摘   要 ：随着工业互联网的加速演进,制造车间产生了大量多源异构数据,其数据结构与时效性差异显著。为实现高效协同,构建了“感知—边缘—平台”三层融合架构,统一数据链路与调度模型,设计信息对齐、语义建模与反馈机制,并在典型制造场景中完成系统部署,验证了实时调度的技术可行性。

      关键词 ：工业互联网 ；制造车间 ；多源数据融合 ；实时调度 ；边缘计算

      0  引言

      伴随工业互联网在底层网络与平台服务中的深度部署,制造现场感知设备密度持续上升,设备控制系统、管理平台与工业软件之间的数据链路日趋复杂。各类数据在来源、编码规则与采样时序方面差异明显,造成指令反馈延迟、数据孤岛与任务重调度频发等问题。为确保产线任务稳定推进,需在现场构建结构统一、过程闭环的数据体系,并以此支撑高频次、低滞后的调度机制。

      1  工业互联网环境下制造车间的数据特征与融合挑战

      制造车间中数据来源广泛, 涵盖传感器、控制系统与业务平台,呈现结构复杂、协议多样、时序分散等特征。感知层数据采样频率高,控制层数据具备强时效性,管理层信息周期性更新,三类数据在格式与语义上差异明显。融合过程存在采集协议不兼容、时间戳对齐困难与语义描述不统一等障碍,导致状态重建失真与任务调度偏差频发。此外,网络传输延迟与设备故障干扰进一步增加了融合链路不稳定性,制约了实时决策机制的准确性与可用性 [1]。

      2  多源数据融合的架构设计与关键技术

      2.1  分层式融合架构设计

      融合架构由感知层、边缘层与平台层组成。感知层部署 915MHz 无线传感器与 RS485 系统,采样频率为 10~50Hz, 统一 Modbus RTU 协议, 节点密度每10m2 覆盖一源。边缘层采用 NXP i.MX8M Plus 嵌入式单元,集成 TSN 以太网与本地缓存,响应延迟控制在 0.5ms 内。平台层建 Kafka+InfluxDB+HDFS 的数据中台,接口标准为 OPC UA 与 MQTT,边云间设有动态调度机制,实现数据链路的连续处理与统一管控。

      2.2  数据标准化与语义建模

      实现多源数据融合的关键在于消除结构异构与语义割裂,需构建统一的标准化格式与可扩展的语义模型。对于结构层,采用分布式模板驱动机制对各类数据进行规整,设定通用表达式如式（1）所示 ：

      Di ,j  = (Xi ,j Ti, Sj )          （1）

      式中, Di,j  表示第j 个设备在第 i 次采样下的标准化数据对象 ；Xi,j  ∈ Rn  表示 n 维采样值向量 ；Ti  为时间戳统一值 ；Sj  为设备标识编码,设备编码结构按“层级—位置—类型”三级规则生成。不同系统接入数据统一转换至该格式后进入融合通道。

      语义层采用多级本体模型进行构建,核心结构采用三元组图表达,如式（2）所示 ：

      E = {(Ea , Rab, Eb )| E ∈ε , R ∈ℜ}           （2）

      式中,E 表示语义实体集合,如“温度传感器”“CNC设备”“控制单元”；R 为关系集合,如“属于”“驱动”“反馈于”等,关系具有方向性与属性嵌套能力。语义建模过程采用领域知识图谱规则库驱动,结合工业控制逻辑进行实例化映射与约束绑定。嵌入式边缘节点部署轻量级图匹配算法,通过哈希压缩索引提升实时识别效率,语义标签在平台层支持多模型并行查询,保障调度系统在调用多源数据时具备结构对齐与语义一致性能力 [2]。

      2.3  融合算法与实时处理机制

      在多源异构数据的融合处理中,需引入具备时序建模与特征压缩能力的算法模型以满足实时响应需求。融合模型架构采用嵌入式门控循环网络与多头注意力机制结合的双分支结构,边缘侧数据以固定窗口输入,设定融合输入张量如式（3）所示 ：

      X = [X(1) , X(2) ,..., X(m) ] ∈ Rk×n×m          （3）
      式中, 表示第 i 个设备的 k 条时间序列观测 ；n 为每条记录的维度 ；m 为设备数量。该结构通过张量维度级联形成统一输入空间,适配多通道并发传感流。

      对输入序列采用 GRU 结构进行时序建模,其状态更新公式如式（4）所示 ：
      
      式中, zt、rt  为更新门与重置门,控制长期依赖状态与当前输入融合程度。特征提取后送入多头注意力模块进行设备状态关联建模,各头独立学习异构数据间的相互依赖,最终输出预测结果向量,如式（5）所示 ：
     

      平台侧异步融合结果通过 Kafka 中间层与边缘任务调度系统协同,形成低延迟任务输入流,边缘推理响应时间压缩至 20ms 以内,全流程支持 2000 条 /s 的数据并发吞吐量。模型训练阶段部署在云端,推理模型经量化裁剪后下发到边缘计算单元以满足执行资源约束。

      3  实时决策支持机制构建与系统部署路径

      3.1  模型构建与输入参数配置

      实时调度模型基于资源驱动型任务图构建动态决策框架,结合状态识别与反馈信息完成任务优先级与资源状态的联动匹配。输入参数分为三类 ：任务维度包含工单编号、工艺路径、计划时间与优先级标签 ；设备维度涵盖运行状态、剩余可用工时、负载率与历史故障记录 ；资源维度包括人力配比、物料齐套状态、工位缓存与作业节拍等要素。模型采用滑动时间窗方式处理输入序列,边缘节点每 5 秒向平台推送一次状态数据,经标准化处理后进入调度引擎。系统基于动态可行性矩阵构建调度候选集,通过规则约束与历史执行数据进行优选排序,生成当前时段内的最优任务指令。模型支持在状态波动、设备干扰与工艺路径调整场景中进行快速重构,适应离散制造现场对多任务协同、资源波动适应与工序柔性控制的综合要求。

      3.2  系统部署架构与任务调度机制

      在融合模型基础上,系统部署采用边缘—平台协同结构,将状态识别与指令生成功能按时效需求进行分层布置 [3]。边缘层承担实时状态采集、初级判断与规则驱动调度任务,平台层聚焦于全局优化与策略模型迭代。平台通过中台架构集成数据调度模块、状态缓存区与调度控制器,所有产线设备接入统一消息路由接口,构建任务分发链路。以某电力金具焊装线为例,系统在每个工位部署边缘处理器与状态反馈模块,焊接节拍为 17秒, 作业误差控制在 ±1.5 秒范围内。系统设定状态刷新周期为 3 秒,调度模块基于设备占用、工艺约束与缓存容量动态重构任务优先级。当 CNC 设备出现进料等待,系统判断相邻两工位负载分布后,将原定下一工单切换至异步工位,并调整后续任务序列以确保前后缓冲节奏稳定。指令由平台生成后同步分发至边缘调度端,完成工位级的执行路径闭环。

      3.3  闭环反馈与系统优化策略

      决策系统运行不依赖静态计划模板,而需构建任务—状态—反馈三维联动机制,形成可持续演化的闭环体系。反馈机制由边缘采集模块、状态监测服务与模型调整接口组成,系统设定反馈周期为 5 秒,边缘节点实时上传设备执行状态、作业完成标识与异常码字段。状态监测服务按规则解析异常类型与持续时长,判断任务执行偏离程度。以液压冲压单元为例,设备运行压力区间设定为 16MPa~20MPa,当连续两个周期内检测到低于 15.5MPa 时,系统触发故障诊断并自动剥离当前任务,重调度引擎根据缓存工位状态重组执行顺序。反馈信息经 Kafka 消息队列同步至模型引擎,系统根据产线负载历史数据更新任务调度概率分布,对低执行率路径进行优先级修正 [4]。平台设有模型轻量更新模块,使用边缘反馈形成增量学习样本,每天 0 点统一完成模型微调后重新部署至边缘设备。反馈机制不以人工干预为前提,确保调度模型在多工位高并发条件下具备状态自修复能力。系统设计最大可支持并发反馈设备数为 500台,数据吞吐速率控制在 2500 条 /s 以内,满足中大型制造车间任务调整需求。

      4  典型制造场景的融合决策验证分析

      4.1  应用背景：某电力金具制造车间

      该车间承担多型号电力金具制造,产线涵盖锻造、冲压、焊接、机加与装配等工段,设备数量超过 120 台。生产组织采用“计划驱动 + 动态调度”双模式,面临工单切换频繁、工艺路径变化多与设备间负载不均等问题 ；数据来源涵盖 PLC 控制信号、温压电流传感器数据与 MES 作业指令,信息粒度参差、数据时序错位等现象明显。通过部署车间融合系统进行结构统一、语义建模与任务动态分配,全面提升调度响应效率。

      4.2  系统部署与融合效果评估

      4.2.1 系统部署过程

      融合系统部署遵循“边缘前置、平台统控”的集成模式,结合车间物理布局与工艺结构,划分为四个数据接入子区与一个调度控制中心。冲压与焊接工段配置嵌入式边缘计算模块,型号为 NXP i.MX8M Plus,支持多协议采集、轻量模型推理与本地缓存功能,节点之间通过工业交换机组网, 主干链路带宽为 1Gbps。传感器信号经 RS485 与 CAN 总线采集后接入边缘节点,控制数据通过 PLC 网关上传,计划信息由 MES 系统每 10 分钟推送一次,采用 MQTT 协议进行传输。平台层采用容器化微服务部署模式, Kafka 负责消息传输, PostgreSQL与 InfluxDB 分别管理结构化与时序数据 [5]。调度系统集成任务预测、异常识别与多目标调度模块,按秒级周期运行。所有边缘节点通过 VPN 通道与平台安全互通,形成车间内部全流程数据链路闭环。系统上线初期共部署 36 个边缘节点,覆盖 94% 的关键工位,并同步完成与 ERP、WMS 系统的数据映射配置,确保上下游信息无缝连接。

      4.2.2 效果评估与数据对比

      系统运行一周后对关键指标进行对比分析,数据分别取自部署前车间 MES 日常运行日志与部署后平台数据报表。融合系统显著增强了数据完整性,提升了任务调度响应速度,设备负载均衡性亦有所增强。主要性能指标对比情况如表 1 所示,数据采集频率、任务响应周期及异常切换率均为平台自动统计。

      5  结语

      多源数据融合与实时调度成为工业互联网向纵深落地的核心支点。借助分层式融合架构与语义建模体系,系统以统一数据结构实现动态任务驱动与闭环调度响应,保障生产连续性与弹性。在典型电力金具制造场景中的应用表明,融合机制在数据同步、调度响应与异常处置环节具备稳定性能基础。未来可围绕跨车间协同、模型压缩部署及调度策略自适应演化等方向,持续拓展系统在复杂工业环境下的适配边界与决策能力。

参考文献

[1] 孙先海,朱玉虎,任智旗,等. “5G+工业互联网”驱动下的生产管控数字化转型研究[J].智能制造,2025(5):108-115.

[2] 张太伟,赵萌.工业PON在工业互联网中的应用研究[J].智能制造,2025(4):87-94.

[3] 李晨阳,蔡冬,张健,等.基于工业互联网的SMT车间数字化解决方案[J].电子工艺技术,2025,46(4):60-63.

[4] 翟旭.基于工业互联网技术的煤机装备制造数字化转型研究[J].中国新技术新产品,2025(11):118-121.

[5] 周后文.基于智能制造管理系统的数字化车间转型问题与对策研究[D].包头:内蒙古科技大学,2025.