離散制造車間實時定位數(shù)據(jù)可視化平臺設(shè)計

耿向征，袁逸萍，毛 軍，吳正春

（1.新疆大學(xué)機(jī)械工程學(xué)院，新疆 烏魯木齊 830047；2.卓郎新疆智能機(jī)械有限公司，新疆 烏魯木齊 830000）

1 引言

近年來，隨著數(shù)據(jù)采集技術(shù)和信息傳輸技術(shù)的迅猛發(fā)展，離散制造車間中獲取的制造數(shù)據(jù)呈爆炸式增長，這使得制造業(yè)大數(shù)據(jù)成為制造行業(yè)的研究熱點(diǎn)之一。

在此環(huán)境下，傳統(tǒng)的單機(jī)計算速度已無法滿足實時性要求，為實現(xiàn)對車間中多類制造資源的實時定位、追蹤、監(jiān)控，急需將車間定位技術(shù)與大數(shù)據(jù)技術(shù)結(jié)合。

在車間定位技術(shù)方面，紫蜂（Zigbee）、超寬帶技術(shù)（Ultra Wide Band，UWB）、無線射頻識別技術(shù)（Radio Frequency Identification，RFID）等技術(shù)常被用于車間定位［1］。文獻(xiàn)［2］通過對車間生產(chǎn)過程中生產(chǎn)要素定位需求和射頻識別技術(shù)的研究，開發(fā)出一套基于RFID的應(yīng)用系統(tǒng)，滿足了對批量化零件的自動化監(jiān)控和對人員實時定位與管理的需求；文獻(xiàn)［3］將UWB定位技術(shù)集成到數(shù)據(jù)系統(tǒng)中，對倉庫內(nèi)的叉車和其他移動實體進(jìn)行定位和跟蹤，提高了倉庫的安全性和操作效率；文獻(xiàn)［4］提出了一種RFID和無線保真技術(shù)相融合的實時定位平臺，通過對物料進(jìn)行監(jiān)控，實現(xiàn)了倉庫的自動化、數(shù)字化和智能化。

在大數(shù)據(jù)技術(shù)應(yīng)用方面，文獻(xiàn)［5］為了實現(xiàn)實時網(wǎng)絡(luò)中異常流量的快速分析和識別，設(shè)計了融合Spark流和Kafka的分布式實時網(wǎng)絡(luò)異常流量檢測系統(tǒng)（DRNATDS），并提出了一種基于相對密度和距離的K-means算法，有效地分析網(wǎng)絡(luò)異常流量，檢測實時數(shù)據(jù)流下的各種網(wǎng)絡(luò)攻擊；為解決在視頻檢索過程中由于視頻數(shù)據(jù)的海量性、復(fù)雜性、冗余性所導(dǎo)致的計算能力和資源需求過高問題，文獻(xiàn)［6］提出利用Hadoop、Hbase、Spark 和Opencv 實現(xiàn)了基于內(nèi)容的視頻檢索系統(tǒng)；文獻(xiàn)［7］提出一種利用Spark Streaming和改進(jìn)的網(wǎng)格索引技術(shù)對車輛位置和交通事件進(jìn)行快速處理的方法，使與應(yīng)用了WEVING服務(wù)的司機(jī)實時共享周圍車輛信息、行人信息和交通事件信息更方便。

在離散制造車間中包含眾多的生產(chǎn)要素，能夠?qū)崟r準(zhǔn)確的獲取生產(chǎn)要素位置信息和狀態(tài)信息將降低車間的管理難度和提升生產(chǎn)效率。在實際生產(chǎn)過程中，傳統(tǒng)的數(shù)據(jù)收集技術(shù)和單機(jī)計算模式難以保證數(shù)據(jù)的實時性、價值性。上述研究提供了基礎(chǔ)的研究理論與方法，通過借鑒傳統(tǒng)大數(shù)據(jù)技術(shù)對現(xiàn)有問題進(jìn)行解決。選擇UWB定位系統(tǒng)作為生產(chǎn)要素位置信息的獲取手段，設(shè)計一種利用大數(shù)據(jù)技術(shù)對生產(chǎn)要素定位數(shù)據(jù)進(jìn)行實時地采集、處理、存儲，利用Demo 3D 軟件進(jìn)行可視化的平臺，并采用基于Spark Streaming 框架的多線程卡爾曼濾波器解決單機(jī)進(jìn)行卡爾曼濾波時間過長和軌跡平滑度問題。最后，以新疆某農(nóng)機(jī)制造車間為實踐對象、相應(yīng)設(shè)備及軟件為基礎(chǔ)，對定位要素的位置數(shù)據(jù)進(jìn)行實時可視化顯示。

2 平臺設(shè)計及關(guān)鍵技術(shù)

2.1 實時定位數(shù)據(jù)可視化平臺結(jié)構(gòu)

大數(shù)據(jù)環(huán)境下離散制造車間實時定位數(shù)據(jù)可視化平臺整體架構(gòu)，如圖1所示。其中UWB定位系統(tǒng)是數(shù)據(jù)采集層，負(fù)責(zé)對生產(chǎn)要素的位置信息進(jìn)行實時采集；Kafka是數(shù)據(jù)接收層，負(fù)責(zé)對采集到位置數(shù)據(jù)流進(jìn)行接收并傳遞；Spark Streaming作為數(shù)據(jù)預(yù)處理層，負(fù)責(zé)對Kafka傳遞的數(shù)據(jù)進(jìn)行實時處理，并將處理后的數(shù)據(jù)存入HBase 數(shù)據(jù)存儲系統(tǒng)中。Demo 3D 是數(shù)據(jù)應(yīng)用層，利用HBase提供的API接口和TCP協(xié)議，將數(shù)據(jù)傳遞給Demo 3D進(jìn)行生產(chǎn)要素的定位信息顯示。

圖1 平臺結(jié)構(gòu)Fig.1 Structure of Platform

2.2 實時定位技術(shù)

選用Ubisense UWB 定位設(shè)備對位置信息進(jìn)行采集。在實際工作中，通過定位傳感器與定位標(biāo)簽之間的脈沖信號傳輸來測定AOA、TDOA信息，再使用定位引擎對測定的信息進(jìn)行解析，獲得定位標(biāo)簽的精確位置信息，如圖2所示。定位傳感器選擇Series 7000系列傳感器，定位標(biāo)簽選擇Ubitag（緊湊型）。

圖2 UWB定位系統(tǒng)硬件Fig.2 Hardwares of UWB Positioning System

2.3 數(shù)據(jù)流實時傳輸技術(shù)

在多種傳感器并存、通信感知技術(shù)廣泛應(yīng)用的情況下，一方面要保證數(shù)據(jù)的實時性，另一方面又要減少數(shù)據(jù)的丟失，這些都給工業(yè)數(shù)據(jù)的收集帶來了巨大挑戰(zhàn)。

Kafka是一種分布式發(fā)布訂閱消息傳遞系統(tǒng)［8］，在流式計算中被廣泛應(yīng)用。Kafka中可以包含一個或多個代理的服務(wù)器，它們收集并存儲信息，然后發(fā)布相關(guān)的Topic。Apache Zookeeper被用于跟蹤Kafka中集群節(jié)點(diǎn)的狀態(tài)。生產(chǎn)者將消息發(fā)送給代理，代理保存消息，確保消費(fèi)者可以接受完整的消息。Kafka架構(gòu)，如圖3所示。

圖3 Kafka架構(gòu)Fig.3 Architecture of Kafka

2.4 實時數(shù)據(jù)處理技術(shù)

Apache Spark 是一個開放源碼的、分布式的、快速的、集群的、用于處理大數(shù)據(jù)的計算框架。其速度比Hadoop更快［9］。

Spark Streaming是Spark中基于內(nèi)存的流處理計算框架?？梢暂p松處理實時數(shù)據(jù)，其處理結(jié)果能夠滿足實時的要求。此外，它可以接收多個數(shù)據(jù)源的數(shù)據(jù)，如Apache Kafka、Apache Flume、Amazon Kinesis等。

Spark Streaming在處理數(shù)據(jù)時，首先Spark接收流式數(shù)據(jù)，并將數(shù)據(jù)先按指定的批處理間隔分割為大量的批數(shù)據(jù)。然后通過Spark引擎對每個批進(jìn)行處理，最后將各個批的結(jié)果進(jìn)行匯總，得到最終結(jié)果。處理過程，如圖4所示。

圖4 Spark Streaming處理過程Fig.4 Processing of Spark Streaming

2.5 數(shù)據(jù)存儲技術(shù)

Apache HBase 是一種基于Hadoop 存儲系統(tǒng)的分布式數(shù)據(jù)庫，HBase 利用HDFS 作為底層文件系統(tǒng)和分布式編程框架mapreduce作為實現(xiàn)框架［10］。

HBase數(shù)據(jù)表的基本單元是列族，它由一個或多個列組成。兩個列族，即Column Family 和Column，分別包括列X、Y和列V_x、V_y，如圖5所示。

圖5 HBase存儲模型Fig.5 HBase Storage Model

HBase 能夠提供實時性的查詢需求。Client 通過內(nèi)部緩存的信息定位到與客戶查詢請求相對應(yīng)的Region，首先會根據(jù)查詢需求在Region 的Memstore（內(nèi)存緩沖區(qū)）內(nèi)查找，如果查詢到結(jié)果，則將結(jié)果傳出；如果沒有查詢到結(jié)果，將在已持久化的Store-File中繼續(xù)查找。在這種數(shù)據(jù)查詢機(jī)制下，實時的位置數(shù)據(jù)被存放在Region的Memstore中，保證了數(shù)據(jù)查詢的實時性。

2.6 可視化技術(shù)

Demo 3D是一款能夠?qū)⒛承┱鎸嵨锢硖匦匀诤系缴a(chǎn)仿真中的仿真軟件，相比于國內(nèi)常用的Tecnomatix Plant Simulation、witness等仿真軟件具有更好的視覺效果［11］。畫面在經(jīng)過高清渲染過后，可以生成高質(zhì)量的影像，使動態(tài)仿真模型更加逼真。

Demo 3D提供了大量的設(shè)備模塊的同時也支持導(dǎo)入多種格式的三維模型，并且用戶可以使用面向?qū)ο蟮恼Z言C#、Jscript進(jìn)行開發(fā)，這使得編程難度降低、仿真模型的搭建效率大大提升。

3 關(guān)鍵算法設(shè)計

3.1 卡爾曼濾波器原理

卡爾曼濾波器是一種對系統(tǒng)中的未知狀態(tài)進(jìn)行最優(yōu)估計的遞推算法。

預(yù)測階段：

圖6 卡爾曼濾波器工作流程Fig.6 Workflow of Kalman Filter

3.2 Spark Streaming的卡爾曼濾波器設(shè)計

傳統(tǒng)的卡爾曼濾波器無法直接在Spark Streaming集群中運(yùn)行。本小節(jié)將對卡爾曼濾波器實現(xiàn)基于Spark Streaming集群的多線程設(shè)計。在kafka消息傳輸過程中，kafka的Producer根據(jù)數(shù)據(jù)中標(biāo)簽ID 的不同，將數(shù)據(jù)推送到同一Topic 中相應(yīng)的Parition中。Spark Streaming 作為kafka 中數(shù)據(jù)的消費(fèi)者，通過多線程技術(shù)對同一Topic中不同的parition數(shù)據(jù)進(jìn)行消費(fèi)。每個線程單獨(dú)創(chuàng)建一個KafkaConsumer且只消費(fèi)Kafka中一個Partition隊列中的數(shù)據(jù)，如圖7所示。在這種模式下，多個線程被分發(fā)給集群的各個節(jié)點(diǎn)進(jìn)行計算，提高了計算速度。

圖7 消費(fèi)數(shù)據(jù)過程Fig.7 The Process of Consuming Data

線程中的算法步驟如下：

（1）在Kafka 中一個partition 消息隊列中創(chuàng)建一個間隔為1秒的Dstream（key，value）。

（2）調(diào)用轉(zhuǎn)換接口，將Dstream 的格式重寫，形成新的rddqueue。在使用Kafka傳輸數(shù)據(jù)時，數(shù)據(jù)以時間為序列的K-V對形式存在，在本平臺中k為標(biāo)簽ID拼接上系統(tǒng)獲取數(shù)據(jù)的時間，V為x坐標(biāo)與y坐標(biāo)的拼接。例如：Dstream（（ID0_time0），”x0#y0”）轉(zhuǎn)化為rddqueue（（“ID0_time0”），DenseVector（x0，y0））。

（3）將rddqueue放入到Spark Streaming的流序列中，并對生成的對象運(yùn)用updataStateBykey算子對每條數(shù)據(jù)進(jìn)行計算并將狀態(tài)更新。

（4）創(chuàng)建put對象，將計算結(jié)果放入到HBase數(shù)據(jù)表中。

（5）重復(fù)步驟（1）～步驟（4）。

主要代碼如下：

object KFUpdateFunction｛

val updateFunc=（values：Seq［KalmanFilterData］，

state：Option［KalmanFilterState］）=＞｛

if（values.length==0）｛

state

｝else｛

val x：DenseVector［Double］=values（0）.actualState

val z：DenseVector［Double］=values（0）.observedState

val prevState=state.getOrElse（new KalmanFilterState（））

val NC：Long=prevState.count+values.size

val F：DenseMatrix［Double］=KalmanFilterConstants.F

val GA：DenseVector［Double］=KalmanFilterConstants.GA

val H：DenseMatrix［Double］=KalmanFilterConstants.H

val I=DenseMatrix.eye［Double］（4）

val xe= F*prevState.xe+GA

val p=F*prevState.p*F.t+KalmanFilterConstants.Q

val s=H*p*H.t+KalmanFilterConstants.r

val k=p*H.t*inv（s）

val y=z-（H*xe）

val NewXe=xe+（k*y）

val NewP=（I-（k*H））*p

Some（new KalmanFilterState（NC，x，NewXe，NewP））

｝

｝

｝

4 實驗與效果展示

4.1 實驗場地及數(shù)據(jù)量分析

實驗選自新疆某農(nóng)機(jī)制造企業(yè)的綜合一機(jī)加工車間，長170m、寬72.5m、高11m，實驗環(huán)境為室溫，高干擾噪聲。

通過對車間分析，擬采用5個定位單元，其中包括30個定位節(jié)點(diǎn)和60個標(biāo)簽，在車間進(jìn)行部署。

根據(jù)Ubisense提供的資料，每個標(biāo)簽的位置刷新頻率在（1～40）Hz之間，在實驗車間定位系統(tǒng)中設(shè)置最高的位置刷新頻率并對標(biāo)簽產(chǎn)生的位置數(shù)據(jù)量進(jìn)行統(tǒng)計，如表1所示。

表1 實驗車間的數(shù)據(jù)量統(tǒng)計Tab.1 Data Volume Statistics of the Experimental Workshop

每個標(biāo)簽每秒約產(chǎn)生39 條數(shù)據(jù)，60 個標(biāo)簽每分鐘約產(chǎn)生140400條定位數(shù)據(jù)，如表1所示。在定位系統(tǒng)中，通過對每個標(biāo)簽與不同實體綁定來獲取實體的位置數(shù)據(jù)，由于每個標(biāo)簽是獨(dú)立的，所以獲取的位置數(shù)據(jù)也是獨(dú)立。單機(jī)程序在處理這種多數(shù)據(jù)源且海量數(shù)據(jù)時難以保證數(shù)據(jù)的實時性要求。

4.2 單機(jī)多線程方式與Spark Streaming性能對比

在單機(jī)數(shù)據(jù)處理模式下，Java程序?qū)γ總€標(biāo)簽的數(shù)據(jù)流分配一個線程并提交到線程池中，線程池控制工作線程并發(fā)地對不同標(biāo)簽的數(shù)據(jù)進(jìn)行卡爾曼濾波處理。由于單CUP環(huán)境下多線程屬于并發(fā)模式，CPU在不同線程間切換執(zhí)行，并且不同線程需要進(jìn)行大量的數(shù)據(jù)交換和卡爾曼濾波的迭代計算，在標(biāo)簽數(shù)量增加時無法保證數(shù)據(jù)的實時性處理。

由4.1節(jié)可知，每個標(biāo)簽每秒產(chǎn)生39條數(shù)據(jù)，人工生成60個標(biāo)簽5分鐘的數(shù)據(jù)，每個標(biāo)簽11700條數(shù)據(jù)，分別命名為id1、id2...id60。多線程數(shù)據(jù)處理基于Intel（R）Pentium（R）G3260，雙核心雙線程，4G 內(nèi)存。Spark Streaming 基于CPU 為Intel（R）Pentium（R）G3260 三臺機(jī)器搭建的集群。多線程處理方式與Spark Streaming的耗時對比，如圖8所示。

圖8 兩種方案耗時對比Fig.8 Comparison of Time-Consumption Between the Two Schemes

根據(jù)圖8可以看出，隨著標(biāo)簽數(shù)量的增加，耗費(fèi)的時間也增加，當(dāng)標(biāo)簽數(shù)量超過34個時，由于單機(jī)計算機(jī)性能的約束，傳統(tǒng)的多線程方式不能滿足數(shù)據(jù)的實時性。Spark Streaming 通過分布式并行的計算方式，耗費(fèi)的時間遠(yuǎn)小于單機(jī)多線程計算方式。當(dāng)標(biāo)簽數(shù)量達(dá)到60個時，耗時比單機(jī)多線程方式少218.2s。

4.3 Spark Streaming集群的擴(kuò)展性分析

以不同標(biāo)簽數(shù)量為基礎(chǔ)，通過改變集群節(jié)點(diǎn)的數(shù)量分析集群的運(yùn)行時間，如圖9所示。當(dāng)集群中的節(jié)點(diǎn)數(shù)量增加時，不同數(shù)量標(biāo)簽的耗時均有所下降。這說明，當(dāng)標(biāo)簽數(shù)量不斷增加，使當(dāng)前集群的計算性能無法滿足系統(tǒng)的實時性要求時，可以增加集群的節(jié)點(diǎn)數(shù)量。

圖9 集群節(jié)點(diǎn)數(shù)量對數(shù)據(jù)處理效率的影響Fig.9 Effect of Number of Cluster Nodes on Data Processing Efficiency

4.4 實驗平臺的搭建

選擇VMware Workstation Pro 虛擬機(jī)搭建三臺以Centos6.9系統(tǒng)為運(yùn)行環(huán)境的集群，需安裝的組件及版本如下：Hadoop-2.7.7、Zookeeper-3.4.14、Hbase-2.1.7、spark-2.1.1、Kafka、JDK1.8，并以YARN模式運(yùn)行。另在DELL 15-7572筆記本上安裝遠(yuǎn)程控制軟件—SecureCRT和Demo 3D。

平臺搭建過程如下：

（1）根據(jù)車間實際情況和對要素的定位需求布置UWB定位基站位置，節(jié)點(diǎn)布置，如圖10所示。

圖10 實驗路線及節(jié)點(diǎn)布置Fig.10 Experiment Route and Nodes Arrangement

（2）按圖中的位置坐標(biāo)，將定位基站安裝在3m高的高腳支架上，傾斜向下。

（3）將標(biāo)簽固定在叉車頂端，減小噪聲對測量的干擾。

（4）使用定位軟件對基站進(jìn)行調(diào)試，并使用AOA、TDOA算法獲取叉車位置信息。

（5）啟動大數(shù)據(jù)集群，對獲取的位置數(shù)據(jù)進(jìn)行實時收集、處理、存儲。

（6）啟動Demo3D仿真軟件，對叉車軌跡進(jìn)行顯示。

4.5 卡爾曼濾波器在實驗平臺中的應(yīng)用

在離散制造車間中，由于地面約束的存在，叉車只在二維空間中運(yùn)動，所以本實驗只研究二維的位置坐標(biāo)。在車間中選擇一條叉車頻繁通過的路徑勻速運(yùn)動，如圖10所示。在此條件下將X=[px，py，vx，vy]T作為系統(tǒng)的狀態(tài)變量，其中px、py—叉車的x、y坐標(biāo)，vx、vy—x、y軸的速度分量。

狀態(tài)轉(zhuǎn)移矩陣：

式中：Δt—兩次定位的間隔時間。

由于UWB定位系統(tǒng)只能測得標(biāo)簽的位置坐標(biāo)，而不能測得標(biāo)簽的運(yùn)動速度，所以，觀測矩陣：

因為卡爾曼濾波器可以不斷的對誤差協(xié)方差矩陣和預(yù)測值進(jìn)行修正，所以對初始值的要求比較寬泛。在這里中，將px0、py0設(shè)置成叉車的初始位置，vx0，vy0為0，誤差協(xié)方差矩陣的初始值：

為叉車行駛時的軌跡對比結(jié)果，如圖11所示。

圖11 結(jié)果對比Fig.11 Comparison of Results

在干擾噪聲較大的離散制造車間，僅使用UWB定位系統(tǒng)獲取的位置點(diǎn)稀疏不均，位置跳動現(xiàn)象嚴(yán)重。再經(jīng)過卡爾曼濾波器處理過之后使得誤差整體降低，整體的軌跡平滑度明顯提升，具有更好的展示效果，如圖11和表2所示。

表2 誤差統(tǒng)計對比Tab.2 Statistical Comparison of Error

4.6 Demo3D在實驗平臺的應(yīng)用

利用HBase提供的API接口和TCP技術(shù)，將HBase中存儲的位置數(shù)據(jù)傳輸?shù)紻emo 3D 中。Demo 3D 使用C#語言進(jìn)行開發(fā)，首先，搭建比例尺為1：1的車間物理模型，保證虛擬車間布局與實際車間相同。

其次，在叉車模型中編寫移動方法。最后，運(yùn)行整體模型，Demo 3D將從HBase中讀取數(shù)據(jù)驅(qū)動叉車模型運(yùn)動；將模型映射在網(wǎng)頁上，當(dāng)鼠標(biāo)點(diǎn)擊叉車時，彈出窗獲得數(shù)據(jù)信息并進(jìn)行可視化展示，如圖12所示。

圖12 叉車定位信息可視化Fig.12 Visualization of Forklift Location Information

5 結(jié)論

（1）這里將車間定位技術(shù)與大數(shù)據(jù)流式計算技術(shù)相結(jié)合，搭建了大數(shù)據(jù)情況下車間位置數(shù)據(jù)收集、處理、存儲系統(tǒng)，其可視化效果達(dá)到了預(yù)期。

（2）設(shè)計了基于Spark Streaming的卡爾曼濾波器。在定位標(biāo)簽數(shù)量為60個時，比單機(jī)多線程卡爾曼濾波器耗時少218.2s，其定位精度和軌跡的平滑度均有明顯提高，展示效果更好。

（3）雖然整體大數(shù)據(jù)處理系統(tǒng)能夠達(dá)到預(yù)想要求，但是對性能的優(yōu)化方面尚有不足，沒能發(fā)揮大數(shù)據(jù)技術(shù)的最大潛能。在可視化界面上，交互性能和界面美化較差，是今后改進(jìn)的重點(diǎn)。