? 試驗物聯(lián)網(wǎng)設(shè)備管理平臺在5G MEC邊緣云上的部署以支撐低延時高可靠工業(yè)應(yīng)用；

? 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。

安全域數(shù)據(jù)安全和控制安全：

? 實時數(shù)據(jù)在網(wǎng)絡(luò)邊緣側(cè)完成分析處理，避免了回傳到核心網(wǎng)，相比傳統(tǒng)中心云處理方式，數(shù)據(jù)安全性得到有效保障；

? 網(wǎng)絡(luò)邊緣側(cè)由于更貼近萬物互聯(lián)的設(shè)備，控制指令從邊緣服務(wù)器發(fā)出，提高了控制安全性。

2 需求分析

當前，中國制造產(chǎn)品質(zhì)量與國際品牌仍存在不小差距，其中一個主要因素就是中國工業(yè)產(chǎn)品的質(zhì)檢問題沒有達到國際一流水平。我國現(xiàn)階段工業(yè)品的質(zhì)量檢測基于傳統(tǒng)人工檢測手段，稍微先進一點的檢測方法，將待檢測產(chǎn)品與預(yù)定缺陷類型庫進行比較，上述方法的檢測精度和檢測效率均無法滿足現(xiàn)階段高質(zhì)量生產(chǎn)的要求。例如，在汽車零部件中，齒輪軸和萬向節(jié)的質(zhì)量對車輛運行安全性和持久性有很大影響，當前檢測技術(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3 齒輪軸               圖4 萬向節(jié)

要改變這種現(xiàn)狀，必須對現(xiàn)有檢測模式進行升級，將智能化自動質(zhì)檢設(shè)備大面積運用在制造業(yè)產(chǎn)品檢測中，提高檢測效率和精度。

3 解決方案

3.1 方案介紹

產(chǎn)品質(zhì)量是企業(yè)的生命線，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。當前產(chǎn)品質(zhì)量缺陷檢測技術(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，檢測精度和效率較低。本方案通過機器視覺、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。

本方案的優(yōu)勢體現(xiàn)在兩個方面：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，邊緣云可以按需部署，可部署在匯聚、綜合接入等邊緣機房，實現(xiàn)業(yè)務(wù)本地化處理，在實時性、安全性方面更好滿足工業(yè)應(yīng)用需要；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。

3.2 系統(tǒng)架構(gòu)

3.2.1 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)過聚合后上傳到中心云；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）中心云

接收來自邊緣云聚合的數(shù)據(jù)信息，訓(xùn)練模型，將新模型的參數(shù)輸出到邊緣云端，完成數(shù)據(jù)的分析和處理，中心云根據(jù)周期數(shù)據(jù)流完成模型迭代。

通過API，中心云上的基于人工智能的檢測模型可被第三方調(diào)用，實現(xiàn)模型的共享。

圖5 方案整體架構(gòu)

3.2.2 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。

3.2.3 邊緣云部署

在本方案中，主要試驗MEC邊緣云與工控機的準實時性業(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)量增長的終端設(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。

5G網(wǎng)絡(luò)中，MEC可作為獨立設(shè)備進行靈活部署，可部署的位置（見圖6）包括邊緣級、區(qū)域級、地區(qū)級。在實際部署中，需要根據(jù)業(yè)務(wù)類型、處理能力、網(wǎng)絡(luò)規(guī)劃等要求，將MEC部署于網(wǎng)絡(luò)中的合適位置。本方案中，MEC部署在接入級，位于接入局房，為客戶提供業(yè)務(wù)本地處理能力。

圖6 邊緣云部署方案

3.3 網(wǎng)絡(luò)拓撲設(shè)計

本方案為兩級星型拓撲結(jié)構(gòu)（如下圖所示），第一級為工業(yè)視覺設(shè)備和工控機之間的星型組網(wǎng)，第二級為工控機和蜂窩基站間的星型組網(wǎng)。首先，多個工業(yè)視覺設(shè)備和一個工控機通過工業(yè)總線形成星型組網(wǎng)，完成工業(yè)產(chǎn)品圖像數(shù)據(jù)的傳輸和工業(yè)殘次品的剔除控制；其次，工控機和蜂窩基站形成星型組網(wǎng)，完成基于模型的圖像實時決策判斷和數(shù)據(jù)的傳輸。

圖7 網(wǎng)絡(luò)拓撲結(jié)構(gòu)

3.4 功能設(shè)計

本方案的功能設(shè)計包括數(shù)據(jù)采集、工控機、邊緣云、中心云四個功能模塊。

? 數(shù)據(jù)采集：在生產(chǎn)設(shè)備處完成產(chǎn)品圖像的數(shù)據(jù)采集，采用蜂窩網(wǎng)絡(luò)將產(chǎn)品圖像數(shù)據(jù)傳輸?shù)竭吘壴疲?/p>

? 工控機：通過產(chǎn)品的圖像數(shù)據(jù)與模型數(shù)據(jù)的實時智能分析，完成智能控制，剔除殘次品；

? 邊緣云：在邊緣云完成的功能包括產(chǎn)品圖像數(shù)據(jù)的存儲，數(shù)據(jù)聚合后向中心云上傳，邊緣側(cè)任務(wù)的編排，邊緣云資源的調(diào)度，接收來自中心云的模型數(shù)據(jù)等；

? 中心云：中心云完成數(shù)據(jù)存儲、數(shù)據(jù)挖掘、模型訓(xùn)練、數(shù)據(jù)共享等功能。中心云接收邊緣云聚合的產(chǎn)品數(shù)據(jù)，經(jīng)過機器學(xué)習(xí)，完成模型訓(xùn)練，并將模型周期性發(fā)送到邊緣云端。同時，該方案可在中心云通過API調(diào)用，實現(xiàn)模型的共享。

圖8 功能架構(gòu)

3.5 安全及可靠性

本方案的安全及可靠性體現(xiàn)在以下三個方面：

? 數(shù)據(jù)接入采用蜂窩網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)WIFI接入方案，在抗干擾、安全認證、QoS質(zhì)量保證方面提供運營商級的保障。

? 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，數(shù)據(jù)無需經(jīng)過核心網(wǎng)，大大縮短了數(shù)據(jù)在網(wǎng)絡(luò)中的傳輸路徑，安全性得到了提高。

? 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)，提供電信級安全保障體系。

4 成功案例

本方案已經(jīng)成功應(yīng)用在萬向集團汽車零部件產(chǎn)品的檢測中，幫助企業(yè)提高了檢測效率，節(jié)省了成本運營成本，具有很大的商業(yè)價值和經(jīng)濟效益。

? 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。

從5G技術(shù)在智能制造中應(yīng)用的角度：5G在工業(yè)領(lǐng)域具有非常廣闊的應(yīng)用前景，5G的三大場景mMTC, URLLC, eMBB將在工業(yè)領(lǐng)域助力實現(xiàn)全系統(tǒng)、全流程、全產(chǎn)業(yè)鏈、全生命周期的網(wǎng)絡(luò)連接。日前，首個完整意義的5G標準正式凍結(jié)，本方案將成為5G在工業(yè)生產(chǎn)中應(yīng)用的一次有益嘗試，為未來5G大規(guī)模商用提供前期技術(shù)積累。

? 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)。