基于云平台的智能仓储告警系统

沈航，段茹茹，陈超，孙煜

（1.广东省工业边缘智能创新中心，广东 深圳 518057；2.研祥智能科技股份有限公司，广东 深圳 518107）

关键字：云平台；告警系统；卷积神经网络；监控告警机制；MQTT 协议

1 引言

在工业互联网技术迅猛发展的同时，工业互联网越来越广泛应用于智能生产制造中，越来越多的的企业将设备接入互联网，基于大数据处理技术实现智能决策与柔性制造。智能仓储设备作为车间生产中的关键设备，主要利用数据库识别技术，结合仓储功能，提供物料实时存储与高效管理功能，保障从接收到待存储物料开始，到将物料准确无误的运送到车间的全部过程顺利执行。因此，智能仓储设备如何保证正常运转，故障报警信息及时响应，是智能仓储设备监控的迫切需要。

2 相关技术介绍

云计算是一种虚拟化资源，通过互联网的形式提供用户的计算共享模式，实现资源的动态伸缩。云计算作为一种虚拟化服务，提供各种付费共享资源，包括应用程序、计算能力、存储能力、网络、编程工具，以及通信服务和协作工作等[1]。云计算的本质就是要把一切资源汇集到云中，用户只需通过某种设备接入云中即可。借助于智能仓储物联网云平台，各种服务器、网络设备等都能轻易整合到一起，从而大大提高工作效率，降低各地智能仓储物联网建设的投入。

卷积神经网络作为深度学习框架中的一种，广泛应用于图像识别、语音设备、视觉检测与生物信息学等各种领域。卷积神经网络以监督的方式进行训练，本质上是学习从输入到输出的映射关系，不需要复杂的数学函数，经过训练就可以得到映射关系[2]。卷积神经网络在使用时得到大量的数据测试，可以避免人为主观抽取显性特征，从而可以学习到隐含的映射关系[3]。

3 系统描述

3.1 总体架构

本文提出的智能仓储告警系统，在云端利用卷积神经网络进行目标识别检测气阀仪表盘数据，通过Modbus协议采集设备运行关键数据，同时通过部署日志读取程序，读取设备告警日志信息。最后，将仪表盘数据、设备运行关键数据及告警日志信息对接云平台，经由工业网关通过网络传输至智能仓储监测系统，设备运行异常时可触发告警规则，对设备运行状态进行实时监控。

智能仓储告警系统主要由设备层、网关层及云平台三大部分组成，其系统架构如图1 所示。

图1 智能仓储系统总体架构

设备层：主要提供底层数据，智能仓储监测系统底层对接数据主要由生产日志告警数据、气源压力数据及设备运行关键数据组成，将气源压力数据和采集到的设备运行关键数据统称为设备状态数据。

网关层：日志读取数据部署在智能仓储主机，由主机通过企业内部网络传输至工业网关，由工业网关对日志进行解析并上传至云平台；仪表盘数据读取程序直接部署在工业网关上面，基于卷积神经网络算法进行图片数据读取并上传至云平台；对通过Modbus 协议采集设备运行关键数据进行协议转换，转换为MQTT 协议后上传至云平台。

云平台：经工业网关汇总后的数据以MQTT 协议传输到平台的Datastream 进行数据清洗，并触发对应告警；Kafka 接收Datastream 清洗后的数据；处理后的数据经Kafka 传送到TSDB 数据库进行保存；TSDB 消费Kafka的实时数据进行存储并对外提供查询服务。云平台提供智能仓储告警系统人机交互界面，可以对TSDB 数据进行实时展示，提供告警界面，可以实时查看设备告警异常数据和设备运行数据。

3.2 仪表盘数据读取

智能仓储设备的接料送料机在工作过程中会引起气源压力仪表盘的变化，在启动接料送料机瞬间其指针会大幅度变化。由于在毫秒级内气阀指针变化可达270°，肉眼难以捕捉，现场操作人员无法根据气阀变化察觉出设备异常。因此，本文采用一种基于卷积神经网络的目标检测方法，对仪表盘数据进行读取，可精准读取指针数据，并将数据传输至智能仓储报警系统，如果运行有异常，会触发告警规则及时报警。

智能仓储设备中一般有若干个大小尺寸不等的仪表盘，通过相机获取仪表盘数据图片，然后将图片通过主干网络的系列卷积和下采样操作提取特征图，接下来经过系列采样和卷积得到超高分辨图像，同时可以得到融合了同尺度浅层特征后的特征图。其中，主干网络借鉴残差网络的设计，采用DarkNet53 结构，共有53 个卷积层，卷积核大小为3×3 和1×1，共计5 次压缩，最终得到尺寸为输入图片尺寸1/32 的特征图，与传统ResNet 相比，在保证检测准确度的情况下，检测速度提高了2 倍。网络模型沿用YOLOv3 检测结构，在三个尺度上进行检测，利用非极大值抑制算法得到最终检测结果；模型采样和特征融合交替进行，上采样通过转置卷积的方式，最后将训练好的模型用于读取指针数据并输出仪表板指针数据，读取数据后以MQTT 协议的形式将数据推给时序数据库。

（1）构造目标函数 在本文设计的网络结构中，涉及到图像超分重建和目标检测两个任务进行训练优化。其中，针对图像超分重建，模型采用L1 损失函数计算损失值：

经过以上分析，则总的损失函数为两个子损失函数的加权和：

式中，α、β分别表示两个子损失函数的权重，通过考虑的两个子损失函数同方差不确定性来衡量各个损失函数，从而达到权重自适应的效果。

（2）网络参数初始化 网络参数初始化方式会影响收敛速度及最终优化效果。本方案中结合预训练权重加载和随机初始化两种方式，通过预先在数据集上训练两者的权重参数，从而达到加速收敛速度及提高优化效果的目的。对于其他新的网络层，模型采用服从高斯分布进行初始化。

（3）非极大值抑制 由于检测尺度的不一致性及候选框的交叉重复，算法可能对同一目标产生多个预测框。为了去除冗余的边界框，进一步采用NMS 算法对冗余边框进行处理，保证最终检测结果的准确性。针对每一类别的边界框，NMS 算法步骤如图2 所示。

图2 NMS 算法流程图

将训练好的模型用于仪表数据读取，以JSON 数据标准格式输出，并且通过MQTT 协议发送到云平台的数据库，假设采集现场传给仓储报警系统的设备数据包含4个表盘，则输出数据格式示例如下：

device 表示设备ID，可在定义好后导入到智能仓储系统平台，或在平台直接创建后获取，必须唯一，示例中智能仓储设备ID 为EMYX-CKS001；ts 表示JSON 格式中的时间戳，用于记录数据采集时间；values 代表该条数据的数据值。

3.3 监控告警机制

智能仓储系统设有阈值判断模块和告警信息去重模块。阈值判断模块负责根据设备上传到数据库中的运行数据判断是否触发告警规则并上报，其中告警规则来源于专家知识库，专家知识库中的告警规则来源于专家自定义的越限告警规则。为了防止漏报告警信息，信息上报频率较快，虽然提升了告警灵敏度，但同时也会导致同一告警事件多次上报，提升了告警的重复率，因此有必要引入告警信息去重模块，去除冗余告警信息。

（1）阈值判断模块 时序数据库的数据包设备状态数据和设备告警数据。设备状态数据经由工业网关采集后传送至时序数据库，阈值判断模块抓取数据库中的设备状态数据，并根据告警策略判断设备状态数据是否异常，一旦设备异常会触发告警并对设备进行标记，标记后的信息称为告警信息，告警信息一般包含设备信息、告警级别、告警内容。最后，阈值判断模块将得到的告警信息传输至告警去重处理子模块。

智能仓储设备大都应用于网络不稳定的工业环境，随着数据量的增加，会带来设备数据上报时序错乱问题。为了解决这一问题，在抓取到设备状态时间序列之后，增加时间滑动窗口，对时间框内的时间序列数据滑动不同单位，并每个数据计算一次，确保检测效率，实现了实时流计算，避免了大量错误的告警事件，提供了良好的数据控制机制。

下面以CPU 温度告警规则为例，具体说明时间滑动窗口的运行机制流程：

1）告警规则：抓取并统计设备CPU 温度，需监控CPU 温度持续上升次数，当连续4 次上升的温度值超出设定的阈值时触发告警。

2）数据上报：设备数据每两秒上报一次。

3）数据延时：最大为2 s。

4）统计单元：6 个。其中有效单元4 个，预留2 个单元。

设定每个窗口的大小为4 s，4 个有效窗口，共需16 s，当统计的告警数据4 次均超过设定阈值时，由于预留2个单元，则会在18 s 时产生告警。

（2）告警信息去重模块 通过阈值判断模块后得到的设备越限告警信息，将随设备告警数据一起被重新加工处理。告警去重处理子模块把获得的越限告警信息进行分类，然后对不同种类和维度的告警信息赋予不同的权重，最后采用Simhash 算法进行去重，得到最终需要上传的告警信息。

告警信息去重模块详细流程如下：

1）读取原始告警信息中的一条告警数据，记其中一个维度（告警发生的时间）为t0，并且对设备类型、告警级别、事件类型等其他文本类和数字类维度进行Hash 函数编码，得到Simhash 签名。

2）顺次读取告警信息。

3）若新来的告警信息的发生时间维度ti满足tit0≤T，则在步骤1 中重复算法过程，得到 Simhash 签名后比较海明距离，满足阈值（T=2）即视为重复告警，并将告警信息过滤掉。

4）若新来的告警信息的发生时间ti满足ti-t0>T，则从时间窗口的第一位告警信息一次往下判断，知道第n位的告警信息的时间维度tn满足ti-tn>T，就会将第n位告警信息置顶，并设定时间为为t0。

5）重复2～4 步骤，得到上报的去重后的告警信息。

4 结束语

本文通过研究智能仓储设备监控现状，提出一种智能仓储设备告警系统，通过采集设备运行状态数据和告警数据，实时监控设备健康状况。保证设备运行稳定，具有应用价值。另外，随着产业互联网技术、云计算技术的逐步成熟，为仓储业务平台云计算的集中管理和灵活分配调度提供了实现的可能性，云平台的建设费用和后期维护费用也大大降低。