★中国航空制造技术研究院李达，邹方

摘要：本文提出了基于云边协同的能源管理系统。此系统面向车间生产制造过程，可以实现各类能源信息连接、互通，可以打破信息隔离，帮助管理者监控能源消耗情况、分析能源使用特征，从而更好地实现“双碳达标”的目标。此系统采用云边协同架构，分为边缘端和云端两部分：边缘端使用自研的边缘控制器组成集群，云端搭建边缘云（私有云）平台；同时，此系统按照功能划分为三层：采集层、分析层、应用层。最后，此系统方案在中国航空制造技术研究院的生产现场进行了应用验证。结果表明，该架构能够降低能源设备接入和管理难度，能够提升数据处理速度和应用响应速度，能够减轻网络传输的负担和边缘存储的压力。通过应用本能源管理系统，提高了车间能源利用率，减少了资源浪费，保证了生产用能安全。

1　引言

在工业能源场景下，如表1所示，制造现场的工业能源系统众多^[1]，能源消耗量大。以航空制造车间现场为例，重点能耗设备如表2所示，包括数控设备、热成型设备和热压罐设备等。车间中的设备品牌不同，年代各异，存在通讯协议不统一、信息孤岛现象严重等问题。

表1 制造现场工业能源系统

表2 航空制造现场几大类装备耗能情况

同时，在生产过程中存在能源浪费现象，因此对设备的实时状态与能耗情况进行监测与分析具有重要意义。在图1某零件加工过程中，在理想温控情况中在t1时间段温度下降进行能源回收；而在实际加工中在t2时间段加热过度，降温滞后，造成能源浪费。

图1 某零件加热温度曲线

制造企业的生产车间中存在着能源消耗量大、信息孤岛多、能耗管控难等一系列问题，因此降低设备能耗和管理耗能设备对生产车间节能减排具有重要研究意义。目前，亟需更好地发挥能源管理的作用，建立完善能源管控体系，并充分利用信息化、数字化和智能化等手段加强能耗监管，以提高智慧能源管理水平^[2]。

随着工业数字化转型的持续推进和对能耗管控的重视，车间中接入大量的传感器和终端，这些智能能源终端数据和生产设备数据是多源异构的，同时获取的感知数据是海量级的，导致系统传输压力大、主站计算负荷重^[3]。在5G和物联网的快速发展下，构建端到端的云边协同架构将是实现车间数据高速互联、应用整合调度分发以及计算力全覆盖的重要途径。

云边协同可以满足工业能源场景下设备接入、数据聚合、应用智能等方面的技术需求。边缘计算有低延时、低成本、本地计算及安全性高等优势^[4]，对多协议和通信接口兼容，能够解决车间中异构设备、多能源终端的数据采集与聚合问题；边缘计算更靠近终端的特性可以满足低时延要求，符合车间能源的实时监测要求，能够保障用能安全；边缘计算数据本地处理，能够提升工业企业能源数据安全性、降低外网带宽要求，并提供与云服务器的数据传输协同。云拥有丰富的存储资源和计算能力，云计算具有高性能、高可用、灵活可扩展等特点，可以支持车间能效分析优化和预测，可以优化控制策略，实现智能能源管理。

本文提出的基于云边协同的能源管理系统，面向车间生产制造过程，可以实现各类能源信息连接、互通，可以打破信息隔离，帮助管理者监控能源消耗情况、分析能源使用特征，从而更好地实现“双碳达标”的目标。通过现场部署自研边缘控制器和智能能源终端，此系统云端开发能源管理云平台可以进行能耗全面监测、能效分析优化和预测，并挖掘生产制造现场节能潜力，提高生产设备的能源利用率，保证生产安全。

2　云边协同的车间能源管理系统设计与实现

2.1 车间能源管理总体架构

面向生产车间的能源管理系统功能架构分为采集层、分析层和应用层，如图2所示。其中采集层为边缘端，分析层和应用层为云端。边缘端与云端紧密协同，助力车间能源管理。

图2 系统架构图

采集层：获取能源信息和生产数据是关键，在生产制造现场安装部署自研边缘控制器，使用边缘计算技术，实时采集企业电、水、气、热等能源数据，实现初步处理并存储，并按照策略与云端进行交互。

分析层：通过云边协同策略，将采集到的能源数据上传到云服务器（私有云或公有云），并通过平台的大数据、云计算等功能进行数据处理与存储，通过业务模块进行能源实时和历史分析与能源消耗量预测，实现能源综合平衡与优化，提升利用率。

应用层：开发监控大屏、能源管理系统等应用，实现车间能源实时监测和用能分析预测展示，为管理者、技术人员提供能源管理服务。

2.2　车间能源管理功能特点

2.2.1　采集层

（1）数据采集

基于边缘计算技术，对多种能源终端，如智能电表、水流量采集器、燃气采集器、冷热量采集器等计量表进行采集，获取能源数据；支持多种工业物联网协议：Modbus、OPC UA、S7、MQTT等，能够让车间异构设备互联互通，实现各类信息连接、互通，打破信息隔离，同时监测重点设备及工艺运行状态，如温度、湿度、流量、压力、速度等。

（2）数据存储与传输

同时基于时序数据库技术，实现能源数据实时存储与检索，为能源管理提供原始数据积累。基于工业物联网传输协议，满足实时、可靠、低带宽占用。根据数据类型不同，按照传输策略，实现云边数据协同。

2.2.2　分析层

（1）数据计算

数据处理：通过云服务器和数据处理模块，对协同到云的边缘数据进行数据清洗、规范化等；

数据汇总：同时从能源使用种类、监测区域、车间、生产工艺、设备等多个维度进行数据汇总工作；

数据接口：开发通用数据API接口，为数据分析与可视化提供数据支持。

（2）能源分析与预测

基于已有的数据积累，利用云平台的数据分析能力，进行能源数据分析，训练建立预测模型。

分析功能包括：用能质量分析、成本分析、绩效分析、异常报警以及报表生成等；

预测功能包括：消耗量预测、能源优化调度策略、检修预测等。

2.2.3　应用层

（1）能源实时监测：对生产制造车间的“水、电、热、气”等能源的消耗及设备状态进行动态监控和管理，车间管理者可通过大屏幕、网页等了解实时用能情况。

（2）能源数据分析：从多维度统计分析车间设备用能情况，可定制生成各类数据报表，通过模型分析企业的用能质量和节能空间。

（3）用能管理与预测：对用能情况进行预测，进行节能减排管理，将生产与用能进行优化配置，达到能源精细化管理和节约用能成本的作用。

（4）车间用能安全：实时监控车间能源和设备的状况，针对能源异常、超标等情况设置报警，有效避免事故造成的经济和生产损失，维护车间用能安全。

2.3　云边协同的车间能源管理系统实现

2.3.1　边缘端

基于i.MX8MQ处理器定制化设计边缘控制器，使其具有多网口、多现场总线通讯协议、电源管理等功能，同时使用容器技术解决资源紧张、环境异构等问题。本系统定制化开发设计的自主可控的边缘控制器如图3所示。

图3 边缘控制器

边缘控制器的特点为：

（1）近于实时的分析，数据源与边缘设备之间的短距离，意味着可近乎实时地快速收集和预处理数据；

（2）即插即用，支持多种不同自动化系统和通讯协议；

（3）能连接到IT/云端系统，工业边缘具有优秀的集成能力和可扩展连通性，可实现自动化和IT系统与不同云端系统之间的数据交换；

（4）可以定制开发App，以Docker容器的方式运行，可以快速部署和启动应用。

将边缘控制器部署在工业制造现场，可以实现能源数据采集、边缘计算、容器集群等功能，可以实时获取生产现场的海量数据。

在边缘控制器中的主要软件包括：

（1）能源终端采集驱动。驱动针可以对智能电表、水流量采集器、燃气采集器、冷热量采集器等进行开发；

（2）自研数据采集配置软件。对工业生产车间异构系统、协议的设备和智能能源终端进行数据采集；

（3）Tdengine。它是一款针对时序数据场景设计的专用数据库和专用大数据处理工具，具有高性能、分布式、支持SQL等特点；

（4）EMQ X Broker。使用MQTT传输协议，可以以极少的代码和有限的带宽，为连接远程设备提供实时可靠的消息服务。MQTT协议相对于互联网常用的HTTP协议更适合边缘端与云端间的数据传输；

（5）OPC UA Server。通过OPC UA统一架构进行数据通信，可以实现多种工业现场总线异构系统的互联互通。

同时，各个边缘控制器之间分别安装K3s开源框架，组成边缘计算集群。组成的K3s集群可以实现边缘节点之间的相互协作，提高了效率，实现了资源的最大利用率，保证了数据协同可靠性。

2.3.2　云端

在工业网络与自动化实验室内部搭建边缘云（私有云）平台，可以面向工业制造实现物联网设备接入、边缘计算和数据分析，形成边云协同的模式。

云端平台可以为不同业务类型的所有物联网应用终端提供统一的数据接入方案和运行环境，实现高性能、高标准、高可用、高弹性、低成本和低风险的自主可控全分布式架构。通过将能源管理系统分析层和应用层部署在平台上，实现能源信息处理、存储和分析。

图4 边缘云整体架构设计

边缘云整体架构设计如图4所示。

边缘云的IaaS层基于OpenStack实现虚拟化、资源池化，并提供可灵活调度、弹性伸缩的存储和计算资源，提供实施简单、可大规模扩展、丰富、标准统一的云计算管理平台。通过对资源进行管理，IaaS层以服务的形式提供给上层应用或者用户去使用。

边缘云的PaaS层基于Kubernetes实现。Kubernetes简称K8S，它是提供应用部署、规划、更新、维护的一种机制，让部署容器化应用简单并且高效。PaaS层搭建数据库、容器管理平台、机器学习平台、大数据平台、规则引擎、微服务平台等。其中，数据库存储所有能源信息数据；机器学习平台中包含TensorFlow、Pytorch等深度学习框架，用于训练能源分析和能源预测模型；大数据平台和规则引擎用来处理边缘端源源不断上传的时序数据；微服务平台用于构建能源管理系统应用。

3　车间能源管理系统应用实践

将本文提出的系统在中国航空制造技术研究院本部进行应用验证，构建云边协同模式的车间能源管理系统。

院本部车间能源管理应用如图5所示，采集的数据包括电力数据，如三相电流、三相电压、有功功率、视在功率、功率因数、正向有功电能、反向有功电能等；用气、用水、用煤以及现场生产设备数据如温度、压力、流量、速度、报警、工艺参数等。所有数据首先通过设备边缘网络传输到边缘，边缘控制器将缓存所有数据。在云边协作中，数据将以不同的方式进行处理：

图5 制造院本部车间能源管理应用

边缘端，对于能耗数据和设备所有数据，经过预处理后存储在Tdengine数据库。部分数据需要实时传输到边缘云平台进行模型训练；部分具有实时性、安全性、隐私性等的数据存储在边缘，便于下道工序及时处理，快速响应。对实时性要求不强的部分数据，可以周期性地传输到云端。同时，边缘会定期删除数据以释放存储资源。

云端，使用EMQ消息服务器以发布-订阅的模式获取边缘控制器上传的数据，经过大数据平台处理后汇总在边缘云数据库中。由于数据将存储和备份在云中，当边缘计算节点出现故障时，存储在云端的数据不会丢失。同时，也方便边缘远程查看实时和本地数据，并进行历史查询。

制造院车间能源管理系统应用的功能包括：展示面板、数据监测、统计报表、事件告警、智能运维、设备管理、系统管理/工具/说明等。

（1）监控面板：用于大屏展示，通过多级目录提供企业级、车间级和设备级的可视化面板，企业管理者可快速了解能源信息，如图6所示。

图6 能源监测面板

（2）能源数据分析：采用曲线、饼图、累积图、数字表等方式进行展示，支持按能源种类、车间、时间等维度查询相关能源用量。以电能数据为例，如图7所示，可以实时监测电流、电压、功率、电量等，同时包括最大值及时间戳、最小值、平均值，同比、环比分析，分类、分时段、分项（车间、重点设备）统计图形对比分析。

图7 电力数据监测

（3）统计报表：生成多维度的数据统计报表，并提供一键导出功能，如图8所示。

图8 统计报表

（4）事件告警：对能源异常事件进行告警，包括告警时间、等级、位置、告警描述等，支持根据时间、等级、位置进行筛选，如图9所示。可针对电气安全、限电和能耗双控，包括电参量异常报警、能耗超标报警、限电报警等，帮助企业提前预警，避免发生火灾事故和被罚款导致用能成本过高。

图9 事件告警

（5）智能运维：实现能源与生产数据关联分析、异常分析、消耗量预测、减排管理、能源优化调度策略等。

（6）设备管理：对采集层的数据、采集设备（边缘控制器和能源终端）的状态等信息进行展示与管理。

（7）其他内置功能模块：包括车间管理、角色用户、菜单及按钮授权、数据权限、系统参数、日志管理等。

4　结论

本文提出的车间能源管理系统，基于云边协同架构，分为边缘端和云端。边缘端使用自研的边缘控制器组成集群，云端搭建了边缘云（私有云）平台。此系统按照功能划分为三层：采集层基于边缘计算技术，可以实现能源数据和设备数据的实时采集与预处理，并存储在本地时序数据库；分析层基于边缘云平台，可以实现与边缘控制器的数据协同，并能对实时能源数据和历史数据进行分析与能耗预测；应用层，可以为用户提供能源管理服务，并开发能源管理应用，实现车间用能监测和能源分析与预测。

最后，将本系统方案在中国航空制造技术研究院本部生产现场进行应用验证。结果表明，该架构能够降低能源设备接入和管理难度，能够提升数据处理速度和应用响应速度，能够减轻网络传输的负担和边缘存储的压力。通过应用本能源管理系统，提高了车间能源利用率，减少了资源浪费，降低了能耗成本，保证了生产用能安全，并助力企业实现数字化、智能化转型升级。

作者简介：

李　达（1996-），男，河北秦皇岛人，工程师，硕士，现就职于中国航空制造技术研究院，主要从事边缘计算、工业网络与自动化等研究工作。

邹　方（1965-），男，湖南娄底人，研究员，硕士，现就职于中国航空制造技术研究院，主要从事智能制造基础技术、系统控制与集成技术、边缘计算、工业网络与自动化等研究工作。

参考文献：

[1] Nimbalkar Sachin, Guo Wei, Carpenter Petri, et al. Smart Manufacturing Technologies and Data Analytics for Improving Energy Efficiency in Industrial Energy Systems[J]. National Renewable Energy Lab, 2017.

[2] 丁爽, 姜玲玲, 林翎, 等. 我国碳达峰碳中和标准化发展现状及对策研究[J]. 中国标准化, 2022 (01) : 63 - 70, 75.

[3] 张树华, 仝杰, 张鋆, 等. 面向能源互联网智能感知的边缘计算技术研究[J]. 电力信息与通信技术, 2020, 18 (04) : 42 - 50.

[4] 孙齐远. 2022中国边缘计算产业研究报告[R]. 北京: 亿欧智库, 2022.

摘自《自动化博览》2023年5月刊