基于制造物联的生产数据采集与应用技术研究

蓝波，吴昊，王一泽，王振超

（北京石油化工学院 信息工程学院，北京102617）

基于制造物联的生产数据采集与应用技术研究

蓝波，吴昊，王一泽，王振超

（北京石油化工学院 信息工程学院，北京102617）

文中针对生产车间现场信息准确采集及有效应用等关键问题，研究资源信息标识方法，支持对生产信息的采集以及生产车间物联环境的构建；提出制造物联环境下的数据清洗方法，在保证数据准确率的基础上能够更好适应标签移动的生产场景；提出集成数据融合估计理论的卡尔曼滤波数据处理方法，支持对多传感器的数据融合。并在实验室以惯组测试过程为应用对象进行数据处理模拟分析，验证了本文所提技术的可行性和有效性。

制造物联；RFID；数据清洗；数据融合；卡尔曼滤波

制造物联是物联网相关技术在制造业的应用及发展，即物联网技术与日益发展的先进制造技术相结合以支持智能化制造模式，其能够推动工厂环境不断向智能化方向转变[1]。此技术的发展在德国被定义为工业4.0，即工业革命的第四个阶段。制造物联技术能有效实现产品生产过程中多中信息的综合采集、优化处理和智能监控，为产品生产过程控制和管理提供更加泛在的、优化的信息感知、传递与应用基础。

产品制造过程及现场信息的采集是典型的多源异构信息实时采集和多目标状态追踪问题，需采集的信息具有不确定、冗余、以及易受干扰等特征，需要充分结合生产环境以及业务目标，转换为实时可靠的反映生产过程状态的有效信息，才能够有效利用以支持生产控制及管理。基于此，本文提出基于“信息标识—数据清洗—数据融合”的制造物联车间生产数据采集与应用关键技术研究。基于RFID、传感器等物联网技术，研究产品及生产资源的信息标识方法，支持车间物联环境的构建以及生产现场资源的识别、监控；在卡尔曼滤波模型的基础上研究RFID采集数据的清洗技术以及面向多传感器的数据融合技术，以更好适应生产线上标签的频繁移动及跃迁场景并有效降低单一传感器获取数据的局限性或不确定性[2-4]。以上关键技术能够更快速、准确地获取真实的生产状态信息，支持企业生产系统、信息系统的有效运作。

1 基于制造物联的产品及生产资源信息标识

产品生产过程中，零部件及专用生产设备、物料、物流设备、特殊工艺区域等制造资源都需要进行状态感知和数据采集，因此，有必要结合条码技术、RFID技术和传感网等多种物联技术，对生产现场各种资源如产品零件部件、生产装备、物流装备进行标识，并基于不同类别的标识方法支持对设备属性、物料属性、环境现状、设备人员行为状态等静态、动态多源信息的感知[5]。

对生产现场实物标识方法一般基于国际、国家以及具体行业对物料、工装、设备、产品零部件等管理所建议的编码体系规定来完成，并结合产品制造、装配和服务过程中提出的物料、物品具体管理要求。例如，按照EPC Global标准对物品的标识数据格式和存储方式进行分类定义，按照各类物品状态持续性技术的需求确定标识的存储容量和读写方式，按照物品的状态获取需求确定具体标识技术的类型和加装方式，并考虑物品的物理和功能特性、应用和布置环境的要求、所需存储信息的内容以及RFID标识、条码等不同物联标识技术的应用特点[5]。文中针对一般离散制造车间的实物标识提出如下初步标识方案：对专用的车间装备（如专用数控设备、工装），应用RFID标识方式存储生产装备的基本属性和历史维护信息，应用传感器实时准确感知和传输其工作状态信息；对托盘等盛放小型零部件及物料的器具，应用RFID标签方式实现对其的追踪和定位；对物料等实物，根据其具体属性和需求，应用RFID和条码的混合标识方式实现不同的标识功能；对有特殊工艺需求的工作场景，应用温湿度、烟雾、氧浓度等传感器实现对现场环境的感知；应用RFID标签对车间生产人员和管理人员等进行身份识别。在产品零部件中，对关键零部件，应用大存储量的RFID标签进行标识，支持对其制造过程的历史信息进行记录；应用条码方式标识信息变化量较少的仪器设备；对大量消耗的小型或通用型配件，为减少标识难度及工作量，可将其与托盘等盛放器具进行信息关联，应用RFID标识方式实现追踪及定位[6-8]。不同实物资源根据实际需求，需要标识的内容会有所不同，概念设计如图1所示。

图1 资源标识方法及内容

2 基于制造物联的数据处理关键技术

在制造物联环境中，采集到的数据往往呈现出很强的连续性、冗余性及易受干扰性，因此应通过数据清洗实现数据的准确性。经证明卡尔曼滤波模型是目前去噪效果较好的一种方法，已经得到广泛的研究及应用。本文在卡尔曼滤波模型的基础上，进一步引入新的数据处理技术和算法，深入研究面向RFID的数据清洗以及面向多传感器的数据融合。

2.1 基于卡尔曼滤波的自适应窗口数据清洗

卡尔曼滤波方法能够保证较高的数据清洗[9-12]准确率，但对于标签的频繁移动则存在灵敏性和准确性较差的问题，且算法复杂度较高。本文在卡尔曼滤波模型的基础上，应用滑动窗口技术进行数据的采集和处理，基于标签的运动特征来调整窗口的大小，能够较好适应标签移动和跃迁的生产场景。

文中提出的数据清洗过程在总体上包括估计值更新、测量值优化和窗口再调整3部分。估计值更新指算法根据阅读器在上一阅读状态识别数据的估计值，计算得出对本次阅读状态的估计值。测量值优化指根据本次阅读状态的测量值，修正上一阅读状态更新的估计值，计算得出更准确的新的估计值，估计值更新和测量值优化实现了感知数据的自然回归，使其不断靠近真实值。窗口再调整是指以适应RFID标识的移动及跃迁为目标进行相应阅读窗口大小的调整，窗口调整在当前数据经过卡尔曼滤波处理后进行。在标签移动次数较少的情况下建议取较大的窗口，有利于提高算法数据处理的速度；在标签运动较为频繁的情况下建议取较小的窗口，有利于于提高算法数据处理的准确率。

在卡尔曼滤波模型基础上应用滑动窗口技术，以自适应标签移动的数据清洗步骤具体描述如下：

步骤1：设标签运动速度为v，RFID阅读器的每一个阅读周期时间为T、阅读覆盖范围半径为R，定义在标签运动经过阅读器阅读区域时，阅读器有f个阅读周期来获取标签中的信息，f=R/（v×T）。 据此定义计算f值，将其作为初始参数，并取窗口大小的初始值为1，带入清洗过程。

步骤2：在本次设置的窗口中，首先对阅读器获取的数据进行预处理。当前值预处理具体计算公式如下：

阅读器对FRID标识的读取具有一定的灵敏度，并非每次都能识别相关数据，因此定义任意一个阅读周期内有效的阅读次数所占该周期内读写器执行的总阅读次数的比例为该阅读器的识别率。公式（1）中，xk-1表示第k-1个阅读周期内的识别率，Δt表示相邻两个阅读周期之间的时间差，sk-1是第k-1个阅读周期内的阅读噪声。算法对多个阅读周期的识别率进行直线回归分析，拟合直线y=a+bk的斜率为b，计算公式如下：

公式（2）中，zk表示第k个阅读周期内直接通过阅读器阅读得到的识别率，sk表示第k个阅读周期内的阅读噪声，初次设置其他系统参数的初始值均为1。

步骤3：基于步骤2计算得到的xk、zk，进行卡尔曼滤波数据清洗处理，主要包括估计值更新和测量值优化两个过程。

估计值更新公式：

测量值优化公式：

式中定义x-k为在第k-1阅读周期中得出的先期数据估计值，xk表示由第k个阅读周期中测量值zk计算得出的本期数据估计值。定义Kk为第k个阅读周期的卡尔曼增益，用来计算最小本期数据估计误差的均方差。定义p′为前期数据估计误差的均方差，p为本期数据估计误差的均方差。首先通过估计值更新预测前期数据估计值x-k，再通过测量值优化对本期数据估计值xk进行修正得到下一阅读状态的前期数据估计值。通过公式（4）～（8）的递归计算对当前数据进行处理。

步骤4：RFID阅读器对实物标签的信息获取可以看作是随机事件，因此在窗口内获取标签信息的次数应满足贝努力分布 B（ωi，pavgi）。 其中 ωi表示重复实验次数，即一个窗口内包含的阅读器阅读周期的个数，也就是在一个窗口内阅读器可以重复读取标签的次数；pavgi表示事件发生概率，即在能够在一个窗口内读出标签的平均概率。置信度δ定义为δ=pavgi/f，根据f的值动态设置。满足以下充分条件可保证标签被读到：

计算窗口ω的大小。

步骤5窗口再调整。

首先判断标签是否在阅读半径内。标签能够被读到则表示标签位于阅读半径内，如计算出的窗口值大于本次窗口的设定值，则在本次窗口值基础上加初始设定的调整值，继续执行判断算法，如计算出的窗口值小于本次窗口的设定值，则用新的窗口值替代本次窗口值；如标签不能被读取，则表明标签没有包含在阅读半径内，则重新定义窗口初始值，以新的数据进行算法处理。

因此，在使用卡尔曼滤波清洗数据时，利用滑动窗口技术可以动态调整窗口的大小来确定一个阅读周期内包含的数据采集次数，并对每个阅读周期的识别率进行计算，将动态的识别率根据实际探测需求应用到整个数据清洗过程。

2.2 基于集成式卡尔曼滤波的数据融合

在复杂工艺环境中，单个传感器对同一被测对象或系统的感知数往往具有一定的局限性，需要在不同位置布放多个传感器保证采集信息的全面性和完整性，因此有必要对多传感器的感知数据进行合并融合估计以获取更准确的系统状态数据。本文基于经典的卡尔曼滤波模型，集成数据融合估计理论，提出集成式卡尔曼数据融合算法以消减单一传感器获取系统数据时的局限性[13-16]。

基于卡尔曼滤波本质上属于线性最小方差估计方法，设定本方法中关于被测目标X的各个传感器感知信息均可由式（11）表示：

上式中，vi表示第i个传感器测量信息的噪声，满足 E[vi]=0，E[vivi]=Ri，Ci表示第 i个传感器测量信息的映射矩阵，Y1、Y2…Yn之间相互独立。

设共布放n个传感器对被测对象的状态进行信息感知，定义测量数据矢量方程为为:

则广义测量方程为：

式中：

面向多传感器的集成式数据融合估计可以通过以下公式实现：

算法流程如图2所示。

图2 集成式数据融合估计算法

3 实验验证及分析

3.1 数据清洗

在实验室环境下对本文提出的数据清洗技术进行验证。首先通过在实际数据的基础上加入干扰来实现对RFID阅读器获取的初始数据的模拟，进而在该模拟环境中先后应用基本卡尔曼滤波模型和本文提出的数据清洗算法进行数据处理。实验模拟了标签运动的1 000个阅读周期，基于此进行清洗算法数据处理准确率 （阅读周期内捕获的正确数据个数与阅读周期内总数据个数的比值）的验证，数据清洗的准确率如图3所示。可知在模拟的噪声环境中，未经任何处理获取的数据准确率在60%～70%之间，基于卡尔曼模型的数据清洗方法数据处理准确率可达近89%，本文方法数据处理准确率可达99．2%。因此实验证明本文方法能够有效提高RFID数据获取对标签移动及跃迁的敏感性，更好地适用于涉及大量动态标签的生产场景。

3.2 数据融合

图3 清洗效果图

对本文提出的多传感器数据融合技术进行实验验证。针对惯组测试过程中表面温度的变化，实验仿真多传感器对其表面温度的测定及数据融合估计。使用传感器A和传感器B进行两组温度感知和测量实验，并使用基本的卡尔曼滤波模型分别估计传感器A和传感器B测定的温度数据，使用本文提出的算法对传感器A和传感器B测定的温度数据进行融合估计。取起始测定值X（0）=24.283，起始均方差p（0）=0.5。对测定温度的数据估计仿真结果如图4所示，可知传感器A和传感器B测定温度数据的融合估计值与真实数据的拟合性最好。并且得到：因为传感器布置位置、布置形式不同，基于A测定温度的数据估计均方差pA=0.081 6，基于B测定温度的数据估计均方差pB=0.110 3，而基于传感器A和传感器B的温度数据融合估计均方差pA&B=0.070 1，为三者中最小。

图4 数据测量对比曲线图

4 结 论

文中针对制造物联车间现场信息采集与应用问题，基于RFID、传感器等物联技术，探索资源信息标识方法，支持对生产信息的标识和采集以及生产车间物联环境的构建。在此基础上，研究数据清洗技术以提高卡尔曼滤波方法对标签移动及跃迁响应的敏感性。并将数据融合定理与卡尔曼滤波方法集成，支持对多传感器的数据融合。通过在实验室对惯组测试过程的模拟仿真，验证了本文提出的关键技术的有效性。本文为基于制造物联的数据采集、应用提供了新的研究思路。在后续研究中，拟将初步开发的系统数据采集系统在某厂的惯组测试车间进行初步的应用实施，在实施过程中进一步研究信息标识方法、适用的读写方式和标签存储容量的确定，进一步验证和改进数据处理技术，使系统能够满足实际生产环境中信息实时可靠性获取和应用的需求，推进制造物联技术的落地实施和发展。

[1]侯瑞春，丁香乾，陶冶，等．制造物联及相关技术架构研究[J]．计算机集成制造系统，2014，20（1）:11-20.

[2]Zhong R Y，Dai Q Y，Qu T，et al.RFID-enabled realtime manufacturing execution system for masscustomization production [J]. Robotics and Computer-Integrated Manufacturing，2013，29（2）:283-292.

[3]Chen J C，Cheng C H，Huang P T B.Supply chain management with lean production and RFID application:a case study [J].Expert Systems with Applications，2013，40（9）:3389-3397.

[4]梁军义，张彦如，葛茂根．面向物联网的复杂产品装配过程监控体系研究[J].机械工程师，2014（7）:36-38.

[5]刘继红，余杰，朱玉明.基于制造物联的航天产品研制过程的技术状态控制技术[J].计算机集成制造系统，2015，21（7）:1781-1789.

[6]陈静云.车间物联网数据采集关键技术研究[D].南京:南京航空航天大学，2014.

[7]孙红，厉彦刚，陈世平.RFID中间件数据处理研究[J].上海理工大学学报，2014，36（3）:234-238.

[8]阴躲芬，龚华明.RFID中间件数据处理模型研究与实现[J].计算机与现代化，2012（9）:200-202.

[9]王妍，宋宝燕，付菡，等.引入卡尔曼滤波的RFID数据清洗方法[J].小型微型计算机系统，2011（9）:1794-1799.

[10]焉晓贞，罗清华.基于卡尔曼滤波的动态传感数据流估计方法 [J].仪器仪表学报，2013，34（8）:1847-1853.

[11]陈静云，周良，丁秋林.基于改进卡尔曼滤波的RFID数据清洗方法研究[J].计算机科学，2014，41（3）:202-204.

[12]王楠，李文成，李岩.基于数据融合估计理论的Kalman 滤波[J].光机电信息，2010，27（5）:32-35.

[13]陈正宇，杨庚，陈蕾，等.无线传感器网络数据融合研究综述 [J].计算机应用研究，2011，28（5）:1601-1613.

[14]李毅，陆百川，李雪.基于多尺度Kalman滤波的多传感器数据融合[J].重庆交通大学学报，2012，31（2）:299-303.

[15]张军，杨子晨.多传感器数据采集系统中的数据融合研究[J].传感器与微系统，2014，33（3）:52-57.

[16]顾韵华，高宝，张俊勇，等.基于标签速度和滑动子窗口的RFID数据清洗算法 [J].计算机科学，2015，42（1）:144-148.

Manufacturing data collection and application technology based on Internet of manufacturing-related things

LAN Bo，WU Hao，WANG Yi-ze，WANG Zhen-chao
（ Information Engineering College，Beijing Institute of Petro-Chemical Technology，Beijing 102617，China）

To solve the problem that information in a workshop can't be collected accurately or can't be used effectively to support manufacturing control and management，a resource information identification method was suggested to support the collection of manufacturing information and the environment construction of the internet of things.A data cleaning method based on the internet of manufacturingrelated things was proposed.The method can not only guarantee the accuracy of data cleaning but also improve its adaptability to moving labels.A data fusion method based on Kalman filtering integrated with data estimation theory was put forward to solve multi-sensor data fusion.A testing process of IMU(inertial measurement unit)was taken as the application object in laboratory and the simulation result verified the feasibility and effectiveness of the proposed method.

Internet of manufacturing-related things；RFID； data cleaning；data fusion； Kalman filtering

TN911.7

A

1674－6236（2017）17-0021-05

2016-09-21稿件编号：201609190

2016年度国家级大学生创新创业计划项目（2016X00010）；2015北京高校人才交叉培养毕设（创业类）支持计划项目（16032021003/028）

蓝 波（1973—），男，四川隆昌人，硕士，副教授。研究方向：电工电子新技术的研究与教学。