基于5G和人工智能技術的產(chǎn)品質(zhì)量實時檢測和優(yōu)化方案
基于5G和人工智能技術的產(chǎn)品質(zhì)量實時檢測和優(yōu)化方案
中國聯(lián)通網(wǎng)絡技術研究院
網(wǎng)絡改造技術篇/前沿技術/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)一直關注的重點。當前產(chǎn)品質(zhì)量缺陷的檢測技術（例如汽車零部件齒輪軸等的檢測）主要依賴于將產(chǎn)品檢測圖像與預定義的缺陷類型庫進行對比分析，這種方法缺乏一定的學習能力和檢測彈性，導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)絡體系架構中的位置
本方案在AII工業(yè)互聯(lián)網(wǎng)體系架構中的位置包括智能工廠內(nèi)部及工業(yè)云平臺，服務企業(yè)的智能生產(chǎn)任務，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，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AII工業(yè)互聯(lián)網(wǎng)體系架構圖中的位置、作用及相關關系如下：
? 在工廠內(nèi)部，通過工業(yè)相機和蜂窩網(wǎng)絡實現(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；此外邊緣云還負責將歷史數(shù)據(jù)傳送到中心云服務器。基于從邊緣云獲得數(shù)據(jù)，中心云負責AI模型訓練、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（如下圖所示）演進：
圖2 AII參考體系架構
數(shù)據(jù)域數(shù)據(jù)采集交換：
? 試驗蜂窩網(wǎng)絡對于準實時圖像數(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：
? 采用機器學習對工業(yè)圖像分析算法進行改進，試驗多種機器學習模型；
? 試驗將準實時圖像分析算法部署在MEC邊緣云上，將機器學習模塊部署在中心云。
網(wǎng)絡域應用支撐：
? 試驗物聯(lián)網(wǎng)設備管理平臺在5G MEC邊緣云上的部署以支撐低延時高可靠工業(yè)應用；
? 試驗物聯(lián)網(wǎng)設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)絡邊緣側(cè)由于更貼近萬物互聯(lián)的設備，控制指令從邊緣服務器發(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，當前檢測技術主要依賴于將產(chǎn)品檢測圖像與預定義的缺陷類型庫進行對比分析，缺乏一定的學習能力和檢測彈性，從而導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)一直關注的重點。當前產(chǎn)品質(zhì)量缺陷檢測技術主要依賴于將產(chǎn)品檢測圖像與預定義的缺陷類型庫進行對比分析，缺乏一定的學習能力和檢測彈性，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)務本地化處理，在實時性、安全性方面更好滿足工業(yè)應用需要；采用5G技術，實現(xiàn)質(zhì)量檢測圖像數(shù)據(jù)實時上傳到云服務，云服務器端基于檢測圖像實時和歷史圖像數(shù)據(jù)的人工智能學習，實現(xiàn)算法自我進化。
3.2 系統(tǒng)架構
3.2.1 整體架構實現(xiàn)概述
整體框架如圖所示，共分為三層架構：
1）設備層
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
3.2.2 架構特征
1) 實時性：由于圖像數(shù)據(jù)采用5G邊緣云技術在靠近設備的邊緣側(cè)被分析處理并即時反饋給應用方，滿足了工業(yè)應用實時性的要求；
2) 精確性：在云端基于歷史數(shù)據(jù)完成對模型的訓練，訓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)務對接、與物聯(lián)網(wǎng)設備管理平臺的對接。
為解決降低開銷，降低時延，自適應響應等問題，需要一種新的網(wǎng)絡資源模型，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)量增長的終端設備的同時，降低云端的計算負載，降低服務延時，同時也可以降低整個網(wǎng)絡的帶寬開銷。
5G網(wǎng)絡中，MEC可作為獨立設備進行靈活部署，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)務類型、處理能力、網(wǎng)絡規(guī)劃等要求，將MEC部署于網(wǎng)絡中的合適位置。本方案中，MEC部署在接入級，位于接入局房，為客戶提供業(yè)務本地處理能力。
圖6 邊緣云部署方案
3.3 網(wǎng)絡拓撲設計
本方案為兩級星型拓撲結(jié)構（如下圖所示），第一級為工業(yè)視覺設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)絡拓撲結(jié)構
3.4 功能設計
本方案的功能設計包括數(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)設備處完成產(chǎn)品圖像的數(shù)據(jù)采集，采用蜂窩網(wǎng)絡將產(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)過機器學習，完成模型訓練，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
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，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)絡中的傳輸路徑，安全性得到了提高。
? 設備、應用與平臺數(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，支持設備認證鑒權，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，通過訓練模型術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：采用全新的設備數(shù)據(jù)重構方法，采集異質(zhì)型數(shù)據(jù)非透明設備的運行數(shù)據(jù)，此采集設備能夠廣泛應用數(shù)字化工廠的建設，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，設備具有很大的市場前景。
從MEC邊緣云的通信新技術角度：基于三層架構的邊緣側(cè)服務器構建，同時讓人工智能算法嵌入邊緣服務器，實現(xiàn)半定制化的行業(yè)深度應用，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技術在智能制造中應用的角度：5G在工業(yè)領域具有非常廣闊的應用前景，5G的三大場景mMTC, URLLC, eMBB將在工業(yè)領域助力實現(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)中應用的一次有益嘗試，為未來5G大規(guī)模商用提供前期技術積累。
? 經(jīng)濟效益
利用機器視覺技術實現(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可對各類型的產(chǎn)品質(zhì)量圖像檢測進行自主學習，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)重構方法，支持異質(zhì)型數(shù)據(jù)非透明設備的接入，可靈活配置支持多業(yè)務場景，包括設備廠商、終端工廠、設備租賃方、維修方、代理商等等，讓設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)設備，通過本測試床使用的方法，實時獲取設備運行數(shù)據(jù)和生產(chǎn)狀態(tài)，從而基于設備的數(shù)據(jù)和統(tǒng)計，對設備生產(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，讓工廠設備可以完全智能化運轉(zhuǎn)。
聲明
本報告所載的材料和信息，包括但不限于文本、圖片、數(shù)據(jù)、觀點、建議，不構成法律建議，也不應替代律師意見。本報告所有材料或內(nèi)容的知識產(chǎn)權歸工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟所有（注明是引自其他方的內(nèi)容除外），并受法律保護。如需轉(zhuǎn)載，需聯(lián)系本聯(lián)盟并獲得授權許可。未經(jīng)授權許可，任何人不得將報告的全部或部分內(nèi)容以發(fā)布、轉(zhuǎn)載、匯編、轉(zhuǎn)讓、出售等方式使用，不得將報告的全部或部分內(nèi)容通過網(wǎng)絡方式傳播，不得在任何公開場合使用報告內(nèi)相關描述及相關數(shù)據(jù)圖表。違反上述聲明者，本聯(lián)盟將追究其相關法律責任。
AII微信公眾號
AII頭條號