一种基于数字孪生的智能车间自治生产过程动态联动控制方法

摘要

本发明公开了一种基于数字孪生的智能车间自治生产过程动态联动控制方法，包括：(1)构建智能车间实体在信息空间中的数字孪生模型，并建立实体与模型之间的虚实映射关系；(2)建立双向数据传输通道，实现虚实联动；(3)采集制造资源的实时状态数据，上传至数字孪生模型并更新；(4)对智能车间运行状态进行实时仿真，并调用算法预测机床任务编排序列最优解和执行下一道工序的机床编号；(5)对最优解进行解析，并以生产指令的形式通过双向数据传输通道下达至智能车间中的各制造资源实体；(6)循环(3)～(5)步骤，直至工件所有工序加工完成。通过同步联动，实现了智能车间自治生产过程的动态联动控制。

权利要求

1.一种基于数字孪生的智能车间自治生产过程动态联动控制方法，其特征在于，包括以下步骤：(1)构建智能车间实体在信息空间中的数字孪生模型，并建立实体与模型之间的虚实映射关系；

(2)建立虚实联动的双向数据传输通道，智能车间运行状态数据通过该通道实时同步至数字孪生模型，而数字孪生模型调用各类算法求解的计算结果或决策指令通过该通道下达至智能车间实体，实现虚实联动；

(3)通过车间物联网采集工件在智能车间中流转时的制造资源的实时状态数据，通过双向数据传输通道上传至数字孪生模型并更新；

(4)在数字孪生模型中对智能车间运行状态进行实时仿真，计算实际生产运行过程中的进度偏差，并调用机床任务编排算法预测确定执行工件下一道工序的加工机床编号，生成机床任务编排序列最优解；

(5)对机床任务编排序列最优解进行语义解析，并以生产指令的形式通过双向数据传输通道下达至制造资源实体，制造资源实体按照给定的指令执行相应的动作；

(6)循环(3)～(5)步骤，直至工件所有工序加工完成；

步骤(4)中的实际生产运行过程中的进度偏差，其值按照以下公式计算：式中：

ΔT表示工件实际生产过程中的进度偏差值；

Pj.St和Pj.Ft分别表示工件生产计划中第j道工序的开始时间和结束时间；

Pj.ast和Pj.aft分别表示由车间物联网设备RFID读写器采集的第j道工序的实际开始时间和实际结束时间；

M表示当前时间t下工件已完成的加工工序总数；M值由以下判断准则来确定：如果t满足：t≤Pm+1.St∧t≥(Pm.Dt+Pm.St)，则M＝m；

N表示当前时间t下工件实际完成的加工工序总数；N值由以下判断准则来确定：如果t满足：t≤Pn+1.ast∧t≥Pn.aft，则N＝n；

步骤(4)中的机床任务编排算法，采用隐马尔可夫模型方法进行建模，其实施步骤如下：步骤一：采用前向学习算法对工件加工历史数据进行学习，得出用于机床任务编排的隐马尔可夫模型参数，包括：加工工序之间的状态转移概率矩阵、加工工序与机床之间映射关联的概率矩阵；

步骤二：依据所建立的隐马尔可夫模型，将当前时间t下工件已经完成的加工工序序列、当前智能车间所有加工机床的实时运行状态作为模型输入进行求解；

步骤三：采用viterbi算法递推输出最优的机床任务编排序列，该序列是发生概率最大的序列，进一步确定当前时刻t下工件的下一道工序加工所在的机床编号。

2.根据权利要求1所述的基于数字孪生的智能车间自治生产过程动态联动控制方法，其特征在于，步骤(2)中的双向数据传输通道，采用AutomationML协议作为智能车间实体与数字孪生模型之间的数据传输协议，上传的实时数据与下达的生产指令均符合AutomationML协议。

说明书

一种基于数字孪生的智能车间自治生产过程动态联动控制

方法

技术领域

[0001] 本发明涉及智能制造领域，特别涉及一种基于数字孪生的智能车间自治生产过程动态联动控制方法。

背景技术

[0002] 智能制造已成为目前国内外研究的热点，德国工业4.0、美国工业互联网、中国制造2025等战略规划都将智能制造列为了重要主题。智能制造的实施不仅依赖于先进制造技术的发展，同时也依赖于新兴信息技术的应用。在智能制造环境下，企业制造车间应具有较好的生产柔性、自治性以及生产过程管控能力，以满足个性化客户需求。

[0003] 新兴信息技术(如物联网、数字孪生等)为制造车间自治化生产运行提供了技术基础。例如，制造物联网技术搭建了车间人(操作者)、机(加工机床、运输小车等)、物(在制品、辅助工具等)的泛在互联互通，实现各个物理实体可识别、可跟踪、可通讯交互；数字孪生技术构建了车间“情境感知-仿真计算-协同决策-生产执行”的闭环逻辑，通过信息空间数据/模型与物理空间实体之间的实时互操作，实现车间生产过程透明化、高效化和自治化。然而，目前较为缺乏将上述新兴信息技术进行综合应用的案例，总体实施效果未达到对智能车间进行高效、动态生产过程管控的要求。

发明内容

[0004] 本发明的目的在于针对以上实施应用的问题，提供一种基于数字孪生的智能车间自治生产过程动态联动控制方法，通过物理空间中的智能车间实体与信息空间中的数字孪生模型之间的实时同步联动，实现智能车间自治生产过程的动态联动控制。

[0005] 为实现上述目的，本发明的技术方案是：

[0006] 一种基于数字孪生的智能车间自治生产过程动态联动控制方法，包括以下步骤：

[0007] (1)构建智能车间实体在信息空间中的数字孪生模型，并建立实体与模型之间的虚实映射关系；

[0008] (2)建立虚实联动的双向数据传输通道，智能车间运行状态数据通过该通道实时同步至数字孪生模型，而数字孪生模型调用各类算法求解的计算结果或决策指令通过该通道下达至智能车间实体，实现虚实联动；

[0009] (3)通过车间物联网采集工件在智能车间中流转时的制造资源的实时状态数据，通过双向数据传输通道上传至数字孪生模型并更新；

[0010] (4)在数字孪生模型中对智能车间运行状态进行实时仿真，计算实际生产运行过程中的进度偏差，并调用机床任务编排算法预测确定执行工件下一道工序的加工机床编号，生成机床任务编排序列最优解；

[0011] (5)对机床任务编排序列最优解进行语义解析，并以生产指令的形式通过双向数据传输通道下达至制造资源实体，制造资源实体按照给定的指令执行相应的动作；

[0012] (6)循环(3)～(5)步骤，直至工件所有工序加工完成。

[0013] 作为本发明的进一步改进，步骤(2)中的双向数据传输通道，采用AutomationML协议作为智能车间实体与数字孪生模型之间的数据传输协议，上传的实时数据与下达的生产指令均符合AutomationML协议。

[0014] 作为本发明的进一步改进，步骤(4)中的实际生产运行过程中的进度偏差，其值按照以下公式计算：

[0015]

[0016] 式中：

[0017] ΔT表示工件实际生产过程中的进度偏差值；

[0018] Pj.St和Pj.Ft分别表示工件生产计划中第j道工序的开始时间和结束时间；

[0019] Pj.ast和Pj.aft分别表示由车间物联网设备RFID读写器采集的第j道工序的实际开始时间和实际结束时间；

[0020] M表示当前时间t下工件已完成的加工工序总数。M值由以下判断准则来确定：if(t≤Pm+1.St∧t≥(Pm.Dt+Pm.St)),then M＝m；

[0021] Ni表示当前时间t下工件实际完成的加工工序总数。N值由以下判断准则来确定：if(t≤Pn+1.ast∧t≥Pn.aft),then N＝n。

[0022] 作为本发明的进一步改进，步骤(4)中的机床任务编排算法，采用隐马尔可夫模型方法进行建模，其实施步骤如下：

[0023] 步骤一：采用前向学习算法对工件加工历史数据进行学习，得出用于机床任务编排的隐马尔可夫模型参数，包括：加工工序之间的状态转移概率矩阵、加工工序与机床之间映射关联的概率矩阵；

[0024] 步骤二：依据所建立的隐马尔可夫模型，将当前时间t下工件已经完成的加工工序序列、当前智能车间所有加工机床的实时运行状态作为模型输入进行求解；

[0025] 步骤三：采用viterbi算法递推输出最优的机床任务编排序列，该序列是发生概率最大的序列，进一步确定当前时刻t下工件的下一道工序加工所在的机床编号。

[0026] 与现有技术相比，本发明具有以下有益效果：

[0027] 本发明建立了智能车间实体与数字孪生模型之间的虚实映射关系，通过双向数据传输通道，实现了智能车间生产过程数据的实时上传、数字孪生模型仿真数据或生产指令的实时下达，生产指令中的机床任务指令通过机床任务编排算法解算而得。通过同步联动，实现了智能车间自治生产过程的动态联动控制。

附图说明

[0028] 图1是基于数字孪生的智能车间自治生产过程动态联动控制方法的执行流程图；

[0029] 图2是机床任务编排算法模型的原理图；

[0030] 图3是数字孪生模型是对物理车间的完整虚实映射图。

具体实施方式

[0031] 下面结合附图对本发明做进一步的详细说明。此处所说明的附图是本申请的一部分，用来对本发明进行进一步解释，但并不构成对本发明的限定。

[0032] 本发明一种基于数字孪生的智能车间自治生产过程动态联动控制方法的执行流程图如图1所示，包括以下步骤：

[0033] (1)构建智能车间实体在信息空间中的数字孪生模型，并建立实体与模型之间的虚实映射关系，即： 其中，PJS表示物理空间中的智能车间实体，VJS表示信息空间中的数字孪生模型， 表示PJS与VJS两者之间的虚实映射关系；

[0034] (2)建立虚实联动的双向数据传输通道，并采用AutomationML数据传输协议，智能车间运行状态数据(包括工件状态数据、机床状态/任务数据、AGV物流小车工作数据、操作者任务数据等)通过该通道实时同步至数字孪生模型，而数字孪生模型调用各类算法求解出的计算结果或决策指令通过该通道下达至智能车间实体，实现虚实联动；

[0035] (3)通过物联网采集工件在智能车间中流转时的实时位置、到达/离开该位置的时间以及加工机床、运输小车等制造资源的工作状态数据，上述信息通过双向数据传输通道上传至数字孪生模型；

[0036] (4)在数字孪生模型中对智能车间运行状态进行实时仿真，计算实际生产运行过程中的进度偏差，并调用机床任务编排算法预测确定执行工件下一道工序的加工机床编号，生成机床任务编排序列最优解。该算法以工件加工工艺路线、工件实时位置、机床实时运行状态等数据作为输入。其中：

[0037] (4-1)所述的实际生产运行过程中的进度偏差值按照以下公式计算：

[0038]

[0039] 式中：

[0040] ΔT表示工件实际生产过程中的进度偏差值；

[0041] Pj.St和Pj.Ft分别表示工件生产计划中第j道工序的开始时间和结束时间；

[0042] Pj.ast和Pj.aft分别表示由车间物联网设备RFID读写器采集的第j道工序的实际开始时间和实际结束时间；

[0043] M表示当前时间t下工件已完成的加工工序总数。M值由以下判断准则来确定：if(t≤Pm+1.St∧t≥(Pm.Dt+Pm.St)),then M＝m；

[0044] Ni表示当前时间t下工件实际完成的加工工序总数。N值由以下判断准则来确定：if(t≤Pn+1.ast∧t≥Pn.aft),then N＝n。

[0045] (4-2)所述的机床任务编排算法，采用隐马尔可夫模型方法进行建模，其原理如图2所示，具体实施步骤如下：

[0046] 步骤一：采用前向学习算法对工件加工历史数据进行学习，得出用于机床任务编排的隐马尔可夫模型参数，包括：加工工序之间的状态转移概率矩阵、加工工序与机床之间映射关联的概率矩阵；

[0047] 步骤二：依据所建立的隐马尔可夫模型，将当前时间t下工件已经完成的加工工序序列、当前智能车间所有加工机床的实时运行状态(空闲或占用)作为模型输入进行求解；

[0048] 步骤三：采用viterbi算法递推输出最优的机床任务编排序列，该序列是发生概率最大的序列，进一步确定当前时刻t下工件的下一道工序加工所在的机床编号；

[0049] (5)对机床任务编排序列最优解进行AutomationML语义解析，并以生产指令的形式通过双向数据传输通道下达至工件、加工机床、运输小车等制造资源实体，制造资源实体按照给定的指令执行相应的动作；

[0050] (6)循环(3)～(5)步骤，直至工件所有加工工序完成。

[0051] 通过上述步骤，实现对智能车间自治生产过程的实时监控、仿真、任务编排，进一步实现对智能车间自治生产过程的动态联动控制。

[0052] 如图3所示，以某航空零部件的智能制造车间为例，该车间有3台数控加工中心(机床1、机床2、机床3)，2台机械臂，1台AGV运输小车，工件1、工件2在该智能车间内执行生产任务。首先根据该车间的物理布局，建立相应的数字孪生模型，该数字孪生模型是对物理车间的完整虚实映射；

[0053] 通过已配置的RFID、传感器等物联网设备采集智能车间中的实时生产过程数据，并通过双向数据传输通道、AutomationML协议上传至数字孪生模型。根据实时数据获知工件1已进行到第三道工序，工件2已进行到第五道工序；

[0054] 数字孪生模型调用生产进度偏差计算模块计算实际生产过程与计划生产过程之间的进度偏差，其中：工件1的第三道工序的计划完成时间为5min，而根据实时数据偏差计算反映出该工序实际完成时间为6min 20s，比计划延迟了1min 20s，数字孪生模型将该偏差值反馈至对应的机床，下达加快进度的指令；

[0055] 同时，数字孪生模型调用机床任务编排算法模块，并将生产进度偏差值作为输入条件，仿真计算出执行下一道工序的最优机床为机床3，在该机床上加工可将工件1第四道工序的完工时间压缩1min 20s～2min，从而实现工件1整体加工进度与计划加工进度保持一致，避免拖期现象的发生。计算结束后，数字孪生模型实时地将“工件1的第四道工序由机床3加工”、“AGV运输小车将工件1从机床1运输至机床3并装夹”等生产指令发送至机床3和AGV运输小车。进一步地，机床3和AGV运输小车执行相应的生产指令。

[0056] 以上实施例仅用于说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细说明，所属领域的普通技术人员依然可以对本发明的具体实施方案进行修改或者等同替换，而这些并未脱离本发明精神和范围的任何修改或者等同替换，其均在申请待批的本发明的权利要求保护范围之内。