基于制造物聯(lián)的生產數(shù)據(jù)采集與應用技術研究

藍波，吳昊，王一澤，王振超

（北京石油化工學院 信息工程學院，北京102617）

基于制造物聯(lián)的生產數(shù)據(jù)采集與應用技術研究

藍波，吳昊，王一澤，王振超

（北京石油化工學院 信息工程學院，北京102617）

文中針對生產車間現(xiàn)場信息準確采集及有效應用等關鍵問題，研究資源信息標識方法，支持對生產信息的采集以及生產車間物聯(lián)環(huán)境的構建；提出制造物聯(lián)環(huán)境下的數(shù)據(jù)清洗方法，在保證數(shù)據(jù)準確率的基礎上能夠更好適應標簽移動的生產場景；提出集成數(shù)據(jù)融合估計理論的卡爾曼濾波數(shù)據(jù)處理方法，支持對多傳感器的數(shù)據(jù)融合。并在實驗室以慣組測試過程為應用對象進行數(shù)據(jù)處理模擬分析，驗證了本文所提技術的可行性和有效性。

制造物聯(lián)；RFID；數(shù)據(jù)清洗；數(shù)據(jù)融合；卡爾曼濾波

制造物聯(lián)是物聯(lián)網相關技術在制造業(yè)的應用及發(fā)展，即物聯(lián)網技術與日益發(fā)展的先進制造技術相結合以支持智能化制造模式，其能夠推動工廠環(huán)境不斷向智能化方向轉變[1]。此技術的發(fā)展在德國被定義為工業(yè)4.0，即工業(yè)革命的第四個階段。制造物聯(lián)技術能有效實現(xiàn)產品生產過程中多中信息的綜合采集、優(yōu)化處理和智能監(jiān)控，為產品生產過程控制和管理提供更加泛在的、優(yōu)化的信息感知、傳遞與應用基礎。

產品制造過程及現(xiàn)場信息的采集是典型的多源異構信息實時采集和多目標狀態(tài)追蹤問題，需采集的信息具有不確定、冗余、以及易受干擾等特征，需要充分結合生產環(huán)境以及業(yè)務目標，轉換為實時可靠的反映生產過程狀態(tài)的有效信息，才能夠有效利用以支持生產控制及管理?；诖?，本文提出基于“信息標識—數(shù)據(jù)清洗—數(shù)據(jù)融合”的制造物聯(lián)車間生產數(shù)據(jù)采集與應用關鍵技術研究?；赗FID、傳感器等物聯(lián)網技術，研究產品及生產資源的信息標識方法，支持車間物聯(lián)環(huán)境的構建以及生產現(xiàn)場資源的識別、監(jiān)控；在卡爾曼濾波模型的基礎上研究RFID采集數(shù)據(jù)的清洗技術以及面向多傳感器的數(shù)據(jù)融合技術，以更好適應生產線上標簽的頻繁移動及躍遷場景并有效降低單一傳感器獲取數(shù)據(jù)的局限性或不確定性[2-4]。以上關鍵技術能夠更快速、準確地獲取真實的生產狀態(tài)信息，支持企業(yè)生產系統(tǒng)、信息系統(tǒng)的有效運作。

1 基于制造物聯(lián)的產品及生產資源信息標識

產品生產過程中，零部件及專用生產設備、物料、物流設備、特殊工藝區(qū)域等制造資源都需要進行狀態(tài)感知和數(shù)據(jù)采集，因此，有必要結合條碼技術、RFID技術和傳感網等多種物聯(lián)技術，對生產現(xiàn)場各種資源如產品零件部件、生產裝備、物流裝備進行標識，并基于不同類別的標識方法支持對設備屬性、物料屬性、環(huán)境現(xiàn)狀、設備人員行為狀態(tài)等靜態(tài)、動態(tài)多源信息的感知[5]。

對生產現(xiàn)場實物標識方法一般基于國際、國家以及具體行業(yè)對物料、工裝、設備、產品零部件等管理所建議的編碼體系規(guī)定來完成，并結合產品制造、裝配和服務過程中提出的物料、物品具體管理要求。例如，按照EPC Global標準對物品的標識數(shù)據(jù)格式和存儲方式進行分類定義，按照各類物品狀態(tài)持續(xù)性技術的需求確定標識的存儲容量和讀寫方式，按照物品的狀態(tài)獲取需求確定具體標識技術的類型和加裝方式，并考慮物品的物理和功能特性、應用和布置環(huán)境的要求、所需存儲信息的內容以及RFID標識、條碼等不同物聯(lián)標識技術的應用特點[5]。文中針對一般離散制造車間的實物標識提出如下初步標識方案：對專用的車間裝備（如專用數(shù)控設備、工裝），應用RFID標識方式存儲生產裝備的基本屬性和歷史維護信息，應用傳感器實時準確感知和傳輸其工作狀態(tài)信息；對托盤等盛放小型零部件及物料的器具，應用RFID標簽方式實現(xiàn)對其的追蹤和定位；對物料等實物，根據(jù)其具體屬性和需求，應用RFID和條碼的混合標識方式實現(xiàn)不同的標識功能；對有特殊工藝需求的工作場景，應用溫濕度、煙霧、氧濃度等傳感器實現(xiàn)對現(xiàn)場環(huán)境的感知；應用RFID標簽對車間生產人員和管理人員等進行身份識別。在產品零部件中，對關鍵零部件，應用大存儲量的RFID標簽進行標識，支持對其制造過程的歷史信息進行記錄；應用條碼方式標識信息變化量較少的儀器設備；對大量消耗的小型或通用型配件，為減少標識難度及工作量，可將其與托盤等盛放器具進行信息關聯(lián)，應用RFID標識方式實現(xiàn)追蹤及定位[6-8]。不同實物資源根據(jù)實際需求，需要標識的內容會有所不同，概念設計如圖1所示。

圖1 資源標識方法及內容

2 基于制造物聯(lián)的數(shù)據(jù)處理關鍵技術

在制造物聯(lián)環(huán)境中，采集到的數(shù)據(jù)往往呈現(xiàn)出很強的連續(xù)性、冗余性及易受干擾性，因此應通過數(shù)據(jù)清洗實現(xiàn)數(shù)據(jù)的準確性。經證明卡爾曼濾波模型是目前去噪效果較好的一種方法，已經得到廣泛的研究及應用。本文在卡爾曼濾波模型的基礎上，進一步引入新的數(shù)據(jù)處理技術和算法，深入研究面向RFID的數(shù)據(jù)清洗以及面向多傳感器的數(shù)據(jù)融合。

2.1 基于卡爾曼濾波的自適應窗口數(shù)據(jù)清洗

卡爾曼濾波方法能夠保證較高的數(shù)據(jù)清洗[9-12]準確率，但對于標簽的頻繁移動則存在靈敏性和準確性較差的問題，且算法復雜度較高。本文在卡爾曼濾波模型的基礎上，應用滑動窗口技術進行數(shù)據(jù)的采集和處理，基于標簽的運動特征來調整窗口的大小，能夠較好適應標簽移動和躍遷的生產場景。

文中提出的數(shù)據(jù)清洗過程在總體上包括估計值更新、測量值優(yōu)化和窗口再調整3部分。估計值更新指算法根據(jù)閱讀器在上一閱讀狀態(tài)識別數(shù)據(jù)的估計值，計算得出對本次閱讀狀態(tài)的估計值。測量值優(yōu)化指根據(jù)本次閱讀狀態(tài)的測量值，修正上一閱讀狀態(tài)更新的估計值，計算得出更準確的新的估計值，估計值更新和測量值優(yōu)化實現(xiàn)了感知數(shù)據(jù)的自然回歸，使其不斷靠近真實值。窗口再調整是指以適應RFID標識的移動及躍遷為目標進行相應閱讀窗口大小的調整，窗口調整在當前數(shù)據(jù)經過卡爾曼濾波處理后進行。在標簽移動次數(shù)較少的情況下建議取較大的窗口，有利于提高算法數(shù)據(jù)處理的速度；在標簽運動較為頻繁的情況下建議取較小的窗口，有利于于提高算法數(shù)據(jù)處理的準確率。

在卡爾曼濾波模型基礎上應用滑動窗口技術，以自適應標簽移動的數(shù)據(jù)清洗步驟具體描述如下：

步驟1：設標簽運動速度為v，RFID閱讀器的每一個閱讀周期時間為T、閱讀覆蓋范圍半徑為R，定義在標簽運動經過閱讀器閱讀區(qū)域時，閱讀器有f個閱讀周期來獲取標簽中的信息，f=R/（v×T）。 據(jù)此定義計算f值，將其作為初始參數(shù)，并取窗口大小的初始值為1，帶入清洗過程。

步驟2：在本次設置的窗口中，首先對閱讀器獲取的數(shù)據(jù)進行預處理。當前值預處理具體計算公式如下：

閱讀器對FRID標識的讀取具有一定的靈敏度，并非每次都能識別相關數(shù)據(jù)，因此定義任意一個閱讀周期內有效的閱讀次數(shù)所占該周期內讀寫器執(zhí)行的總閱讀次數(shù)的比例為該閱讀器的識別率。公式（1）中，xk-1表示第k-1個閱讀周期內的識別率，Δt表示相鄰兩個閱讀周期之間的時間差，sk-1是第k-1個閱讀周期內的閱讀噪聲。算法對多個閱讀周期的識別率進行直線回歸分析，擬合直線y=a+bk的斜率為b，計算公式如下：

公式（2）中，zk表示第k個閱讀周期內直接通過閱讀器閱讀得到的識別率，sk表示第k個閱讀周期內的閱讀噪聲，初次設置其他系統(tǒng)參數(shù)的初始值均為1。

步驟3：基于步驟2計算得到的xk、zk，進行卡爾曼濾波數(shù)據(jù)清洗處理，主要包括估計值更新和測量值優(yōu)化兩個過程。

估計值更新公式：

測量值優(yōu)化公式：

式中定義x-k為在第k-1閱讀周期中得出的先期數(shù)據(jù)估計值，xk表示由第k個閱讀周期中測量值zk計算得出的本期數(shù)據(jù)估計值。定義Kk為第k個閱讀周期的卡爾曼增益，用來計算最小本期數(shù)據(jù)估計誤差的均方差。定義p′為前期數(shù)據(jù)估計誤差的均方差，p為本期數(shù)據(jù)估計誤差的均方差。首先通過估計值更新預測前期數(shù)據(jù)估計值x-k，再通過測量值優(yōu)化對本期數(shù)據(jù)估計值xk進行修正得到下一閱讀狀態(tài)的前期數(shù)據(jù)估計值。通過公式（4）～（8）的遞歸計算對當前數(shù)據(jù)進行處理。

步驟4：RFID閱讀器對實物標簽的信息獲取可以看作是隨機事件，因此在窗口內獲取標簽信息的次數(shù)應滿足貝努力分布 B（ωi，pavgi）。 其中 ωi表示重復實驗次數(shù)，即一個窗口內包含的閱讀器閱讀周期的個數(shù)，也就是在一個窗口內閱讀器可以重復讀取標簽的次數(shù)；pavgi表示事件發(fā)生概率，即在能夠在一個窗口內讀出標簽的平均概率。置信度δ定義為δ=pavgi/f，根據(jù)f的值動態(tài)設置。滿足以下充分條件可保證標簽被讀到：

計算窗口ω的大小。

步驟5窗口再調整。

首先判斷標簽是否在閱讀半徑內。標簽能夠被讀到則表示標簽位于閱讀半徑內，如計算出的窗口值大于本次窗口的設定值，則在本次窗口值基礎上加初始設定的調整值，繼續(xù)執(zhí)行判斷算法，如計算出的窗口值小于本次窗口的設定值，則用新的窗口值替代本次窗口值；如標簽不能被讀取，則表明標簽沒有包含在閱讀半徑內，則重新定義窗口初始值，以新的數(shù)據(jù)進行算法處理。

因此，在使用卡爾曼濾波清洗數(shù)據(jù)時，利用滑動窗口技術可以動態(tài)調整窗口的大小來確定一個閱讀周期內包含的數(shù)據(jù)采集次數(shù)，并對每個閱讀周期的識別率進行計算，將動態(tài)的識別率根據(jù)實際探測需求應用到整個數(shù)據(jù)清洗過程。

2.2 基于集成式卡爾曼濾波的數(shù)據(jù)融合

在復雜工藝環(huán)境中，單個傳感器對同一被測對象或系統(tǒng)的感知數(shù)往往具有一定的局限性，需要在不同位置布放多個傳感器保證采集信息的全面性和完整性，因此有必要對多傳感器的感知數(shù)據(jù)進行合并融合估計以獲取更準確的系統(tǒng)狀態(tài)數(shù)據(jù)。本文基于經典的卡爾曼濾波模型，集成數(shù)據(jù)融合估計理論，提出集成式卡爾曼數(shù)據(jù)融合算法以消減單一傳感器獲取系統(tǒng)數(shù)據(jù)時的局限性[13-16]。

基于卡爾曼濾波本質上屬于線性最小方差估計方法，設定本方法中關于被測目標X的各個傳感器感知信息均可由式（11）表示：

上式中，vi表示第i個傳感器測量信息的噪聲，滿足 E[vi]=0，E[vivi]=Ri，Ci表示第 i個傳感器測量信息的映射矩陣，Y1、Y2…Yn之間相互獨立。

設共布放n個傳感器對被測對象的狀態(tài)進行信息感知，定義測量數(shù)據(jù)矢量方程為為:

則廣義測量方程為：

式中：

面向多傳感器的集成式數(shù)據(jù)融合估計可以通過以下公式實現(xiàn)：

算法流程如圖2所示。

圖2 集成式數(shù)據(jù)融合估計算法

3 實驗驗證及分析

3.1 數(shù)據(jù)清洗

在實驗室環(huán)境下對本文提出的數(shù)據(jù)清洗技術進行驗證。首先通過在實際數(shù)據(jù)的基礎上加入干擾來實現(xiàn)對RFID閱讀器獲取的初始數(shù)據(jù)的模擬，進而在該模擬環(huán)境中先后應用基本卡爾曼濾波模型和本文提出的數(shù)據(jù)清洗算法進行數(shù)據(jù)處理。實驗模擬了標簽運動的1 000個閱讀周期，基于此進行清洗算法數(shù)據(jù)處理準確率 （閱讀周期內捕獲的正確數(shù)據(jù)個數(shù)與閱讀周期內總數(shù)據(jù)個數(shù)的比值）的驗證，數(shù)據(jù)清洗的準確率如圖3所示。可知在模擬的噪聲環(huán)境中，未經任何處理獲取的數(shù)據(jù)準確率在60%～70%之間，基于卡爾曼模型的數(shù)據(jù)清洗方法數(shù)據(jù)處理準確率可達近89%，本文方法數(shù)據(jù)處理準確率可達99．2%。因此實驗證明本文方法能夠有效提高RFID數(shù)據(jù)獲取對標簽移動及躍遷的敏感性，更好地適用于涉及大量動態(tài)標簽的生產場景。

3.2 數(shù)據(jù)融合

圖3 清洗效果圖

對本文提出的多傳感器數(shù)據(jù)融合技術進行實驗驗證。針對慣組測試過程中表面溫度的變化，實驗仿真多傳感器對其表面溫度的測定及數(shù)據(jù)融合估計。使用傳感器A和傳感器B進行兩組溫度感知和測量實驗，并使用基本的卡爾曼濾波模型分別估計傳感器A和傳感器B測定的溫度數(shù)據(jù)，使用本文提出的算法對傳感器A和傳感器B測定的溫度數(shù)據(jù)進行融合估計。取起始測定值X（0）=24.283，起始均方差p（0）=0.5。對測定溫度的數(shù)據(jù)估計仿真結果如圖4所示，可知傳感器A和傳感器B測定溫度數(shù)據(jù)的融合估計值與真實數(shù)據(jù)的擬合性最好。并且得到：因為傳感器布置位置、布置形式不同，基于A測定溫度的數(shù)據(jù)估計均方差pA=0.081 6，基于B測定溫度的數(shù)據(jù)估計均方差pB=0.110 3，而基于傳感器A和傳感器B的溫度數(shù)據(jù)融合估計均方差pA&B=0.070 1，為三者中最小。

圖4 數(shù)據(jù)測量對比曲線圖

4 結 論

文中針對制造物聯(lián)車間現(xiàn)場信息采集與應用問題，基于RFID、傳感器等物聯(lián)技術，探索資源信息標識方法，支持對生產信息的標識和采集以及生產車間物聯(lián)環(huán)境的構建。在此基礎上，研究數(shù)據(jù)清洗技術以提高卡爾曼濾波方法對標簽移動及躍遷響應的敏感性。并將數(shù)據(jù)融合定理與卡爾曼濾波方法集成，支持對多傳感器的數(shù)據(jù)融合。通過在實驗室對慣組測試過程的模擬仿真，驗證了本文提出的關鍵技術的有效性。本文為基于制造物聯(lián)的數(shù)據(jù)采集、應用提供了新的研究思路。在后續(xù)研究中，擬將初步開發(fā)的系統(tǒng)數(shù)據(jù)采集系統(tǒng)在某廠的慣組測試車間進行初步的應用實施，在實施過程中進一步研究信息標識方法、適用的讀寫方式和標簽存儲容量的確定，進一步驗證和改進數(shù)據(jù)處理技術，使系統(tǒng)能夠滿足實際生產環(huán)境中信息實時可靠性獲取和應用的需求，推進制造物聯(lián)技術的落地實施和發(fā)展。

[1]侯瑞春，丁香乾，陶冶，等．制造物聯(lián)及相關技術架構研究[J]．計算機集成制造系統(tǒng)，2014，20（1）:11-20.

[2]Zhong R Y，Dai Q Y，Qu T，et al.RFID-enabled realtime manufacturing execution system for masscustomization production [J]. Robotics and Computer-Integrated Manufacturing，2013，29（2）:283-292.

[3]Chen J C，Cheng C H，Huang P T B.Supply chain management with lean production and RFID application:a case study [J].Expert Systems with Applications，2013，40（9）:3389-3397.

[4]梁軍義，張彥如，葛茂根．面向物聯(lián)網的復雜產品裝配過程監(jiān)控體系研究[J].機械工程師，2014（7）:36-38.

[5]劉繼紅，余杰，朱玉明.基于制造物聯(lián)的航天產品研制過程的技術狀態(tài)控制技術[J].計算機集成制造系統(tǒng)，2015，21（7）:1781-1789.

[6]陳靜云.車間物聯(lián)網數(shù)據(jù)采集關鍵技術研究[D].南京:南京航空航天大學，2014.

[7]孫紅，厲彥剛，陳世平.RFID中間件數(shù)據(jù)處理研究[J].上海理工大學學報，2014，36（3）:234-238.

[8]陰躲芬，龔華明.RFID中間件數(shù)據(jù)處理模型研究與實現(xiàn)[J].計算機與現(xiàn)代化，2012（9）:200-202.

[9]王妍，宋寶燕，付菡，等.引入卡爾曼濾波的RFID數(shù)據(jù)清洗方法[J].小型微型計算機系統(tǒng)，2011（9）:1794-1799.

[10]焉曉貞，羅清華.基于卡爾曼濾波的動態(tài)傳感數(shù)據(jù)流估計方法 [J].儀器儀表學報，2013，34（8）:1847-1853.

[11]陳靜云，周良，丁秋林.基于改進卡爾曼濾波的RFID數(shù)據(jù)清洗方法研究[J].計算機科學，2014，41（3）:202-204.

[12]王楠，李文成，李巖.基于數(shù)據(jù)融合估計理論的Kalman 濾波[J].光機電信息，2010，27（5）:32-35.

[13]陳正宇，楊庚，陳蕾，等.無線傳感器網絡數(shù)據(jù)融合研究綜述 [J].計算機應用研究，2011，28（5）:1601-1613.

[14]李毅，陸百川，李雪.基于多尺度Kalman濾波的多傳感器數(shù)據(jù)融合[J].重慶交通大學學報，2012，31（2）:299-303.

[15]張軍，楊子晨.多傳感器數(shù)據(jù)采集系統(tǒng)中的數(shù)據(jù)融合研究[J].傳感器與微系統(tǒng)，2014，33（3）:52-57.

[16]顧韻華，高寶，張俊勇，等.基于標簽速度和滑動子窗口的RFID數(shù)據(jù)清洗算法 [J].計算機科學，2015，42（1）:144-148.

Manufacturing data collection and application technology based on Internet of manufacturing-related things

LAN Bo，WU Hao，WANG Yi-ze，WANG Zhen-chao
（ Information Engineering College，Beijing Institute of Petro-Chemical Technology，Beijing 102617，China）

To solve the problem that information in a workshop can't be collected accurately or can't be used effectively to support manufacturing control and management，a resource information identification method was suggested to support the collection of manufacturing information and the environment construction of the internet of things.A data cleaning method based on the internet of manufacturingrelated things was proposed.The method can not only guarantee the accuracy of data cleaning but also improve its adaptability to moving labels.A data fusion method based on Kalman filtering integrated with data estimation theory was put forward to solve multi-sensor data fusion.A testing process of IMU(inertial measurement unit)was taken as the application object in laboratory and the simulation result verified the feasibility and effectiveness of the proposed method.

Internet of manufacturing-related things；RFID； data cleaning；data fusion； Kalman filtering

TN911.7

A

1674－6236（2017）17-0021-05

2016-09-21稿件編號：201609190

2016年度國家級大學生創(chuàng)新創(chuàng)業(yè)計劃項目（2016X00010）；2015北京高校人才交叉培養(yǎng)畢設（創(chuàng)業(yè)類）支持計劃項目（16032021003/028）

藍 波（1973—），男，四川隆昌人，碩士，副教授。研究方向：電工電子新技術的研究與教學。