数字孪生的智能车间管控

随着5G、大数据、人工智能等信息技术与智能制造行业的融合和落地应用，美、德、中、日等国相继提出了国家级层面的智能制造发展战略[1～5]，有代表性的如“美国工业互联网”、“德国工业4.0”、“中国制造2025”[6,7]。虽然各国先进制造技术发展战略提出的背景不同，但其一个关键共性目的是实现智能车间的物理世界和信息世界的关联、互通和智能化水平，数字孪生发挥着连接智能车间的物理世界和信息世界之间的桥梁作用，成为国内外产学研各界关注的一个热点[9]。

2003年，美国密歇根大学Michael Grieves教授在产品生命周期管理课程上首次引入“与物理产品等价的虚拟数字化表达”的概念[8]；2011年，Michael Grieves教授在《几乎完美：通过该PLM驱动创新和精益产品》[9]论文正式提出数字孪生体的概念；2012年，Glaessgen E基于数字孪生体，实现超高保真仿真车辆监控管理系统，通过维护车辆历史数据，显著优化车辆监控的安全水平[10]；2014年，美国国防部将数字孪生的概念应用到航天飞行器的PHM健康维护和全生命周期过程等问题中；2017年，在世界智能制造大会上数字孪生被确定为世界智能制造十大科学技术进展之一；同年，北京航空航天大学陶飞等人，提出数字孪生车间概念[11]，并论述其系统组成、关键技术、运行机制等[12]；2019年，陶飞教授再次创造性的提出数字孪生五维模型[12]，从物理实体、虚拟实体、服务、孪生数据、连接五个维度进一步探讨在工业领域的应用。尽管数字孪生车间尚处于发现初期，但前途无疑是光明的。

针对实际车间管理人员受限于合理及定制化的技术和工具的及时支撑，被迫采用传统管理方式，管理效率低；企业管理层缺乏全面、全量、统一的决策支撑技术和工具，大部分解决方案不成熟、难落地，精准决策难等问题，设计了基于数字孪生智能车间的体系架构。

图1 基于数字孪生的智能车间体系架构

如图1所示，基于数字孪生的智能车间是由物理车间、虚拟车间、车间服务、车间孪生数据等几个部分组成。物理车间是车间现有物理实体的集合，涵盖人、工厂、产线、设备、传感器、边缘计算设备等；虚拟车间是物理车间在信息空间上的呈现，涵盖直观展示管控平台、视频、三维、ERP、MES等车间的运行状态；车间服务主要实现功能服务和基于PaaS层的业务服务；功能服务包括感知控制、数据处理、模型构建、机理模型4部分，将其表示为：

其中FS（Functional Services）为功能服务；PC（Perceptual Control）为感知控制；DP（Data Processing）为数据处理；MB（Model Building）为模型构建；MM（Mechanism Model）为机理模型。i为第i个感知控制模块；m为感知控制模块总数；j为第j个数据处理模块；n为数据处理模块总数；k为第k个模型构建模块；o为模型构建模块总数；l为第l个机理模型模块；p为机理模型模块总数。

车间孪生数据既包括基于MPP的Greenplum、专为物联网优化设计的Tdengine、处理图关系的Neo4j等多种关系型和非关系型数据库，又包括存储仿真、监控、工艺、环境等业务的实时数据和历史数据，还包括如设计BOM、过程等生产管控数据。

数字孪生车间是集成多学科、多物理量、多尺度、多概率的车间仿真过程，在某企业里主要应用以下三种核心技术。

1）三维建模仿真技术：（1）集成物理建模工具，实现基于三维扫描建模工具的自动化几何建模，实现数字孪生模型构建效率。（2）集成虚拟现实和可视化技术提供全新人机交互模式下的车间虚实反馈，图2所示。

图2 三维仿真建模技术

2）数据传感交互技术：（1）应用基于华为芯片的传感控制技术。（2）提供基于数字线程技术的智能传感、多传感器融合、分布式控制和便于技术等服务。见图3所示。

图3 数据传感交互技术

3）数据治理技术：（1）基于传统业务数据集成技术和产品数据集成技术结合数字孪生管理技术提供数据治理服务。（2）提供基于数据孪生基础管理环境下的标识解析、数据管理、模型管理等应用。如图4所示。

图4 数据治理技术

基于智能车间管控平台应用建设，提出了实时汇数据、智能找问题、精准做决策的生产管控设计理念。

图5 生产管控设计理念

其理念如图5所示，首先，通过设备状态、工厂级别设备集群数字孪生模型等将数据实时汇聚起来，实现虚实交汇反馈；然后聚焦车间问题，明晰解决机制，发现问题→分析原因→快速决策。然后，基于历史数据、产品状态信息与数字孪生模型等，利用人工智能算法完成查找问题方案，实现数据融合分析；进而发掘车间潜能，实现优化迭代，找到优化方向→逐步提升效果。最后，利用加工设备、大数据与数字孪生结合决策支撑模型，对管控平台精准决策，并对决策迭代持续优化。

5.1 实时汇数据

实时汇数据在管控平台主要分为数据的采集和展示，如图6所示。

图6 实时汇数据

采集：产线设备数据、模型数据、生产进度数据、质量数据、物流数据、NC程序等通过自动化采集、条码扫码采集、终端输入采集等方式实时传输到数据中心。

展示：指标数据和相关信息节点数据实时汇总通过处理分析进行可视化展示，实现包括看板、视频、三维仿真等方式的车间状况实时监控。

主要应用在：

1）关键指标数据，多类别多层级

汇聚车间全要素/全业务/全流程物理与信息融合数据，建立以效率、质量、风险为主要维度的指标体系。

2）数据展示多端多维度

可通过PC电脑、移动端，查看业务看板、数字化虚拟仿真车间、视频监控等信息。

3）虚实交互反馈，三维场景联动

在车间孪生数据的驱动下，实现产品全加工过程的实时监控、过程优化和远程控制。

4.2 智能找问题

智能找问题在管控平台主要分为显性问题发现和隐性问题挖掘。显性问题发现可通过生产过程清晰的状态感知，包括：车间生产过程中的设备工况、生产节拍、过程实况、物料信息、人员操作、能耗变化、产品质量和安全环境等状态的实时感知。隐性问题挖掘基于三维仿真模拟，主要基于数字孪生的智能车间通过应用大数据及生产系统模型，建立的多级指标连接响应机制可以及时模拟生产情况，借助虚实对照，实现流程差异反馈和历史环节追溯。如图7所示。

图7 智能找问题

智能找问题，主要应用在以下几个方面。

1）通过KPI看板监控业务管理问题

（1）效率看板

通过设备开机率、有效利用率、资源调度效率、人员绩效分析、异常处理响应效率综合展示车间生产效率问题和订单执行进度，辅助管理层开展短期调整和长期优化工作，监控业务管理如图8所示。

图8 效率看板

（2）质量看板

聚焦工件质量问题信息，实时把控工件质量趋势数据，奠定质量优化基础，并且以项目为单位开展交付产品质量管控工作，监控业务管理。

（3）风险看板

通过识别异常信息结合历史数据分析识别当前项目风险，支持定位到具体的风险预示指标，如项目质量风险、项目成本风险、项目进度风险，监控业务管理。

2）实时在线异常报警

车间生产过程中设备、系统、资源等Error及Warning级异常警报，使用红色及橙色醒目标识在三维场景中闪烁，并伴有语音提醒。点击异常位置的标识，弹出异常信息卡片展示异常描述，并有一键查询关联信息功能，为用户提供客观的异常相关信息，快速定位可能造成异常的原因。可应用于加工设备实时数据和产线状态监控，以及业务管理监控。

3）虚实交互发现问题

面对生产过程精确建模，并对相关结构部件进行精简优化，帮助发现问题的同时通过虚实交互解决问题，可应用设备/产线/车间建模、精简结构部件、合并优化场景数，监控业务管理。

4）通过历史回溯数据找问题

当出现设备警报异常时，可以通过仿真加工历史回溯功能模拟过去一段时间内的机床运行状况，结合当时的加工数据进行展示。同时也支持调用机床历史摄像回放。基于历史回溯数据找问题的方法在车间加工数据回溯、产线运行仿真回溯、加工设备状态回溯取得了良好的效果，监控业务管理如图9所示。

图9 通过历史回溯数据找问题

4.3 精准做决策

精准做决策在智能车间管控平台的运行分析和决策方法如图10所示。

图10 基于数字孪生的智能车间运行分析与决策方法体系

目的：精准做决策，保障数据信息的全面性、时效性、对称性、可视化。

思路：智能管控平台大屏可视化的本质是将数据信息呈现从“简单再现原始数据”变成“支持决策性、模型化再现数据集关系”。

做法：基于客户业务模型和产品价值开展协调整合工作，实现用户业务场景实时整屏显示，支持屏内用户业务需求与逻辑集中呈现，支撑服务于业务、决策的信息关联展示。

精准做决策主要应用于通过信息节点数据和三维模型提升项目管控能力。

1）通过信息节点数据提升项目管控，实现订单生产进度的实时追溯；实现生产计划相关数据查看，如物料、刀具、工装需求计划等信息卡片，如图11所示。

图11 通过信息节点数据提升项目管控

2）通过三维模型提升项目管控，实现生产过程三维模型的真实模拟加工运动，物料的运送都与真实场景实现1比1还原；生产制造订单的每个工件都可实现制造记录追溯，如图12所示。

图12 通过三维模型提升项目管控

下面以企业刀具环节基于数字孪生智能车间应用为案例，展开数字孪生技术在智能车间管控平台的实践验证。管控平台对车间设备信息进行数据监测，优化预测设备生产和运行状态。应用场景是聚焦多品种小批量刀具产品全生命周期，通过部署传感器采集数据，对采集到的数据进行时域分析、频域分析以及时频域相结合分析，并进行特征融合，然后将特征融合训练样本中的数据输入到网络识别模型中以训练权重，神经网络每层的输出为：

式中，g表示Prelu激活函数，Wl表示神经网络的第l层度权重，基于SGD优化算法，以均方误差（MSE）为loss损失函数，表示监测磨损值与真实值的均方误差，计算公式如下：

式中，n表示监测样本总值，xi表示第i个样本的真实磨损值，表示第i个样本监测的磨损值。利用链式求导法则，计算损失函数值，基于梯度下降法对权重矩阵等参数进行训练，权重W更新如下：

式中，Wl表示深度学习第l层度权重，η表示学习率，通过选取batch批量样本训练后对权重进行更新，使预测值不断逼近真实值。

通过实验验证，基于深度学习的方法挖掘车间加工刀具的电流、功率、扭矩和其经过特征提取后的信号数据，可以提高了刀具监测的精度和泛化能力，当对剩余寿命占比（RULR）做标签后，可以对当前磨损值做回归分析，以提高刀具监测的精度。如图13所示。

图13 刀具磨损监测场景应用

为顺应国家智能制造和工业互联网发展趋势，本文是以企业数字孪生智能车间管控平台为背景，在实践中构建了基于数字孪生智能车间的体系架构和管控平台应用建设，从实时汇数据、智能找问题、精准做决策三个方面实现数字孪生的多个场景，最后展开了基于深度学习方法在数字孪生智能车间刀具环节的一种典型应用案例进行分析。随着5G等更多新技术的应用，对智能车间的管控会提出更多的需求和挑战，需要开展更加深入的研究和探讨，进而提高数字孪生在智能车间的管控和应用。

来源：《制造业自动化》

内容来源网络，如涉及作品版权问题，请联系我们删除或做相关处理！