今日頭條
官方微信
官方抖音
資訊頻道★中國汽車技術研究中心有限公司/中汽數據（天津）有限公司林錦州，王俊程
★西安交通大學胥博，李鳴鶴，曹建福
1 引言
近年來，隨著工業化和信息化的深度融合，傳統汽車制造業正朝著智能化、網絡化、定制化、集成化等方向轉型與升級。尤其是5G、工業物聯網等新興技術的迅速崛起，加速了汽車智能制造領域的全面發展。實現汽車生產制造全生命周期管理的智能制造技術，成為新一輪汽車工業革命的核心。工業物聯網作為智能制造領域關鍵性通用技術[1-2]，其能夠提升汽車制造領域的自動化與智能化水平，是制造業領域智能化轉型的重要基礎與支撐。
在國際汽車制造領域，以美國、德國、日本為代表的主要制造商利用物聯網技術實現了生產過程的全面信息采集和設備監控以及供應鏈升級改造。例如，美國PTC公司針對汽車制造要求，推出了物聯網平臺，在生產制造、售后服務及運營過程中，構建起一套從數字到物理的完整閉環鏈路，保證了各個業務環節的人員獲得正確數據；德國梅賽德斯-奔馳公司在辛德芬根的“56號工廠”通過智能設備互聯、子系統接口接入等方式，建立了覆蓋整廠的物聯網系統，形成了物聯網大數據；2022年初開業的特斯拉柏林工廠[3]，實現了從原材料采購到倉儲整車出貨全流程端到端的信息物聯網絡。
隨著《中國制造2025》戰略的提出，國內各汽車制造企業均開展了物聯網技術的開發和推廣應用,主流汽車廠已建成生產制造過程的設備互聯和監控系統，包括一汽、東風、陜汽、上汽等企業。東風商用車總裝基于5G和邊緣計算技術，建立了制造過程物聯網系統，實現了OT域與IT域的數據打通；長城汽車重慶智能工廠在工廠自動化程度上，將工業互聯網平臺覆蓋整個廠區，設備的預防性維護已遍布4大工藝車間，并逐漸從傳統的計劃維護向預防性、預測性維護轉換。
本文闡述了汽車智能制造與工業物聯網的關系以及汽車智能制造對工業物聯網的要求，介紹了汽車制造物聯網中的多協議解析、異構網絡互聯技術、高速數據存儲與處理、邊緣計算等技術，并對汽車制造物聯網未來的研究方向做了分析，簡單介紹了近年來研究團隊在物聯網領域的研究成果。
2 汽車制造中的工業物聯網
在汽車制造中，工業現場存在的大量信息孤島問題亟待解決。面對海量數據的傳輸和越來越高的服務需求，工業網絡對不同時延容忍度數據區分服務能力表現較差，各種現場設備在復雜網絡下通信質量很難保障。與此同時，基于工業物聯網的智能制造成為新一輪工業革命中智能制造領域的研究重點，如何實現智能生產系統數據高實時、高可靠傳輸，保證生產網絡的高質量通信是工業物聯網所面臨的一大挑戰。對此，可以從互聯互通的設備、邊緣控制和企業運營三個層級構建貫穿汽車生產全生命周期的物聯網架構。
2.1 汽車智能制造對工業物聯網的要求
汽車制造主要包括沖壓、焊接、涂裝、總裝等過程，工藝過程見圖1。以下依次對四大車間的生產工藝進行分析，并從生產特點提出對工業物聯網的需求。
圖1 汽車制造主要工藝圖
沖壓是汽車整車廠四大工藝的第一道工藝，其主要任務是將鋼板材料壓平、剪切，然后將鋼板沖壓成各車身部件和底盤部件。隨著網聯網系統中的柔性傳送、模具自動識別與提取、工作參數自動調整等技術的應用，大型自動沖壓生產線占地面積更小，生產節拍更高，從而使沖壓生產向“個性化”“按訂單”和“準時”生產方向發展。
沖壓成形后的各部件在焊裝車間被焊接成車身，車身生產由分總成生產和總成拼裝組成。分總成包括側圍、前后圍、底板等，將這幾大總成進行拼裝，再焊接上車頂和四門兩蓋，形成白車身送往涂裝車間。確保精準的集合尺寸和焊點質量是保證車身高強度與質量的關鍵，激光焊等新技術的應用、大量焊接機器人及自動化設備與物聯網絡系統的高度集成，是實現車身高質量生產的有力保障。
涂裝車間是整車四大工藝中控制最為復雜的車間，涂裝大致分為以下幾個過程：前處理工序，之后轉到電泳工序，再依次經過車身密封、底漆涂裝、面漆涂裝工序，最后車身經檢驗工序后，轉入涂裝車身存儲區，最后流轉到總裝車間。減少三廢排放及涂料損耗、提高涂裝效率與質量并降低涂裝成本是涂裝新技術追求的目標，新材料與新工藝的應用、高壓靜電噴涂及機器人的使用、高效的自動化控制及輸送系統、透明的網絡監控系統及制造執行系統（MES）的應用使不斷提升的目標得以實現。
總裝是將車身、發動機、變速器、儀表板、車燈和車門、輪胎等構成整輛車的各零件裝配起來生產出整車的過程。總裝車間設備分散、控制點多且信息采集量大，想將車間信息管理與生產自動化有機結合，需要現場總線技術及工業物聯網的應用以實現數據打通。
2.2 工業物聯網結構
在汽車制造工廠內部，運營管理網和生產控制網是兩大通信設施，二者組成了整廠的工業物聯網系統。其中運營管理互聯網連接供應商，并支持生產計劃、財務和經營管理相關的ERP、PLM等系統的信息通信集成；生產控制網支持制造過程的設備、操作者與產品的互聯，實現MES、配電系統、機器人及PCS等物理單元的信息通信。
如圖2所示，從管理層級上可以將汽車制造分為三個層級：現場設備、車間管理和廠級管理。處于生產制造底端的現場設備和控制系統通過現場總線網絡實現公共環境的數據感知和控制命令的下發，同時通過有線以太網或者無線傳感器網絡與現場各種總線網絡并存，實現現場設備和控制系統的完全互聯互通。該框架的數據服務器一方面對一些實時性較高的控制命令，能夠快速做出決策反饋并保存，另一方面通過數據庫把來自底端的數據發送到應用層，實現對數據的進一步分析，從而支撐諸如ERP、CRM等業務運營系統。
圖2 典型汽車制造工業物聯網架構
3 汽車制造物聯網中的核心技術研究
3.1 多協議解析方法
目前汽車制造物聯網的發展面臨的核心問題在于接入物聯網的硬件設備數量日益增多，設備所需的運行環境和通信協議各不相同，因此亟需研究工業物聯網的多協議智能解析方法，從而實現設備互聯，并提高工業物聯網平臺對海量異構設備的統一管理能力。
多協議解析主要有基于協議模板庫和基于編譯技術的方法。基于協議模板庫的方法是將協議幀結構中某些固定字段存入協議模板庫，通過字符串匹配算法將數據中的固定字段與協議庫匹配，從而完成協議解析。文獻[4]利用面向對象建模的思想，對Modbus等常用工業協議進行幀結構分析，并抽象出一個統一模型，從數據中提取固定字段與協議模板庫匹配，從而解析出正確的協議類型。基于編譯技術的協議解析方法是根據編譯原理，將通信協議中的特定幀如地址信息、命令碼等抽象為正規表達式，從而解開協議結構描述和協議解析代碼的耦合關系。文獻[5]基于上述方法，提出了一種數據幀結構描述語言和自動化解析器，開發人員只需要針對協議中的數據幀結構編寫相應的幀協議描述，自動化解析器即可將該協議描述語言轉化為解析代碼可識別的數據類型，進而實現對數據幀協議的解析，同時避免了協議解析代碼的修改。目前的多協議解析方法的重點在于如何實現工業物聯網的智能化解析，盡可能減少人工的參與，這一問題還需要進一步的研究。
3.2 異構網絡互聯技術
異構網絡互聯主要有兩種方式，分別是通過網關設備實現和通過應用層實現。目前基于上述方式的物聯網、互聯方案存在通信效率低下、不支持大規模網絡統一管理和擴展性差等問題。
為解決上述問題，研究人員提出了以信息為中心的物聯網網絡體系架構，并逐漸成為了研究熱點。文獻[6]基于以信息為中心的網絡架構，提出了MobilitFirst，該架構針對移動場景做出了優化，在同時支持動態和靜態設備組網方面表現出了較高的效率。在工業物聯網網關研究方面，文獻[7]提出了一種無線傳感網融合組網的方法，該方法改進了NB-IoT-WSN組網方案，在此基礎上設計了一種雙模網關，實現了NB-IoT和WSN之間的高效網絡傳輸。文獻[8]設計了一種異構物聯網網絡下的數據通信網關平臺，該平臺通過制定一種可交換數據格式標準來實現如異構網絡的協議轉換等場景，提升了異構網絡的可融合性。異構網絡的融合仍需要在提升網絡通信效率、建立工業物聯網統一數據格式等方向做進一步深入研究。
3.3 高速數據存儲與處理
物聯網中智能設備產生的大量數據需要及時存儲和處理，如何實現低時延的數據存儲和處理是目前亟待解決的問題。
云計算為數據的計算和存儲提出了解決方案，但云計算中心往往部署在離終端較遠的位置，從而產生了延遲。霧計算方法將計算和存儲從云計算中心擴展到了網絡邊緣，從而解決了這一問題。文獻[9]中提出了一種基于霧計算的數據傳輸體系結構，可以將負載節點無法完成的計算和存儲任務卸載到霧服務器，從而提高了計算和存儲的效率。通過分布式存儲系統對數據進行存儲可有效降低工業物聯網數據存儲的壓力，提高了數據處理的效率。分布式數據存儲的核心問題是數據如何進行分配。文獻[10]提出了一種基于生成函數的數據分配方法，從而簡化了數據分配算法的復雜性。文獻[11]在基于遺傳算法的數據分配策略的基礎上進行了改進，拓寬了算法搜索的廣度，提出了一種新的數據分配策略。基于云計算和霧計算等技術的研究，高速數據的分布式存儲和處理已取得一定的成果，針對數據傳輸的體系結構和數據分配策略可能是未來的研究方向。
3.4 邊緣計算
物聯網設備的大規模發展對工業物聯網的數據處理能力提出了新的要求，傳統的云計算模型將計算任務集中在云端處理，這種方案會給網絡傳輸帶來很大壓力，難以實現高效的數據處理。邊緣計算的提出解決了這一問題。
邊緣計算將計算任務分配到物聯網邊緣端的網關設備，在邊緣端對數據進行處理和分析，從而實現工業物聯網平臺的靈活調度，提高了數據計算效率。文獻[12]提出了一種基于邊緣計算的工業物聯網的能效管控方法，該方法通過對工業物聯網資源分配和不同通信波段的功率消耗進行建模，從而實現降低工業物聯網能源消耗的目的。邊緣計算還可應用于物聯網的任務調度，任務調度目標在于如何有效管理大量邊緣計算節點，平滑地分配任務及合并計算結果，同時盡量降低能耗、減少傳輸延遲，維持平臺的負載平衡。目前基于邊緣計算的任務調度研究中，有基于延遲最小化的方案，文獻[13]提出了邊緣節點協作策略，該策略根據任務隊列的長度和任務類型，在邊緣節點之間共享任務從而實現最小化任務延遲。基于能量-延遲權衡方案，文獻[14]提出了HyFog框架，該框架應用帶花樹開花算法來解決最小權重匹配問題，實現了總任務執行成本（包括能量和延遲）最小化。基于邊緣計算的物聯網數據處理是目前的研究熱點，主要目標是提高物聯網的實時性和運行效率。
4 未來研究方向
4.1 設備互聯互通
目前在汽車制造產業中，需要進一步推進工業生產現場的設備聯通，除生產設備外，還包括工人智能穿戴設備、零部件的RFID識別設備、運輸車輛等等，真正實現智能工廠的萬物互聯。為實現這一目標，需要繼續推進工業物聯網網絡協議特征識別技術和多源異構協議解析方法的研究。此外，物聯網協議數據格式標準化也是重要的研究課題，目前現存物聯網標準基本都有其主要側重領域，且缺乏用戶參與，較難滿足目前工業現場物聯網設備的市場化需求。因此，需要建立一套適用于工業物聯網的數據格式標準，以實現工業現場設備的互聯互通。
4.2 數據卸載和負載平衡
汽車制造物聯網系統具有多個具有分布式計算能力的邊緣設備，當單個設備或邊緣服務器的處理能力達到極限時，就需要將任務和數據卸載到其他設備或邊緣服務器，從而避免單個資源的長期過載。目前汽車物聯網中，在考慮大量具備數據處理能力的設備的數據卸載時，問題的復雜度將大大增加，受限于設備計算和存儲的能力，數據卸載的發生頻率升高，可能導致網絡的大吞吐量和嚴重帶寬資源占用，從而導致網絡傳輸延遲的增加。在負載平衡方面，也需要改善現有的平衡算法以適應工業物聯網平臺日益增加的調度規模和頻率。
4.3 工業物聯網通信安全
圍繞工業物聯網通信傳輸過程中的安全通信問題，未來可能包括多路徑冗余通信、缺失數據預測等研究方向。采用多路徑冗余通信方法，可降低數據被整體捕獲的概率，保證了數據的傳輸安全、隱私安全和通信完整。工業物聯網通信缺失數據預測能夠通過預測恢復缺失的通信數據，保證了工業物聯網的通信數據完整性要求。基于上述研究方向，設計更有效的訪問策略和更加全面的入侵檢測與防御系統，可以保證工業物聯網的通信安全性，并實現汽車制造物聯網平臺的安全穩定運行。
5 研究團隊在物聯網方向的研究成果
研究團隊近年來一直致力于工業物聯網和云診斷技術方面的開發和工程應用，對制造設備互聯互通、智能組網等問題進行了深入探討，并開發出了一體化物聯網平臺，已在生產線監控、大型裝備健康管理等方面得到了具體的應用。
（1）開發了工業設備物聯網平臺。開發了多種接入方式與設備智能網關，可與多種協議的數控設備、PLC控制器、機器人、儀器儀表等設備進行互聯；結合機器學習和工業大數據分析等先進技術和方法，實現了設備實時監控、故障診斷、制造過程質量監控、數據分析展示等功能。
（2）大型裝備監測傳感器網絡關鍵技術與系統開發。對Zigbee傳感器網絡協議進行了研究，建立了復雜工廠環境的電磁干擾模型，提出了新的實時可靠路由算法和多信道MAC層協議；針對大規模網絡的節點配置問題，給出了配置模型和求解方法；對無線傳感器網絡路由算法進行了研究，提出了一種新的非均勻分簇的無線傳感器網絡路由協議。
（3）大型工程健康監測無線物聯網。利用無線物聯網技術研究工程健康監測系統的關鍵技術，解決了復雜環境下的物聯網動態自組網、節點模塊低功耗設計、工程結構參量采集與數據融合等問題，開發出了面向橋梁健康監測的無線物聯網系統。
6 結束語
工業4.0時代的到來給汽車制造業的進一步發展帶來了機遇，將工業物聯網技術應用于汽車制造業，可以實現汽車制造業向智能化、信息化的方向轉型升級，可以提高汽車制造業的生產效率和整體水平。但目前工業物聯網技術還存在許多瓶頸，限制了其在汽車制造業中的進一步應用。因此，對物聯網應用中的關鍵技術問題進行重點突破，將推動汽車制造業的高水平發展。
作者簡介：
林錦州（1988-），男，福建泉州人，高級工程師，現就職于中國汽車技術研究中心有限公司/中汽數據（天津）有限公司，研究方向為企業數字化、智能制造。
胥 博（1988-），男，陜西寶雞人，博士生，現就讀于西安交通大學，研究方向為物聯網與邊緣計算。
王俊程（1996-），男，河南南陽人，工程師，現就職于中國汽車技術研究中心有限公司/中汽數據（天津）有限公司，研究方向為企業數字化、智能制造。
李鳴鶴（1998-），男，河南三門峽人，碩士生，現就讀于西安交通大學，研究方向為物聯網與智能工廠。
曹建福（1963-），男，陜西寶雞人，教授，博士，現就職于西安交通大學，研究方向為物聯網與智能工廠、智能機器人。
※林錦州、胥博為共同一作，王俊程為通訊作者。
參考文獻：
[1] 柴安穎. 面向智能生產線的工業物聯網通信服務質量關鍵技術研究[D]. 沈陽: 中國科學院大學(中國科學院沈陽計算技術研究所), 2022. DOI:10.27587/d.cnki.gksjs.2022.000004.
[2] 曹建福, 陳樂瑞. 智能工廠中的工業物聯網技術[J]. 自動化博覽, 2018, 294 (05) : 72 - 76.
[3] 王婧. 特斯拉德國工廠啟用德國汽車市場格局生變[N]. 經濟參考報, 2022-03-24 (004). DOI:10.28419/n.cnki.njjck.2022.001510.
[4] 曹啟友. 面向工業物聯網的智能數據采集系統設計[D]. 杭州: 浙江大學, 2019.DOI:10.27461/d.cnki.gzjdx.2019.002655.
[5] 鄧偉, 石煒. 基于編譯技術的協議自動化解析程序的設計[J]. 電子設計工程, 2012, 19 (13) : 33 - 36.
[6] Li S, Zhang Y, Raychaudhuri D, et al. A Comparative Study of MobilityFirst and NDN Based ICN-IoT Architectures[C]. 10th International Conference on Heterogeneous Networking for Quality, Reliability, Security and Robustness. IEEE, 2014 : 158 - 163.
[7] Francesc Gallart, Núria Cid, Jér?me Latron, et al. TREHS: An Open-Access Software Tool for Investigating and Evaluating Temporary River Regimes as a First Step for Their Ecological Status Assessment. 2017, 607- 608 : 519 - 540.
[8] P.P Ray, Nishant Thapa, Dinesh Dash. Implementation and Performance Analysis of Interoperable and Heterogeneous Io T-Edge Gateway for Pervasive Wellness Care[J]. IEEE Transactions on Consumer Electronics, 2019, 65 (4) : 464 - 473.
[9] WANG T, ZHOU J, LIU A, et al. Fog-Based Computing and Storage Offloading for Data Synchronization in LoT[J]. IEEE Internet of Things Journal, 2018, 6 (3) : 4272 - 4282.
[10] 黃震. 大規模分布式存儲系統中數據冗余技術研究[D]. 長沙: 國防科學技術大學, 2012.
[11] 張得生. 基于遺傳算法的大型數據庫的數據分配策略算法[J]. 科技通報, 2015 (1) : 162 - 165.
[12] Chen Q, Xu X, Jiang H, et al. An Energy-Aware Approach for Industrial Internet of Things in 5G Pervasive Edge Computing Environment[J]. IEEE Transactions on Industrial Informatics, 2020, PP (99) : 1 - 1.
[13] A.Yousefpour, G. Ishigaki, and J. P. Jue. Fog computing: Towards Minimizing Delay in the Internet of Things. in Proc. IEEE Int. Conf.Edge Comput. (EDGE), Honolulu, HI, USA, 2017, pp. 17 - 24.
[14] B. Flavio, M. Rodolfo, Z. Jiang, and A. Sateesh. Fog Computing and Its Role in the Internet of Things. in Proc. 1st Edition MCC Workshop Mobile Cloud Comput, 2012, pp. 13 - 16.
摘自《自動化博覽》2023年3月刊
北京市公安局海淀分局備案號：11010802023656號