沈航，段茹茹，陳超，孫煜

（1.廣東省工業(yè)邊緣智能創(chuàng)新中心，廣東 深圳 518057；2.研祥智能科技股份有限公司，廣東 深圳 518107）

關(guān)鍵字：云平臺；告警系統(tǒng)；卷積神經(jīng)網(wǎng)絡(luò)；監(jiān)控告警機(jī)制；MQTT 協(xié)議

1 引言

在工業(yè)互聯(lián)網(wǎng)技術(shù)迅猛發(fā)展的同時，工業(yè)互聯(lián)網(wǎng)越來越廣泛應(yīng)用于智能生產(chǎn)制造中，越來越多的的企業(yè)將設(shè)備接入互聯(lián)網(wǎng)，基于大數(shù)據(jù)處理技術(shù)實(shí)現(xiàn)智能決策與柔性制造。智能倉儲設(shè)備作為車間生產(chǎn)中的關(guān)鍵設(shè)備，主要利用數(shù)據(jù)庫識別技術(shù)，結(jié)合倉儲功能，提供物料實(shí)時存儲與高效管理功能，保障從接收到待存儲物料開始，到將物料準(zhǔn)確無誤的運(yùn)送到車間的全部過程順利執(zhí)行。因此，智能倉儲設(shè)備如何保證正常運(yùn)轉(zhuǎn)，故障報(bào)警信息及時響應(yīng)，是智能倉儲設(shè)備監(jiān)控的迫切需要。

2 相關(guān)技術(shù)介紹

云計(jì)算是一種虛擬化資源，通過互聯(lián)網(wǎng)的形式提供用戶的計(jì)算共享模式，實(shí)現(xiàn)資源的動態(tài)伸縮。云計(jì)算作為一種虛擬化服務(wù)，提供各種付費(fèi)共享資源，包括應(yīng)用程序、計(jì)算能力、存儲能力、網(wǎng)絡(luò)、編程工具，以及通信服務(wù)和協(xié)作工作等[1]。云計(jì)算的本質(zhì)就是要把一切資源匯集到云中，用戶只需通過某種設(shè)備接入云中即可。借助于智能倉儲物聯(lián)網(wǎng)云平臺，各種服務(wù)器、網(wǎng)絡(luò)設(shè)備等都能輕易整合到一起，從而大大提高工作效率，降低各地智能倉儲物聯(lián)網(wǎng)建設(shè)的投入。

卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)框架中的一種，廣泛應(yīng)用于圖像識別、語音設(shè)備、視覺檢測與生物信息學(xué)等各種領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)以監(jiān)督的方式進(jìn)行訓(xùn)練，本質(zhì)上是學(xué)習(xí)從輸入到輸出的映射關(guān)系，不需要復(fù)雜的數(shù)學(xué)函數(shù)，經(jīng)過訓(xùn)練就可以得到映射關(guān)系[2]。卷積神經(jīng)網(wǎng)絡(luò)在使用時得到大量的數(shù)據(jù)測試，可以避免人為主觀抽取顯性特征，從而可以學(xué)習(xí)到隱含的映射關(guān)系[3]。

3 系統(tǒng)描述

3.1 總體架構(gòu)

本文提出的智能倉儲告警系統(tǒng)，在云端利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)識別檢測氣閥儀表盤數(shù)據(jù)，通過Modbus協(xié)議采集設(shè)備運(yùn)行關(guān)鍵數(shù)據(jù)，同時通過部署日志讀取程序，讀取設(shè)備告警日志信息。最后，將儀表盤數(shù)據(jù)、設(shè)備運(yùn)行關(guān)鍵數(shù)據(jù)及告警日志信息對接云平臺，經(jīng)由工業(yè)網(wǎng)關(guān)通過網(wǎng)絡(luò)傳輸至智能倉儲監(jiān)測系統(tǒng)，設(shè)備運(yùn)行異常時可觸發(fā)告警規(guī)則，對設(shè)備運(yùn)行狀態(tài)進(jìn)行實(shí)時監(jiān)控。

智能倉儲告警系統(tǒng)主要由設(shè)備層、網(wǎng)關(guān)層及云平臺三大部分組成，其系統(tǒng)架構(gòu)如圖1 所示。

圖1 智能倉儲系統(tǒng)總體架構(gòu)

設(shè)備層：主要提供底層數(shù)據(jù)，智能倉儲監(jiān)測系統(tǒng)底層對接數(shù)據(jù)主要由生產(chǎn)日志告警數(shù)據(jù)、氣源壓力數(shù)據(jù)及設(shè)備運(yùn)行關(guān)鍵數(shù)據(jù)組成，將氣源壓力數(shù)據(jù)和采集到的設(shè)備運(yùn)行關(guān)鍵數(shù)據(jù)統(tǒng)稱為設(shè)備狀態(tài)數(shù)據(jù)。

網(wǎng)關(guān)層：日志讀取數(shù)據(jù)部署在智能倉儲主機(jī)，由主機(jī)通過企業(yè)內(nèi)部網(wǎng)絡(luò)傳輸至工業(yè)網(wǎng)關(guān)，由工業(yè)網(wǎng)關(guān)對日志進(jìn)行解析并上傳至云平臺；儀表盤數(shù)據(jù)讀取程序直接部署在工業(yè)網(wǎng)關(guān)上面，基于卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行圖片數(shù)據(jù)讀取并上傳至云平臺；對通過Modbus 協(xié)議采集設(shè)備運(yùn)行關(guān)鍵數(shù)據(jù)進(jìn)行協(xié)議轉(zhuǎn)換，轉(zhuǎn)換為MQTT 協(xié)議后上傳至云平臺。

云平臺：經(jīng)工業(yè)網(wǎng)關(guān)匯總后的數(shù)據(jù)以MQTT 協(xié)議傳輸?shù)狡脚_的Datastream 進(jìn)行數(shù)據(jù)清洗，并觸發(fā)對應(yīng)告警；Kafka 接收Datastream 清洗后的數(shù)據(jù)；處理后的數(shù)據(jù)經(jīng)Kafka 傳送到TSDB 數(shù)據(jù)庫進(jìn)行保存；TSDB 消費(fèi)Kafka的實(shí)時數(shù)據(jù)進(jìn)行存儲并對外提供查詢服務(wù)。云平臺提供智能倉儲告警系統(tǒng)人機(jī)交互界面，可以對TSDB 數(shù)據(jù)進(jìn)行實(shí)時展示，提供告警界面，可以實(shí)時查看設(shè)備告警異常數(shù)據(jù)和設(shè)備運(yùn)行數(shù)據(jù)。

3.2 儀表盤數(shù)據(jù)讀取

智能倉儲設(shè)備的接料送料機(jī)在工作過程中會引起氣源壓力儀表盤的變化，在啟動接料送料機(jī)瞬間其指針會大幅度變化。由于在毫秒級內(nèi)氣閥指針變化可達(dá)270°，肉眼難以捕捉，現(xiàn)場操作人員無法根據(jù)氣閥變化察覺出設(shè)備異常。因此，本文采用一種基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法，對儀表盤數(shù)據(jù)進(jìn)行讀取，可精準(zhǔn)讀取指針數(shù)據(jù)，并將數(shù)據(jù)傳輸至智能倉儲報(bào)警系統(tǒng)，如果運(yùn)行有異常，會觸發(fā)告警規(guī)則及時報(bào)警。

智能倉儲設(shè)備中一般有若干個大小尺寸不等的儀表盤，通過相機(jī)獲取儀表盤數(shù)據(jù)圖片，然后將圖片通過主干網(wǎng)絡(luò)的系列卷積和下采樣操作提取特征圖，接下來經(jīng)過系列采樣和卷積得到超高分辨圖像，同時可以得到融合了同尺度淺層特征后的特征圖。其中，主干網(wǎng)絡(luò)借鑒殘差網(wǎng)絡(luò)的設(shè)計(jì)，采用DarkNet53 結(jié)構(gòu)，共有53 個卷積層，卷積核大小為3×3 和1×1，共計(jì)5 次壓縮，最終得到尺寸為輸入圖片尺寸1/32 的特征圖，與傳統(tǒng)ResNet 相比，在保證檢測準(zhǔn)確度的情況下，檢測速度提高了2 倍。網(wǎng)絡(luò)模型沿用YOLOv3 檢測結(jié)構(gòu)，在三個尺度上進(jìn)行檢測，利用非極大值抑制算法得到最終檢測結(jié)果；模型采樣和特征融合交替進(jìn)行，上采樣通過轉(zhuǎn)置卷積的方式，最后將訓(xùn)練好的模型用于讀取指針數(shù)據(jù)并輸出儀表板指針數(shù)據(jù)，讀取數(shù)據(jù)后以MQTT 協(xié)議的形式將數(shù)據(jù)推給時序數(shù)據(jù)庫。

（1）構(gòu)造目標(biāo)函數(shù) 在本文設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)中，涉及到圖像超分重建和目標(biāo)檢測兩個任務(wù)進(jìn)行訓(xùn)練優(yōu)化。其中，針對圖像超分重建，模型采用L1 損失函數(shù)計(jì)算損失值：

經(jīng)過以上分析，則總的損失函數(shù)為兩個子損失函數(shù)的加權(quán)和：

式中，α、β分別表示兩個子損失函數(shù)的權(quán)重，通過考慮的兩個子損失函數(shù)同方差不確定性來衡量各個損失函數(shù)，從而達(dá)到權(quán)重自適應(yīng)的效果。

（2）網(wǎng)絡(luò)參數(shù)初始化 網(wǎng)絡(luò)參數(shù)初始化方式會影響收斂速度及最終優(yōu)化效果。本方案中結(jié)合預(yù)訓(xùn)練權(quán)重加載和隨機(jī)初始化兩種方式，通過預(yù)先在數(shù)據(jù)集上訓(xùn)練兩者的權(quán)重參數(shù)，從而達(dá)到加速收斂速度及提高優(yōu)化效果的目的。對于其他新的網(wǎng)絡(luò)層，模型采用服從高斯分布進(jìn)行初始化。

（3）非極大值抑制 由于檢測尺度的不一致性及候選框的交叉重復(fù)，算法可能對同一目標(biāo)產(chǎn)生多個預(yù)測框。為了去除冗余的邊界框，進(jìn)一步采用NMS 算法對冗余邊框進(jìn)行處理，保證最終檢測結(jié)果的準(zhǔn)確性。針對每一類別的邊界框，NMS 算法步驟如圖2 所示。

圖2 NMS 算法流程圖

將訓(xùn)練好的模型用于儀表數(shù)據(jù)讀取，以JSON 數(shù)據(jù)標(biāo)準(zhǔn)格式輸出，并且通過MQTT 協(xié)議發(fā)送到云平臺的數(shù)據(jù)庫，假設(shè)采集現(xiàn)場傳給倉儲報(bào)警系統(tǒng)的設(shè)備數(shù)據(jù)包含4個表盤，則輸出數(shù)據(jù)格式示例如下：

device 表示設(shè)備ID，可在定義好后導(dǎo)入到智能倉儲系統(tǒng)平臺，或在平臺直接創(chuàng)建后獲取，必須唯一，示例中智能倉儲設(shè)備ID 為EMYX-CKS001；ts 表示JSON 格式中的時間戳，用于記錄數(shù)據(jù)采集時間；values 代表該條數(shù)據(jù)的數(shù)據(jù)值。

3.3 監(jiān)控告警機(jī)制

智能倉儲系統(tǒng)設(shè)有閾值判斷模塊和告警信息去重模塊。閾值判斷模塊負(fù)責(zé)根據(jù)設(shè)備上傳到數(shù)據(jù)庫中的運(yùn)行數(shù)據(jù)判斷是否觸發(fā)告警規(guī)則并上報(bào)，其中告警規(guī)則來源于專家知識庫，專家知識庫中的告警規(guī)則來源于專家自定義的越限告警規(guī)則。為了防止漏報(bào)告警信息，信息上報(bào)頻率較快，雖然提升了告警靈敏度，但同時也會導(dǎo)致同一告警事件多次上報(bào)，提升了告警的重復(fù)率，因此有必要引入告警信息去重模塊，去除冗余告警信息。

（1）閾值判斷模塊 時序數(shù)據(jù)庫的數(shù)據(jù)包設(shè)備狀態(tài)數(shù)據(jù)和設(shè)備告警數(shù)據(jù)。設(shè)備狀態(tài)數(shù)據(jù)經(jīng)由工業(yè)網(wǎng)關(guān)采集后傳送至?xí)r序數(shù)據(jù)庫，閾值判斷模塊抓取數(shù)據(jù)庫中的設(shè)備狀態(tài)數(shù)據(jù)，并根據(jù)告警策略判斷設(shè)備狀態(tài)數(shù)據(jù)是否異常，一旦設(shè)備異常會觸發(fā)告警并對設(shè)備進(jìn)行標(biāo)記，標(biāo)記后的信息稱為告警信息，告警信息一般包含設(shè)備信息、告警級別、告警內(nèi)容。最后，閾值判斷模塊將得到的告警信息傳輸至告警去重處理子模塊。

智能倉儲設(shè)備大都應(yīng)用于網(wǎng)絡(luò)不穩(wěn)定的工業(yè)環(huán)境，隨著數(shù)據(jù)量的增加，會帶來設(shè)備數(shù)據(jù)上報(bào)時序錯亂問題。為了解決這一問題，在抓取到設(shè)備狀態(tài)時間序列之后，增加時間滑動窗口，對時間框內(nèi)的時間序列數(shù)據(jù)滑動不同單位，并每個數(shù)據(jù)計(jì)算一次，確保檢測效率，實(shí)現(xiàn)了實(shí)時流計(jì)算，避免了大量錯誤的告警事件，提供了良好的數(shù)據(jù)控制機(jī)制。

下面以CPU 溫度告警規(guī)則為例，具體說明時間滑動窗口的運(yùn)行機(jī)制流程：

1）告警規(guī)則：抓取并統(tǒng)計(jì)設(shè)備CPU 溫度，需監(jiān)控CPU 溫度持續(xù)上升次數(shù)，當(dāng)連續(xù)4 次上升的溫度值超出設(shè)定的閾值時觸發(fā)告警。

2）數(shù)據(jù)上報(bào)：設(shè)備數(shù)據(jù)每兩秒上報(bào)一次。

3）數(shù)據(jù)延時：最大為2 s。

4）統(tǒng)計(jì)單元：6 個。其中有效單元4 個，預(yù)留2 個單元。

設(shè)定每個窗口的大小為4 s，4 個有效窗口，共需16 s，當(dāng)統(tǒng)計(jì)的告警數(shù)據(jù)4 次均超過設(shè)定閾值時，由于預(yù)留2個單元，則會在18 s 時產(chǎn)生告警。

（2）告警信息去重模塊 通過閾值判斷模塊后得到的設(shè)備越限告警信息，將隨設(shè)備告警數(shù)據(jù)一起被重新加工處理。告警去重處理子模塊把獲得的越限告警信息進(jìn)行分類，然后對不同種類和維度的告警信息賦予不同的權(quán)重，最后采用Simhash 算法進(jìn)行去重，得到最終需要上傳的告警信息。

告警信息去重模塊詳細(xì)流程如下：

1）讀取原始告警信息中的一條告警數(shù)據(jù)，記其中一個維度（告警發(fā)生的時間）為t0，并且對設(shè)備類型、告警級別、事件類型等其他文本類和數(shù)字類維度進(jìn)行Hash 函數(shù)編碼，得到Simhash 簽名。

2）順次讀取告警信息。

3）若新來的告警信息的發(fā)生時間維度ti滿足tit0≤T，則在步驟1 中重復(fù)算法過程，得到 Simhash 簽名后比較海明距離，滿足閾值（T=2）即視為重復(fù)告警，并將告警信息過濾掉。

4）若新來的告警信息的發(fā)生時間ti滿足ti-t0>T，則從時間窗口的第一位告警信息一次往下判斷，知道第n位的告警信息的時間維度tn滿足ti-tn>T，就會將第n位告警信息置頂，并設(shè)定時間為為t0。

5）重復(fù)2～4 步驟，得到上報(bào)的去重后的告警信息。

4 結(jié)束語

本文通過研究智能倉儲設(shè)備監(jiān)控現(xiàn)狀，提出一種智能倉儲設(shè)備告警系統(tǒng)，通過采集設(shè)備運(yùn)行狀態(tài)數(shù)據(jù)和告警數(shù)據(jù)，實(shí)時監(jiān)控設(shè)備健康狀況。保證設(shè)備運(yùn)行穩(wěn)定，具有應(yīng)用價(jià)值。另外，隨著產(chǎn)業(yè)互聯(lián)網(wǎng)技術(shù)、云計(jì)算技術(shù)的逐步成熟，為倉儲業(yè)務(wù)平臺云計(jì)算的集中管理和靈活分配調(diào)度提供了實(shí)現(xiàn)的可能性，云平臺的建設(shè)費(fèi)用和后期維護(hù)費(fèi)用也大大降低。