藍(lán)波，吳昊，王一澤，王振超

（北京石油化工學(xué)院 信息工程學(xué)院，北京102617）

基于制造物聯(lián)的生產(chǎn)數(shù)據(jù)采集與應(yīng)用技術(shù)研究

藍(lán)波，吳昊，王一澤，王振超

（北京石油化工學(xué)院 信息工程學(xué)院，北京102617）

文中針對(duì)生產(chǎn)車間現(xiàn)場(chǎng)信息準(zhǔn)確采集及有效應(yīng)用等關(guān)鍵問題，研究資源信息標(biāo)識(shí)方法，支持對(duì)生產(chǎn)信息的采集以及生產(chǎn)車間物聯(lián)環(huán)境的構(gòu)建；提出制造物聯(lián)環(huán)境下的數(shù)據(jù)清洗方法，在保證數(shù)據(jù)準(zhǔn)確率的基礎(chǔ)上能夠更好適應(yīng)標(biāo)簽移動(dòng)的生產(chǎn)場(chǎng)景；提出集成數(shù)據(jù)融合估計(jì)理論的卡爾曼濾波數(shù)據(jù)處理方法，支持對(duì)多傳感器的數(shù)據(jù)融合。并在實(shí)驗(yàn)室以慣組測(cè)試過程為應(yīng)用對(duì)象進(jìn)行數(shù)據(jù)處理模擬分析，驗(yàn)證了本文所提技術(shù)的可行性和有效性。

制造物聯(lián)；RFID；數(shù)據(jù)清洗；數(shù)據(jù)融合；卡爾曼濾波

制造物聯(lián)是物聯(lián)網(wǎng)相關(guān)技術(shù)在制造業(yè)的應(yīng)用及發(fā)展，即物聯(lián)網(wǎng)技術(shù)與日益發(fā)展的先進(jìn)制造技術(shù)相結(jié)合以支持智能化制造模式，其能夠推動(dòng)工廠環(huán)境不斷向智能化方向轉(zhuǎn)變[1]。此技術(shù)的發(fā)展在德國(guó)被定義為工業(yè)4.0，即工業(yè)革命的第四個(gè)階段。制造物聯(lián)技術(shù)能有效實(shí)現(xiàn)產(chǎn)品生產(chǎn)過程中多中信息的綜合采集、優(yōu)化處理和智能監(jiān)控，為產(chǎn)品生產(chǎn)過程控制和管理提供更加泛在的、優(yōu)化的信息感知、傳遞與應(yīng)用基礎(chǔ)。

產(chǎn)品制造過程及現(xiàn)場(chǎng)信息的采集是典型的多源異構(gòu)信息實(shí)時(shí)采集和多目標(biāo)狀態(tài)追蹤問題，需采集的信息具有不確定、冗余、以及易受干擾等特征，需要充分結(jié)合生產(chǎn)環(huán)境以及業(yè)務(wù)目標(biāo)，轉(zhuǎn)換為實(shí)時(shí)可靠的反映生產(chǎn)過程狀態(tài)的有效信息，才能夠有效利用以支持生產(chǎn)控制及管理?；诖耍疚奶岢龌凇靶畔?biāo)識(shí)—數(shù)據(jù)清洗—數(shù)據(jù)融合”的制造物聯(lián)車間生產(chǎn)數(shù)據(jù)采集與應(yīng)用關(guān)鍵技術(shù)研究。基于RFID、傳感器等物聯(lián)網(wǎng)技術(shù)，研究產(chǎn)品及生產(chǎn)資源的信息標(biāo)識(shí)方法，支持車間物聯(lián)環(huán)境的構(gòu)建以及生產(chǎn)現(xiàn)場(chǎng)資源的識(shí)別、監(jiān)控；在卡爾曼濾波模型的基礎(chǔ)上研究RFID采集數(shù)據(jù)的清洗技術(shù)以及面向多傳感器的數(shù)據(jù)融合技術(shù)，以更好適應(yīng)生產(chǎn)線上標(biāo)簽的頻繁移動(dòng)及躍遷場(chǎng)景并有效降低單一傳感器獲取數(shù)據(jù)的局限性或不確定性[2-4]。以上關(guān)鍵技術(shù)能夠更快速、準(zhǔn)確地獲取真實(shí)的生產(chǎn)狀態(tài)信息，支持企業(yè)生產(chǎn)系統(tǒng)、信息系統(tǒng)的有效運(yùn)作。

1 基于制造物聯(lián)的產(chǎn)品及生產(chǎn)資源信息標(biāo)識(shí)

產(chǎn)品生產(chǎn)過程中，零部件及專用生產(chǎn)設(shè)備、物料、物流設(shè)備、特殊工藝區(qū)域等制造資源都需要進(jìn)行狀態(tài)感知和數(shù)據(jù)采集，因此，有必要結(jié)合條碼技術(shù)、RFID技術(shù)和傳感網(wǎng)等多種物聯(lián)技術(shù)，對(duì)生產(chǎn)現(xiàn)場(chǎng)各種資源如產(chǎn)品零件部件、生產(chǎn)裝備、物流裝備進(jìn)行標(biāo)識(shí)，并基于不同類別的標(biāo)識(shí)方法支持對(duì)設(shè)備屬性、物料屬性、環(huán)境現(xiàn)狀、設(shè)備人員行為狀態(tài)等靜態(tài)、動(dòng)態(tài)多源信息的感知[5]。

對(duì)生產(chǎn)現(xiàn)場(chǎng)實(shí)物標(biāo)識(shí)方法一般基于國(guó)際、國(guó)家以及具體行業(yè)對(duì)物料、工裝、設(shè)備、產(chǎn)品零部件等管理所建議的編碼體系規(guī)定來完成，并結(jié)合產(chǎn)品制造、裝配和服務(wù)過程中提出的物料、物品具體管理要求。例如，按照EPC Global標(biāo)準(zhǔn)對(duì)物品的標(biāo)識(shí)數(shù)據(jù)格式和存儲(chǔ)方式進(jìn)行分類定義，按照各類物品狀態(tài)持續(xù)性技術(shù)的需求確定標(biāo)識(shí)的存儲(chǔ)容量和讀寫方式，按照物品的狀態(tài)獲取需求確定具體標(biāo)識(shí)技術(shù)的類型和加裝方式，并考慮物品的物理和功能特性、應(yīng)用和布置環(huán)境的要求、所需存儲(chǔ)信息的內(nèi)容以及RFID標(biāo)識(shí)、條碼等不同物聯(lián)標(biāo)識(shí)技術(shù)的應(yīng)用特點(diǎn)[5]。文中針對(duì)一般離散制造車間的實(shí)物標(biāo)識(shí)提出如下初步標(biāo)識(shí)方案：對(duì)專用的車間裝備（如專用數(shù)控設(shè)備、工裝），應(yīng)用RFID標(biāo)識(shí)方式存儲(chǔ)生產(chǎn)裝備的基本屬性和歷史維護(hù)信息，應(yīng)用傳感器實(shí)時(shí)準(zhǔn)確感知和傳輸其工作狀態(tài)信息；對(duì)托盤等盛放小型零部件及物料的器具，應(yīng)用RFID標(biāo)簽方式實(shí)現(xiàn)對(duì)其的追蹤和定位；對(duì)物料等實(shí)物，根據(jù)其具體屬性和需求，應(yīng)用RFID和條碼的混合標(biāo)識(shí)方式實(shí)現(xiàn)不同的標(biāo)識(shí)功能；對(duì)有特殊工藝需求的工作場(chǎng)景，應(yīng)用溫濕度、煙霧、氧濃度等傳感器實(shí)現(xiàn)對(duì)現(xiàn)場(chǎng)環(huán)境的感知；應(yīng)用RFID標(biāo)簽對(duì)車間生產(chǎn)人員和管理人員等進(jìn)行身份識(shí)別。在產(chǎn)品零部件中，對(duì)關(guān)鍵零部件，應(yīng)用大存儲(chǔ)量的RFID標(biāo)簽進(jìn)行標(biāo)識(shí)，支持對(duì)其制造過程的歷史信息進(jìn)行記錄；應(yīng)用條碼方式標(biāo)識(shí)信息變化量較少的儀器設(shè)備；對(duì)大量消耗的小型或通用型配件，為減少標(biāo)識(shí)難度及工作量，可將其與托盤等盛放器具進(jìn)行信息關(guān)聯(lián)，應(yīng)用RFID標(biāo)識(shí)方式實(shí)現(xiàn)追蹤及定位[6-8]。不同實(shí)物資源根據(jù)實(shí)際需求，需要標(biāo)識(shí)的內(nèi)容會(huì)有所不同，概念設(shè)計(jì)如圖1所示。

圖1 資源標(biāo)識(shí)方法及內(nèi)容

2 基于制造物聯(lián)的數(shù)據(jù)處理關(guān)鍵技術(shù)

在制造物聯(lián)環(huán)境中，采集到的數(shù)據(jù)往往呈現(xiàn)出很強(qiáng)的連續(xù)性、冗余性及易受干擾性，因此應(yīng)通過數(shù)據(jù)清洗實(shí)現(xiàn)數(shù)據(jù)的準(zhǔn)確性。經(jīng)證明卡爾曼濾波模型是目前去噪效果較好的一種方法，已經(jīng)得到廣泛的研究及應(yīng)用。本文在卡爾曼濾波模型的基礎(chǔ)上，進(jìn)一步引入新的數(shù)據(jù)處理技術(shù)和算法，深入研究面向RFID的數(shù)據(jù)清洗以及面向多傳感器的數(shù)據(jù)融合。

2.1 基于卡爾曼濾波的自適應(yīng)窗口數(shù)據(jù)清洗

卡爾曼濾波方法能夠保證較高的數(shù)據(jù)清洗[9-12]準(zhǔn)確率，但對(duì)于標(biāo)簽的頻繁移動(dòng)則存在靈敏性和準(zhǔn)確性較差的問題，且算法復(fù)雜度較高。本文在卡爾曼濾波模型的基礎(chǔ)上，應(yīng)用滑動(dòng)窗口技術(shù)進(jìn)行數(shù)據(jù)的采集和處理，基于標(biāo)簽的運(yùn)動(dòng)特征來調(diào)整窗口的大小，能夠較好適應(yīng)標(biāo)簽移動(dòng)和躍遷的生產(chǎn)場(chǎng)景。

文中提出的數(shù)據(jù)清洗過程在總體上包括估計(jì)值更新、測(cè)量值優(yōu)化和窗口再調(diào)整3部分。估計(jì)值更新指算法根據(jù)閱讀器在上一閱讀狀態(tài)識(shí)別數(shù)據(jù)的估計(jì)值，計(jì)算得出對(duì)本次閱讀狀態(tài)的估計(jì)值。測(cè)量值優(yōu)化指根據(jù)本次閱讀狀態(tài)的測(cè)量值，修正上一閱讀狀態(tài)更新的估計(jì)值，計(jì)算得出更準(zhǔn)確的新的估計(jì)值，估計(jì)值更新和測(cè)量值優(yōu)化實(shí)現(xiàn)了感知數(shù)據(jù)的自然回歸，使其不斷靠近真實(shí)值。窗口再調(diào)整是指以適應(yīng)RFID標(biāo)識(shí)的移動(dòng)及躍遷為目標(biāo)進(jìn)行相應(yīng)閱讀窗口大小的調(diào)整，窗口調(diào)整在當(dāng)前數(shù)據(jù)經(jīng)過卡爾曼濾波處理后進(jìn)行。在標(biāo)簽移動(dòng)次數(shù)較少的情況下建議取較大的窗口，有利于提高算法數(shù)據(jù)處理的速度；在標(biāo)簽運(yùn)動(dòng)較為頻繁的情況下建議取較小的窗口，有利于于提高算法數(shù)據(jù)處理的準(zhǔn)確率。

在卡爾曼濾波模型基礎(chǔ)上應(yīng)用滑動(dòng)窗口技術(shù)，以自適應(yīng)標(biāo)簽移動(dòng)的數(shù)據(jù)清洗步驟具體描述如下：

步驟1：設(shè)標(biāo)簽運(yùn)動(dòng)速度為v，RFID閱讀器的每一個(gè)閱讀周期時(shí)間為T、閱讀覆蓋范圍半徑為R，定義在標(biāo)簽運(yùn)動(dòng)經(jīng)過閱讀器閱讀區(qū)域時(shí)，閱讀器有f個(gè)閱讀周期來獲取標(biāo)簽中的信息，f=R/（v×T）。 據(jù)此定義計(jì)算f值，將其作為初始參數(shù)，并取窗口大小的初始值為1，帶入清洗過程。

步驟2：在本次設(shè)置的窗口中，首先對(duì)閱讀器獲取的數(shù)據(jù)進(jìn)行預(yù)處理。當(dāng)前值預(yù)處理具體計(jì)算公式如下：

閱讀器對(duì)FRID標(biāo)識(shí)的讀取具有一定的靈敏度，并非每次都能識(shí)別相關(guān)數(shù)據(jù)，因此定義任意一個(gè)閱讀周期內(nèi)有效的閱讀次數(shù)所占該周期內(nèi)讀寫器執(zhí)行的總閱讀次數(shù)的比例為該閱讀器的識(shí)別率。公式（1）中，xk-1表示第k-1個(gè)閱讀周期內(nèi)的識(shí)別率，Δt表示相鄰兩個(gè)閱讀周期之間的時(shí)間差，sk-1是第k-1個(gè)閱讀周期內(nèi)的閱讀噪聲。算法對(duì)多個(gè)閱讀周期的識(shí)別率進(jìn)行直線回歸分析，擬合直線y=a+bk的斜率為b，計(jì)算公式如下：

公式（2）中，zk表示第k個(gè)閱讀周期內(nèi)直接通過閱讀器閱讀得到的識(shí)別率，sk表示第k個(gè)閱讀周期內(nèi)的閱讀噪聲，初次設(shè)置其他系統(tǒng)參數(shù)的初始值均為1。

步驟3：基于步驟2計(jì)算得到的xk、zk，進(jìn)行卡爾曼濾波數(shù)據(jù)清洗處理，主要包括估計(jì)值更新和測(cè)量值優(yōu)化兩個(gè)過程。

估計(jì)值更新公式：

測(cè)量值優(yōu)化公式：

式中定義x-k為在第k-1閱讀周期中得出的先期數(shù)據(jù)估計(jì)值，xk表示由第k個(gè)閱讀周期中測(cè)量值z(mì)k計(jì)算得出的本期數(shù)據(jù)估計(jì)值。定義Kk為第k個(gè)閱讀周期的卡爾曼增益，用來計(jì)算最小本期數(shù)據(jù)估計(jì)誤差的均方差。定義p′為前期數(shù)據(jù)估計(jì)誤差的均方差，p為本期數(shù)據(jù)估計(jì)誤差的均方差。首先通過估計(jì)值更新預(yù)測(cè)前期數(shù)據(jù)估計(jì)值x-k，再通過測(cè)量值優(yōu)化對(duì)本期數(shù)據(jù)估計(jì)值xk進(jìn)行修正得到下一閱讀狀態(tài)的前期數(shù)據(jù)估計(jì)值。通過公式（4）～（8）的遞歸計(jì)算對(duì)當(dāng)前數(shù)據(jù)進(jìn)行處理。

步驟4：RFID閱讀器對(duì)實(shí)物標(biāo)簽的信息獲取可以看作是隨機(jī)事件，因此在窗口內(nèi)獲取標(biāo)簽信息的次數(shù)應(yīng)滿足貝努力分布 B（ωi，pavgi）。 其中 ωi表示重復(fù)實(shí)驗(yàn)次數(shù)，即一個(gè)窗口內(nèi)包含的閱讀器閱讀周期的個(gè)數(shù)，也就是在一個(gè)窗口內(nèi)閱讀器可以重復(fù)讀取標(biāo)簽的次數(shù)；pavgi表示事件發(fā)生概率，即在能夠在一個(gè)窗口內(nèi)讀出標(biāo)簽的平均概率。置信度δ定義為δ=pavgi/f，根據(jù)f的值動(dòng)態(tài)設(shè)置。滿足以下充分條件可保證標(biāo)簽被讀到：

計(jì)算窗口ω的大小。

步驟5窗口再調(diào)整。

首先判斷標(biāo)簽是否在閱讀半徑內(nèi)。標(biāo)簽?zāi)軌虮蛔x到則表示標(biāo)簽位于閱讀半徑內(nèi)，如計(jì)算出的窗口值大于本次窗口的設(shè)定值，則在本次窗口值基礎(chǔ)上加初始設(shè)定的調(diào)整值，繼續(xù)執(zhí)行判斷算法，如計(jì)算出的窗口值小于本次窗口的設(shè)定值，則用新的窗口值替代本次窗口值；如標(biāo)簽不能被讀取，則表明標(biāo)簽沒有包含在閱讀半徑內(nèi)，則重新定義窗口初始值，以新的數(shù)據(jù)進(jìn)行算法處理。

因此，在使用卡爾曼濾波清洗數(shù)據(jù)時(shí)，利用滑動(dòng)窗口技術(shù)可以動(dòng)態(tài)調(diào)整窗口的大小來確定一個(gè)閱讀周期內(nèi)包含的數(shù)據(jù)采集次數(shù)，并對(duì)每個(gè)閱讀周期的識(shí)別率進(jìn)行計(jì)算，將動(dòng)態(tài)的識(shí)別率根據(jù)實(shí)際探測(cè)需求應(yīng)用到整個(gè)數(shù)據(jù)清洗過程。

2.2 基于集成式卡爾曼濾波的數(shù)據(jù)融合

在復(fù)雜工藝環(huán)境中，單個(gè)傳感器對(duì)同一被測(cè)對(duì)象或系統(tǒng)的感知數(shù)往往具有一定的局限性，需要在不同位置布放多個(gè)傳感器保證采集信息的全面性和完整性，因此有必要對(duì)多傳感器的感知數(shù)據(jù)進(jìn)行合并融合估計(jì)以獲取更準(zhǔn)確的系統(tǒng)狀態(tài)數(shù)據(jù)。本文基于經(jīng)典的卡爾曼濾波模型，集成數(shù)據(jù)融合估計(jì)理論，提出集成式卡爾曼數(shù)據(jù)融合算法以消減單一傳感器獲取系統(tǒng)數(shù)據(jù)時(shí)的局限性[13-16]。

基于卡爾曼濾波本質(zhì)上屬于線性最小方差估計(jì)方法，設(shè)定本方法中關(guān)于被測(cè)目標(biāo)X的各個(gè)傳感器感知信息均可由式（11）表示：

上式中，vi表示第i個(gè)傳感器測(cè)量信息的噪聲，滿足 E[vi]=0，E[vivi]=Ri，Ci表示第 i個(gè)傳感器測(cè)量信息的映射矩陣，Y1、Y2…Yn之間相互獨(dú)立。

設(shè)共布放n個(gè)傳感器對(duì)被測(cè)對(duì)象的狀態(tài)進(jìn)行信息感知，定義測(cè)量數(shù)據(jù)矢量方程為為:

則廣義測(cè)量方程為：

式中：

面向多傳感器的集成式數(shù)據(jù)融合估計(jì)可以通過以下公式實(shí)現(xiàn)：

算法流程如圖2所示。

圖2 集成式數(shù)據(jù)融合估計(jì)算法

3 實(shí)驗(yàn)驗(yàn)證及分析

3.1 數(shù)據(jù)清洗

在實(shí)驗(yàn)室環(huán)境下對(duì)本文提出的數(shù)據(jù)清洗技術(shù)進(jìn)行驗(yàn)證。首先通過在實(shí)際數(shù)據(jù)的基礎(chǔ)上加入干擾來實(shí)現(xiàn)對(duì)RFID閱讀器獲取的初始數(shù)據(jù)的模擬，進(jìn)而在該模擬環(huán)境中先后應(yīng)用基本卡爾曼濾波模型和本文提出的數(shù)據(jù)清洗算法進(jìn)行數(shù)據(jù)處理。實(shí)驗(yàn)?zāi)M了標(biāo)簽運(yùn)動(dòng)的1 000個(gè)閱讀周期，基于此進(jìn)行清洗算法數(shù)據(jù)處理準(zhǔn)確率 （閱讀周期內(nèi)捕獲的正確數(shù)據(jù)個(gè)數(shù)與閱讀周期內(nèi)總數(shù)據(jù)個(gè)數(shù)的比值）的驗(yàn)證，數(shù)據(jù)清洗的準(zhǔn)確率如圖3所示?？芍谀M的噪聲環(huán)境中，未經(jīng)任何處理獲取的數(shù)據(jù)準(zhǔn)確率在60%～70%之間，基于卡爾曼模型的數(shù)據(jù)清洗方法數(shù)據(jù)處理準(zhǔn)確率可達(dá)近89%，本文方法數(shù)據(jù)處理準(zhǔn)確率可達(dá)99．2%。因此實(shí)驗(yàn)證明本文方法能夠有效提高RFID數(shù)據(jù)獲取對(duì)標(biāo)簽移動(dòng)及躍遷的敏感性，更好地適用于涉及大量動(dòng)態(tài)標(biāo)簽的生產(chǎn)場(chǎng)景。

3.2 數(shù)據(jù)融合

圖3 清洗效果圖

對(duì)本文提出的多傳感器數(shù)據(jù)融合技術(shù)進(jìn)行實(shí)驗(yàn)驗(yàn)證。針對(duì)慣組測(cè)試過程中表面溫度的變化，實(shí)驗(yàn)仿真多傳感器對(duì)其表面溫度的測(cè)定及數(shù)據(jù)融合估計(jì)。使用傳感器A和傳感器B進(jìn)行兩組溫度感知和測(cè)量實(shí)驗(yàn)，并使用基本的卡爾曼濾波模型分別估計(jì)傳感器A和傳感器B測(cè)定的溫度數(shù)據(jù)，使用本文提出的算法對(duì)傳感器A和傳感器B測(cè)定的溫度數(shù)據(jù)進(jìn)行融合估計(jì)。取起始測(cè)定值X（0）=24.283，起始均方差p（0）=0.5。對(duì)測(cè)定溫度的數(shù)據(jù)估計(jì)仿真結(jié)果如圖4所示，可知傳感器A和傳感器B測(cè)定溫度數(shù)據(jù)的融合估計(jì)值與真實(shí)數(shù)據(jù)的擬合性最好。并且得到：因?yàn)閭鞲衅鞑贾梦恢谩⒉贾眯问讲煌?，基于A測(cè)定溫度的數(shù)據(jù)估計(jì)均方差pA=0.081 6，基于B測(cè)定溫度的數(shù)據(jù)估計(jì)均方差pB=0.110 3，而基于傳感器A和傳感器B的溫度數(shù)據(jù)融合估計(jì)均方差pA&B=0.070 1，為三者中最小。

圖4 數(shù)據(jù)測(cè)量對(duì)比曲線圖

4 結(jié) 論

文中針對(duì)制造物聯(lián)車間現(xiàn)場(chǎng)信息采集與應(yīng)用問題，基于RFID、傳感器等物聯(lián)技術(shù)，探索資源信息標(biāo)識(shí)方法，支持對(duì)生產(chǎn)信息的標(biāo)識(shí)和采集以及生產(chǎn)車間物聯(lián)環(huán)境的構(gòu)建。在此基礎(chǔ)上，研究數(shù)據(jù)清洗技術(shù)以提高卡爾曼濾波方法對(duì)標(biāo)簽移動(dòng)及躍遷響應(yīng)的敏感性。并將數(shù)據(jù)融合定理與卡爾曼濾波方法集成，支持對(duì)多傳感器的數(shù)據(jù)融合。通過在實(shí)驗(yàn)室對(duì)慣組測(cè)試過程的模擬仿真，驗(yàn)證了本文提出的關(guān)鍵技術(shù)的有效性。本文為基于制造物聯(lián)的數(shù)據(jù)采集、應(yīng)用提供了新的研究思路。在后續(xù)研究中，擬將初步開發(fā)的系統(tǒng)數(shù)據(jù)采集系統(tǒng)在某廠的慣組測(cè)試車間進(jìn)行初步的應(yīng)用實(shí)施，在實(shí)施過程中進(jìn)一步研究信息標(biāo)識(shí)方法、適用的讀寫方式和標(biāo)簽存儲(chǔ)容量的確定，進(jìn)一步驗(yàn)證和改進(jìn)數(shù)據(jù)處理技術(shù)，使系統(tǒng)能夠滿足實(shí)際生產(chǎn)環(huán)境中信息實(shí)時(shí)可靠性獲取和應(yīng)用的需求，推進(jìn)制造物聯(lián)技術(shù)的落地實(shí)施和發(fā)展。

[1]侯瑞春，丁香乾，陶冶，等．制造物聯(lián)及相關(guān)技術(shù)架構(gòu)研究[J]．計(jì)算機(jī)集成制造系統(tǒng)，2014，20（1）:11-20.

[2]Zhong R Y，Dai Q Y，Qu T，et al.RFID-enabled realtime manufacturing execution system for masscustomization production [J]. Robotics and Computer-Integrated Manufacturing，2013，29（2）:283-292.

[3]Chen J C，Cheng C H，Huang P T B.Supply chain management with lean production and RFID application:a case study [J].Expert Systems with Applications，2013，40（9）:3389-3397.

[4]梁軍義，張彥如，葛茂根．面向物聯(lián)網(wǎng)的復(fù)雜產(chǎn)品裝配過程監(jiān)控體系研究[J].機(jī)械工程師，2014（7）:36-38.

[5]劉繼紅，余杰，朱玉明.基于制造物聯(lián)的航天產(chǎn)品研制過程的技術(shù)狀態(tài)控制技術(shù)[J].計(jì)算機(jī)集成制造系統(tǒng)，2015，21（7）:1781-1789.

[6]陳靜云.車間物聯(lián)網(wǎng)數(shù)據(jù)采集關(guān)鍵技術(shù)研究[D].南京:南京航空航天大學(xué)，2014.

[7]孫紅，厲彥剛，陳世平.RFID中間件數(shù)據(jù)處理研究[J].上海理工大學(xué)學(xué)報(bào)，2014，36（3）:234-238.

[8]陰躲芬，龔華明.RFID中間件數(shù)據(jù)處理模型研究與實(shí)現(xiàn)[J].計(jì)算機(jī)與現(xiàn)代化，2012（9）:200-202.

[9]王妍，宋寶燕，付菡，等.引入卡爾曼濾波的RFID數(shù)據(jù)清洗方法[J].小型微型計(jì)算機(jī)系統(tǒng)，2011（9）:1794-1799.

[10]焉曉貞，羅清華.基于卡爾曼濾波的動(dòng)態(tài)傳感數(shù)據(jù)流估計(jì)方法 [J].儀器儀表學(xué)報(bào)，2013，34（8）:1847-1853.

[11]陳靜云，周良，丁秋林.基于改進(jìn)卡爾曼濾波的RFID數(shù)據(jù)清洗方法研究[J].計(jì)算機(jī)科學(xué)，2014，41（3）:202-204.

[12]王楠，李文成，李巖.基于數(shù)據(jù)融合估計(jì)理論的Kalman 濾波[J].光機(jī)電信息，2010，27（5）:32-35.

[13]陳正宇，楊庚，陳蕾，等.無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合研究綜述 [J].計(jì)算機(jī)應(yīng)用研究，2011，28（5）:1601-1613.

[14]李毅，陸百川，李雪.基于多尺度Kalman濾波的多傳感器數(shù)據(jù)融合[J].重慶交通大學(xué)學(xué)報(bào)，2012，31（2）:299-303.

[15]張軍，楊子晨.多傳感器數(shù)據(jù)采集系統(tǒng)中的數(shù)據(jù)融合研究[J].傳感器與微系統(tǒng)，2014，33（3）:52-57.

[16]顧韻華，高寶，張俊勇，等.基于標(biāo)簽速度和滑動(dòng)子窗口的RFID數(shù)據(jù)清洗算法 [J].計(jì)算機(jī)科學(xué)，2015，42（1）:144-148.

Manufacturing data collection and application technology based on Internet of manufacturing-related things

LAN Bo，WU Hao，WANG Yi-ze，WANG Zhen-chao
（ Information Engineering College，Beijing Institute of Petro-Chemical Technology，Beijing 102617，China）

To solve the problem that information in a workshop can't be collected accurately or can't be used effectively to support manufacturing control and management，a resource information identification method was suggested to support the collection of manufacturing information and the environment construction of the internet of things.A data cleaning method based on the internet of manufacturingrelated things was proposed.The method can not only guarantee the accuracy of data cleaning but also improve its adaptability to moving labels.A data fusion method based on Kalman filtering integrated with data estimation theory was put forward to solve multi-sensor data fusion.A testing process of IMU(inertial measurement unit)was taken as the application object in laboratory and the simulation result verified the feasibility and effectiveness of the proposed method.

Internet of manufacturing-related things；RFID； data cleaning；data fusion； Kalman filtering

TN911.7

A

1674－6236（2017）17-0021-05

2016-09-21稿件編號(hào)：201609190

2016年度國(guó)家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)計(jì)劃項(xiàng)目（2016X00010）；2015北京高校人才交叉培養(yǎng)畢設(shè)（創(chuàng)業(yè)類）支持計(jì)劃項(xiàng)目（16032021003/028）

藍(lán) 波（1973—），男，四川隆昌人，碩士，副教授。研究方向：電工電子新技術(shù)的研究與教學(xué)。