【www.zhangdahai.com--其他范文】
李 勍， 朱 政， 张 林， 王萌萌
（中国机械科学研究总院集团有限公司， 北京 100044）
Taiichi Ohno 在1988 年提出了自主或 “人机交互自动化”的概念，描述了丰田生产系统中智能机器的自主运行模式[1]。
随着工业4.0 的发展，智能自动化作为人工智能和自动化的结合也逐渐发展壮大[2-3]。
工业4.0、智能制造、智能工厂或第四次工业革命，这些概念中都提出了技术和设备能够自主地，智能地与和人互动的要求[4-5]。
自动化行业升级的目标并没有改变， 即减少停机时间并优化资源的使用。
在市场压力下， 企业为了降低大规模生产的成本同时保证定制生产灵活性， 大规模定制化的生产需求也随之出现[6]。
企业为了生产小批量，多样化的产品，其组织和集成更加复杂，实时性和决策能力也会变差[7]。
新的智能自动化系统在利用全球标准的同时，也可以与以前的系统进行连接和工作。
数据是一项宝贵的商业资产。
通过基于数据的决策支持系统， 工业生产环境的连续数据流可以通过集成分析来优化生产过程。
数据的获取、操作和使用已成为该行业投资新技术的核心价值。
这一转变背后的领域包括：①智能自动化，例如网络物理系统、协作机器人和预测分析[8]；
②物联网（IoT），被国际电信联盟称为“信息社会的基础设施”，即所有设备都应相互连接并相互通信；
③支持大数据平台的云解决方案和边缘计算， 同时通过使用设备资源确保外围分散[9]；
④数字孪生，用于模拟模型[6]和增强现实。
数据不一致是一个挑战， 实际生产中的数据经常会受到污染：形式和格式太多，不完整或完全缺乏，错误太多，没有得到适当的跟踪或是非结构化等[10]。
造成这个问题的通常不是应用程序和系统， 而是获取和处理数据的体系结构。
数据科学和商业智能等领域正在不断增长，必须妥善处理数据管理中的这一缺陷， 否则它可能会成为行业发展的瓶颈。
为了应对以上数据采集和管理的挑战， 本文提出了一个框架，支持智能自动化中间件（MIA）的开发，MIA 将传统自动化技术与云服务、 大数据和软件开发集成到决策支持系统中，将传统的自动化金字塔转变为更加灵活。并介绍了基于此框架下的两个应用案例。
通过开发数据驱动的工业体系结构， 实现了生产流程、业务规划和物流之间的信息交换。
ISA-95 是国际自动化学会的一项国际标准，自动化金字塔是由ISA-95 提供的框架，用于在5 层中提供此接口，如图1 所示。
图1 ISA-95 自动化金字塔架构
在底层，条码和射频识别（RFID）是最先进的识别技术，用于跟踪和监控资源、提供可追溯性并为智能系统提供关键数据[12-13]。
SCADA 是一种控制和网络系统架构， 用于监督员、SCADA 计算机、分布式人机界面（HMI）、PLC（可编程逻辑控制器）等控制器和车间设备（传感器和执行器）之间的通信和数据交换。
SCADA 系统架构是工业数据采集的标准[14]，利用较小的PLC 循环时间提供高重复性和高可靠性。这种架构将物理系统与更高层次的抽象隔离开来。
制造执行系统（MES）向企业业务层的控制系统添加了一个抽象层。MES 用于实时跟踪、分析和通知车间从原材料到成品的所有转变[15]。
MES 提供从生产流程到车间和企业的实时商业智能（BI）。
MES 可用于衡量关键成功指标（KPI），例如整体设备效率（OEE），检索统计过程数据并与智能决策支持系统协作。
决策支持系统的去中心化已经影响了MES 与其他系统通信的方式[16]。
企业资源规划（ERP）是一套模块化、集成化的应用程序，负责管理公司的核心业务流程。通常在同一数据库上实时（或接近实时）运行。如今，许多新的应用正在被添加到工业运营中，它们可以来自数字化工作、数据采集解决方案，如SCADA 和MES，或者基于使用机器学习和数据挖掘工具从原始数据中提取有用的知识[17]。
由于复杂性不断增加，当单个ERP 不能唯一地满足公司的特定需求时，许多商业模式往往需要寻求最佳的解决方案[18]。
随着颠覆性技术的出现和数据管理变得更加复杂，大数据仓库（BDW）似乎是一种最先进的技术，可以实时收集和处理生成的大数据[19]。
BDW 中的集成元数据是通过来自不同数据源的提取转换加载（ETL）操作获取的。BI可以通过在线分析处理（OLAP）立方体实时分析BDW 的不同维度。
BDW 可用于现代车间，以支持决策支持系统和馈送智能自动化解决方案。
基于云的解决方案也在影响自动化金字塔， 通过互联网为行业提供服务、应用程序和资源，实现远程云计算基础设施的可扩展性、灵活性、安全性，并降低维护成本。
云连接通过即插即用的多个数据系统向数字世界提供数据分析[20]。
基于云的解决方案正在不断发展，并成为Siemens Mindsphere 等工业物联网厂商的推动者。
通过在网络边缘处理数据， 边缘计算确保了外围和分散的决策能力[9]。
Arduino 或Raspberry PI 等微控制器是在物联网环境中跟踪和获取数据的廉价选择， 但仍缺乏工业平台的可靠性或稳健性，无需维护合同或认证。
SIMATIC IoT2040是2016 年西门子外壳内的Arduino，提供IP20 保护，但与标准PLC 提供的IP65/67 相去甚远[20]。
开放平台通信统一架构（OPC-UA）与平台无关，是标准工业自动化通信平台， 用于在软件和设备之间实时交换数据，允许机器对机器通信[8，14]。
OPC 服务器用于将从PLC、HMI、PC 或软件应用程序接收到的数据转换为OPC协议。
然后可以使用OPC 客户端来请求和解释来自OPC服务器的数据。
OPC 服务器/客户端配置可用于在TCP/IP协议下通过PROFINET（工业以太网）在PLC 和数据库之间交换数据。嵌入式系统设备中使用的OPCUA 是物联网架构的推动者[21]。
2.1 智能自动化功能
智能自动化框架的成功开发取决于如何有效地考虑数据采集和管理问题的所有特征。功能可以从体系结构、应用程序到组织结构几个方面进行考虑[5]。本文提出了以下功能的指导原则：
互操作性：一个系统与其他系统集成的能力。接口应该利用标准和通信协议来连接信息并将信息转换为有意义的结果。
网络物理系统需要这些交互的系统[8]。
虚拟化：创建物理环境的数字双胞胎或副本[6]。
仿真模型可用于分析复杂系统（例如制造工厂）在不同场景和环境下的行为。
将信息转换为数字格式的过程也可以称为数字化。
可视化：系统与用户之间的界面。
HMI、应用程序前端和商业智能仪表板的布局和设计应清晰、灵活、易于访问、快速且响应迅速。
可追溯性：
在资源的整个生命周期内实时跟踪和监控资源的能力。这是由识别系统发挥作用的架构提供的。
去中心化：决策支持系统自行做出决策的能力。这样的系统可以是本地或远程的基于云的方式。
软件实施可能包括反应性和预测性分析，例如预测性维护、合规性检查或动态调度[22]。
实时性：立即获取信息、分析和提供结果的能力。
基础设施和架构应该准备好处理实时信息交换流。
绕过自动化金字塔的层级可以培养更敏捷的方法。
模块化：
新模块的灵活集成或通过需求变化对现有模块的适应；
系统应该被分解成更小的和独立的子系统，降低整体复杂性。
访问级别：数据访问政策的管理机构。
定期将必要的数据移动到应用程序数据仓库中，通过保持数据完整性将风险降至最低。
将系统迁移到云端也可以减少安全问题。
知识管理：内部知识不应该只存在于关键人物身上。信息应该流动，使文档保持最新非常重要。
2.2 数据特征
智能自动化架构必须反映其数据需求。
数据通常可以通过其容量（Volume）、速度（Velocity）和多样性（Variety）来定义，被称为大数据的3Vs[11]，其他作者提出的包括准确性（Veracity）甚至价值（Value），使其成为5Vs。
还有其他分类，例如10Vs 或10Bigs[23]。
本文针对以下特征提出了指导方针：
数量：记录可能没有周期性，如生产订单或基于事件的触发器，但也可以是周期性的，具有高粒度要求，例如在第二个时间范围内。
生成的数据量可能需要不断增长和变化的基础设施。数据模型的架构必须为扩展、将数据移动到元数据替代方案以及包括数据库索引做好适当的准备。
频率：保存、处理和交付数据的速度。
较低的频率通常用于从数据库和/或数据仓库中获取信息，而在设置为实时跟踪、执行分析和提供结果的应用程序中，更高的应用程序很常见。实时正在成为行业应用的标准。有必要在每个频率的处理能力和可能的情况之间找到折衷方案。什么粒度是必须的，什么不是必须的，这是一个不断变化的阈值。
哪些应该被视为历史数据，哪些仍然相关。
多样性：数据类型可以是简单且结构良好的表，其中包含数字、文本和日期时间，也可能是来自音频、图像、视频或其他文件的非结构化数据的复杂表格。
运行应用程序所需的所有数据都应该被提取、 预处理并整合到一个单一的结构化数据模型中。
复杂性：指数据的维度以及数据如何相互关联。数据模型的体系结构必须是模块化且灵活的， 这样以后就不需要对其进行修改。
参数化是必不可少的， 而不是硬编码，以允许集成新的需求。
质量：数据可能有许多错误，影响其可用性。
它可能是不可预测的、可变的，并且有太多的异常值。
可能有间隙和峰值，例如断电和连接故障。
它可能是不准确的、多余的或不可信的。架构应包括日志和保护机制，以确保数据采集和管理的质量。
2.3 工业方法
数据模型的设计应适应智能自动化系统的所有特性和数据特征，并遵守应用要求。
需求工程（RE）在对系统的操作环境进行建模的同时平衡了技术、 社会和组织需求。
通用语言的创建和标准的采用支持面向服务的体系结构（SOA）。
业务流程建模和表示法（BPMN）工具可以支持功能分析和工作流规范。
BPM 提供了有关业务流程流的图形表示。当业务复杂且文档很少时，这对于确保愿景一致性特别有用。
Petri 网的开发是验证自动化机制的常用方法。敏捷软件开发是公司、客户和外包人才之间为开发解决方案而进行的合作[11]。
2.4 智能自动化中间件（MIA）
通过分析智能自动化的特点和数据特征发现， 传统的自动化金字塔不符合一些基本要求。
智能自动化需要同时与金字塔的所有层实时交换信息。
数据采集和管理的挑战要求采用更加动态和灵活的方法。Faller 支持这一说法，称自动化金字塔不会保持原样。新的专用系统将出现，但金字塔中各层的内容将继续存在[8]。
本文的提议是通过创建中间件软件来解决这个问题，以满足每个应用程序的特定要求，如图2 所示。
图2 智能自动化框架
该框架将所有自动化层， 例如MES、SCADA、PLC 和PC 集成到MIA 中，它还集成了ERP 等企业技术。
MIA 包括云功能、大数据仓库和集成软件。
由于其互操作性，客户端可以通过MIA 与所有应用程序进行交互。
该框架支持同一生产站点中的多个MIA 解决方案，每个解决方案都有自己的应用程序要求。
3.1 MIA 应用于分拣行业
在这个行业中， 每台机器每天都在一个集成视觉系统的帮助下对数千个单元进行分类。
这些单元经过不同的分拣阶段，每个阶段都会产生中间或最终产品的容器。质量是一个重要特征， 因为这些单元在每个阶段都可以根据缺陷进行分类。每个生产现场可以有几百台机器，有几条生产线。每个PLC 都连接到一条生产线。该架构的实现如图3 所示。
图3 适用于分拣行业的MIA
在这种架构中， 为了确保控制和跟踪系统之间没有干扰， 安装了一个跟踪PLC 来馈送控制器PLC 的相同信号。远程服务器上安装了一个OPC 服务器，以读取来自所有跟踪PLC 的信号。
使用MES 安装创建了第二台服务器，其中包含数据库、应用程序软件和连接到OPC 服务器的OPC 客户端。生产订单、事件和商业智能通过仪表板和基于Web 的前端传送到车间。
生产订单通过MIA 定期从ERP 提供。N 是数据库的数量，Z 是在相同MIA 下运行MES应用程序的站点数量，M 和K 是每个MES 实施中的客户端计算机数量，P 和Q 是每个生产站点中的PLC 数量。
分析生产记录后可以发现， 每台分拣机的输出在预期比例上经常出现偏差。
预期比例是根据待分类材料的物理条件和经验知识计算的。由于不良分类条件的存在，这些偏差在生产结束前会被忽视， 从而造成了巨大的生产损失。
通过简单地实时跟踪最后几千个计数的输出比例，可以通过堆栈灯指导操作员调整机器的分类条件，通过实时数据提供反应性维护分析。
3.2 MIA 应用于化工行业
在这个例子中有许多劳动密集型配方， 资源管理对操作员和机器来说都是一个挑战。配方订单可以实时交付，并且可以彼此之间可能会有较大的差异。
机器和操作员的能力决定了谁可以在哪里做什么，该架构的实现如图4 所示。
图4 MIA 应用于化工行业
在这种架构中， 资源的实时信息是通过RFID 和Barcode 从生产环境中获取的。
这些信息与SCADA 和从ERP 中的计划生产一起编译到MIA 中。
该解决方案通过优化算法提供资源调度，动态调整实时输入。预先知道配方的SCADA 可以通过其I/O 机器人自动化模块帮助操作员执行耗时的任务。N 是数据库的数量，M 是实现中的客户端计算机的数量，RI/O 代表远程输入/输出。
通过实时跟踪资源，该架构为动态调度算法提供了可靠的信息来源[18]。
实时跟踪和交付的时间戳是此实施成功的关键。
在本文中，提出了一种新的智能自动化框架。
传统的自动化金字塔无法满足当今实时数据交换和管理的要求。
引入包含云功能、大数据仓库和集成软件的智能自动化中间件（MIA）似乎是满足此类要求的替代方案。与SCADA和MES 一样，一个站点可以有多个MIA，每个MIA 都有自己的应用要求。
本文介绍了智能自动化框架的两个真实工业实施示例，以使用MIA 获取和管理数据。
在应用于分拣行业的MIA 中，MES 提供的跟踪系统允许记录计数器和机器事件等生产数据， 通过基于云的方法提供KPI 和智能。
在此实施过程中， 信息通过OPC在PLC 和MES 之间直接交换，确保设备和软件之间的互操作性。
决策支持系统通过实时数据分析提供反应性维护， 并通过OPC 回写命令对车间中的堆栈灯进行管理。MES 的采用有助于实现无纸化流程， 因为无需在每轮结束时填写生产记录。
未来的工作可以通过当前记录的数据（例如机器事件）来完成预测性维护。
该架构还确保了控制系统和监控系统之间的安全物理分离。
可视化通过浏览器传送到移动设备、固定站和车载设备，所有这些都连接到MES 应用程序的网络服务器。
仪表板中的信息刷新率，包括与PLC、远程数据库和决策系统的数据交换，周期为1s。
计划完成后，SCADA 能够在不到1s 的时间内开始制作配方。该实施还得到了模拟工具的开发支持，在该工具中，可以通过更改可用资源来测试不同的场景。
MIA 架构通过软件集成解决了关键的智能自动化功能，如互操作性、集成软件、实时能力、绕过金字塔中的层、通过决策支持系统的分散化、可追溯性、使用识别系统和虚拟化，以及生产过程的数字化。MIA 还通过基于云的大数据仓库体系结构解决了关键数据特征，如数量、频率、多样性和复杂性。
总而言之，MIA 框架并不意味着所有工作都由一台计算机完成， 中间件可以扩展到多个节点，一个节点可以运行DBW，而其他节点可以运行集成软件或支持数据库，MES 服务器还可以提供决策支持系统。
猜你喜欢决策支持系统金字塔应用程序“金字塔”环球时报(2022-09-19)2022-09-19护理临床决策支持系统的理论基础中国现代医生(2022年21期)2022-08-22面向知识转化的临床决策支持系统关键技术研究数字通信世界(2021年4期)2021-01-12Great Vacation Places考试与评价·七年级版(2020年4期)2020-10-23删除Win10中自带的应用程序电脑报(2019年12期)2019-09-10海上有座“金字塔”少儿美术(快乐历史地理)(2019年2期)2019-06-12谷歌禁止加密货币应用程序中国计算机报(2018年30期)2018-11-12电务维修决策支持系统研究铁道通信信号(2018年5期)2018-06-28金字塔是用金子造的吗小学教学研究·新小读者(2017年9期)2017-10-25决策支持系统在事业单位中的应用北方经贸(2015年5期)2015-01-03本文来源：http://www.zhangdahai.com/shiyongfanwen/qitafanwen/2023/0912/653321.html
