智能化生产应用搭建的实战案例
Posted 华为云开发者社区
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了智能化生产应用搭建的实战案例相关的知识，希望对你有一定的参考价值。
摘要：本文主要为大家介绍使用华为云数字工厂平台，快速搭建一个智能化生产管理应用的实战案例。
本文分享自华为云社区《数字工厂深入浅出系列（一）：智能化生产应用搭建的实战案例》，作者： 云起MAE。
华为云数字工厂平台，专门面向中小型制造企业的生产制造数字化场景设计，端到端整合了构建生产制造数字化应用所必需的数字基础设施能力，帮助企业构建一个敏捷、柔性可配置的统一制造协同运营平台。企业用户除了可以直接使用华为云数字工厂平台预置的一套制造协同数字化应用方案，快速跨入生产制造的数字化升级的门槛，同时能够在华为云数字工厂平台上，适配企业个性化需求和后续业务流程变化，快速调整应用功能或者开发新的数字化应用，实现制造数字化系统的敏捷迭代和持续升级，系统真正贴合业务流程的优化而优化，持续产生业务价值。
华为云数字工厂平台，不只是能搭建传统流程表单式的业务信息化系统，它面向统一业务对象整合了IT业务数据和OT自动化设备数据的处理能力，支持搭建IoT数据驱动的智能化应用，华为云数字工厂生长的应用能做到“主动感知、主动分析、主动执行”，真正适用于生产制造数字化场景。
在正式介绍华为云数字工厂平台的产品功能之前，以基于某智能工厂实际项目案例适当简化的一个生产任务自动下发及报工的小场景为例子，在华为云数字工厂平台上快速搭建相应的智能化应用，来实现相应的需求。希望通过该例子，能够让读者对华为云数字工厂平台的产品能力有一个快速的整体感性认知，方便后续理解华为云数字工厂的产品功能。
案例场景说明
案例是个生产工单任务自动下发与自动报工场景，需要通过构建生产过程数字化管理应用，与自动化产线设备的PLC控制智能化联动，实现以下几点需求：
- 产线工位的生产设备通过PLC控制器在生产任务队列为空时，将“请求任务信号“置位，主动向生产管理应用请求下发新的工单任务；
- 生产管理应用需要实时采集感知到某工位设备“请求任务信号”置位，然后自动根据请求的工位设备，匹配准备相应的“未开始”状态的生产工单数据；
- 生产管理应用将准备好的生产工单数据（任务流水号、车型等），反写下发给某工位设备在PLC控制器中相应缓存区点位，并反写PLC“数据下发完成信号”置位，最后将下发的生产工单任务状态由“未开始”更新为“下发中”；
- PLC控制器收到“数据下发完成信号”置位后，校验缓存区中的工单数据，校验正确后，将”数据校验正确信号”置位（这里为了简化案例，不展开考虑校验失败的异常处理流程分支）；
- 生产管理应用需要实时采集感知到某工位设备的“数据校验正确信号”置位，然后更新生产工单任务状态由“下发中”更新为“生产中”；
- 当某生产任务生产完成后，PLC控制器在某工位设备的相应点位写入“任务流水号”和“实际产量”，并将”生产完成信号”置位；
- 生产管理应用需要实时采集感知到某工位设备的“生产完成信号”置位，然后读取设备的“任务流水号”和“实际产量”属性数据，通过任务流水号更新相应的生产工单任务：状态由“生产中”更新为“已完成”、以及工单任务的“实际产量”。
华为云数字工厂应用搭建步骤说明
下面我们使用华为云数字化工厂平台，搭建一个能满足案例场景需求的生产过程管控应用：
1.前置应用功能准备：
为了简化应用搭建步骤，我们使用数字工厂平台预置的以下功能：
（1）主数据功能：产品、物料、设备、工艺路线/标准工序、公司、工厂等：
企业用户在“企业平台>数据工作台”可以使用预置的主数据管理功能，维护所需的各类主数据。
（2）业务功能：生产管理>工序任务单
企业用户在“企业平台>协同工作台”可以使用预置的“生产管理>工序任务单”等业务功能，进行业务单据的操作与协作：
在实际项目中，可以根据企业实际的业务需求，通过“企业平台>建模工作台”预置的9类模型构建器，对预置的功能模型进行调整或扩展：
对本次案例所涉及的模型构建器的用法，简单说明：
（a）产品模型构建器：用来调整及扩展产品类的功能模型，比如产品、物料、设备等主数据管理功能；
（b）空间模型构建器：用来调整及扩展空间位置物理布局类的功能模型，比如工厂的空间位置建模（仓库、车间/产线/工位）等主数据管理功能；
(c) 过程模型构建器：用来调整及扩展作业过程类的功能模型，比如工艺路线、标准工序等主数据管理功能；
(d) 组织模型构建器：用来调整及扩展组织人员类的功能模型，比如公司部门/人员、供应商、客户等主数据管理功能；
(e) 事务模型构建器：用来调整及扩展业务活动事务类的功能模型，比如工序任务单等生产域的活动事务管理功能；
(f）标识模型构建器：用来调整及扩展业务编码类的数据标识模型，比如生产订单编号、工序任务单号的编码规则配置；
2.应用功能搭建步骤：
- 扩展设备模型，新增场景所需的IoT观测点属性
在“建模工作台>模型构建器”，打开“产品”建模器，然后选中“设备”模型，调整其信息模型（实际项目中根据实际需求可以在“设备”模型下新建具体某类的设备模型），新增所需的IoT观测点属性字段（这里我们选择在“生产”领域下新建属性字段）：
在信息配置器中，新增IoT观测点信息组“生产任务控制”和以下属性字段：
- 读取类字段：请求任务信号、数据校验正确信号、生产完成信号、实际产量；
- 读写类字段：任务单号、车型、数据下发完成信号。
设备的功能模型调整完成后，发布模型，发布完成后，在“数据工作台”使用“设备”功能，可以维护生产设备数据以及查看新增的IoT属性字段：
- 扩展工序任务单事务模型，新增任务单的状态值
在“建模工作台>模型构建器”，打开“事务”建模器，从业务领域“生产”下的业务场景“生产管理”中选中“工序任务单”模型，修改信息模型：
调整“状态”字段的数据值范围，新增所需的状态值（比如：下发中）：
- 新增逻辑流，编排生产任务自动下发流程
（1）在 “设备”模型的逻辑模型下，新增一个逻辑流“自动下发生产任务”：
编排“生产任务下发”的逻辑流，实现监听设备的IoT属性“请求任务信号”变化，触发相应的生产任务下发处理流程：
(a）触发器配置：触发类型选择“数据变更”；触发对象：选择“设备”，以及选择触发字段“请求任务信号”：
（b）新增规则节点：判断“请求任务信号”是否置位为TRUE；新增动作节点：更新设备所属工位下的生产任务单状态为“下发中”：
保存并启用逻辑流。
（2）在 “工序任务单”事务模型的逻辑模型下，新增一个逻辑流“任务下发设备”：
逻辑流监听工序任务单状态变更为“下发中”，然后将工序任务数据（车型、任务单号）写入下发给工位设备相应的IoT属性：
通过以上配置，就完成了自动下发生产任务到工位设备的逻辑流程建模，案例场景中“生产自动报工”的逻辑流配置与此类似，这里不再展开说明。
3.采集PLC控制器点位的配置说明
使用数字工厂平台的“系统>边缘连接器”功能，可以配置工位设备需要采集的PLC控制器点位，以及映射上面步骤创建的设备数据及相应的IoT属性字段。
（a）查看设备IoT属性信息：
(b)在边缘连接器配置PLC采集点位，映射设备IoT属性字段：
通过数字工厂平台IoT边缘连接器采集PLC点位数据的具体配置流程不在本期展开。
到此我们完成了“自动下发生产任务”的智能化应用功能的搭建，我们可以模拟建立相应的工序任务单和工位/设备数据，验证下应用功能运行效果是否符合预期：
（1）模拟设备“请求任务信号”置位
开启设备的IoT属性字段“请求任务信号”，然后保存提交数据：
（2）验证运行结果是否符合预期
查看设备的生产任务数据下发相关的IoT属性字段值，成功自动更新为任务单数据：
查看任务单状态成功由“未开始”更新为“下发中”：
以上是使用华为云数字工厂平台搭建一个智能化生产应用的实际场景案例说明，案例中简单展示了华为云数字工厂平台基于先进的“元数据驱动”技术架构，通过对制造领域核心业务模型（产品/空间/工艺过程/事务等）的抽象封装，实现了业务人员根据企业个性化的业务需求，“全配置式”快速搭建智能化的制造领域应用。
华为云数字工厂平台，面向制造信息化/数字化建设刚起步的中小制造企业提供开箱即用的制造数字化协同运营应用方案，也支持企业对存量的老旧架构的ERP系统中的不再满足业务需求的功能模块，基于统一的应用平台快速进行数字化升级重构。
后续笔者将持续更新《华为云数字工厂深入浅出系列》，系统性介绍华为云数字工厂平台产品。
阅读笔记联邦学习实战——联邦学习在智能物联网中的应用案例
联邦学习实战——联邦学习在智能物联网中的应用案例
前言
FATE是微众银行开发的联邦学习平台，是全球首个工业级的联邦学习开源框架，在github上拥有近4000stars，可谓是相当有名气的，该平台为联邦学习提供了完整的生态和社区支持，为联邦学习初学者提供了很好的环境，否则利用python从零开发，那将会是一件非常痛苦的事情。本篇博客内容涉及《联邦学习实战》第十一章内容，使用的fate版本为1.6.0，fate的安装已经在这篇博客中介绍，有需要的朋友可以点击查阅。本章内容主要围绕人工智能物联网（AIoT），一种将人工智能技术和物联网技术相结合而出现的前瞻性概念。在AIoT的概念中，物联网中的设备和传感器能收集大量数据，通过对数据进行人工智能的语义分析和处理，实现万物数据化、智能化，帮助使用者做出更好的决策。尽管如此，由于数据隐私相关法案完善，IoT设备数据得到严格保护，导致IoT设备成为了数据孤岛，数据价值难以被利用。随着联邦学习技术的提出和普及，以及边缘计算能力跌加强，FL正迅速成为AIoT领域数据隐私保护机器学习的有效方案。
1. 案例背景与动机
随着AIoT技术的发展，智慧城市、智能家居、智慧社区等概念层出不穷。智慧社区是指通过在社区部署AIoT设备，采集用户日常行为数据，通过人工智能技术分析，为用户出行带来更好的建议，达到智慧化管理的目的。
由于社区住户行为数据属于个人隐私，所以不适合集中式处理，只能在本地进行独立处理分析，这种单点数据处理方式效果有限，功能也仅限本社区。联邦学习提供了有效的解决方案，通过联邦学习技术架构，一方面保证用户的数据不离开本地，另一方面有效联合各个社区的数据进行联合建模。
2. 历史数据分析
社区住户出行数据通常包括住户的登记信息和历史出行信息。
- 登记信息：性别，年龄等画像信息。
- 出行信息：ID，出行时间，出行地点，通行方式。
在分析不同住户群体的不同出行习惯上，存在着较大的差异，传统的数据分析很难得到满意的效果：
- 不同群体差异性大，统计分析很难捕获关键的统计规律性。
- 单个社区住户数量少，仅仅依靠单个住户的数量进行建模，无法构建有效的机器学习模型。
3. 出行时间预测模型
3.1 问题定义
对于出行时间的预测，一般归结为回归问题。即通过用户的历史行为准确预测用户下一次的出行时间。但是用户的出行具有随机性，事实上，绝大多数只是需要一个大致的区间，这样的难度比准确预测一个时间点更低。
所以，将用户的出行退化为一个多分类问题，将每天划分为多分时间段，预测用户出行的时间段。
3.2 构造训练数据集
根据用户出行历史数据预测未来的出行数据，这是典型的时间序列模型。首先构造特征x，特征构造包括两个层面的特征数据：
- 画像属性特征：用户性别，年龄，工作日出行频率，休息日出行频率等用户画像信息。
- 时间序列特征：以N星期为周期生成序列，将该序列作为递归神经网络的输入得到用户时序行为特征。
对于标签y的构建相对简单，比如将每天24小时划分为6个区间，如果出行时间在早上7点，那么该条记录为[0,1,0,0,0,0]。当然还可以根据实际的业务来定。
3.3 模型结构
模型构建如上图所示，将序列数据输入递归网络中提取时序特征，再与属性特征拼接输入全连接层，经过sigmoid分类得到出行概率。
模型构建代码如书中p156所示，这里用Keras快速构建出行时间预测模型。
4 联邦学习实现
本节架构可以直接复用第10章的实现，服务端和客户端的通信基本一致，主要区别在于数据的格式和模型结构不同。由于本章内容涉及保密协议，所以博主也无法复现其代码，读者只能够参考书中的代码，实际上， 学习的目的本身也不只是复现，更重要的是弄明白模型构建的逻辑，大行不顾细谨，大礼不辞小让，细节的部分，还是需要自个花费功夫精心打磨才是。
最后是关键的性能分析部分，本案例通过对10个社区的打卡数据进行分析，总共上万住户和近百万条样本数据，构建出6分类出行预测模型，效果如下图所示：
可以看出，在联邦学习的训练下，各个社区的模型效果都要好于本地训练的结果，可见联邦学习在智慧社区环境下的优越性。
阅读总结
本章内容更多的是对联邦学习在工业界应用的一个拓展和了解，由于涉及到保密协议，所以项目实现的代码和数据集都未能公布，实属遗憾，但是从训练结果可以看出，联邦学习确实在工业界有很大的应用前景，无论是打破数据孤岛，还是提升模型性能，联邦学习都将会是AIoT有力的武器。
以上是关于智能化生产应用搭建的实战案例的主要内容，如果未能解决你的问题，请参考以下文章