舰船云控制系统体系架构及关键技术分析∗

方 兴

（海装驻武汉第四军事代表室 武汉 430205）

1 引言

自20世纪50年代末电子数字计算机应用于直接数字控制系统以来［1］，控制科学便在以计算机技术为核心的信息科学的助推下快速发展，控制理论从基于传递函数模型的经典控制，先后发展到基于受限状态空间模型的现代控制理论，以及涵盖预测控制、鲁棒控制、自适应控制和智能控制等方法的先进控制理论［2］，控制系统从点对点集中式控制发展到以控制网络为普遍要素的网络化控制系统（Network Control System，NCS），控制系统的测控效能不断得到提升。与此同时，以可计算性理论为起点，计算机信息系统从最初的大型机分时共享发展到基于虚拟化技术的分布式云计算架构，实现了计算资源的动态弹性扩展和集约化规模部署，为解决冯·诺依曼计算架构功耗墙和存储墙的瓶颈问题，进一步提升云计算的效能，计算机信息系统逐步向存算一体化、异构加速计算等方向发展。

如图1所示，一直以来，控制科学与信息科学在理论、工程和技术等方面始终保持平行独立发展的态势，虽然部分理论和方法互有借鉴，但二者之间从未有过深层次的交融，控制系统与信息系统之间始终存在架构不兼容、数据不流通、信息不共享的问题。

图1 云控制系统的技术演进路线［3］

在互联网+、大数据、云计算、5G通信、物联网等技术的驱动下，第四次工业革命已然来临，云控制系统（Cloud Control Systems，CCSs）成为实现OT与IT融合发展的核心技术，在云控制系统中，“云”是控制系统中的主体，“云”是控制“大脑”，云控制系统的思想在国内外学术界和工业界已经达成共识，是未来控制系统发展的重要方向，如图1所示。舰船作为一个机械化作战平台，目前，在舰船机电控制系统中广泛应用各类传统的工业控制技术，存在数据无法互操作、技术体制不兼容、设备升级维护困难问题，无法形成一体化战斗能力，随着以美国海军为代表的全舰计算环境（TSCE）的集成应用，为机电控制系统的云化带来了机遇和挑战，但云控制系统的研究尚处于起步阶段，概念和边界还有些抽象、模糊，研究方向也比较发散，尚未形成完备的理论体系和工程实践方法。

2 舰船云控制系统技术架构分析

2.1 舰船云控制系统的支撑技术

云控制系统的重要标志就是在控制系统中引入云计算技术，通过综合运用云计算的优势、网络控制系统的基础理论和其他相关成果［4］，如边缘计算、确定性网络、OPC UA、微服务架构、人工智能等，云控制系统为解决大规模复杂系统的协同控制问题提供了可行的技术途径。

从纵向来看，舰船云控制系统可以看作是网络化控制系统的延伸，网络化控制系统具有连接网络化、传输数字化、结构层次化、信息集中化、控制分散化、协议渐进标准化等特征，舰船云控制系统将基于这些特征进一步深入发展；从横向来看，舰船云控制系统将涉及到信息物理融合系统、多智能体系统以及复杂系统的优化控制［5］，因此也具备这些系统的一般通性，云平台则为控制系统的海量数据处理、系统性能优化以及先进控制理论的工程化实践提供平台技术支持。

图2 舰船云控制系统与相关技术支撑关系

2.2 舰船云控制系统的体系结构

舰船云控制系统的体系结构应涵盖以上所有的技术成分，目前针对云控制系统体系结构的研究比较多，但大多都是基于特定的应用场景来表述，还没有形成统一准确的描述，也缺少具体的框架结构与实现方法。

综合分析，与传统的网络化控制系统体系结构相比，舰船云控制系统的构成要素主要包括舰船云平台、云控制器、通信网络、传感器/执行器以及受控机电设备，如图3所示，其中：

图3 舰船云控制系统体系结构

1）舰船云平台包括中心云和边缘云，云与边一体化协同，作为云控制器的运行载体，提供云边一致的计算框架；

2）云控制器以控制即服务的形式位于云端或边缘侧，对现场设备直接控制；

3）通信网络为融合控制网络和信息网络的一体化网络；

4）传感器和执行器可通过边缘网关或直接接入舰船云平台；

5）受控机电设备与传统网络化控制系统相比可以无差别，但一般更具智能化。

3 舰船云控制系统关键技术分析

3.1 云环境下网络延迟预测补偿控制技术

在基于云的控制系统中，云控制器与受控过程之间的相对位置是动态的，二者之间的往返延迟也随时间动态变化，现场设备与云平台之间的往返延迟范围从几十到几百毫秒，大多数控制系统的采样周期从几百毫秒到几秒，因此，大部分往返延迟可以在采样周期内被吸收，对控制回路没有影响。在云控制系统中，延时包括其中，分别是现场层与云平台之间的传输延时，τcloudc为云平台的处理延时。云环境的不确定性使得传输延时和丢包会以随机方式出现，特别是在长距离网络传输以及资源动态重构的环境下，现场机电设备运行状态的采样数据和云控制器发送的控制指令难以保证在有限的时隙范围内实时传输，影响控制系统的稳定性。因此，需对不可靠网络延时状态进行有效预测，进而通过滚动时域状态估计克服数据包丢失对控制系统的不确定性影响。

如何在不同网络条件下准确界定云控制系统稳定性的边界，是云环境下网络延迟预测补偿控制技术的首要问题，在非实时网络环境下延时预测补偿通常只能解决短暂随机时延导致的不确定性问题，适合采样率不高的非关键控制系统，对于长时延和时间敏感的安全关键控制系统，应结合边缘计算、容错技术和确定性网络等技术［6］，满足不同机电控制子系统的稳定性要求。

3.2 确定性以太网与语义级互操技术（OPC UA over TSN）

为解决以太网CSMA/CD机制无法保证工业数据确定性传输的问题，目前主要有三类方案共计十余种工业标准来改进以太网的实时性［7］，这些异构的工业以太网标准使得舰船机电控制系统的互联互通被限制在各控制域内，无法满足云控制系统对从传感器到云端的数据聚合和数据跨系统的语义互操作性需求。

时间敏感网络（TSN）是IEEE 802.1标准框架下的一套协议标准，以太网协议MAC层提供通用的时间敏感机制，在保证关键数据确定性传输的同时，也可以兼容现有的工业以太网协议，其主要实现思路是将网络中不同需求的流量分配到相应的时间感知队列中，通过流量整形机制为高优先级数据流提供确定的传输时隙，从而保证时间敏感数据有一条确定的传输路径［8］。OPC UA是为解决OPC XML-DA的运行效率问题而开发的能够满足跨平台要求的新一代工业数据访问规范［9］，其核心是数据建模和分布式系统通信，采用面向对象的设计思想对各类机电设备实体进行信息模型，能够处理复杂的数据结构和方法，由于不依赖于具体的底层传输协议，允许各系统组件在异构网络上互操作；OPC UA Pub/Sub模型采用基于内容的消息传递方式将默认Client/Server的结构解耦合［10］，通过全局数据空间进一步提升了互操作的能力。OPC UA规范与TSN相结合（OPC UA over TSN），将信息模型的语义描述从云端延伸至现场层，打破了关键系统和非关键系统之间的通信阻碍，为舰船云控制系统提供一种全局开放式的数据交换模式。

3.3 云边融合的资源一体化调度与容错控制技术

边缘计算［11］的是比雾计算（Fog Computing）和移动边缘计算（Mobile Edge Computing，MEC）更具有广泛意义的计算范式，“云-边-端”三层架构被学术界和工业界确定为未来使能物联网技术的基础架构，而边缘计算则被视为联接物理和数字世界的桥梁，如图4所示。从技术体系来看，边缘计算是云计算的一种能力延伸，主要解决云计算在可靠性、安全性和实时性等方面不足的问题，这些恰恰是舰船云控制系统不可或缺的关键属性，因此边缘计算可作为强化云控制系统能力的重要手段。

图4 云边融合协同控制系统示意图

舰船机电控制系统软件一般采用“单体”结构设计，存在系统耦合度高、平台依赖性强、软件接口复杂、应用容错性差等问题，难以满足云边融合模式下的开发模式和部署需求，无法有效利用灵活、弹性、可扩展的计算资源，因此需采用服务化设计模式对控制系统进行重构，实现可用计算资源与资源需求的映射调度。为保证控制系统的可靠性和安全性，控制器一般采用冗余设计或功能安全设计，将云控制系统的高可靠设计与云计算的容错和高可用技术有机结合，如虚拟机在线迁移、动态可扩展、故障自恢复等，可以使云控制系统兼具灵活性、安全性和可靠性等特点。

3.4 机理模型与数据模型混合的复杂性控制技术

与基于模型的控制理论相比，数据驱动控制理论是在系统精确数学模型或非确定性描述难以获取的情况下，利用在线实时I/O数据或者离线历史数据来直接进行控制器的设计，是控制科学的一条重要技术方向。虽然，目前以机器学习为代表的各种数据驱动控制方法已成功应用到环境感知、决策推理、故障诊断与预测等任务中，但其在动态控制中的理论分析和应用研究仍处于起步阶段。

在舰船云控制系统中，海量数据从机电设备现场层汇聚到云计算中心，呈现出多样性、混杂性和非精确性的特点，数据驱动控制理论可以在复杂、非线性因果关系中，通过表示学习发现隐藏在数据背后变量的不同解释因子，将高维复杂非线性控制问题近似为较低维非线性问题的叠加。因此，在海量规模数据、机器学习模型和高性能算力的支持下，通过大数据驱动的智能云控制技术来解决复杂系统的优化控制问题，具备理论和工程实践上的可行性，并逐渐成为云控制系统的核心要素。

在复杂云控制系统中，没有任何一种控制理论能够适用于所有场景，通常需要多种控制方法配合使用。在基于模型的控制方法中，可以利用数据模型来处理难以建模部分或未知干扰，在数据驱动的控制方法中，可以利用机理模型产生的数据作为数据驱动控制器的初始样本训练集，或对数据驱动控制器的输出控制信号进行修正。

4 基于vPLC的云控制系统架构实现

在舰船机电控制系统中广泛采用可编程逻辑控制器（Programmable Logic Controller，PLC）作为各机电系统现场层的核心控制器，但传统PLC的软硬件耦合度很高，体系结构相对封闭且指令系统各异，存在部署成本高、维护难度大的问题。基于云控制系统体系结构和关键技术的分析，本文在云环境中实现了一种虚拟化的可编程逻辑控制器（Vir⁃tual PLC，vPLC），如图5所示，将PLC的应用模式与云计算的弹性扩展特性相结合，支持冗余控制器、功能全控制器等多种模式的一键自动部署。

图5 基于vPLC的云控制系统体系结构

根据所选择的部署模式，运维部署平台从镜像模板库中下载对应的模板，然后创建并启动相应数量的控制器实例副本，以控制即服务的形式对现场层的设备直接控制。如图6所示，在运行阶段，运维部署平台负责vPLC控制器的全生命周期管理，包括开始、启动、暂停、关闭等操作。

图6 vPLC控制器全生命周期管理

传感器、执行器等现场层数据通过网关接入远程IO映射平台，统一映射到IO数据资源池，各控制器在每次扫描周期开始时，从IO数据资源池中检测输入设备（开关、按钮等）的状态，完成控制任务程序执行后，将输出刷新到IO数据资源池中相应的地址空间，从而实现控制指令的输出，如图7所示。为保证vPLC控制器的实时性，各虚拟机运行嵌入式实时操作系统，并为每一个控制器实例固定分配一个CPU物理核，为vPLC运行时系统提供实时、隔离的运行环境。

图7 云控制系统实现实物图

经测试验证，本文实现的云控制系统符合IEC 61131标准特性，可以实现32轴伺服电机的运动控制，最大支持IO点数不少于10000点，具备功能安全一键自动化部署的能力。

5 结语

云控制系统是多学科交叉发展的产物，涉及到的技术领域和应用场景非常宽泛，不同应用场景下的控制系统在系统架构、数据类型、性能指标、动力学模型、系统复杂度等方面存在显著差异，难以设计一种普适性的模型框架来满足所有的应用需求。因此，云控制系统的发展还存在诸多挑战，主要表现在：1）云控制系统的稳定性和可靠性评估准则，界定能否满足机电控制系统的性能指标要求；2）与云计算服务模式融合的工程化设计问题，对现有控制系统架构进行重构；3）机理模型和数据模型混合的复杂性控制，利用数据模型来处理被控对象难以机理建模部分。