基于云平臺的智能倉儲告警系統

沈航，段茹茹，陳超，孫煜

（1.廣東省工業邊緣智能創新中心，廣東 深圳 518057；2.研祥智能科技股份有限公司，廣東 深圳 518107）

關鍵字：云平臺；告警系統；卷積神經網絡；監控告警機制；MQTT 協議

1 引言

在工業互聯網技術迅猛發展的同時，工業互聯網越來越廣泛應用于智能生產制造中，越來越多的的企業將設備接入互聯網，基于大數據處理技術實現智能決策與柔性制造。智能倉儲設備作為車間生產中的關鍵設備，主要利用數據庫識別技術，結合倉儲功能，提供物料實時存儲與高效管理功能，保障從接收到待存儲物料開始，到將物料準確無誤的運送到車間的全部過程順利執行。因此，智能倉儲設備如何保證正常運轉，故障報警信息及時響應，是智能倉儲設備監控的迫切需要。

2 相關技術介紹

云計算是一種虛擬化資源，通過互聯網的形式提供用戶的計算共享模式，實現資源的動態伸縮。云計算作為一種虛擬化服務，提供各種付費共享資源，包括應用程序、計算能力、存儲能力、網絡、編程工具，以及通信服務和協作工作等[1]。云計算的本質就是要把一切資源匯集到云中，用戶只需通過某種設備接入云中即可。借助于智能倉儲物聯網云平臺，各種服務器、網絡設備等都能輕易整合到一起，從而大大提高工作效率，降低各地智能倉儲物聯網建設的投入。

卷積神經網絡作為深度學習框架中的一種，廣泛應用于圖像識別、語音設備、視覺檢測與生物信息學等各種領域。卷積神經網絡以監督的方式進行訓練，本質上是學習從輸入到輸出的映射關系，不需要復雜的數學函數，經過訓練就可以得到映射關系[2]。卷積神經網絡在使用時得到大量的數據測試，可以避免人為主觀抽取顯性特征，從而可以學習到隱含的映射關系[3]。

3 系統描述

3.1 總體架構

本文提出的智能倉儲告警系統，在云端利用卷積神經網絡進行目標識別檢測氣閥儀表盤數據，通過Modbus協議采集設備運行關鍵數據，同時通過部署日志讀取程序，讀取設備告警日志信息。最后，將儀表盤數據、設備運行關鍵數據及告警日志信息對接云平臺，經由工業網關通過網絡傳輸至智能倉儲監測系統，設備運行異常時可觸發告警規則，對設備運行狀態進行實時監控。

智能倉儲告警系統主要由設備層、網關層及云平臺三大部分組成，其系統架構如圖1 所示。

圖1 智能倉儲系統總體架構

設備層：主要提供底層數據，智能倉儲監測系統底層對接數據主要由生產日志告警數據、氣源壓力數據及設備運行關鍵數據組成，將氣源壓力數據和采集到的設備運行關鍵數據統稱為設備狀態數據。

網關層：日志讀取數據部署在智能倉儲主機，由主機通過企業內部網絡傳輸至工業網關，由工業網關對日志進行解析并上傳至云平臺；儀表盤數據讀取程序直接部署在工業網關上面，基于卷積神經網絡算法進行圖片數據讀取并上傳至云平臺；對通過Modbus 協議采集設備運行關鍵數據進行協議轉換，轉換為MQTT 協議后上傳至云平臺。

云平臺：經工業網關匯總后的數據以MQTT 協議傳輸到平臺的Datastream 進行數據清洗，并觸發對應告警；Kafka 接收Datastream 清洗后的數據；處理后的數據經Kafka 傳送到TSDB 數據庫進行保存；TSDB 消費Kafka的實時數據進行存儲并對外提供查詢服務。云平臺提供智能倉儲告警系統人機交互界面，可以對TSDB 數據進行實時展示，提供告警界面，可以實時查看設備告警異常數據和設備運行數據。

3.2 儀表盤數據讀取

智能倉儲設備的接料送料機在工作過程中會引起氣源壓力儀表盤的變化，在啟動接料送料機瞬間其指針會大幅度變化。由于在毫秒級內氣閥指針變化可達270°，肉眼難以捕捉，現場操作人員無法根據氣閥變化察覺出設備異常。因此，本文采用一種基于卷積神經網絡的目標檢測方法，對儀表盤數據進行讀取，可精準讀取指針數據，并將數據傳輸至智能倉儲報警系統，如果運行有異常，會觸發告警規則及時報警。

智能倉儲設備中一般有若干個大小尺寸不等的儀表盤，通過相機獲取儀表盤數據圖片，然后將圖片通過主干網絡的系列卷積和下采樣操作提取特征圖，接下來經過系列采樣和卷積得到超高分辨圖像，同時可以得到融合了同尺度淺層特征后的特征圖。其中，主干網絡借鑒殘差網絡的設計，采用DarkNet53 結構，共有53 個卷積層，卷積核大小為3×3 和1×1，共計5 次壓縮，最終得到尺寸為輸入圖片尺寸1/32 的特征圖，與傳統ResNet 相比，在保證檢測準確度的情況下，檢測速度提高了2 倍。網絡模型沿用YOLOv3 檢測結構，在三個尺度上進行檢測，利用非極大值抑制算法得到最終檢測結果；模型采樣和特征融合交替進行，上采樣通過轉置卷積的方式，最后將訓練好的模型用于讀取指針數據并輸出儀表板指針數據，讀取數據后以MQTT 協議的形式將數據推給時序數據庫。

（1）構造目標函數 在本文設計的網絡結構中，涉及到圖像超分重建和目標檢測兩個任務進行訓練優化。其中，針對圖像超分重建，模型采用L1 損失函數計算損失值：

經過以上分析，則總的損失函數為兩個子損失函數的加權和：

式中，α、β分別表示兩個子損失函數的權重，通過考慮的兩個子損失函數同方差不確定性來衡量各個損失函數，從而達到權重自適應的效果。

（2）網絡參數初始化 網絡參數初始化方式會影響收斂速度及最終優化效果。本方案中結合預訓練權重加載和隨機初始化兩種方式，通過預先在數據集上訓練兩者的權重參數，從而達到加速收斂速度及提高優化效果的目的。對于其他新的網絡層，模型采用服從高斯分布進行初始化。

（3）非極大值抑制 由于檢測尺度的不一致性及候選框的交叉重復，算法可能對同一目標產生多個預測框。為了去除冗余的邊界框，進一步采用NMS 算法對冗余邊框進行處理，保證最終檢測結果的準確性。針對每一類別的邊界框，NMS 算法步驟如圖2 所示。

圖2 NMS 算法流程圖

將訓練好的模型用于儀表數據讀取，以JSON 數據標準格式輸出，并且通過MQTT 協議發送到云平臺的數據庫，假設采集現場傳給倉儲報警系統的設備數據包含4個表盤，則輸出數據格式示例如下：

device 表示設備ID，可在定義好后導入到智能倉儲系統平臺，或在平臺直接創建后獲取，必須唯一，示例中智能倉儲設備ID 為EMYX-CKS001；ts 表示JSON 格式中的時間戳，用于記錄數據采集時間；values 代表該條數據的數據值。

3.3 監控告警機制

智能倉儲系統設有閾值判斷模塊和告警信息去重模塊。閾值判斷模塊負責根據設備上傳到數據庫中的運行數據判斷是否觸發告警規則并上報，其中告警規則來源于專家知識庫，專家知識庫中的告警規則來源于專家自定義的越限告警規則。為了防止漏報告警信息，信息上報頻率較快，雖然提升了告警靈敏度，但同時也會導致同一告警事件多次上報，提升了告警的重復率，因此有必要引入告警信息去重模塊，去除冗余告警信息。

（1）閾值判斷模塊 時序數據庫的數據包設備狀態數據和設備告警數據。設備狀態數據經由工業網關采集后傳送至時序數據庫，閾值判斷模塊抓取數據庫中的設備狀態數據，并根據告警策略判斷設備狀態數據是否異常，一旦設備異常會觸發告警并對設備進行標記，標記后的信息稱為告警信息，告警信息一般包含設備信息、告警級別、告警內容。最后，閾值判斷模塊將得到的告警信息傳輸至告警去重處理子模塊。

智能倉儲設備大都應用于網絡不穩定的工業環境，隨著數據量的增加，會帶來設備數據上報時序錯亂問題。為了解決這一問題，在抓取到設備狀態時間序列之后，增加時間滑動窗口，對時間框內的時間序列數據滑動不同單位，并每個數據計算一次，確保檢測效率，實現了實時流計算，避免了大量錯誤的告警事件，提供了良好的數據控制機制。

下面以CPU 溫度告警規則為例，具體說明時間滑動窗口的運行機制流程：

1）告警規則：抓取并統計設備CPU 溫度，需監控CPU 溫度持續上升次數，當連續4 次上升的溫度值超出設定的閾值時觸發告警。

2）數據上報：設備數據每兩秒上報一次。

3）數據延時：最大為2 s。

4）統計單元：6 個。其中有效單元4 個，預留2 個單元。

設定每個窗口的大小為4 s，4 個有效窗口，共需16 s，當統計的告警數據4 次均超過設定閾值時，由于預留2個單元，則會在18 s 時產生告警。

（2）告警信息去重模塊 通過閾值判斷模塊后得到的設備越限告警信息，將隨設備告警數據一起被重新加工處理。告警去重處理子模塊把獲得的越限告警信息進行分類，然后對不同種類和維度的告警信息賦予不同的權重，最后采用Simhash 算法進行去重，得到最終需要上傳的告警信息。

告警信息去重模塊詳細流程如下：

1）讀取原始告警信息中的一條告警數據，記其中一個維度（告警發生的時間）為t0，并且對設備類型、告警級別、事件類型等其他文本類和數字類維度進行Hash 函數編碼，得到Simhash 簽名。

2）順次讀取告警信息。

3）若新來的告警信息的發生時間維度ti滿足tit0≤T，則在步驟1 中重復算法過程，得到 Simhash 簽名后比較海明距離，滿足閾值（T=2）即視為重復告警，并將告警信息過濾掉。

4）若新來的告警信息的發生時間ti滿足ti-t0>T，則從時間窗口的第一位告警信息一次往下判斷，知道第n位的告警信息的時間維度tn滿足ti-tn>T，就會將第n位告警信息置頂，并設定時間為為t0。

5）重復2～4 步驟，得到上報的去重后的告警信息。

4 結束語

本文通過研究智能倉儲設備監控現狀，提出一種智能倉儲設備告警系統，通過采集設備運行狀態數據和告警數據，實時監控設備健康狀況。保證設備運行穩定，具有應用價值。另外，隨著產業互聯網技術、云計算技術的逐步成熟，為倉儲業務平臺云計算的集中管理和靈活分配調度提供了實現的可能性，云平臺的建設費用和后期維護費用也大大降低。