★中国汽车技术研究中心有限公司/中汽数据（天津）有限公司林锦州，王俊程

★西安交通大学胥博，李鸣鹤，曹建福

1 引言

近年来，随着工业化和信息化的深度融合，传统汽车制造业正朝着智能化、网络化、定制化、集成化等方向转型与升级。尤其是5G、工业物联网等新兴技术的迅速崛起，加速了汽车智能制造领域的全面发展。实现汽车生产制造全生命周期管理的智能制造技术，成为新一轮汽车工业革命的核心。工业物联网作为智能制造领域关键性通用技术[1-2]，其能够提升汽车制造领域的自动化与智能化水平，是制造业领域智能化转型的重要基础与支撑。

在国际汽车制造领域，以美国、德国、日本为代表的主要制造商利用物联网技术实现了生产过程的全面信息采集和设备监控以及供应链升级改造。例如，美国PTC公司针对汽车制造要求，推出了物联网平台，在生产制造、售后服务及运营过程中，构建起一套从数字到物理的完整闭环链路，保证了各个业务环节的人员获得正确数据；德国梅赛德斯-奔驰公司在辛德芬根的“56号工厂”通过智能设备互联、子系统接口接入等方式，建立了覆盖整厂的物联网系统，形成了物联网大数据；2022年初开业的特斯拉柏林工厂[3]，实现了从原材料采购到仓储整车出货全流程端到端的信息物联网络。

随着《中国制造2025》战略的提出，国内各汽车制造企业均开展了物联网技术的开发和推广应用,主流汽车厂已建成生产制造过程的设备互联和监控系统，包括一汽、东风、陕汽、上汽等企业。东风商用车总装基于5G和边缘计算技术，建立了制造过程物联网系统，实现了OT域与IT域的数据打通；长城汽车重庆智能工厂在工厂自动化程度上，将工业互联网平台覆盖整个厂区，设备的预防性维护已遍布4大工艺车间，并逐渐从传统的计划维护向预防性、预测性维护转换。

本文阐述了汽车智能制造与工业物联网的关系以及汽车智能制造对工业物联网的要求，介绍了汽车制造物联网中的多协议解析、异构网络互联技术、高速数据存储与处理、边缘计算等技术，并对汽车制造物联网未来的研究方向做了分析，简单介绍了近年来研究团队在物联网领域的研究成果。

2 汽车制造中的工业物联网

在汽车制造中，工业现场存在的大量信息孤岛问题亟待解决。面对海量数据的传输和越来越高的服务需求，工业网络对不同时延容忍度数据区分服务能力表现较差，各种现场设备在复杂网络下通信质量很难保障。与此同时，基于工业物联网的智能制造成为新一轮工业革命中智能制造领域的研究重点，如何实现智能生产系统数据高实时、高可靠传输，保证生产网络的高质量通信是工业物联网所面临的一大挑战。对此，可以从互联互通的设备、边缘控制和企业运营三个层级构建贯穿汽车生产全生命周期的物联网架构。

2.1 汽车智能制造对工业物联网的要求

汽车制造主要包括冲压、焊接、涂装、总装等过程，工艺过程见图1。以下依次对四大车间的生产工艺进行分析，并从生产特点提出对工业物联网的需求。

图1 汽车制造主要工艺图

冲压是汽车整车厂四大工艺的第一道工艺，其主要任务是将钢板材料压平、剪切，然后将钢板冲压成各车身部件和底盘部件。随着网联网系统中的柔性传送、模具自动识别与提取、工作参数自动调整等技术的应用，大型自动冲压生产线占地面积更小，生产节拍更高，从而使冲压生产向“个性化”“按订单”和“准时”生产方向发展。

冲压成形后的各部件在焊装车间被焊接成车身，车身生产由分总成生产和总成拼装组成。分总成包括侧围、前后围、底板等，将这几大总成进行拼装，再焊接上车顶和四门两盖，形成白车身送往涂装车间。确保精准的集合尺寸和焊点质量是保证车身高强度与质量的关键，激光焊等新技术的应用、大量焊接机器人及自动化设备与物联网络系统的高度集成，是实现车身高质量生产的有力保障。

涂装车间是整车四大工艺中控制最为复杂的车间，涂装大致分为以下几个过程：前处理工序，之后转到电泳工序，再依次经过车身密封、底漆涂装、面漆涂装工序，最后车身经检验工序后，转入涂装车身存储区，最后流转到总装车间。减少三废排放及涂料损耗、提高涂装效率与质量并降低涂装成本是涂装新技术追求的目标，新材料与新工艺的应用、高压静电喷涂及机器人的使用、高效的自动化控制及输送系统、透明的网络监控系统及制造执行系统（MES）的应用使不断提升的目标得以实现。

总装是将车身、发动机、变速器、仪表板、车灯和车门、轮胎等构成整辆车的各零件装配起来生产出整车的过程。总装车间设备分散、控制点多且信息采集量大，想将车间信息管理与生产自动化有机结合，需要现场总线技术及工业物联网的应用以实现数据打通。

2.2 工业物联网结构

在汽车制造工厂内部，运营管理网和生产控制网是两大通信设施，二者组成了整厂的工业物联网系统。其中运营管理互联网连接供应商，并支持生产计划、财务和经营管理相关的ERP、PLM等系统的信息通信集成；生产控制网支持制造过程的设备、操作者与产品的互联，实现MES、配电系统、机器人及PCS等物理单元的信息通信。

如图2所示，从管理层级上可以将汽车制造分为三个层级：现场设备、车间管理和厂级管理。处于生产制造底端的现场设备和控制系统通过现场总线网络实现公共环境的数据感知和控制命令的下发，同时通过有线以太网或者无线传感器网络与现场各种总线网络并存，实现现场设备和控制系统的完全互联互通。该框架的数据服务器一方面对一些实时性较高的控制命令，能够快速做出决策反馈并保存，另一方面通过数据库把来自底端的数据发送到应用层，实现对数据的进一步分析，从而支撑诸如ERP、CRM等业务运营系统。

图2 典型汽车制造工业物联网架构

3 汽车制造物联网中的核心技术研究

3.1 多协议解析方法

目前汽车制造物联网的发展面临的核心问题在于接入物联网的硬件设备数量日益增多，设备所需的运行环境和通信协议各不相同，因此亟需研究工业物联网的多协议智能解析方法，从而实现设备互联，并提高工业物联网平台对海量异构设备的统一管理能力。

多协议解析主要有基于协议模板库和基于编译技术的方法。基于协议模板库的方法是将协议帧结构中某些固定字段存入协议模板库，通过字符串匹配算法将数据中的固定字段与协议库匹配，从而完成协议解析。文献[4]利用面向对象建模的思想，对Modbus等常用工业协议进行帧结构分析，并抽象出一个统一模型，从数据中提取固定字段与协议模板库匹配，从而解析出正确的协议类型。基于编译技术的协议解析方法是根据编译原理，将通信协议中的特定帧如地址信息、命令码等抽象为正规表达式，从而解开协议结构描述和协议解析代码的耦合关系。文献[5]基于上述方法，提出了一种数据帧结构描述语言和自动化解析器，开发人员只需要针对协议中的数据帧结构编写相应的帧协议描述，自动化解析器即可将该协议描述语言转化为解析代码可识别的数据类型，进而实现对数据帧协议的解析，同时避免了协议解析代码的修改。目前的多协议解析方法的重点在于如何实现工业物联网的智能化解析，尽可能减少人工的参与，这一问题还需要进一步的研究。

3.2 异构网络互联技术

异构网络互联主要有两种方式，分别是通过网关设备实现和通过应用层实现。目前基于上述方式的物联网、互联方案存在通信效率低下、不支持大规模网络统一管理和扩展性差等问题。

为解决上述问题，研究人员提出了以信息为中心的物联网网络体系架构，并逐渐成为了研究热点。文献[6]基于以信息为中心的网络架构，提出了MobilitFirst，该架构针对移动场景做出了优化，在同时支持动态和静态设备组网方面表现出了较高的效率。在工业物联网网关研究方面，文献[7]提出了一种无线传感网融合组网的方法，该方法改进了NB-IoT-WSN组网方案，在此基础上设计了一种双模网关，实现了NB-IoT和WSN之间的高效网络传输。文献[8]设计了一种异构物联网网络下的数据通信网关平台，该平台通过制定一种可交换数据格式标准来实现如异构网络的协议转换等场景，提升了异构网络的可融合性。异构网络的融合仍需要在提升网络通信效率、建立工业物联网统一数据格式等方向做进一步深入研究。

3.3 高速数据存储与处理

物联网中智能设备产生的大量数据需要及时存储和处理，如何实现低时延的数据存储和处理是目前亟待解决的问题。

云计算为数据的计算和存储提出了解决方案，但云计算中心往往部署在离终端较远的位置，从而产生了延迟。雾计算方法将计算和存储从云计算中心扩展到了网络边缘，从而解决了这一问题。文献[9]中提出了一种基于雾计算的数据传输体系结构，可以将负载节点无法完成的计算和存储任务卸载到雾服务器，从而提高了计算和存储的效率。通过分布式存储系统对数据进行存储可有效降低工业物联网数据存储的压力，提高了数据处理的效率。分布式数据存储的核心问题是数据如何进行分配。文献[10]提出了一种基于生成函数的数据分配方法，从而简化了数据分配算法的复杂性。文献[11]在基于遗传算法的数据分配策略的基础上进行了改进，拓宽了算法搜索的广度，提出了一种新的数据分配策略。基于云计算和雾计算等技术的研究，高速数据的分布式存储和处理已取得一定的成果，针对数据传输的体系结构和数据分配策略可能是未来的研究方向。

3.4 边缘计算

物联网设备的大规模发展对工业物联网的数据处理能力提出了新的要求，传统的云计算模型将计算任务集中在云端处理，这种方案会给网络传输带来很大压力，难以实现高效的数据处理。边缘计算的提出解决了这一问题。

边缘计算将计算任务分配到物联网边缘端的网关设备，在边缘端对数据进行处理和分析，从而实现工业物联网平台的灵活调度，提高了数据计算效率。文献[12]提出了一种基于边缘计算的工业物联网的能效管控方法，该方法通过对工业物联网资源分配和不同通信波段的功率消耗进行建模，从而实现降低工业物联网能源消耗的目的。边缘计算还可应用于物联网的任务调度，任务调度目标在于如何有效管理大量边缘计算节点，平滑地分配任务及合并计算结果，同时尽量降低能耗、减少传输延迟，维持平台的负载平衡。目前基于边缘计算的任务调度研究中，有基于延迟最小化的方案，文献[13]提出了边缘节点协作策略，该策略根据任务队列的长度和任务类型，在边缘节点之间共享任务从而实现最小化任务延迟。基于能量-延迟权衡方案，文献[14]提出了HyFog框架，该框架应用带花树开花算法来解决最小权重匹配问题，实现了总任务执行成本（包括能量和延迟）最小化。基于边缘计算的物联网数据处理是目前的研究热点，主要目标是提高物联网的实时性和运行效率。

4 未来研究方向

4.1 设备互联互通

目前在汽车制造产业中，需要进一步推进工业生产现场的设备联通，除生产设备外，还包括工人智能穿戴设备、零部件的RFID识别设备、运输车辆等等，真正实现智能工厂的万物互联。为实现这一目标，需要继续推进工业物联网网络协议特征识别技术和多源异构协议解析方法的研究。此外，物联网协议数据格式标准化也是重要的研究课题，目前现存物联网标准基本都有其主要侧重领域，且缺乏用户参与，较难满足目前工业现场物联网设备的市场化需求。因此，需要建立一套适用于工业物联网的数据格式标准，以实现工业现场设备的互联互通。

4.2 数据卸载和负载平衡

汽车制造物联网系统具有多个具有分布式计算能力的边缘设备，当单个设备或边缘服务器的处理能力达到极限时，就需要将任务和数据卸载到其他设备或边缘服务器，从而避免单个资源的长期过载。目前汽车物联网中，在考虑大量具备数据处理能力的设备的数据卸载时，问题的复杂度将大大增加，受限于设备计算和存储的能力，数据卸载的发生频率升高，可能导致网络的大吞吐量和严重带宽资源占用，从而导致网络传输延迟的增加。在负载平衡方面，也需要改善现有的平衡算法以适应工业物联网平台日益增加的调度规模和频率。

4.3 工业物联网通信安全

围绕工业物联网通信传输过程中的安全通信问题，未来可能包括多路径冗余通信、缺失数据预测等研究方向。采用多路径冗余通信方法，可降低数据被整体捕获的概率，保证了数据的传输安全、隐私安全和通信完整。工业物联网通信缺失数据预测能够通过预测恢复缺失的通信数据，保证了工业物联网的通信数据完整性要求。基于上述研究方向，设计更有效的访问策略和更加全面的入侵检测与防御系统，可以保证工业物联网的通信安全性，并实现汽车制造物联网平台的安全稳定运行。

5 研究团队在物联网方向的研究成果

研究团队近年来一直致力于工业物联网和云诊断技术方面的开发和工程应用，对制造设备互联互通、智能组网等问题进行了深入探讨，并开发出了一体化物联网平台，已在生产线监控、大型装备健康管理等方面得到了具体的应用。

（1）开发了工业设备物联网平台。开发了多种接入方式与设备智能网关，可与多种协议的数控设备、PLC控制器、机器人、仪器仪表等设备进行互联；结合机器学习和工业大数据分析等先进技术和方法，实现了设备实时监控、故障诊断、制造过程质量监控、数据分析展示等功能。

（2）大型装备监测传感器网络关键技术与系统开发。对Zigbee传感器网络协议进行了研究，建立了复杂工厂环境的电磁干扰模型，提出了新的实时可靠路由算法和多信道MAC层协议；针对大规模网络的节点配置问题，给出了配置模型和求解方法；对无线传感器网络路由算法进行了研究，提出了一种新的非均匀分簇的无线传感器网络路由协议。

（3）大型工程健康监测无线物联网。利用无线物联网技术研究工程健康监测系统的关键技术，解决了复杂环境下的物联网动态自组网、节点模块低功耗设计、工程结构参量采集与数据融合等问题，开发出了面向桥梁健康监测的无线物联网系统。

6 结束语

工业4.0时代的到来给汽车制造业的进一步发展带来了机遇，将工业物联网技术应用于汽车制造业，可以实现汽车制造业向智能化、信息化的方向转型升级，可以提高汽车制造业的生产效率和整体水平。但目前工业物联网技术还存在许多瓶颈，限制了其在汽车制造业中的进一步应用。因此，对物联网应用中的关键技术问题进行重点突破，将推动汽车制造业的高水平发展。

作者简介：

林锦州（1988-），男，福建泉州人，高级工程师，现就职于中国汽车技术研究中心有限公司/中汽数据（天津）有限公司，研究方向为企业数字化、智能制造。

胥  博（1988-），男，陕西宝鸡人，博士生，现就读于西安交通大学，研究方向为物联网与边缘计算。

王俊程（1996-），男，河南南阳人，工程师，现就职于中国汽车技术研究中心有限公司/中汽数据（天津）有限公司，研究方向为企业数字化、智能制造。

李鸣鹤（1998-），男，河南三门峡人，硕士生，现就读于西安交通大学，研究方向为物联网与智能工厂。

曹建福（1963-），男，陕西宝鸡人，教授，博士，现就职于西安交通大学，研究方向为物联网与智能工厂、智能机器人。

※林锦州、胥博为共同一作，王俊程为通讯作者。

参考文献：

[1] 柴安颖. 面向智能生产线的工业物联网通信服务质量关键技术研究[D]. 沈阳: 中国科学院大学(中国科学院沈阳计算技术研究所), 2022. DOI:10.27587/d.cnki.gksjs.2022.000004.

[2] 曹建福, 陈乐瑞. 智能工厂中的工业物联网技术[J]. 自动化博览, 2018, 294 (05) : 72 - 76.

[3] 王婧. 特斯拉德国工厂启用德国汽车市场格局生变[N]. 经济参考报, 2022-03-24 (004). DOI:10.28419/n.cnki.njjck.2022.001510.

[4] 曹启友. 面向工业物联网的智能数据采集系统设计[D]. 杭州: 浙江大学, 2019.DOI:10.27461/d.cnki.gzjdx.2019.002655.

[5] 邓伟, 石炜. 基于编译技术的协议自动化解析程序的设计[J]. 电子设计工程, 2012, 19 (13) : 33 - 36.

[6] Li S, Zhang Y, Raychaudhuri D, et al. A Comparative Study of MobilityFirst and NDN Based ICN-IoT Architectures[C]. 10th International Conference on Heterogeneous Networking for Quality, Reliability, Security and Robustness. IEEE, 2014 : 158 - 163.

[7] Francesc Gallart, Núria Cid, Jérôme Latron, et al. TREHS: An Open-Access Software Tool for Investigating and Evaluating Temporary River Regimes as a First Step for Their Ecological Status Assessment. 2017, 607- 608 : 519 - 540.

[8] P.P Ray, Nishant Thapa, Dinesh Dash. Implementation and Performance Analysis of Interoperable and Heterogeneous Io T-Edge Gateway for Pervasive Wellness Care[J]. IEEE Transactions on Consumer Electronics, 2019, 65 (4) : 464 - 473.

[9] WANG T, ZHOU J, LIU A, et al. Fog-Based Computing and Storage Offloading for Data Synchronization in LoT[J]. IEEE Internet of Things Journal, 2018, 6 (3) : 4272 - 4282.

[10] 黄震. 大规模分布式存储系统中数据冗余技术研究[D]. 长沙: 国防科学技术大学, 2012.

[11] 张得生. 基于遗传算法的大型数据库的数据分配策略算法[J]. 科技通报, 2015 (1) : 162 - 165.

[12] Chen Q, Xu X, Jiang H, et al. An Energy-Aware Approach for Industrial Internet of Things in 5G Pervasive Edge Computing Environment[J]. IEEE Transactions on Industrial Informatics, 2020, PP (99) : 1 - 1.

[13] A.Yousefpour, G. Ishigaki, and J. P. Jue. Fog computing: Towards Minimizing Delay in the Internet of Things. in Proc. IEEE Int. Conf.Edge Comput. (EDGE), Honolulu, HI, USA, 2017, pp. 17 - 24.

[14] B. Flavio, M. Rodolfo, Z. Jiang, and A. Sateesh. Fog Computing and Its Role in the Internet of Things. in Proc. 1st Edition MCC Workshop Mobile Cloud Comput, 2012, pp. 13 - 16.

 摘自《自动化博览》2023年3月刊