基于类脑边缘盒子应用于数字孪生工厂的研究

来源：自动化技术与应用

作者：周丽丽等

在工业4.0背景下，以互联网为基础的智能制造，数字化、网络化和智能化是其核心，数字孪生技术和边缘计算技术成为了重要的支撑手段。数字孪生技术通过构建现实工厂与虚拟工厂之间的数据连接，实现实时数据的采集、分析与优化。

数字孪生最早可以追溯到NASA在阿波罗计划中使用的“twins”概念，在该计划中，建造了两个相同的航天飞行器。其中一艘航天器在执行太空任务期间，留在地球上的航天器被用来反馈太空航天器的工作状态，收集数据，并对紧急事件进行模拟。2003年Grieves提出了有关数字孪生的设想，他将这一设想称作PLM即产品全生命周期管理。NIST在2012年提出MBD与MBE概念，即基于模型的定义与基于模型的企业，主要含义是创建产品与企业的信息模型，一次创建模型并贯穿系统的整个生命周期，为服务、制造等所有下游重用，从此数字孪生的概念扩展到产品的加工全过程。

在国内，陶飞等人提出了数字孪生车间的理念，并介绍了其构成维度、特点与机制等，为虚拟世界和车间物理世界的交融提供了理论基石和方法参考。唐堂等人认为想要实现产品从设计阶段到成品这整个过程的数字化，必须经过数字孪生技术的加持，实现车间加工过程的可视化，整合制造型企业的生产流程，构成从分析到控制最终回到分析的逻辑回路。

未来类脑计算既可用于生活中各种智能任务的处理，开拓人工智能的应用场景；也可用于神经科学、脑科学研究，为神经科学家提供更快更大规模的仿真工具。

本文提出一种数字孪生工厂及其在类脑边缘计算盒子中的应用。该技术方案将数字孪生技术与边缘计算相结合，实现了数字孪生工厂的实时监控和智能分析，提高了工厂生产效率和质量。

数字孪生技术模拟现实工厂中所有的过程和流程，实时获取设备状态、生产效率、质量等各项指标，将这些指标上传至云端，在虚拟工厂中进行数据分析和处理，然后将分析结果反馈到现实工厂中，实现对生产过程的监控、管理和优化。

数字孪生系统的应用可以帮助企业减少生产线停滞时间，提高生产效率和产品质量，从而增加竞争力。由于数字孪生技术具有高度的灵活性和可扩展性，企业可以根据自身需求进行定制化开发，实现对生产过程的全面管理和优化。数字孪生工厂则是一种基于数字化技术的工厂生产模式，通过将物理工厂与虚拟工厂相结合，实现了对物理工厂生产过程的全面监控和管理，提高了生产效率和质量。数字孪生工厂中的数据管理和处理是数字孪生技术实现的关键，边缘计算技术的应用成为了提高生产效率和实现智能化管理的重要手段。

边缘计算技术通过在设备端进行数据处理，降低网络延迟，提高数据处理效率。数字孪生系统需要实时获取现实工厂中各项指标的数据，并将这些数据上传至云端进行分析和处理。如果使用传统的云计算方式，由于数据传输的延迟和网络传输带宽的限制，可能会导致数据处理的速度过慢，从而影响数字孪生系统的应用效果。而边缘计算技术则可以在设备端进行数据处理，将数据处理的工作转移到离数据源最近的地方，减少数据传输的时间和网络传输带宽的占用，提高数据处理效率。

总之，数字孪生技术和边缘计算技术是工业4.0实现数字化、网络化和智能化的重要支撑手段。数字孪生系统和数字孪生工厂的应用可以帮助企业实现对生产过程的全面管理和优化，提高生产效率和产品质量，从而增加竞争力。而边缘计算技术的应用则可以提高数字孪生系统的数据处理效率，实现智能化管理。

随着物联网、人工智能等技术的飞速发展，企业面临的生产管理和设备运维任务越来越复杂。如何提高生产效率、降低维护成本，是每一个企业都需要思考的问题，边缘计算技术就显示出了其重要性。

边缘计算将数据处理和分析的过程放在离数据源最近的设备上，以满足实时性需求并减少网络延迟。在生产线上，设备产生的大量数据可以通过边缘计算进行实时处理，从而为企业提供更加精确的数据分析结果。

数字孪生模型则是根据实时监控和控制得到的数据，在计算机中建立的设备虚拟模型，可以用于生产效率的优化、故障预测等方面。边缘计算技术可以实现自动化控制，提高生产效率和设备利用率，并减少人为操作带来的误差。其次，通过神经网络和深度学习算法的支持，边缘计算可以实现自适应性和智能化，对产品质量检测和预测有着很好的效果。最后，在设备维护和故障诊断方面，边缘计算可以实现全面监控和管理，降低生产成本和风险。类脑边缘盒子作为一种边缘计算设备，具有高性能的计算和处理能力，可以快速响应并处理大量的实时数据。类脑边缘盒子的技术原理是基于神经网络和深度学习算法，通过模拟人类大脑的神经网络结构，实现对数据的高效处理和分析。它具有自适应性和智能化特点，能够自动识别和分类数据，并对数据进行分析和预测。

充分利用数字孪生技术与边缘计算技术的优势，实现实时、高效的智能制造。通过边缘计算盒子进行设备端数据处理，降低网络延迟，提高数据处理效率。此外，本系统还可实现设备预测性维护，降低设备故障率，提高生产效率，可广泛应用于各类制造工厂，通过数字孪生工厂与边缘计算盒子相结合，实现智能制造的高效运作。

智能工厂指的是利用数字技术和信息技术对传统工厂进行升级改造，实现数字化管理和智能化生产的工厂。数字化工厂建设需要融合多种理论和技术，包括物联网、云计算、大数据分析、人工智能等，其中也包括数字孪生技术。

基于Web的数字孪生虚拟数字化工厂平台，将数字孪生技术应用于数字化工厂中。数字孪生的数字化工厂系统由物理车间、虚拟车间及它们之间的孪生数据组成，如图1所示。物理车间包括生产车间所有的制造资源，例如装配线、加工线、机器人等设备。虚拟车间是物理车间的孪生模型、动作规则等在虚拟空间的真实反映。虚拟车间的构建主要包括设备三维模型导入、模型轻量化、绑定设备的工艺、定义设备的逻辑行为、现场联调可视化等步骤。

物理车间指的是实际的生产车间，而虚拟车间则模拟了物理车间的各项参数，包括生产流程、设备状态、能源消耗等。虚拟车间可以通过数字孪生技术与物理车间实时同步，实现对物理车间的精准监控和调度，从而提高生产效率和质量。数字孪生技术的核心是孪生数据，即将物理车间和虚拟车间的数据进行匹配和同步，形成一份完整的数据副本。这些数据可以用于生产仿真、设备维护、生产流程优化等方面，让数字化工厂实现更加智能化的管理和运营。数字化工厂是未来制造业的重要发展趋势，而数字孪生技术则是数字化工厂建设中不可或缺的一环。

类脑边缘计算盒子为面向全场景的轻量边缘设备，具有超强计算性能、大容量存储、配置灵活、体积小、支持温度范围宽、环境适应性强、易于维护管理等特点。主要应用于智能视频监控、分析、数据存储等应用场景，可以广泛部署在各类边缘、中心机房，满足在社区、园区、超市等复杂环境区域的应用。常见的全场景AI服务如下图2所示。

类脑边缘计算盒子由多个组件组成。它可以将数字孪生工厂中的数据采集、处理和分析等工作推向网络边缘，实现实时、高效的数据处理和分析。通过内置的传感器，类脑边缘盒子可以采集数字孪生工厂中的各种数据，并通过内置的处理器和存储器进行实时处理和分析，同时支持深度学习、机器视觉等人工智能算法。此外，类脑边缘盒子还具有内置网络接口，可以将处理后的数据传输到云端服务器或其他边缘设备中，实现数字孪生工厂中不同设备之间的数据共享和协同处理。

类脑边缘盒子作为数字孪生工厂的重要组成部分，用以提高数字孪生工厂的效率和精度。这种智能设备的出现，将为数字孪生工厂的发展带来新的机遇和挑战。在现实生活中部署边缘计算设备整体结构如图3所示。

边缘盒子上运行流媒体服务、抽帧解码服务、推理服务和容器调度服务，通过流媒体服务WEB界面完成需要接入的摄像机的视频流接入。

云端管理平台上运行上级流媒体服务，模型下发和其他的业务管理服务。上级流媒体服务可以收集到所有边缘AI推理盒子上接入的摄像机通道信息，由云端管理平台统一控制每一个边缘AI推理盒子上运行(下发)什么推理服务，每一个推理服务绑定哪些摄像机等等。

PC 上浏览器客户端可以实现云端管理平台上实现的全部业务功能，支持配置摄像机和推理服务的绑定，告警展示，支持对摄像机的实时监控画面查看和录像。手机客户端上实现报警消息接收，实时监控查看等业务。平台优势：系统支持算法扩展，提供为各需求场景打造的场景化AI算法，贴切解决业务管理痛点。信息安全：通过安全通讯、数据脱敏、权限管理、行为追溯等多种方式，全方位包含系统安全及用户隐私。应用可视化：系统融合了AI及物联网技术，将数据采集到数据分析的全流程通过可视化的方式呈现，直观展示各项业务数据。具体端边云协同系统结构如图4所示。

图4 端边云协同

类脑边缘计算盒子可以通过模拟大脑的计算方式，对采集到的工厂数据进行分析和挖掘，从而提高数据处理的效率和准确性。将传感器安装在需要采集数据的设备上，再通过有线或无线方式将数据传输到类脑边缘计算盒子中。类脑边缘计算盒子进行数据处理后，将分析结果反馈到数字孪生系统中，构建数字孪生模型。用户可以通过数字孪生系统观看数字孪生模型，并进行实时监控和管理。类脑边计算缘侧应用场景如图5所示。

类脑计算边缘侧应用的主要特点：实现大规模并行计算，提高数据处理的效率。通过智能优化算法，对工厂数据进行精准分析和挖掘。实现实时反馈，将分析结果及时反馈给数字孪生系统，保证数字孪生系统的实时性和精度。

边缘盒子内置一块高性能低功耗微处理器，并具有适用的高速通信接口，能够直接连接设备、传感器和工厂网络，完成数据预处理和传输。同时，通过机器学习和数据挖掘等算法实现在本地的数据挖掘和高性能处理，降低了数据传输延迟和网络带宽。

具体实现方法如下：

1）高性能微处理器：采用英特尔ATOM处理器或同等性能的微处理器，提供高效计算和传输性能；

2）高速通信接口：内置以太网、wifi和蓝牙等通信接口，以支持速度快、范围广、设备多等场景；

3）机器学习和数据挖掘算法：在本地实现神经网络学习、监测预测和数据挖掘等算法，实现数据处理和智能控制。

为保障边缘计算设备的稳定运行，边缘盒子内置多种传感器和环境监测设备，能对温度、湿度、压力、氧气和二氧化碳等环境参数进行实时监测。同时，通过对监测得到的数据进行分析，实现对环境变化的预测和识别。

具体实现方法如下：

1）多种传感器：内置温度、湿度、压力和氧气等多种传感器，实时监测环境参数变化；

2）数据分析：基于机器学习算法，对监测得到的数据进行分析，预测环境变化趋势，降低运行风险。

针对工作环境中的不可靠性和不稳定性，类脑边缘盒子具备智能控制功能，能够实现边缘计算设备的开关状态、功耗、运行模式等的远程控制和管理。同时，通过机器学习算法，实现自适应控制和优化，提高应用性能。

具体实现方法如下：

1）远程控制：具备边缘计算设备的接入管理和远程控制功能，能够对设备状态和参数进行调控和管理；

2）智能优化：根据环境特点和任务需求，通过机器学习算法实现边缘计算设备的自适应控制和优化，提高应用性能。为保障数据的安全性和稳定性，类脑边缘盒子内置多层安全机制，包括数据加密、防火墙、访问控制等。

为了提高稳定性，在电力环境、网络通信环境等方面进行多重监测和保障，确保设备高效稳定运行。

具体实现方法如下：

1）多层安全机制：采用加密算法，建立防火墙和电源管理等多层安全机制，保障数据和设备的安全和稳定；

2）高稳定性：对电力稳定和波动、网络通信和故障等方面进行多重监测和保障，确保设备高效稳定运行。

数字孪生工厂和类脑边缘计算盒子相结合的解决方案能够有效地提高数字孪生系统的精度和效率，这种结合方式可以有效提高数据分析的准确性和实时性，建立真实感觉的数字孪生展示，帮助用户更好地了解工厂运行情况。通过数字孪生展示，实现对工厂运营的监控和优化，提高生产效率和产品质量。降低数据上传到云端的带宽压力，减少网络延迟。在制造业、能源领域、交通运输等多个领域均可应用。同时，还可以结合人工智能技术，实现更高级别的自动化生产，为企业带来更大的商业价值。