基于混合云计算的制造业数字化生产线控制研究
2021-02-24孔丽云孔丽霞
孔丽云，孔丽霞
（1.广西生态工程职业技术学院 汽车与信息工程学院，柳州 545004；2.哈尔滨工业大学（深圳），深圳 518055）
0 引言
云计算技术可通过设备终端与网络获取所需的各项服务，具有灵活性以及实时性高的特点[1]。云计算平台的存储资源强大，具有较高的容错率，可提供高可靠性用户信息防护服务。云计算中的一个云可以支持多个云应用，为用户提供满足用户需求的动态化服务。混合云计算是包含两个以及两个以上的云，利用相关技术组合私有云以及公有云的云服务[2]，因此具有私有云以及公有云的安全性能高以及提升经济效益的优点。混合云计算混合多个私有云，可组合以及协同大量云间服务[3]，已成功应用于我国众多大型制造企业中，制造业利用云计算平台可实现计算资源成本透明化、协同制造技术升级等。
目前制造业普遍采用传统制造技术，需具备较高的制造服务匹配能力。传统的制造生产技术存在制造流程升级迟缓以及成本过高的特点[4]，阻碍了制造业进一步发展。制造业数字化生产线控制在制造业信息网络化发展的情况下，其重要性不言而喻。制造业的核心制造能力是提升核心竞争力的重要来源，混合云计算技术应用于制造业数字化生产线控制中，可以有效改善传统制造技术有限的制造资源、低廉的制造成本以及单一的制造能力等缺陷[5]，可有效提升制造企业的核心竞争力，促进制造业的稳步发展。而目前针对优化制造业生产的研究较多，单子丹将云计算技术应用于制造业的网络流程优化中，优化了制造业的生产流程；王瑞等人针对制造企业的成熟度进行评价，推动了制造企业的可持续发展。
根据以上研究人员的研究成果，研究基于混合云计算的制造业数字化生产线控制方法，将混合云计算技术应用于制造业数字化生产线控制中，通过实验验证该方法的实际应用效果。
1 制造业数字化生产线控制
1.1 混合云计算的制造业数字化生产线控制
目前制造业普遍采用传统的制造技术，企业制造能力单一，混合云计算技术可提升制造业的云服务建设能力，提升数字化生产线的控制水平。基于混合云计算的制造业数字化生产线控制技术框架如图1所示。
通过图1可以看出，制造业数字化生产线控制主要包括混合云计算技术的集成运行环境层以及信息化制造平台以及可视化界面三部分，利用SaaS平台服务构件层连接不同部分。信息化制造平台和混合云计算集成运行环境分别利用云构件库和虚拟化方式封装云服务，为制造企业提供相关服务。其中，制造业的传统信息化制造平台是混合云计算的制造业数字化生产线控制的基础。
图1 制造业数字化生产线控制技术框架
制造业数字化生产线控制过程中，将传统制造过程中的信息化制造平台与混合云计算技术连接，利用混合云计算技术实现统一资源调度与管理。利用嵌入式技术实现信息传输、信息提取等不同的操作，而在基于混合云计算的制造业数字化生产线控制过程中，物理制造单元与网络连接技术极为重要，开发与适配物理制造单元的信息控制单元是连接物理制造单元与网络的重要途径，信息化制造平台中的PID控制模块具备二次开发技术，将其与控制单元共同结合，实现信息化制造平台的智能化。
混合云计算技术是制造业数字化生产线控制的另一重要技术，云制造平台利用混合云计算技术提供可配置计算资源，利用可配置的云计算资源搭建云制造平台。制造业是云制造平台的重要服务对象，制造业对云制造平台发送传送需求，并将该需求保存于云制造平台中。
1.2 混合云计算技术
混合云计算技术架构图如图2所示。
图2 混合云计算技术架构图
图2是由多个私有云组成的混合云计算技术架构，利用私有云将服务提供至制造企业的内部用户中，私有云可以将多个云组合后为用户提供服务。私有云层中的私有云加入以及退出均需通过混合云管理层中混合云管理中心的管理，利用混合云管理层为云计算技术提供跨云认证、授权以及访问控制等众多保障混合云计算技术良好运行的安全功能。
1.3 控制模块中的PID控制算法
控制模块采用PID控制算法，PID控制器是典型的线性控制算法，依据输入PID控制器中的给定值以及输出值建立PID控制偏差表达式如下：
PID控制器控制规律如下：
将公式（2）转化为转移函数，其表达式如下：
式(3)中，Kp与Ki分别表示比例系数以及积分系数，G与Kd分别表示带宽调节系数以及微分系数。
设置制造业数字化生产线的理想响应作为P、I、D最佳增益的过程即PID控制算法的调谐过程，获取最佳的制造业数字化生产线控制效果。选取工程整定法作为PID控制算法的参数整定算法，确定制造业数字化生产线为开环状态下的动态特性，利用阶跃响应曲线获取可体现控制对象动态特性的各项参数。将所获取曲线拐点做切线，获取控制对象增益K、等效滞后时间T以及等效滞后时间常数L三个参数，整定PID控制算法的控制参数。
PID控制算法整定公式如下：
1.4 混合云计算资源调度方案
通过混合云计算资源调度方案保障制造业数字化生产线控制中的混合云计算资源负载处于均衡状态。
1.4.1 适应度函数
混合云计算技术应用于制造业数字化生产线控制中时，需综合考虑众多因素，保障混合云计算技术可靠运行的同时，提升混合云计算资源利用率，令混合云计算技术可以在最低能耗下运行。
1）CPU使用率
混合云计算技术中的物理节点CPU使用率决定了混合云计算技术中服务等级协议运行状况。充分考虑CPU使用率情况下，获取服务等级协议评价函数表达式如下：
式(7)中，p与UCPU分别表示规定保障服务等级协议的阈值范围以及物理节点的CPU使用率。通过式(7)选取最小CPU使用率的节点。
2）资源剩余率
混合云计算的资源使用率利用剩余资源评估。将混合云计算中的网络、内存、CPU以及硬盘剩余资源与总资源对比，所获取结果即标准化剩余资源。对比标准化以及最小标准化的剩余资源，设置最优解为具有最小资源差的解。
混合云计算技术中的资源剩余率函数表达式如下：
式(8)中，Smin与Si分别表示标准化剩余资源最小值以及维度为i的标准化剩余资源。资源剩余率在利用率均衡度越高时越小，所以本文将较低的不同维度资源剩余率的节点设置为放置节点。
3）节点能耗
利用CPU使用率衡量混合云计算技术中的节点能耗。节点能耗评价函数表达式如下：
式(9)中，Pidle与Pbusy分别表示空载以及满载电能消耗，设置具有较低能耗的节点作为混合云计算的搜索解。
4）多目标适应度函数
综合考虑以上指标，获混合云计算资源调度的多目标适应度函数，其表达式如下：
式(10)中，K表示权重。
1.4.2 适应度函数求解
选取遗传算法获取多目标适应度函数的最优解。
1）选择复制
利用选择操作评价群体中的个体适应性，适应度函数个体选择概率表达式如下：
式(11)中的g(j)为原始适应度值的集合，获取具有最优跨度适应度函数值较高的个体。利用轮盘赌选择策略随机选择数值为[0，1]的数组，所获取数组高于选择概率时，选择该染色体，否则淘汰该染色体。
2）交叉
通过交叉算子形成新个体，选择2个种群内的概率较高的个体，交换所选取的个体，设定交叉概率函数表达式如下：
式(12)中，gavg与max分别表示每代群体的平均适应度值以及种群中的最大适应度值；g'表示概率较大的适应度值的个体。
3）变异
通过变异算子作为形成新个体的辅助方法，交叉算子仅具有全局搜索功能，通过变异算子对个体编码串内的基因值进行调整，令个体从局部出发逼近最优解。变异概率函数表达式如下：
式(13)中，g'表示待变异的个体适应度值。
4）终止条件
混合云计算的收敛终止条件设置为最优跨度适应度函数值的标准差。
终止条件表达式如下：
式(14)中，δ与Scale分别表示收敛阈值以及种群大小，δ∈(0，1)。完成进化后，从所获取的迭代结果中获取具有最高适应度值的染色体，解码该染色体，此时的分配方案即混合云计算技术中任务资源调度的最优分配方案。
2 实例分析
为验证所提出方法在制造业数字化生产线控制中的有效性，选取某省大型制造企业作为研究对象，将混合云计算技术应用于该企业数字化生产线控制中。设置混合云计算平台中包含节点数量为20个，每个节点中包含磁盘空间大小为20GB。设置计算集群数量以及存储集群数量分别为5个以及10个，虚拟机数量为10个，每个虚拟机可执行任务数量为10个，混合云计算平台中的数据块大小为128MB，平台带宽为0.1MBps～1.0MBps，总服务请求数量为10～600个，用户请求时间间隔为0.5s～60s。
本文方法采用资源调度方案确定不同间隔时间段内各任务以及资源的优先级。采用本文方法调度混合云计算技术资源，选取文献[6]方法以及文献[7]方法作为对比方法，则混合云计算的能耗结果如图3所示。
图3 混合云计算能耗
图3实验结果可以看出，采用本文方法调度混合云计算技术的资源，CPU利用率以及内存利用率均为最低，表明采用本文方法的混合云计算技术CPU空闲率以及内存空闲率更高，因此本文方法可有效提升混合云计算节点执行任务时的执行效率。
统计采用三种方法控制制造业数字化生产线过程中的服务等级违背率，对比结果如图4所示。
图4 服务等级违背率
图4实验结果可以看出，采用本文方法控制制造业数字化生产线后，服务等级违背率明显低于另两种方法，原因在于本文方法可以快速获取混合云计算资源调度的最优解，服务等级违背率较低。且随着混合云计算技术运行时间的增加，本文方法的服务等级违背率仍保持在较低状态，以此证明本文方法在混合云计算资源负载较高的情况下，仍具有较高的优势。
统计采用三种方法控制制造业数字化生产线的资源剩余率，对比结果如图5所示。
图5 资源剩余率
从图5实验结果可以看出，采用本文方法控制制造业数字化生产线后的资源剩余率波动较小，且不同时间均低于12%，具有较高的稳定性，说明本文方法实现执行任务时可以高效利用混合云计算平台中的资源。采用本文方法可以集中放置低载节点的虚拟机，高效利用资源，说明采用所设计的资源调度方案可以促进混合云计算集群中的资源利用率提升。
统计采用本文方法控制制造业数字化生产线后，统计三种方法的虚拟机迁移次数，对比结果如图6所示。
图6 虚拟机迁移次数
从图6中的实验结果可以看出，本文方法采用遗传算法求解混合云计算资源调度的多目标适应度函数实现资源调度，可快速获取最优的适应度函数，因此该方法具有最少的虚拟机迁移次数，说明本文方法的资源调度性能最优。
将本文方法应用于该制造企业中运行为期三个月的测试，数字化生产线制造报表如表1所示。
表1 制造企业数字化生产线制造报表
分析表1实验结果可知，采用本文方法后，制造企业的数字化生产线制造水平有了明显提升，验证采用本文方法控制制造业数字化生产线，可明显提升制造企业的生产水平。采用本文方法后该制造企业的生产线操作员可以满足调度需求，满足数字化生产线控制需求。依据表1中的废品数量可以看出，采用本文方法控制制造业数字化生产线，有效降低数字化生产线废品数量，说明本文方法可以有效降低制造企业制造过程的误差。而采用本文方法控制数字化生产线的操作员数量明显有所降低，说明将混合云计算技术应用于数字化生产线控制中，降低了对人力的依赖，提升了企业的信息化制造水平。采用本文方法控制数字化生产线，制造企业制造产品的生产种类以及生产批次有了大幅度增长，呈现上升趋势，验证了本文方法可以提升企业的市场规模，令企业获取更多的制造服务能力。企业生产批次数量明显提升，企业可以满足订单需求，可以提升企业的市场占有率。
3 结语
伴随云计算技术的高速发展，制造业的自动化程度不断提升，制造业数字化生产线控制技术受到人们的关注，制造业数字化生产线的控制得到不断优化，高效推动制造行业进一步发展。采用混合云计算技术可以有效调度制造企业的数据资源，满足制造企业需求，降低企业资源消耗，节约生产成本。将混合云计算应用于制造业数字化生产线控制中，推动了制造业数字化生产线的高速发展，避免生产线出现重复作业情况，保障数字化生产线的有序运行，提升了制造业的生产灵活性，推动了制造业行业的进一步发展。
