国产欧美日韩精品a在线观看-国产欧美日韩精品一区二区三区-国产欧美日韩精品综合-国产欧美中文字幕-一区二区三区精品国产-一区二区三区精品国产欧美

★趙鑫，郭永生，簡珣，徐大超，李文興（哈工大機器人國際創新研究院，安徽合肥230601)

摘要：隨著人工智能技術的發展和成熟，工業領域越來越多地開始采用人工智能技術解決復雜場景下的控制問題。但是，目前工業現場控制常用的編程語言（IEC 61131）和編程平臺，都不能自然地引入人工智能方法和技術。隨著強調開放和復用的新一代工業控制標準IEC 61499的演進，4PIC平臺創新性地把人工智能技術與IEC 61499相結合，將智能傳感、智能建模和智能控制封裝為IEC 61499的功能塊，實現了人工智能技術與工業現場控制編程的無縫融合。目前該平臺已經在水泥，冶金等領域實際項目落地，提高了工廠的智能化水平。

關鍵詞：IEC 61499；工業現場控制；人工智能；模型預測控制；視覺傳感

1 引言

工業4.0在早期已經顯現了一些優勢，例如人工智能和機器學習算法極大地提高了運營流程的質量，可在設備故障發生前對其進行預測以減少意外停機時間，可根據原材料現貨價格實時優化生產工作，以及可以實時優化生產計劃，從而盡可能提高產量。但是當真正深入到工業現場控制時，這些人工智能和機器學習算法并不能真正地起到作用。

造成這一局面的原因多種多樣，且與員工、流程和技術相關。在技術方面，大多數主流制造商無法從這些技術中獲得更高回報的最大原因是其運營的工廠系統是一套封閉的專有系統。

當今大多數自動化系統均基于20世紀70年代和80年代形成的原理而開發。該技術對實時控制進行了高度優化，但并未充分利用IT領域內日新月異的最新技術。而這些最新技術（包括分析、人工智能/機器學習、面向對象/面向服務的架構等）正是實現工業4.0愿景的重要因素。

另外，當今的自動化系統都是以硬件為中心的業務模式。雖然硬件方面的進步有助于優化現有環境，但這不是實現數字化轉型優勢最關鍵的部分。真正的關鍵在于以智能化的方式基于軟件進行創新。

IEC 61499就是針對目前封閉的自動化系統提出的新一代工業自動化的標準。在最近五年，該標準得到了工業界和學界的廣泛關注。國外的工業自動化公司如羅克韋爾自動化和施耐德電氣都推出了自己的基于IEC 61499的工業自動化平臺^[1]。上海交通大學戴文斌教授等人將目前工控領域應用最廣的OPC UA與IEC 61499的建模標準做了集成^[2]。戴文斌、劉建康和翟振坤^[3、4、5]等人提出了結合IEC 61499，微服務和容器化技術解決工業現場控制問題的技術。上海樂異自動化公司提出了自己的基于IEC 61499標準的工業控制平臺的解決方案。奧地利的Alois教授^[6]和P.Lindgren^[7]等人深入研究了基于IEC 61499的實時性方案。芬蘭的Vyatkin教授將IEC 61499應用在變電站領域^[8]。翟振坤將IEC 61499應用在數控領域^[9]。

本文呈現了筆者研發的基于IEC 61499的工業智能分析和控制平臺4PIC的平臺架構，尤其是4PIC與人工智能算法的接口設計，并且展示了4PIC平臺的落地應用。

視覺相關的人工智能技術是目前研究和應用的熱點，YOLO模型是比較常見的深度學習模型。所以，以4PIC集成YOLO V3的目標檢測模型為例。^[10、11]

同時，在工業控制領域，模型預測控制是最常用的先進控制算法。Alois教授曾經在PLC上基于IEC 61499實現模型預測控制^[12]。C.A.Garcia等人將IEC 61499和模型預測控制算法應用在石油輸送管道上^[13]。4PIC封裝了模型預測控制算法以及OPC通信協議，可以在DCS之上實現工業過程的先進控制。

2 IEC 61499簡介

2.1體系結構

IEC 61499-1定義了分布式系統的體系結構。IEC 61499用事件驅動模型取代了IEC 61131的循環執行模型。該模型明確了功能塊的執行順序。IEC 61499使以應用程序為中心的設計成為可能，即先進行整體系統設計，隨后將完成設計的功能塊網絡劃分為一個或者多個應用程序被分配到不同的設備上。所有使用該系統的設備都被稱為設備模型。系統的拓撲結構反映在系統模型中。關于應用的分布被稱為映射模型。因此，系統內所有應用程序可被分布部署但仍能連接在一起。類似于IEC 61131-3的功能模塊，IEC 61499功能模塊類型同時明確了接口與邏輯實現方法。不同于IEC 61131-3，IEC 61499的界面在數據變量輸入與輸出之外，包含了事件輸入與輸出。各種事件可以通過WITH限制WITH constraints與數據輸入與輸出相關聯。IEC 61499規定了幾種功能模塊類型，包括服務接口功能模塊（SIFB）、基本功能模塊（BFB）、復合功能塊（CFB）、適配器接口、子應用程式。為了方便維護設備中的應用程序，IEC 61499提供了管理模型。設備管理器可以為任何設備資源提供全生命周期維護，并且通過管理指令實現軟件工具（例如配置工具，代理技術）之間的信息交互。通過軟件工具的接口及管理指令，可以實現IEC 61499應用程序的動態重構。

2.2 軟件工具要求

IEC 61499-2規定了兼容IEC 61499標準的軟件工具的要求。該要求包括IEC 61499各元素的表達及可移植性，以及在不同軟件工具間以DTD格式傳輸IEC 61499的元素。如今已有一些兼容IEC 61499標準的軟件工具面世。其中有商業軟件，也有用于學術和研究的開源軟件工具。通常IEC 61499開發環境都必須提供兼容的運行環境。

2.3 兼容文件的規則

IEC 61499-4描述了IEC 61499與其他系統、設備或軟件工具的兼容規則。這些規則包括交互操作性、可移植性和可重構性。如果兩種設備可以在同一系統配置下同時工作并實現各自功能，則二者可以交互操作。與IEC 61499兼容的應用程序必須具有可移植性，這表示此類應用程序可以在不同供應商的軟件工具中傳輸，只要該軟件工具符合IEC 61499-2中的描述。供應商的設備必須達到與IEC 61499相兼容的軟件工具的配置。

3 4PIC

3.1 整體軟件架構

4PIC在研發時的愿景是通過“一次搭積木式的構建項目，任意跨平臺部署先進控制、人工智能和工業互聯網項目”，為了實現以上目標，將4PIC平臺分為DataViewer、IDE和RTE三部分。它們分別服務于先進控制實施的不同階段，通過類似于Linux管道的設計，將不同的工具連接起來完成整個先進控制的實施。每個工具功能完整，可獨立更新。

4PIC IDE服務于工業自動化工程師。自動化工程師按照IEC 61499的先整體設計，后劃分設備的流程，在4PIC的IDE上編寫二次程序（功能塊網絡）并且將二次程序下發到設備執行。為了屏蔽不同設備、不同操作系統之間的區別，我們設計了4PIC RTE，即運行時環境，運行于設備的操作系統之上。RTE的源代碼是由運行時環境的基礎C++源代碼和功能塊庫源碼組成的。經過目標操作系統的編譯工具鏈編譯和鏈接，生成了4PIC RTE。4PIC的整體軟件架構圖如圖1所示。

圖1 4PIC的整體軟件架構圖

DataViewer是可視化工具，在先進過程控制和人工智能算法實施時，幫助進行數據前處理和后處理的工作。

3.2 AI功能塊以及功能塊網絡 

3.2.1功能塊類型選擇

如前所述，IEC 61499規定了功能塊的類型和適用場景，我們選擇基本功能塊（BFB）來封裝人工智能模型。

在IEC 61499標準體系中，基本功能塊是最核心的功能單元，也是所有應用設計的起點。如圖2所示，基本功能塊由外部接口、執行控制圖表（Execution Control Chart, ECC），以及相應的算法（Algorithm）和內部變量（Internal Variable）四個主要部分組成。基本功能塊的外部接口構成遵從3.2.1節中的定義，包含事件輸入和輸出，數據輸入和輸出，以及事件與數據的關聯關系；基本功能塊的內部行為和狀態則由其算法和執行控制圖表共同決定，其中前者定義基本功能塊可以提供的內置功能，后者描述事件輸入、算法執行和事件輸出之間的因果關系。

圖2 基本功能塊

每個IEC 61499功能塊可以含有0個或多個算法，每個算法都滿足下面的要求：

（1）可以讀取所在基本功能塊的輸入、輸出、和內部變量，并更改輸出和內部變量的值，其中內部變量可以跨算法使用，相當于功能塊內的“全局變量”，隨著功能塊執行完畢而“消失”。

（2）算法內可以有臨時變量（相當于局部變量），但需要在算法中定義，該變量可以賦值，但僅限在該算法內使用。

（3）不可訪問任何在其所在基本功能塊之外的數據，以確保功能塊的獨立性。

（4）可以單獨使用任何一種高級編程語言編寫，只要該語言的數據類型和變量與功能塊的輸入、輸出以及內部變量存在明確的映射關系。

3.2.2 AI功能塊

目前深度學習在學界和工業界的研究和開發成果呈爆炸性增長，在設計AI功能塊時，首要的考慮是如何將已有的研究開發成果和我們目前的平臺相結合，避免重復發明輪子。

目前最主要的深度學習開源框架基本都采用Python和C++。而4PIC平臺采用了C++語言開發。在集成深度學習的C++SDK時，可以使用動態庫加載的方式；在嵌入python腳本時，首先初始化python的解釋器，然后調用python腳本中的深度學習模型。

在實際項目實施時，封裝了兩類的AI功能塊，一類是智能視覺傳感AI功能塊，一類是模型預測控制AI功能塊。以YOLO為例，來說明如何設計和實現AI功能塊。

YOLO算法全稱是You Only Look Once: Unified,Real-Time Object Detection.是目標檢測領域兼備準確性和快速性的算法之一。其算法開源，實現眾多，是目前工業界應用最廣的目標檢測算法。

以YOLO功能塊為例，來說明以IEC 61499的基本功能塊的形式封裝人工智能功能塊HRG_OBJ_DET。

圖3 HRG_OBJ_DET功能塊

圖3是4PIC封裝的目標檢測功能塊。其中數據管腳見表1。

表1 數據管腳

該功能塊的事件為初始化、初始化結束、請求和確認四種事件。以下狀態機（如圖4所示），展示了外部事件和內部實現的方法，與功能塊狀態的轉換關系，在狀態轉換的同時，觸發外部事件并且修改輸出數據管腳的值。

圖4 HRG_OBJ_DET狀態機

HRG_OBJ_DET在執行時，需要一個訓練好的YOLO網絡，而HRG_OBJ_DET本身的執行，其實是做一個推理任務。此時，HRG_OBJ_DET就能夠扮演智能視覺傳感器了。

在封裝模型預測控制功能塊時，封裝了目前工業界和學界流行的GEKKO框架^[14][15]。該框架是用python實現。4PIC平臺封裝的功能塊如圖5所示。

圖5 預測控制功能塊

狀態機如圖6所示。

圖6 預測控制功能塊狀態機

該HRG_MPC_MIMO功能塊就可以作為智能控制器使用，用于多變量，大時延的復雜控制系統。

3.2.3 功能塊網絡

單獨的AI功能塊，能完成的功能是智能傳感和智能控制。將這些AI功能塊和其他功能塊一起組合為功能塊網絡，才能夠完成現場復雜的控制功能。這是因為AI功能塊本身的功能帶有一定的不確定性。

比如，在工業領域應用視覺檢測技術時，即使使用最先進的人工智能技術和最完備的數據集，誤檢和漏檢也是不可避免的。簡單列舉以下情形和相應的功能塊網絡解決方案。

（1）在工廠的煙霧檢測場景中，如遇到積水反光、大雨等情形可能會誤報煙霧。此時，利用IEC 61499的標準功能塊，通過實現一定的時序規則，可以過濾掉等間隔時間和同樣的ROI的報警，避免誤報。

（2）多視頻源目標檢測，此時通過相關的攝像頭之間的多圖目標檢測規則來提高mAP。一個示例規則如下：

·設置一個上限閾值，找出單張圖score的最大值。如果最大值大于上限閾值（比如0.90），那就沒有必要再看其他的圖片，或者說其他圖片的檢測效果大概率不好。

·設置一個下限閾值，找到單張圖片score的最小值。不滿足規則1的情況，如果存在圖片score低于下限閾值，則為反例。否則，進行規則3校驗。

·設置一個綜合閾值，對所有圖片score求和。不滿足規則1、2的情況，總和低于此閾值，則為反例，高于此閾值，則為正例。

（3）簡單語義分析，如對于在某些工業控制場景的安全檢查是依賴人工利用視頻檢查無人無車之后操作，那么可以用目標檢測結果的邏輯運算之后解決。另外，比如吸煙等場景，可以利用頭、手、煙三者的識別做邏輯“與”運算。

4 實際案例

4.1 某水泥廠原料磨機自動控制案例

輥式立磨是一套通過磨輥和磨盤之間轉動，將物料碾磨成粉狀的裝置。碾磨裝置的運動由磨盤回轉并相應帶動磨輥滾動，碾磨壓力除了磨輥自重外，主要靠液壓裝置對磨盤物料加壓。碾磨后的物料經配套的選粉機分選，粗粉回到磨盤再次粉磨，合格的成品經收塵和輸送系統送入成品庫。輥式立磨集細碎、烘干、粉磨、選粉、輸送于一體，具有粉磨效率高、烘干能力大、產品細度易于調節、噪音小、電耗低、工藝流程簡單、磨耗小、運行費用低等優點，被廣泛應用于大型化的建材、冶金等工業生產線的粉磨領域。

基于4PIC平臺設計的輥式立磨控制系統包含兩部分，一部分是基于滾動時域估計模型的預測控制系統，另一部分是基于YOLO算法的磨機自動啟停算法。

整體系統軟件框架圖如圖7所示。

圖7 系統框架圖

其中，除了DCS和OPC SERVER之外，均由4PIC實現。MPC是指為了實現預測控制和自動啟停算法編寫的function block network（FBN）。如圖8所示。

圖8 原料磨機自動控制系統FBN

磨機的自動一鍵啟停本身是一個離散順序控制問題，正是4PIC擅長的領域。傳統的實現方式是人工確認環境安全后的順序控制。人工確認環境安全主要是磨機周圍沒有“人”和“車”經過。

封裝的YOLO塊，在此場景下，強調零漏報，滿足安全第一的原則。

通過與人工操作的歷史數據進行對比分析，4PIC優化控制系統投用后，幫助該原料磨系統實現了提產降耗和節能減排：平均臺時產量提高3.1%，噸電耗降低3.5%，系統自動控制投運率＞98.3%。手動自動控制電耗對比如圖9所示。

圖9 手動自動控制電耗對比

5 結束語

本文創新性地基于IEC61499開發了一套人工智能工業分析與控制平臺，將以人工智能技術為基礎的智能傳感、智能建模和智能控制封裝為IEC61499的功能塊，實現人工智能技術與工業現場控制編程無縫融合。

將4PIC平臺應用在水泥原料磨機自動控制系統中，封裝了YOLO視覺檢測功能塊，模型預測控制算法功能塊等人工智能功能塊，項目實施結束后，原料磨平均臺時產量提高3.1%，噸電耗降低3.5%，系統自控率>98.3%。

★基金項目：安徽省科技攻關計劃——智能服務機器人關鍵技術及核心部件研究(202003a05020015)。

作者簡介：

趙鑫 （1981-），男，山西陽泉人，中級工程師，碩士，現就職于哈工大機器人國際創新研究院，主要研究方向為人工智能、工業控制。

郭永生 （1992-），男，安徽亳州人，中級工程師，碩士，現就職于哈工大機器人國際創新研究院，主要研究方向為人工智能、工業控制。

簡珣 （1982-），男，四川成都人，碩士，現就職于哈工大機器人國際創新研究院，主要研究方向為人工智能。

徐大超 （1988-），男，安徽合肥人，中級工程師，本科，現就職于哈工大機器人國際創新研究院，主要研究方向為人工智能、工業控制。

李文興 （1982-），男，安徽宿州人，高級工程師，碩士，現就職于哈工大機器人國際創新研究院，主要研究方向為機器視覺、工業機器人。

參考文獻：

[1] L. Sonnleithner, A. Zoitl. A Software Measure for IEC 61499 Basic Function Blocks[A]. 2020 25th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA)[C]. 2020: 997 - 1000.

[2] W. Dai, Y. Song, Z. Zhang, P. Wang, C. Pang, V. Vyatkin. Modelling Industrial Cyber-Physical Systems using IEC 61499 and OPC UA[A]. 2018 IEEE 16th International Conference on Industrial Informatics (INDIN)[C]. 2018: 772 - 777.

[3] 劉建康. 面向集群部署的微服務架構數控系統研究[D]. 哈爾濱: 哈爾濱工業大學, 2020.

[4] 戴文斌. 基于微服務與容器化的工業邊緣計算應用設計[J]. 自動化博覽, 2021, ( 2 ) : 30 - 32.

[5] F. Yang, Y. Zhang, B. Lv, W. Dai. A Task-Oriented Automatic Microservice Deployment Method For Industrial Edge Applications[A]. IECON 2020 The 46th Annual Conference of the IEEE Industrial Electronics Society[C]. 2020 : 2149 - 2154.

[6] A. Zoitl. Real-Time Execution for IEC 61499. Durham North Carolina[A]. International Society of Automation[C]. 2008: 35 - 48.

[7] P. Lindgren, M. Lindner, A. Lindner, V. Vyatkin, D. Pereira, L. M. Pinho. A real-time semantics for the IEC 61499 standard[A]. 2015 IEEE 20th Conference on Emerging Technologies & Factory Automation (ETFA)[C]. 2015: 1 - 6.

[8] C. Yang, V. Vyatkin, A. Mousavi, V. Dubinin. On automatic generation of IEC61850/IEC61499 substation automation systems enabled by ontology[A]. IECON 2014 - 40th Annual Conference of the IEEE Industrial Electronics Society[C]. 2014: 3577 - 3583.

[9] 翟振坤. 面向服務的開放式數控系統設計關鍵技術研究[D]. 廣州: 華南理工大學. 2018.

[10] 王兵, 李文璟, 唐歡. 改進YOLO v3算法及其在安全帽檢測中的應用[J]. 計算機工程與應用, 2020, 56(9) : 33 - 40.

[11] 馮國臣, 陳艷艷, 陳寧. 基于機器視覺的安全帽自動識別技術研究[J]. 機械設計與制造工程, 2015，44(10) : 39 - 42.

[12] Wenger, Monika & Hametner, Reinhard & Zoitl, Alois & Roither-Voigt, Andreas. Industrial Embedded Model Predictive Controller Platform[A]. IEEE International Conference on Emerging Technologies and Factory Automation[C]. 2011.

[13] C. A. Garcia et al. MPC Under IEC-61499 Using Low-Cost Devices for Oil Pipeline System[A]. 2018 IEEE 16th International Conference on Industrial Informatics[C]. 2018: 659 - 664.

[14] Hedengren, J. D. and Asgharzadeh Shishavan, R., Powell, K.M., and Edgar, T.F. Nonlinear Modeling, Estimation and Predictive Control in APMonitor[J]. Computers and Chemical Engineering, 2014 : 133 – 148.

[15] Beal, L.D.R., Hill, D., Martin, R.A., and Hedengren, J. D. GEKKO Optimization Suite[J]. 2018, 6 (8).

摘自《自動化博覽》2022年10月刊