2.1.3　工业无线传感器网络与传感器云

作为工业物联网（Industrial Internet of Things，IIoT）^[204]体系的基础传感层，工业无线传感器网络（Industrial Wireless Sensor Network，IWSN）^[205]是一个监测工业领域数据质量与服务可靠性的强有力的工具^[206]。由于工业无线传感器网络的部署环境通常都具有高温、高湿等不利的因素，同时工业生产的业务流程具有多变性，因此本身电池能量受限的传感器节点便更容易出现失效和故障，给无线传感器网络的可用性维护带来极大挑战，同时严重影响工业领域具有高实时性的数据采集需求。因此，网络的连通性维护和拓扑优化是学者们关注的热点。文献[207]和文献[208]分别针对地理区域覆盖和障碍覆盖进行优化，使得无线传感器网络的节点在部署之后可以移动^[209]，上述两类覆盖的优点是没有考虑离散目标的覆盖，缺点是节点簇的覆盖区域互相之间容易产生干扰。由于工业无线传感器网络节点的电池能量受限，大多数研究都是基于互联目标覆盖（Connected Target Coverage，CTC）进行建模的，所涉及的算法大多引入了能量节约机制，以便维护网络的连通性。常见的一类能量节约方法通过制定位于不同簇中的节点的活跃状态和休眠状态的切换机制来实现能量节约：文献[210]提出了一个基于混合整数规划的最大化覆盖（Maximum Covers using Mixed Integer Programming，MC-MIP）算法，该算法将节点组织成不相交集合覆盖（Disjoint Set Cover，DSC），并实现相继活跃的功能。文献[211]提出了一个最大化集合覆盖的贪心算法，该算法生成的集合可以是相交的，这使得节点可以运行在不同的时间间隔。与基于混合整数规划的最大化覆盖算法相比，最大化集合覆盖的贪心算法在延长网络生存时间方面具有优势。另一类能量节约方法引入功率调控技术来调整传感器节点的传输范围和传感范围：文献[212]提出一种基于虚拟主干网的算法，该算法分别确定每个节点的传输范围，然后对目标覆盖性和网络连通性进行规划。文献[213]设计了一种可调范围的负载平衡协议，该协议将传感器节点的休眠机制与可调范围模型结合，以达到延长网络生存时间的目的。文献[214]提出无线传感器网络数据的提取由五个步骤组成：定义、查找、转化、实体分辨和应答。这些概念性的步骤与传统的数据挖掘领域相关。随着工业制造领域海量多源异构数据的产生，上述概念性步骤背后的技术颠覆了传统领域的认知。可扩展的和分布式的数据采集和管理是数据研究领域具有关键优先级的研究热点。传统关系数据库管理系统缺乏云特性，且成本较高，因此在海量数据和云环境中的应用较少^[215]。在信息化和综合自动化快速发展的背景下，提高企业综合竞争力的基础是在企业生产过程数据和各种信息的综合基础上，采用先进的管理技术，不断实现生产流程和企业管理流程的优化。但是，由于缺乏有效的知识获取手段，尽管生产过程所产生的数据呈爆炸性增长，但从中获取的有价值信息却很少。

在工业制造领域，为了改进流程和控制成本，传统的方法是以事先知道研究对象的特性为前提，然后根据对象的特性加以闭环控制，从而使输出特性符合要求。现有的制造流程建模方法和自动控制方法都是通过这种方式，根据少量有价值的数据进行研究的。但是，现实生活中的很多系统过于复杂，没有对应的理论知识作为支撑，其特性和行为不能被理解和掌握，传统的方法也不能发挥作用。对于复杂的工业生产系统，典型的以数据为中心的研究方法会通过对系统的复杂行为进行信息化，来采集和保存系统的运行过程所产生的大量数据，通过研究这些数据，可以解决现有实验手段不能处理的复杂问题。传统的数据管理分析方案利用数据仓库技术为决策支持所需的联机分析、处理等做信息存储。数据仓库技术需要先将数据从数据源提取出来，通过数据清洗，将数据搬运到数据仓库中进行存储和管理，再用特定的工具从仓库读取数据并生成数据立方体，然后进行数据的分析和挖掘。在面对工业制造领域的海量多源异构数据时，这种方式具有非常大的缺陷。首先，数据仓库面对的是存储于关系表中的关系型数据，而在工业生产过程中，数据的来源有数据采集系统从分布在不同地理位置的各个厂区的各种传感器、工作站以及现场生产控制系统取得的生产过程数据、监控数据、日志数据等，这些数据中包含结构化数据，同时也有大量的非结构化数据和半结构化数据。其次，数据仓库技术涉及大量的数据移动，从数据源经过ETL（Extract Transform Load）将数据存储到数据仓库中，然后在在线分析处理（On-Line Analytical Processing，OLAP）服务器中转化为星型模型或者雪花模型。在分析时，又将数据从数据库中取出。这些代价在GB级时还可以接受，但面对规模达到PB级以上的大数据，其执行时间倍增，更重要的是，制造过程中的运行监测和加工过程中的故障处理等都涉及一定程度的实时性要求，所以这种模式是不可取的。因此，构建一个感知和采集生产线和生产过程中的运行数据，并最大化地挖掘生产过程中数据的隐藏价值的平台，能够推动信息驱动的战略决策和工业控制的实时改进，继而提升企业的综合竞争力。学界和业界认为，由传感器采集到的数据除了要进行储存，与原始数据相关的上下文信息通常还需要进行注释。文献[216]指出，对于每个传感器所读取的上下文，通常涉及它们的度量属性、存储位置、配置信息等。在某些情况下，上下文信息也具有较强的实际意义，但是这将增加存储和查询的难度。文献[217]指出了传感器网络在体系结构设计上面临的挑战，其应当具有高度的灵活性，以适应不同的应用需求。此外，还对传感器网络应用所具有的多种不同体系结构进行了总结。文献[202]提出的Sensor-Cloud是针对管理物理传感器的基础设施体系结构，其使用SensorML^[218]来描述物理传感器的元数据，例如传感器的描述和度量过程。SensorML是一个标准模型，其运用XML编码机制来描述传感器，Sensor-Cloud不会提供传感器数据作为服务，其关注于通过云来管理传感器。文献[219]提出传感器即服务（Sensor as a Service，SenaaS）来对物理和虚拟传感器进行封装，使其以服务的形式呈现在面向服务的体系结构中。SenaaS主要关注于将传感器管理作为服务来提供，而不是将提供传感器感知和采集到的数据作为服务，其包含三层：现实世界接入层、语义覆盖层和服务虚拟化层。现实世界接入层负责与传感器硬件进行通信；语义覆盖层对传感器的配置和运行流程加入语义注释；服务虚拟化层为用户提供便利。文献[220]提出一种无线传感器网络数据采集方法，其传感器层中的每个传感器内均安装有北斗模块，用于目标数据的采集，所采集到的数据依次经过噪声抑制模块、增益放大模块输出至信息融合匹配层；信息融合匹配层使用对应的北斗模块的定位数据来标记每个传感器所采集到的数据，然后将其输出至信息处理层；信息处理层中的各信息处理设备作为相应的传感器的上级设备，用于对传感器上传的信息进行处理，并对传感器进行控制。该方案具有较好的鲁棒性和抗干扰性。但是，针对智能工厂中的工业制造环境，北斗模块的成本太高，更重要的是其在室内的精度和稳定性大打折扣。文献[221]提出一种无线传感器网络中基于不等中继集合的数据传输调度方法，其关键点在于依据无线传感器网络能量消耗所特有的近基站能量消耗大，而远基站节点能量消耗小且有大量能量剩余的特征。在该方法中，针对远基站区域传输数据的节点，为其选择数量较大的中继节点。选择的中继节点数量越大，则节点需要等待中继节点醒来的等待时间越短，数据传输延迟也就越小。与现有方法相比，该方法整体上能够在不缩短网络寿命的情况下提高数据传输的可靠性，并减小数据的传输延迟。但是，智能工厂中的物理环境和生产环境都是复杂和多变的，对中继节点的选择虽然在表面上具有一定的合理性，但在实际操作中，传输失败后重传次数较多，会严重影响节点的剩余能量，进而缩短网络生存时间。文献[222]提出一种无线传感器网络节点的智能唤醒方法，具体包括：将监视区域划分网格，获取传感器位置信息；确定网格的重要程度，计算传感器节点的有效监控范围，获取属于传感器有效监控范围内的网格；计算所有网格的监测效率；计算每个节点感知区域权重；计算每个节点的唤醒概率，依据唤醒概率对节点进行唤醒。其引入了“重要程度”和“有效范围”的概念，将单个传感器测量范围的重要性进行量化，唤醒概率由量化值决定。这种方式使得工作节点的数目减少，能在保证监测性能的同时节省更多的能量。但是，对于智能工厂中工业无线传感器网络的节点来说，由于生产线和生产环境中数据的产生频率很高，此外为了保证数据采集的可靠性，节点转入休眠的机会很少。针对上述情况，需要通过研发拓扑优化和功能调控算法来实现节约节点能量和延长网络生存时间的目标。

前述研究工作缺乏对工业环境特有的特殊属性的考虑，大多数方法的设计理念没有体现与实际生产环境中制造系统和生产过程特有体系结构的对应，其实用性和有效性难以令人满意。

在传感器云概念提出之前，已经有研究工作涉猎了云计算的实时通信^[223][224]，且有若干研究工作专注于传感器与云框架的集成。文献[202]在传感器云体系结构的构建和机遇方面给出了较为清晰的论述。文献[225]考虑从健康监测的角度来将传感器与云进行集成。为了获得健康数据传输所需的最大带宽，作者关注于网关的优化选择。文献[226]针对基础研究提出了一个发布/订阅模型，该模型基于事件通知展示了发布者与订阅者之间的交互。针对系统中互相不熟悉的实体之间的数据转移，在云环境下形成集成性传感器节点。文献[227]列出了将无线传感器网络与云集成时所面临的挑战，并提出了专注于软件即服务（SaaS）应用程序的传感器云框架。此外，作者还提出了名为统计组索引匹配的机制，将其与已有算法进行比较评估，以实例阐明该机制的性能。文献[228]给出了与文献[227]类似的方案，作者基于对传感器云多样化特性的理解、多种可扩展功能的实现、隐私保护，给出了面临的挑战。此外，还为理解前述问题划定了基准线。文献[229]提出了将大量传感器数据从本地存储转移至云存储的方法，且数据处理的任务也交由云网关来执行，进而获得了较好的能量节约性能。为了执行数据筛选，作者在云中使用反向传播网络对提出的算法进行训练。文献[230]给出了关于传感器云的较为详尽的综述，包含概念、固有特性以及应用优势。针对采用不同算法的方案，作者将消息流的类型进行了分析比较，此外给出了该领域的技术挑战。虚拟化方面，文献[231]针对水下传感器网络通过节点的自组织来实现拓扑虚拟化。

在前述研究工作中，绝大多数都列举并讨论了传感器云的裨益以及伴随而来的挑战，几乎没有关注设计面向工业领域的特定应用框架和数据融合方案的研究工作。尽管传感器云领域的研究如火如荼，但在对基于传感器云的工业应用系统的性能及可靠性进行分析和评估时，却缺乏普适的理论模型。

工业制造已经进入“大数据”时代，企业所管理的数据的规模、种类和复杂度都在以前所未有的速度增长。在当前竞争激烈的工业市场环境下，各类公司和企业都具有提升生产效率、降低生产成本以及达到企业财务目标等需求。目前，随着大量陈旧工业系统的老化，企业很难应对工业制造市场的动态需求，急需引进智能的、低成本的工业自动化系统来提高上述系统的生产力和生产效率。工业无线传感器网络固有的协同性能够给传统的有线工业监控系统带来若干优势，例如自组织性、快速部署性、灵活性和固有的智能处理能力。因此，工业无线传感器网络在构建可靠度高且自愈性强的工业系统的过程中扮演着很重要的角色，这些工业系统能够迅速地对实时事件进行响应并采取合适的操作。

针对工业领域海量多源异构数据的融合需求所对应的理论与技术挑战，本章提出了新型的工业无线传感器网络数据融合体系结构，其能够实现制造系统网络层面的纵向集成，使所有设备形成一个自组织的、具有高度灵活性和可重配置性的制造系统。通过对关键技术进行研究与攻关，研发面向智能工厂中生产线和生产过程的数据融合与异常检测系统，其能够实现关键设施的设备诊断、能耗分析、质量追溯和产能分析等，还可以对生产状态进行评估和预测，根据当前的各项状态参数对生产模式进行实时调整，对智能工厂的运行和管理进行建模和优化，从而实现提高生产效率、降低生产成本的目标。