2.1.3　工業無線傳感器網絡與傳感器云

作為工業物聯網（Industrial Internet of Things，IIoT）^[204]體系的基礎傳感層，工業無線傳感器網絡（Industrial Wireless Sensor Network，IWSN）^[205]是一個監測工業領域數據質量與服務可靠性的強有力的工具^[206]。由于工業無線傳感器網絡的部署環境通常都具有高溫、高濕等不利的因素，同時工業生產的業務流程具有多變性，因此本身電池能量受限的傳感器節點便更容易出現失效和故障，給無線傳感器網絡的可用性維護帶來極大挑戰，同時嚴重影響工業領域具有高實時性的數據采集需求。因此，網絡的連通性維護和拓撲優化是學者們關注的熱點。文獻[207]和文獻[208]分別針對地理區域覆蓋和障礙覆蓋進行優化，使得無線傳感器網絡的節點在部署之后可以移動^[209]，上述兩類覆蓋的優點是沒有考慮離散目標的覆蓋，缺點是節點簇的覆蓋區域互相之間容易產生干擾。由于工業無線傳感器網絡節點的電池能量受限，大多數研究都是基于互聯目標覆蓋（Connected Target Coverage，CTC）進行建模的，所涉及的算法大多引入了能量節約機制，以便維護網絡的連通性。常見的一類能量節約方法通過制定位于不同簇中的節點的活躍狀態和休眠狀態的切換機制來實現能量節約：文獻[210]提出了一個基于混合整數規劃的最大化覆蓋（Maximum Covers using Mixed Integer Programming，MC-MIP）算法，該算法將節點組織成不相交集合覆蓋（Disjoint Set Cover，DSC），并實現相繼活躍的功能。文獻[211]提出了一個最大化集合覆蓋的貪心算法，該算法生成的集合可以是相交的，這使得節點可以運行在不同的時間間隔。與基于混合整數規劃的最大化覆蓋算法相比，最大化集合覆蓋的貪心算法在延長網絡生存時間方面具有優勢。另一類能量節約方法引入功率調控技術來調整傳感器節點的傳輸范圍和傳感范圍：文獻[212]提出一種基于虛擬主干網的算法，該算法分別確定每個節點的傳輸范圍，然后對目標覆蓋性和網絡連通性進行規劃。文獻[213]設計了一種可調范圍的負載平衡協議，該協議將傳感器節點的休眠機制與可調范圍模型結合，以達到延長網絡生存時間的目的。文獻[214]提出無線傳感器網絡數據的提取由五個步驟組成：定義、查找、轉化、實體分辨和應答。這些概念性的步驟與傳統的數據挖掘領域相關。隨著工業制造領域海量多源異構數據的產生，上述概念性步驟背后的技術顛覆了傳統領域的認知。可擴展的和分布式的數據采集和管理是數據研究領域具有關鍵優先級的研究熱點。傳統關系數據庫管理系統缺乏云特性，且成本較高，因此在海量數據和云環境中的應用較少^[215]。在信息化和綜合自動化快速發展的背景下，提高企業綜合競爭力的基礎是在企業生產過程數據和各種信息的綜合基礎上，采用先進的管理技術，不斷實現生產流程和企業管理流程的優化。但是，由于缺乏有效的知識獲取手段，盡管生產過程所產生的數據呈爆炸性增長，但從中獲取的有價值信息卻很少。

在工業制造領域，為了改進流程和控制成本，傳統的方法是以事先知道研究對象的特性為前提，然后根據對象的特性加以閉環控制，從而使輸出特性符合要求。現有的制造流程建模方法和自動控制方法都是通過這種方式，根據少量有價值的數據進行研究的。但是，現實生活中的很多系統過于復雜，沒有對應的理論知識作為支撐，其特性和行為不能被理解和掌握，傳統的方法也不能發揮作用。對于復雜的工業生產系統，典型的以數據為中心的研究方法會通過對系統的復雜行為進行信息化，來采集和保存系統的運行過程所產生的大量數據，通過研究這些數據，可以解決現有實驗手段不能處理的復雜問題。傳統的數據管理分析方案利用數據倉庫技術為決策支持所需的聯機分析、處理等做信息存儲。數據倉庫技術需要先將數據從數據源提取出來，通過數據清洗，將數據搬運到數據倉庫中進行存儲和管理，再用特定的工具從倉庫讀取數據并生成數據立方體，然后進行數據的分析和挖掘。在面對工業制造領域的海量多源異構數據時，這種方式具有非常大的缺陷。首先，數據倉庫面對的是存儲于關系表中的關系型數據，而在工業生產過程中，數據的來源有數據采集系統從分布在不同地理位置的各個廠區的各種傳感器、工作站以及現場生產控制系統取得的生產過程數據、監控數據、日志數據等，這些數據中包含結構化數據，同時也有大量的非結構化數據和半結構化數據。其次，數據倉庫技術涉及大量的數據移動，從數據源經過ETL（Extract Transform Load）將數據存儲到數據倉庫中，然后在在線分析處理（On-Line Analytical Processing，OLAP）服務器中轉化為星型模型或者雪花模型。在分析時，又將數據從數據庫中取出。這些代價在GB級時還可以接受，但面對規模達到PB級以上的大數據，其執行時間倍增，更重要的是，制造過程中的運行監測和加工過程中的故障處理等都涉及一定程度的實時性要求，所以這種模式是不可取的。因此，構建一個感知和采集生產線和生產過程中的運行數據，并最大化地挖掘生產過程中數據的隱藏價值的平臺，能夠推動信息驅動的戰略決策和工業控制的實時改進，繼而提升企業的綜合競爭力。學界和業界認為，由傳感器采集到的數據除了要進行儲存，與原始數據相關的上下文信息通常還需要進行注釋。文獻[216]指出，對于每個傳感器所讀取的上下文，通常涉及它們的度量屬性、存儲位置、配置信息等。在某些情況下，上下文信息也具有較強的實際意義，但是這將增加存儲和查詢的難度。文獻[217]指出了傳感器網絡在體系結構設計上面臨的挑戰，其應當具有高度的靈活性，以適應不同的應用需求。此外，還對傳感器網絡應用所具有的多種不同體系結構進行了總結。文獻[202]提出的Sensor-Cloud是針對管理物理傳感器的基礎設施體系結構，其使用SensorML^[218]來描述物理傳感器的元數據，例如傳感器的描述和度量過程。SensorML是一個標準模型，其運用XML編碼機制來描述傳感器，Sensor-Cloud不會提供傳感器數據作為服務，其關注于通過云來管理傳感器。文獻[219]提出傳感器即服務（Sensor as a Service，SenaaS）來對物理和虛擬傳感器進行封裝，使其以服務的形式呈現在面向服務的體系結構中。SenaaS主要關注于將傳感器管理作為服務來提供，而不是將提供傳感器感知和采集到的數據作為服務，其包含三層：現實世界接入層、語義覆蓋層和服務虛擬化層。現實世界接入層負責與傳感器硬件進行通信；語義覆蓋層對傳感器的配置和運行流程加入語義注釋；服務虛擬化層為用戶提供便利。文獻[220]提出一種無線傳感器網絡數據采集方法，其傳感器層中的每個傳感器內均安裝有北斗模塊，用于目標數據的采集，所采集到的數據依次經過噪聲抑制模塊、增益放大模塊輸出至信息融合匹配層；信息融合匹配層使用對應的北斗模塊的定位數據來標記每個傳感器所采集到的數據，然后將其輸出至信息處理層；信息處理層中的各信息處理設備作為相應的傳感器的上級設備，用于對傳感器上傳的信息進行處理，并對傳感器進行控制。該方案具有較好的魯棒性和抗干擾性。但是，針對智能工廠中的工業制造環境，北斗模塊的成本太高，更重要的是其在室內的精度和穩定性大打折扣。文獻[221]提出一種無線傳感器網絡中基于不等中繼集合的數據傳輸調度方法，其關鍵點在于依據無線傳感器網絡能量消耗所特有的近基站能量消耗大，而遠基站節點能量消耗小且有大量能量剩余的特征。在該方法中，針對遠基站區域傳輸數據的節點，為其選擇數量較大的中繼節點。選擇的中繼節點數量越大，則節點需要等待中繼節點醒來的等待時間越短，數據傳輸延遲也就越小。與現有方法相比，該方法整體上能夠在不縮短網絡壽命的情況下提高數據傳輸的可靠性，并減小數據的傳輸延遲。但是，智能工廠中的物理環境和生產環境都是復雜和多變的，對中繼節點的選擇雖然在表面上具有一定的合理性，但在實際操作中，傳輸失敗后重傳次數較多，會嚴重影響節點的剩余能量，進而縮短網絡生存時間。文獻[222]提出一種無線傳感器網絡節點的智能喚醒方法，具體包括：將監視區域劃分網格，獲取傳感器位置信息；確定網格的重要程度，計算傳感器節點的有效監控范圍，獲取屬于傳感器有效監控范圍內的網格；計算所有網格的監測效率；計算每個節點感知區域權重；計算每個節點的喚醒概率，依據喚醒概率對節點進行喚醒。其引入了“重要程度”和“有效范圍”的概念，將單個傳感器測量范圍的重要性進行量化，喚醒概率由量化值決定。這種方式使得工作節點的數目減少，能在保證監測性能的同時節省更多的能量。但是，對于智能工廠中工業無線傳感器網絡的節點來說，由于生產線和生產環境中數據的產生頻率很高，此外為了保證數據采集的可靠性，節點轉入休眠的機會很少。針對上述情況，需要通過研發拓撲優化和功能調控算法來實現節約節點能量和延長網絡生存時間的目標。

前述研究工作缺乏對工業環境特有的特殊屬性的考慮，大多數方法的設計理念沒有體現與實際生產環境中制造系統和生產過程特有體系結構的對應，其實用性和有效性難以令人滿意。

在傳感器云概念提出之前，已經有研究工作涉獵了云計算的實時通信^[223][224]，且有若干研究工作專注于傳感器與云框架的集成。文獻[202]在傳感器云體系結構的構建和機遇方面給出了較為清晰的論述。文獻[225]考慮從健康監測的角度來將傳感器與云進行集成。為了獲得健康數據傳輸所需的最大帶寬，作者關注于網關的優化選擇。文獻[226]針對基礎研究提出了一個發布/訂閱模型，該模型基于事件通知展示了發布者與訂閱者之間的交互。針對系統中互相不熟悉的實體之間的數據轉移，在云環境下形成集成性傳感器節點。文獻[227]列出了將無線傳感器網絡與云集成時所面臨的挑戰，并提出了專注于軟件即服務（SaaS）應用程序的傳感器云框架。此外，作者還提出了名為統計組索引匹配的機制，將其與已有算法進行比較評估，以實例闡明該機制的性能。文獻[228]給出了與文獻[227]類似的方案，作者基于對傳感器云多樣化特性的理解、多種可擴展功能的實現、隱私保護，給出了面臨的挑戰。此外，還為理解前述問題劃定了基準線。文獻[229]提出了將大量傳感器數據從本地存儲轉移至云存儲的方法，且數據處理的任務也交由云網關來執行，進而獲得了較好的能量節約性能。為了執行數據篩選，作者在云中使用反向傳播網絡對提出的算法進行訓練。文獻[230]給出了關于傳感器云的較為詳盡的綜述，包含概念、固有特性以及應用優勢。針對采用不同算法的方案，作者將消息流的類型進行了分析比較，此外給出了該領域的技術挑戰。虛擬化方面，文獻[231]針對水下傳感器網絡通過節點的自組織來實現拓撲虛擬化。

在前述研究工作中，絕大多數都列舉并討論了傳感器云的裨益以及伴隨而來的挑戰，幾乎沒有關注設計面向工業領域的特定應用框架和數據融合方案的研究工作。盡管傳感器云領域的研究如火如荼，但在對基于傳感器云的工業應用系統的性能及可靠性進行分析和評估時，卻缺乏普適的理論模型。

工業制造已經進入“大數據”時代，企業所管理的數據的規模、種類和復雜度都在以前所未有的速度增長。在當前競爭激烈的工業市場環境下，各類公司和企業都具有提升生產效率、降低生產成本以及達到企業財務目標等需求。目前，隨著大量陳舊工業系統的老化，企業很難應對工業制造市場的動態需求，急需引進智能的、低成本的工業自動化系統來提高上述系統的生產力和生產效率。工業無線傳感器網絡固有的協同性能夠給傳統的有線工業監控系統帶來若干優勢，例如自組織性、快速部署性、靈活性和固有的智能處理能力。因此，工業無線傳感器網絡在構建可靠度高且自愈性強的工業系統的過程中扮演著很重要的角色，這些工業系統能夠迅速地對實時事件進行響應并采取合適的操作。

針對工業領域海量多源異構數據的融合需求所對應的理論與技術挑戰，本章提出了新型的工業無線傳感器網絡數據融合體系結構，其能夠實現制造系統網絡層面的縱向集成，使所有設備形成一個自組織的、具有高度靈活性和可重配置性的制造系統。通過對關鍵技術進行研究與攻關，研發面向智能工廠中生產線和生產過程的數據融合與異常檢測系統，其能夠實現關鍵設施的設備診斷、能耗分析、質量追溯和產能分析等，還可以對生產狀態進行評估和預測，根據當前的各項狀態參數對生產模式進行實時調整，對智能工廠的運行和管理進行建模和優化，從而實現提高生產效率、降低生產成本的目標。