卡奥斯工业智能研究院（青岛）有限公司陈录城

卡奥斯物联科技股份有限公司鲁效平，盛国军

卡奥斯工业智能研究院（青岛）有限公司杨振发，秦承刚，王超，王朋静

1　引言

家电行业是典型的离散制造业细分领域，是支撑我国经济飞速发展的关键力量。随着新一代信息技术的广泛应用，家电行业面临着以下困境：产品在外观设计、功能性等方面具有高度相似性，同质化现象突出，难以满足体验经济时代消费者差异化、多样化的需求，价格战频发，利润空间受到挤压；消费者对产品品质、智能化、个性化的需求不断增加，传统的生产模式无法快速响应市场变化，订单交付周期长，质量管控力度不足，库存周转压力大，等等^[1]。这些挑战逼迫家电企业进行数字化、智能化转型，以海尔为代表的龙头企业早已开始着手布局工业互联网。其通过搭建工业互联网平台^[2,3]，形成以用户为中心的大规模个性化定制生产模式^[4]，完成人、机、料、管理流程、管理系统的广泛互联，使用户参与到产品从概念设计到成品制造的全过程，实现用户需求的实时响应和生产资源的无缝对接，从而实现降本、增效、提质。面向家电行业的工业互联网平台需要解决多种类工业设备接入、多源工业数据集成、海量数据处理、工业数据建模分析、工业知识积累迭代等一系列问题，在传统的“云-端”架构中，训练和推理服务器部署在远端数据中心或云端，端侧的数据需要通过网络传输到云端统一处理和分析，但家电智能工厂涉及海量的生产设备和传感器，如果所有数据都发往云端处理，会消耗大量网络带宽资源，增加企业隐私和机密信息泄漏风险，一旦出现网络不稳定或断网的情况，还会导致生产中断，也无法满足生产线监控、设备状态检测等特定场景对数据处理的低延迟需求^[5,6]。边缘计算恰好可以弥补这一短板，它通过将计算资源放置在靠近数据源的边缘节点上，在本地实现部分数据处理和决策能力，只将关键数据或结果传输到云端，减少了数据传输延迟，提高了响应速度，减少了对网络带宽的需求，即使在没有网络的情况下，设备仍然可以正常运行。在云边协同架构中，计算资源的异构性、处理器的地理分散性等因素，给云端和边缘端的资源分配和任务调度优化带来了新的挑战，云边资源优化调度成为工业互联网的重要研究方向之一^[7]。倪志伟等^[8]提出了一种基于多目标离散型人工蜂群算法的云任务调度优化策略，能更好地改善虚拟资源中云任务调度系统的性能。赵宏伟等^[9]提出了一种改进的差分人工蜂群算法，能优化云边协同调度模型，并有效解决多目标资源调度问题。王淑玲等^[10]从场景拆分、调度目标、求解方案的角度依次对两种典型的云边协同场景进行分析，给出了适应场景特性的资源调度优化参考方案。

海尔集团基于自身近40年的制造经验与数字化转型实践，探索出一套基于云边协同的工业互联网平台体系。该平台利用5G的快速部署、高可靠、低时延等特性构建家电智能工厂的网络架构，将云计算全局性、非实时、长周期的大数据处理、分析与业务决策能力，和边缘计算实时性、低延迟的数据处理与应用服务能力有机结合，可以从大规模任务统一调度、异构计算协同部署与边缘任务实时重构三个层面对云端和边缘端的计算资源进行高效管控和利用，从而使家电企业能够有效采集生产设备、生产线和生产现场成千上万种不同类型的数据，并依托人工智能技术强化数据分析与洞察能力，实现了智能化的管理和控制，为家电行业的智能化、自动化转型提供了参考和启示。

2　基于云边协同的工业互联网平台

通过创新现场级工业操作系统、数字工业操作系统和工业云脑，卡奥斯建立了基于云边端协同的家电行业工业互联网平台。该平台汇聚了各类工业资源，打通了交互定制、研发设计、精准营销、模块采购、智能生产、智慧物流和智慧服务等业务全流程，形成了以用户最佳体验为中心的跨行业、跨领域、全周期的企业-用户、企业-资源、资源-用户“三元价值矩阵”新工业体系，实现了企业全面精细化、信息化、智能化的管理与控制，赋能家电企业完成从大规模生产到大规模个性化定制的模式转型。如图1所示，平台架构自下而上分别为：

（1）端—工业装备

端泛指连接到平台边缘节点的设备以及该设备承载的应用，可以是注塑机、大型工控机床等各种生产设备，温度、振动、超声等各类传感器，以及摄像头、AGV、工业机器人等。其通过大带宽、低时延、高可靠的5G网络，并适配MQTT、Modbus、OPC-UA等通信协议，实现多源异构设备的海量接入。

（2）边—现场级工业操作系统

现场级工业操作系统采用工业级高可用架构，由云边协同-边缘组件、容器引擎、安全模块、应用容器组和实时Linux操作系统等部分组成，能够完成边缘节点的注册认证和管理。应用容器组中配置了各种功能应用，包括机器视觉算法、装备预测性维护、产品装配辅助、数据预治理、产线能效优化和产品质量提升等。系统兼容数百种通信协议，支持多源异构工业装备的泛在接入，依托协议转换技术能够实现多源异构数据的归一化和融合集成，并可进行边缘计算和本地分析，实现底层数据的汇聚处理和向云端的集成。

（3）云—数字工业操作系统和工业云脑

数字工业操作系统包含容器云管平台，数据库、中间件、数据计算等选装件管理及服务，数据增强、计算增强、交互增强等增强件管理及服务，组件服务开放API，云边协同-云端组件，物联管理和数据管理等部分，其通过数据主线技术可以连接多种企业数据源。容器云管平台支持企业完成硬件资源管理、虚拟资源管理、容器管理和运行/运营管理，为企业提供安全可靠的服务。

图1 基于云边协同的工业互联网平台体系架构

工业云脑主要由专家模型库、工业知识库、工业大模型、工业大数据和能力网格等部分组成。专家模型库支持设备故障预测、工厂生产排程、制造资源配置优化以及AGV智能调度等功能；工业知识库中沉淀了经过数字化封装的工业机理模型，具有强大的可复用能力，可以广泛应用于产品的设计研发和生产制造过程；工业大数据能够对边端传输的数据进行存储、治理、访问、分析和决策；工业大模型支持多模态信息的融合，可以识别产品的CAD设计图纸，生成设备操作指令，能够调度专家模型完成工艺参数推荐。企业可以任意调用能力网格中的机器视觉、数字孪生、可视化看板等能力，实现生产自感知、自适应、自诊断、自学习、自决策。

3　云边资源智能优化调度

平台云端和边缘端的资源分配和任务调度是通过内置在云边协同-边缘组件和云边协同-云端组件中的云边资源智能优化调度模块实现的。如图2所示，该模块由任务响应接收与处理子模块、任务部署子模块和任务调度算法库子模块三部分组成，能够从大规模任务统一调度、异构计算协同部署与边缘任务实时重构三个层面对边端和云端计算资源进行高效管控，以满足异构计算、任务部署、协同优化的实时需求。

图2 云边资源智能优化调度模块

（1）任务接收与处理子模块

任务接收与处理子模块接收用户提交的任务，其采用增量聚类技术读取上载任务所需资源量、所对应的物理设备、依赖数据源、依赖数据上载量、运行过程与物理设备交互量、任务结果下载方式等数据信息，并通过不确定性量化模型计算任务运行时长及失效率，完成不确定性挖掘。该子模块基于确定性规则按照领域粗分和需求细分对任务进行分类，依据任务重要度、任务前驱后继关系、任务运行方式指派任务优先级，以能耗和效率为任务调度的目标，制定调度约束的统一需求描述规则。该子模块的输入为用户提交的任务，输出为任务分类和任务需求描述，由任务部署子模块接收。

（2）任务部署子模块

由于云端和边缘端资源的分布性和异构性，通过单一云平台对所有可共享计算和存储资源的统筹调度是十分低效的。随着资源和任务规模的增大，多个云端和边缘端逐渐实现分区域协同，通过域内调度单元对用户提交的任务群进行调度和部署。对任务来说，可选资源群包含云端资源、邻近边端资源及非邻近可达边端资源，其中邻近指资源与任务关联的终端设备物理距离的邻近。邻近边端资源主要用于处理通信量与实时性要求高的任务，云端资源主要用于处理通信和实时性要求较低的计算或存储密集型任务，而非邻近可达边端则作为二者的折中，当邻近边端和云端资源过载情况下，分担其部分任务负载。由于任务需求不同且可选资源特性不同，为每一类任务需求和云边协同场景建立特定的调度模型并求解显然是不现实的。

因此，任务部署子模块建立了异构任务调度过程统一模型，将各领域关联任务以拓扑图模板表示，集成各类场景下独立任务、关联任务群的总执行时间、各类任务能耗、工业任务的物流约束和质量约束等，形成任务目标集、变量编码集和任务约束集，利用按位补齐和掩码技术实现不同长度调度变量的变换，使编码作为任务调度算法库子模块的一个统一输入接口。子模块具备云边资源信息实时获取功能，能够将当前任务对应的可达资源划分为上述三个层面，读取不同层面资源的可利用率、节点路由信息、节点间可用频道与带宽、节点物理距离，为任务调度提供必要支持。

任务部署子模块按照任务群分组、调度域划分、调度模型配置、优化方案生成、调度结果部署和任务动态迁移等六个步骤实现任务群部署。按照类型将任务群分为多个调度组，每组任务依据其邻近边端资源状态选择调度域；基于异构任务调度过程统一模型，为每组任务对应生成一组变量编码，配置不同调度目标和约束，并调用任务调度算法库子模块中的算法生成优化方案，最终将任务群按照方案逐一指派边缘端和云端计算资源节点，生成具有特定硬件平台约束的目标代码，进而执行代码加载指令，远程控制目标节点的指令更新，完成任务动态部署。当发生资源过载、任务中断、负载不均时，子模块将再次调用任务调度算法库子模块中的算法对问题节点中的任务进行快速重调度，移至其他物理资源继续运行，实现动态迁移。

任务部署子模块是云边资源智能优化调度的核心实施部件，其输入为可达云端和边缘端的资源信息以及任务接收与处理子模块的输出，其输出直接作用于云端和边端资源，完成任务部署和动态调整，是任务和资源的核心中间件。

（3）任务调度算法库子模块

任务调度算法库子模块基于超启发思想，搭建了可配置智能优化算法框架，集合了多种进化搜索算子，建立了任务调优的多个可选局部变换规则。根据迭代过程和种群划分，算法的可配置分为两个层面，第一个层面指针对不同迭代阶段选取不同的进化算子和局部启发式规则实现种群的更新，通过指定其参数、执行顺序及迭代寻优的次数来对所生成的算法进行控制，算子作为灵活组成零件能在不同阶段发挥广度搜索和深度挖掘作用，当某一个或多个低效算子被选中时，其他算子能在后一阶段及时修正搜索方向，保持搜索的整体性能；第二个层面指针对不同个体配置选取不同的算子，各个算子针对个体的作用域不同、组成结构不同、参数不同，它们在整个迭代过程同步执行，多个算子的同时作用保证了个体的多样性行为，高效算子可带动低效算子在各阶段保持搜索效率，多个算子的混合保证在搜索时间复杂性不增的情况下拓展问题的适用范围，保持算法整体的鲁棒性，并带动其他个体实现协作求解。

在此基础上，子模块基于进化算子和局部启发式规则特征将算法结构、算子及参数映射为算法编码，集成主流的超启发策略，实现算法结构自动变换、算子自动选择和算子参数自动配置。从算子分类角度来看，进化算子主要决定种群在整个解空间内的进化方向，而局部调度规则作为辅助则从个体局部范围进行定位。由于云边资源状态和协同模式的多变性，很难事先确定哪一种算子对哪一个场景的搜索是有效的，在这种情况下，子模块将半随机超启发策略应用到进化算子的选择中，并运用各种随机超启发策略为每个个体在不同阶段变步长的选取局部搜索规则，提升了搜索效率和准确性。

4　案例实施与效果

以某冰箱互联工厂为例，其通过云边协同的工业互联网平台，将云计算、边缘计算、物联网、大数据等数字化技术融入工业生产中，为生产决策提供了智能化服务，实现了端到端的互联互通，前端连接用户需求，后端连接智能工厂，在实现柔性化、定制化生产的同时，进行全球资源的协同配置。同时，其基于大规模个性化定制模式，在赋能建设互联工厂的过程中，不仅实现了数字化改造，还通过数字化手段面向用户开放全流程，使其参与研发、设计、制造，实现产业链的连接形式随用户需求灵活变化，打造出端到端“灯塔工厂”。

经过赋能，工厂面对用户定制设计、快速交货和高品质的需求，通过大数据、数字孪生、先进视觉检测技术的应用，实现按单生产智能制造、超薄真空节能发泡、数据集成分析、AI视觉真空管控、压缩机柔性装配、物流发运智能调配等业务场景的数字化，订单响应周期缩短35%，生产效率提升35%，质量绩效提升36%。

5　结论

海尔集团构建了基于云边协同的工业互联网平台，赋能家电行业数字化、智能化转型，形成了以用户为中心的大规模个性化定制生产模式，完成了人、机、料、管理流程、管理系统的广泛互联，使用户参与到从产品设计到成品制造的业务全流程，实时响应用户需求，精准匹配制造资源，实现可持续发展。平台通过云边资源智能优化调度模块对云端和边缘端的计算资源进行高效管控，能够满足云边协同架构对异构计算、任务部署和协同优化的实时需求。目前该平台已经赋能多家工厂完成数智化转型，全面提升了核心竞争力，为家电企业的数智化转型起到了良好的示范作用。

★基金项目：国家自然科学基金青年基金（62303272），山东省博士后创新项目（SDCXZG-202203036），泰山产业领军人才工程专项经费资助（tscx202306029），山东省自然科学基金青年基金（ZR2022QF038）。

作者简介：

陈录城（1969-），男，山东青岛人，正高级工程师，现就职于卡奥斯物联科技股份有限公司，研究方向为工业互联网、智能制造、大规模个性化定制理论及关键技术等。

鲁效平（1981-），男，山东泰安人，教授级高工，现就职于卡奥斯物联科技股份有限公司，研究方向为工业互联网、智能制造关键技术等。（本文通讯作者）

杨振发（1993-），男，山东临沂人，现就职于卡奥斯工业智能研究院（青岛）有限公司，研究方向为智能传感器、工业互联网、大规模个性化定制理论及关键技术等。

参考文献：

[1] 赵爽, 许蕾, 张艳丽, 等. 家用电器行业个性化定制发展综述[J]. 家电科技, 2020, (6) : 112 - 116.

[2] 蔡毅, 田晖, 彭玲, 等. 家电行业"5G+工业互联网"标准化体系构建研究[J]. 轻工标准与质量, 2022, (5) : 116 - 119.

[3] 邢燕. 5G+工业互联网赋能家电行业数字化转型探析[J]. 信息通信技术, 2022, 16 (5) : 13 - 17.

[4] 陈录城, 鲁效平, 盛国军, 等. 大规模个性化定制研究综述[J]. 新型工业化, 2023, 13 (10) : 11 - 21.

[5] 李智威, 莫王昊, 李北, 等. 基于资源约束多目标优化的物联网边缘计算资源分配[J]. 现代电子技术, 2024, 47 (2) : 59 - 66.

[6] 王超, 鲁效平, 刘伦明, 等. 5G+MEC在家电业机器视觉检测系统中的应用[J]. 电子技术应用, 2022, 48 (12) : 84 - 88.

[7] 王凌, 吴楚格, 范文慧. 边缘计算资源分配与任务调度优化综述[J]. 系统仿真学报, 2021, 33 (3) : 509 - 520.

[8] 倪志伟, 李蓉蓉, 方清华, 等. 基于离散人工蜂群算法的云任务调度优化[J]. 计算机应用, 2016, 36 (1) : 107 - 112 + 121.

[9] 赵宏伟, 荆学慧, 张帅, 等. 面向云边协同的资源调度优化策略[J]. 沈阳大学学报(自然科学版), 2021, 33 (1) : 41 - 46 + 74.

[10] 王淑玲, 孙杰, 王鹏, 等. 云边协同中的资源调度优化[J]. 电信科学, 2023, 39 (2) : 163 - 170.

摘自《自动化博览》2024年第二期暨《边缘计算2024专辑