摘要：近年来，深度学习促进了人工智能的快速发展，并逐渐渗透到各行各业。然而人工智能训练和推理所需的大量数据传输、算力资源调用会影响到系统的实时性能，从而导致该技术在工业应用中存在困难。众所周知，实时性是工业自动化的一项指标，特别是在运动控制和自动驾驶方面更为重要。如果因人工智能而使得工业系统接收和发送数据、指令响应缓慢，那么工厂生产终将难以实现智能化突破，阻碍了人工智能在工业自动化中的普及。基于此，本文提出一种三实时架构，它涉及实时网络、实时操作系统和实时调度，希望通过提出该架构引起业界广泛的研究热潮。

关键词：三实时架构；边缘计算；人工智能；工业自动化

1 引言

在过去的三次工业革命中都无一例外地淘汰了一些旧技术，出现了一些新技术。正如内燃机取代蒸汽机，电力能源解决燃料能源传送效率低下的问题， 可编程逻辑控制器（Program Logic Controller, PLC）替换继电器提升自动化水平……在不久的将来，一种更先进的智能化控制器也会出现，边缘计算或许是优选的平台。

PLC是工业自动化（Industrial Automation, IA）行业的专用计算机，能够在恶劣环境下运行，具有宽温、防灰、防尘、防潮和防电磁干扰的能力。相较于通用型计算机，PLC具有更高的实时和稳定特性，但计算速度却远远不如个人电脑或者服务器，更不能像图形处理器（Graphics Processing Unit,GPU）一样并行计算[1]，所以无法满足人工智能（Artificial Intelligence, AI）的算力要求。虽然软件型PLC可以部署在云计算中，这样便能与AI更好地融合[2]，但是这种基于云平台的软件架构在和现场设备交互时存在着延迟问题。

2 三实时架构的提出

2.1 延迟的原因分析

造成延迟的原因有三方面：一是，云计算与终端设备间的多级网络；二是，过多的操作系统任务；三是，算力资源的分派与调度。显然延迟已经成为研究人工智能AI与工业自动化IA 融合的重要方向（以下简称：IA&AI）。目前，AI技术主要集中在人脸识别、语音识别和信号处理特征提取等应用场景；IA技术依托高实时、可靠和确定性普遍应用于工业自动化的各行各业，如图1所示。在我国产业转型升级背景下，IA拥抱AI突破智能制造难题，首先要解决的就是“实时”问题。

图1 IA&AI融合问题

2.2 三实时架构的形成

首先，载波侦听多路访问/冲突检测（Carrier Sense Multiple Access with Collision Detection, CSMA/CD）是以太网通信中常用的协议，其冲突检测方式造成的延迟不确定性已成为工业控制的主要障碍[3，4]；第二，实时计算的目标是满足每个任务的时序要求，而不仅仅是速度快，实时系统的最重要属性应该是可预测性[5]；第 三，由于AI算法正朝着更高实时响应的领域发展，IA 则需要智能行为更加复杂的应用程序开发，“调度” 成为边缘计算平台对算力资源进行整合与分配的有效手段[6]。深度学习（Deep Learning, DL）作为AI的前沿，需要更为强大的并行计算、数据存储和处理能力， 只有通过资源的有效调度才能更好地助力工业发展[7]。 因此，网络、系统和调度成为了三项重要组成，三实时架构如图2所示。

图2 三实时架构金字塔

为了完整地描述基于边缘计算的三实时架构，后文将继续阐述三实时架构的主要技术构成，展望云、边、端互补优势和我中心基于该平台的未来主要研究工作。

3 三实时架构的主要技术构成

3.1 实时以太网

实时以太网（Real-Time Ethernet, RTE）可按交互时间分为三类[8]：

（1）人机控制：人机交互响应时间约100ms，该类控制属于低速控制。由于人类的视觉暂留停顿效应， 其响应速度已经能够满足人机交互要求，几乎所有的TCP/IP网络都能够轻松达到。

（2）过程控制：设备与设备间的交互时间在10ms 以内。这是大多数生产线、机床控制系统的实时响应要求。在工业以太网出现之前，现场总线一直是过程控制的主流通信网络，常用于PLC与输入/输出（Input/ Output, I/O）模块间的通信。

（3）运动控制：设备与设备间的交互时间低于1ms。主要用于伺服电机控制和自动驾驶控制，其特点是速度快、精度高，对于网络的实时性能要求非常高。信号在网络中传输的速度和确定性，决定了实时网络的性能表现。在上述三种模式中，人机控制对速度的要求最低，但由于它属于工业场合，必须无条件服从信号传输的确定性，比如控制电机启动/停止命令不能因 网络丢包或延时而失效。因此，即使在人机控制的低速要求模式下，也应当使用具有确定性保障机制的工业通信网络进行信号传送。

RTE网络的一个重要特征便是引入了时间敏感网络（Time-Sensitive Networking, TSN）的技术。 IEEE-1588协议用于网络测量和控制系统的精确时钟同步协议的标准，它根据需要以特定间隔发送特殊电报， 以避免时钟偏离超出规定的限制。一方面，高精度时间同步可以有效提高频谱利用率，另一方面，时间同步可以通过软件使用PTPD实现（开源的IEEE-1588实 现），这为三实时架构的上下层衔接，即实时操作系统与实时通信层之间的协作创造了条件。

通过文献检索，本文列出了国内外部分有线和无线RTE协议，如表1所示。

表1 国内外部分工业实时网络

需要注意的是，当前5G得到了高速发展，6G 的研究也在如火如荼地进行中。但是在I A行业， 许多自动化制造商或国际组织都拥有自己的工业以太网协议，从功能上来看5G和6G解决的是信息与通信技术（Information and Communications Technology, ICT）层面的问题，而表1罗列的通信协议则是解决操作技术（Operational Technology, OT）层面的问题，对于边缘计算终端的操作与数据的交互同样重要。

3.2 实时操作系统

一般来说，操作系统（Operating System, OS）负责管理计算机的硬件资源，并运行托管在计算机上的应用程序，在非工业环境中，实时性并不那么重要。实时操作系统（Real-Time Operating System, RTOS）是专门为满足严格的时间限制而设计的。大多数实时操作系统经常出现在嵌入式系统中，普通用户一般不会注意到它们。RTOS是一个具有时空分区的操作系统，每个关键的操作都必须有已知的最长时间，它有硬实时和软实时两种类别。硬实时系统能够保证操作最长时间的绝对性，而软实时系统则允许丢失少量的数据。因此，在数据轮询采集的过程中可以应用软实时系统，但在对设备发出控制指令，要求设备进行时间同步操作时，就应当采用硬实时操作系统。

与Windows操作系统一样，RTOS用来维护用户对众多进程的响应。但是Windows并不需要精确计时或延长阻塞时间准点发送控制指令。然而RTOS 是为了可靠地运行关键应用程序而设计，这种可靠性包含了精确和可预测的时间。如果用户编程正确， RTOS可以保证程序以预先设计的绝对一致时间运行，并且不会越过最终截止时间线（Deadline）。显然基于边缘计算构建IA&AI架构应当采用RTOS才能满足工业控制指令下发的确定性。表2列出了部分RTOS和官方网站。

表2 国内外部分RTOS

RTOS具有高精度定时、多级中断和实时调度等特点。目前，很多操作系统忽略了实时性能，源于民用场合的要求相对较低，通常以提高吞吐能力运行更多任务为目标，导致了对硬件的极致需求。

3.3 实时调度

事实上，实时与吞吐是一对矛盾关系，为了实现负载均衡，内容分发网络（Content Delivery Net work,  CDN）是一种提高互联网服务质量的有效途径[ 1 7 ] 。 C D N 能够将内容从来源地复制到副本服务器提高访问的响应速度。软件定义网络（Software Defined Network，SDN）则把网络变为了管道，使得数据流转变得更加智能[18]。依靠CDN和SDN在不同设备间的程序调度不再变得那么困难，基于嵌入式的轻量级容器技术[19]则更进一步地推动了实现该平台的难度。基于此，如图3所示，采用RTOS构建虚拟计算，在满足系统的单机实时性能要求的同时，把剩余的算力提取出来帮助其它计算能力相对较弱或计算繁忙的设备分担计算任务，那么边缘计算将变成可横向扩展算力的新型架构。

图3 三实时IA&AI软硬件架构

图3可以是一个可扩展平台，能够在边缘侧完成自和智能控制。所有的I/O模块通过RTE与上层硬件

连接，然而具体生产程序在哪一个RTOS上运行却不确定，这与云计算的方法一致。此外，右侧的GPU服务器可以增强深度学习的训练和推理能力。

三实时IA&AI边缘计算架构应具有以下特点：

（1） 确定性：信号传送确定性、计算任务确定性；

（2） 可扩展性：可不改变原来接线动态增加算力；

（3）灵活性：可柔性调用不同的程序完成生产；

（4）兼容性：兼容PLC编程方法；

（5）稳定性：达到工业级别稳定性要求；

（6）高速性：达到时运动控制实时响应要求；

（7）融合性：实现自动化与人工智能的平台融合。

4 三实时架构的云边端互补

边缘计算不是云计算的替代品，相反，它是云计算的补充，但是依靠实时边缘计算却完全可以取代传统的工业自动化控制器。事实上，在过去的30年里， PLC的性能变化不大，边缘计算正好可以补足PLC的缺点。因此，本文的研究依托云南省高校边缘计算网络工程研究中心，建设三实时IA&AI边缘计算平台并命名为工业物理信息智能控制操作系统（Industrial Cyber Intelligent Control Operating System, ICICOS）[20]。该平台拟通过整合物理I/O、边缘计算平台、云计算平台，实现对工业的智能化升级改造， 如图4所示。 

图4 工业物理信息智能控制操作系统

5 总结与展望

本文提出了一种基于边缘计算的三实时IA&AI体系架构，通过对边缘计算、IA、AI等梳理，给出了工业自动化向智能化转型升级的思路。希望对该架构的研究引起业界的广泛关注。展望未来，我们将依托工程研究中心聚集国内外优秀人才，共同建设ICICOS边缘计算平台，开展实时算法、工业控制器虚拟化、嵌入式AI、人工智能训练和推理等研究工作。

★基金项目：云南省第七批高校重点实验室和工程研究中心建设项目——云南省高校边缘计算网络工程研究中心；云南省教育厅科学研究基金项目（2021J0893）。

作者简介：

苏为斌（1983-），男，云南通海人，副教授，硕士，现就职于云南工商学院智能科学与工程学院，担任云南省高校边缘计算网络工程研究中心负责人，主要研究方向为边缘计算、工业自动化、人工智能等。

潘明波（1984-），男，江苏镇江人，副教授，硕士， 现任云南工商学院智能科学与工程学院院长，主要研究方向为边缘计算、计算机科学等。

徐 刚（1978-），男，湖北宜昌人，副教授，硕士，现就职于云南工商学院智能科学与工程学院，主要研究方向为网络工程、云计算、创新创业等。

董家瑞（1983-），男，云南通海人，工程师，学士，现就职于云南云创数字生态科技有限公司，主要研究方向为数据通信、区块链、数据应用等。

参考文献：

 [1] Li-Yung Ho, Jan-Jan Wu, Pangfeng Liu. Adaptive communication for distributed deep learning on commodity GPU  cluster[P]. Cluster, Cloud and Grid Computing, 2018. 

[2] Goldschmidt T, Murugaiah M K, Sonntag C, et al. Cloud-Based Control: A Multi-tenant, Horizontally Scalable Soft PLC[C]. IEEE International Conference on Cloud Computing. IEEE, 2015.

 [3] Lin C L, Chen C H, Huang H C. Stabilizing control of networks with uncertain time varying communication  delays[J]. Control Engineering Practice, 2008, 16 (1) : 56 - 66. 

[4] Jiqiang X, Quan C, Ronggang B. Modeling and quantitative real-time analysis of Ethernet based on CSMA/CD[C].  IEEE Conference Anthology. IEEE, 2014. 

[5] Stankovic J A. Misconceptions about real-time computing: a serious problem for next-generation systems[J].  Computer, 1988, 21 (10) : 10 - 19.

[6] Huangke Chen, Xiaomin Zhu, Hui Guo, Jianghan Zhu, Xiao Qin, Jianhong Wu. Towards energy-efficient scheduling  for real-time tasks under uncertain cloud computing environment[J]. The Journal of Systems & Software, 2015, (8) : 99.

[7] Dharinya S S, Ephzibah E P. Machine Intelligence and Automation: Deep Learning Concepts Aiding Industrial  Applications[M]. Internet of Things for Industry 4.0. 2020. 

[8] Felser M. Real-Time Ethernet - Industry Prospective[J]. Proceedings of the IEEE, 2005, 93 (6) : 1118 - 1129. 

[9] Li Lu, Dong-qin Feng, Jian Chu. Improving the real-time performance of Ethernet for plant automation (EPA) based  industrial networks[J]. Journal of Zhejiang University SCIENCE C, 2013, 14 (6). 

[10] 邵枝晖, 康良川, 黄易, 薛百华, 朱莹. AUTBUS高速工业现场总线[J]. 仪器仪表标准化与计量, 2020, (02) : 9 - 12.

[11] Ferrari P, Flammini A, Rinaldi S, et al. On the Seamless Interconnection of IEEE1588-Based Devices Using a  PROFINET IO Infrastructure[J]. IEEE Transactions on Industrial Informatics, 2010, 6 (3) : 381 - 392. 

[12] Limal S, Stéphane Potier, Denis B, et al. Formal verification of redundant media extension of Ethernet  PowerLink[C]. IEEE Conference on Emerging Technologies & Factory Automation. IEEE, 2009. 

[13] Evaluation of EtherCAT Clock Synchronization in Distributed Control Systems[J]. A, 2014, 38 (7). 

[14] Depari A, Ferrari P, Flammini A, et al. Design and performance evaluation of a distributed WirelessHART sniffer  based on IEEE1588[C]. Precision Clock Synchronization for Measurement, Control and Communication, 2009.  International Symposium on. IEEE, 2009. 

[15] 王平, 刘其琛, 王恒, 李同波. 一种适用于ISA100.11a工业无线网络的通信调度方法[J]. 仪器仪表学报, 2011, 32 (05) : 1189 - 1195.

[16] 曾鹏, 等. 面向工业无线网络协议WIA-PA的网络设备研发及应用(大规模应用)[Z]. 2015. 

[17] 赵红. CDN内容分发网络技术原理[A]. 建筑科技与管理学术交流会论文集[C]. 2017. 

[18] 李艺, 唐宏, 马枢清. 软件定义网络基于分段路由的多路径调度算法[J]. 计算机应用研究, 2021.

[19] 彭博, 杨鹏, 马志程, 等. Performace measurement and analysis of ARM embedded platform using Docker  container[J]. 计算机应用, 2017, 037 (s1) : 325 - 330.

[20] 苏为斌. ICICOS工业云智能控制系统的研究与开发[D]. 济南: 山东大学, 2020.

摘自《自动化博览》2021年2月刊