鴻富華智能 | 2021-11-05
針對目前智能車間存在的管理效率低、精準決策難等問題，設計了基于數字孿生智能車間的體系架構，開展了智能車間管控平臺應用建設，提出了實時匯數據、智能找問題、精準做決策的生產管控設計理念，解決了數據多端多維度展示、三維場景聯動、KPI看板監控業務管理、實時在線異常報警等問題。最后以企業刀具環節基于數字孿生智能車間應用為案例，展開數字孿生技術在智能車間管控平臺的實踐驗證。
01
引言
隨著5G、大數據、人工智能等信息技術與智能制造行業的融合和落地應用，美、德、中、日等國相繼提出了國家級層面的智能制造發展戰略[1～5]，有代表性的如“美國工業互聯網”、“德國工業4.0”、“中國制造2025”[6,7]。雖然各國先進制造技術發展戰略提出的背景不同，但其一個關鍵共性目的是實現智能車間的物理世界和信息世界的關聯、互通和智能化水平，數字孿生發揮著連接智能車間的物理世界和信息世界之間的橋梁作用，成為國內外產學研各界關注的一個熱點[9]。
2003年，美國密歇根大學Michael Grieves教授在產品生命周期管理課程上首次引入“與物理產品等價的虛擬數字化表達”的概念[8]；2011年，Michael Grieves教授在《幾乎完美：通過該PLM驅動創新和精益產品》[9]論文正式提出數字孿生體的概念；2012年，Glaessgen E基于數字孿生體，實現超高保真仿真車輛監控管理系
統，通過維護車輛歷史數據，顯著優化車輛監控的安全水平[10]；2014年，美國國防部將數字孿生的概念應用到航天飛行器的PHM健康維護和全生命周期過程等問題中；2017年，在世界智能制造大會上數字孿生被確定為世界智能制造十大科學技術進展之一；同年，北京航空航天大學陶飛等人，提出數字孿生車間概念[11]，并論述其系統組成、關鍵技術、運行機制等[12]；2019年，陶飛教授再次創造性的提出數字孿生五維模型[12]，從物理實體、虛擬實體、服務、孿生數據、連接五個維度進一步探討在工業領域的應用。盡管數字孿生車間尚處于發現初期，但前途無疑是光明的。
02
數字孿生車間的
體系架構
針對實際車間管理人員受限于合理及定制化的技術和工具的及時支撐，被迫采用傳統管理方式，管理效率低；企業管理層缺乏全面、全量、統一的決策支撐技術和工具，大部分解決方案不成熟、難落地，精準決策難等問題，設計了基于數字孿生智能車間的體系架構。
圖1 基于數字孿生的智能車間體系架構
如圖1所示，基于數字孿生的智能車間是由物理車間、虛擬車間、車間服務、車間孿生數據等幾個部分組成。物理車間是車間現有物理實體的集合，涵蓋人、工廠、產線、設備、傳感器、邊緣計算設備等；虛擬車間是物理車間在信息空間上的呈現，涵蓋直觀展示管控平臺、視頻、三維、ERP、MES等車間的運行狀態；車間服務主要實現功能服務和基于PaaS層的業務服務；功能服務包括感知控制、數據處理、模型構建、機理模型4部分，將其表示為：
其中FS（Functional Services）為功能服務；PC（Perceptual Control）為感知控制；DP（Data Processing）為數據處理；MB（Model Building）為模型構建；MM（Mechanism Model）為機理模型。i為第i個感知控制模塊；m為感知控制模塊總數；j為第j個數據處理模塊；n為數據處理模塊總數；k為第k個模型構建模塊；o為模型構建模塊總數；l為第l個機理模型模塊；p為機理模型模塊總數。
車間孿生數據既包括基于MPP的Greenplum、專為物聯網優化設計的Tdengine、處理圖關系的Neo4j等多種關系型和非關系型數據庫，又包括存儲仿真、監控、工藝、環境等業務的實時數據和歷史數據，還包括如設計BOM、過程等生產管控數據。
03
數字孿生車間
的技術應用
數字孿生車間是集成多學科、多物理量、多尺度、多概率的車間仿真過程，在某企業里主要應用以下三種核心技術。
1）三維建模仿真技術：（1）集成物理建模工具，實現基于三維掃描建模工具的自動化幾何建模，實現數字孿生模型構建效率。（2）集成虛擬現實和可視化技術提供全新人機交互模式下的車間虛實反饋，圖2所示。
圖2 三維仿真建模技術
2）數據傳感交互技術：（1）應用基于華為芯片的傳感控制技術。（2）提供基于數字線程技術的智能傳感、多傳感器融合、分布式控制和便于技術等服務。見圖3所示。
圖3 數據傳感交互技術
3）數據治理技術：（1）基于傳統業務數據集成技術和產品數據集成技術結合數字孿生管理殼技術提供數據治理服務。（2）提供基于數據孿生基礎管理環境下的標識解析、數據管理、模型管理等應用。如圖4所示。
圖4 數據治理技術
04
基于數字孿生的
智能車間管控平臺
基于智能車間管控平臺應用建設，提出了實時匯數據、智能找問題、精準做決策的生產管控設計理念。
圖5 生產管控設計理念
其理念如圖5所示，首先，通過設備狀態、工廠級別設備集群數字孿生模型等將數據實時匯聚起來，實現虛實交匯反饋；然后聚焦車間問題，明晰解決機制，發現問題→分析原因→快速決策。然后，基于歷史數據、產品狀態信息與數字孿生模型等，利用人工智能算法完成查找問題方案，實現數據融合分析；進而發掘車間潛能，實現優化迭代，找到優化方向→逐步提升效果。最后，利用加工設備、大數據與數字孿生結合決策支撐模型，對管控平臺精準決策，并對決策迭代持續優化。
05
管控平臺功能特點
5.1 實時匯數據
實時匯數據在管控平臺主要分為數據的采集和展示，如圖6所示。
圖6 實時匯數據
采集：產線設備數據、模型數據、生產進度數據、質量數據、物流數據、NC程序等通過自動化采集、條碼掃碼采集、終端輸入采集等方式實時傳輸到數據中心。
展示：指標數據和相關信息節點數據實時匯總通過處理分析進行可視化展示，實現包括看板、視頻、三維仿真等方式的車間狀況實時監控。
主要應用在：
1）關鍵指標匯數據，多類別多層級
匯聚車間全要素/全業務/全流程物理與信息融合數據，建立以效率、質量、風險為主要維度的指標體系。
2）數據展示多端多維度
可通過PC電腦、移動端，查看業務看板、數字化虛擬仿真車間、視頻監控等信息。
3）虛實交互反饋，三維場景聯動
在車間孿生數據的驅動下，實現產品全加工過程的實時監控、過程優化和遠程控制。
4.2 智能找問題
智能找問題在管控平臺主要分為顯性問題發現和隱性問題挖掘。顯性問題發現可通過生產過程清晰的狀態感知，包括：車間生產過程中的設備工況、生產節拍、過程實況、物料信息、人員操作、能耗變化、產品質量和安全環境等狀態的實時感知。隱性問題挖掘基于三維仿真模擬，主要基于數字孿生的智能車間通過應用大數據及生產系統模型，建立的多級指標連接響應機制可以及時模擬生產情況，借助虛實對照，實現流程差異反饋和歷史環節追溯。如圖7所示。
圖7 智能找問題
智能找問題，主要應用在以下幾個方面。
1）通過KPI看板監控業務管理問題
（1）效率看板
通過設備開機率、有效利用率、資源調度效率、人員績效分析、異常處理響應效率綜合展示車間生產效率問題和訂單執行進度，輔助管理層開展短期調整和長期優化工作，監控業務管理如圖8所示。
圖8 效率看板
（2）質量看板
聚焦工件質量問題信息，實時把控工件質量趨勢數據，奠定質量優化基礎，并且以項目為單位開展交付產品質量管控工作，監控業務管理。
（3）風險看板
通過識別異常信息結合歷史數據分析識別當前項目風險，支持定位到具體的風險預示指標，如項目質量風險、項目成本風險、項目進度風險，監控業務管理。
2）實時在線異常報警
車間生產過程中設備、系統、資源等Error及Warning級異常警報，使用紅色及橙色醒目標識在三維場景中閃爍，并伴有語音提醒。點擊異常位置的標識，彈出異常信息卡片展示異常描述，并有一鍵查詢關聯信息功能，為用戶提供客觀的異常相關信息，快速定位可能造成異常的原因。可應用于加工設備實時數據和產線狀態監控，以及業務管理監控。
3）虛實交互發現問題
面對生產過程精確建模，并對相關結構部件進行精簡優化，幫助發現問題的同時通過虛實交互解決問題，可應用設備/產線/車間建模、精簡結構部件、合并優化場景數，監控業務管理。
4）通過歷史回溯數據找問題
當出現設備警報異常時，可以通過仿真加工歷史回溯功能模擬過去一段時間內的機床運行狀況，結合當時的加工數據進行展示。同時也支持調用機床歷史攝像回放。基于歷史回溯數據找問題的方法在車間加工數據回溯、產線運行仿真回溯、加工設備狀態回溯取得了良好的效果，監控業務管理如圖9所示。
圖9 通過歷史回溯數據找問題
4.3 精準做決策
精準做決策在智能車間管控平臺的運行分析和決策方法如圖10所示。
圖10 基于數字孿生的智能車間運行分析與決策方法體系
目的：精準做決策，保障數據信息的全面性、時效性、對稱性、可視化。
思路：智能管控平臺大屏可視化的本質是將數據信息呈現從“簡單再現原始數據”變成“支持決策性、模型化再現數據集關系”。
做法：基于客戶業務模型和產品價值開展協調整合工作，實現用戶業務場景實時整屏顯示，支持屏內用戶業務需求與邏輯集中呈現，支撐服務于業務、決策的信息關聯展示。
精準做決策主要應用于通過信息節點數據和三維模型提升項目管控能力。
1）通過信息節點數據提升項目管控，實現訂單生產進度的實時追溯；實現生產計劃相關數據查看，如物料、刀具、工裝需求計劃等信息卡片，如圖11所示。
圖11 通過信息節點數據提升項目管控
2）通過三維模型提升項目管控，實現生產過程三維模型的真實模擬加工運動，物料的運送都與真實場景實現1比1還原；生產制造訂單的每個工件都可實現制造記錄追溯，如圖12所示。
圖12 通過三維模型提升項目管控
06
一種典型應用
下面以企業刀具環節基于數字孿生智能車間應用為案例，展開數字孿生技術在智能車間管控平臺的實踐驗證。管控平臺對車間設備信息進行數據監測，優化預測設備生產和運行狀態。應用場景是聚焦多品種小批量刀具產品全生命周期，通過部署傳感器采集數據，對采集到的數據進行時域分析、頻域分析以及時頻域相結合分析，并進行特征融合，然后將特征融合訓練樣本中的數據輸入到網絡識別模型中以訓練權重，神經網絡每層的輸出為：
式中，g表示Prelu激活函數，Wl表示神經網絡的第l層度權重，基于SGD優化算法，以均方誤差（MSE）為loss損失函數，表示監測磨損值與真實值的均方誤差，計算公式如下：
式中，n表示監測樣本總值，xi表示第i個樣本的真實磨損值，表示第i個樣本監測的磨損值。利用鏈式求導法則，計算損失函數值，基于梯度下降法對權重矩陣等參數進行訓練，權重W更新如下：
式中，Wl表示深度學習第l層度權重，η表示學習率，通過選取batch批量樣本訓練后對權重進行更新，使預測值不斷逼近真實值。
通過實驗驗證，基于深度學習的方法挖掘車間加工刀具的電流、功率、扭矩和其經過特征提取后的信號數據，可以提高了刀具監測的精度和泛化能力，當對剩余壽命占比（RULR）做標簽后，可以對當前磨損值做回歸分析，以提高刀具監測的精度。如圖13所示。
圖13 刀具磨損監測場景應用
06
結語
為順應國家智能制造和工業互聯網發展趨勢，本文是以企業數字孿生智能車間管控平臺為背景，在實踐中構建了基于數字孿生智能車間的體系架構和管控平臺應用建設，從實時匯數據、智能找問題、精準做決策三個方面實現數字孿生的多個場景，最后展開了基于深度學習方法在數字孿生智能車間刀具環節的一種典型應用案例進行分析。隨著5G等更多新技術的應用，對智能車間的管控會提出更多的需求和挑戰，需要開展更加深入的研究和探討，進而提高數字孿生在智能車間的管控和應用。
參考文獻：
[1] Rosen R, ichert G V,Lo G, et al. About The Importance of Autonomy and Digital Twins for the Future of Manufacturing[J]. Ifac Papersonline,2015,48(3):567-572.
[2] Grieves M W. Product lifecycle management: the new paradigm for enterprises[J].Int ernational Journal of Product Development, 2005,2(1):1-8.
[3] Wen J R,Mu-Qing W U,Jing-Fang S U. Cyber-physical System[J].Acta Automatica.
[4] 高星海.從基于模型的定義(MBD)到基于模型的企業(MBE)——模型驅動的架構:面向智能制造的新起點[J].智能制造,2017(5):25-28.
[5] 秦曉珠,張興旺.數字孿生技術在物質文化遺產數字化建設中的應用[J].情報資料工作,2018(2):103-111.
[6] Miao Q,Wang C M. A Conceptual Model:Entrepreneurial Competence Based on Enterprise Competitiveness[J]. Journal of China University of Geosciences,2003,3:11-18.
[7] 劉建鑫.基于CPS的制造單元管控系統的設計與實現[D].北京:北京交通大學,2016.
[8] GRIEVES M.Digital twin:manufacturing excellence through virtual factory replication [EB/OL].[2016-12-20].http://www.apriso.com/library/Whitepaper_Dr_Grieves_DigitalTwin_ManufacturingExcelence.php.2014.
[9] GRIEVES M.Virtually perfect:driving innovative and lean products through product lifecycle management[M].Cocoa Beach,Fla.,USA:Space Coast Pres,2011.
[10] DGlaessgen E,Stargel D.[American Institute of Aeronautics and Astronautics 53rd AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics and Materials Conference 20th AIAA/ASME/AHS Adaptive Structures Conference 14th AIAA- Honolulu, Hawaii] The Digital Twin Paradigm for Future NASA and U. S. Air Force Vehicles[J]. 2012.
[11] Fei T,Meng Z,Cheng J, et al. Digital twin workshop:a new paradigm for future workshop[J].Computer Integrated Manufacturing Systems,2017,1:21-32.
[12] 陶飛,等.數字孿生五維模型及十大領域應用[J].計算機集成制造系統,2019:1-18.
0755-22676570
09:00-18:00 (工作日時間)
