摘要：數(shù)字孿生技術(shù)可以為企業(yè)提供數(shù)據(jù)支持，加速新產(chǎn)品的開發(fā)和上市，提升企業(yè)的競爭力和市場占有率。對車間生產(chǎn)線進(jìn)行建模和仿真，可以分析不同生產(chǎn)參數(shù)對生產(chǎn)效率和產(chǎn)量的影響，優(yōu)化生產(chǎn)計(jì)劃和調(diào)度策略，提高生產(chǎn)線的運(yùn)行效率和經(jīng)濟(jì)性。該文結(jié)合神經(jīng)網(wǎng)絡(luò)模型和數(shù)字孿生技術(shù)進(jìn)行生產(chǎn)線管理，以期能夠有效降低生產(chǎn)線擾動的危害，提升企業(yè)的生產(chǎn)能力和競爭優(yōu)勢。

關(guān)鍵詞：數(shù)字孿生；神經(jīng)網(wǎng)絡(luò)；生產(chǎn)線管理

doi：10.3969/J.ISSN.1672-7274.2024.07.002

中圖分類號：TP 18 文獻(xiàn)標(biāo)志碼：A 文章編碼：1672-7274（2024）07-000-03

Research on Digital Twin Production Line Management

Based on Neural Network Models

LING Yuzhi， YANG Haokun， ZHANG Dongliang

（CNOOC Information Technology Co.， Ltd. Shenzhen Branch， Shenzhen 518000， China）

Abstract： Digital twin technology can provide data support for enterprises， accelerate the development and launch of new products， and enhance their competitiveness and market share. Modeling and simulation of workshop production lines can analyze the impact of different production parameters on production efficiency and output， optimize production plans and scheduling strategies， and improve the operational efficiency and economy of production lines. The article combines neural network models and digital twin technology for production line management， aiming to effectively reduce the harm of production line disturbances， enhance the production capacity and competitive advantage of enterprises.

Keywords： digital twin; neural networks; production line management

1 研究背景

智能制造業(yè)的快速發(fā)展標(biāo)志著制造業(yè)正向著更智能、更高效的方向邁進(jìn)。它利用信息技術(shù)、自動化技術(shù)和智能化技術(shù)，提升生產(chǎn)效率、產(chǎn)品質(zhì)量和生產(chǎn)靈活性。數(shù)字化轉(zhuǎn)型是智能制造的核心，其通過數(shù)字化工具和技術(shù)，實(shí)現(xiàn)生產(chǎn)數(shù)據(jù)的實(shí)時(shí)監(jiān)控、分析和優(yōu)化，從而提高生產(chǎn)效率和資源利用率。數(shù)字孿生將實(shí)體世界和虛擬世界相結(jié)合，通過數(shù)字化建模、仿真和數(shù)據(jù)分析，實(shí)現(xiàn)對物理系統(tǒng)的精確模擬和預(yù)測，從而優(yōu)化生產(chǎn)過程，提高生產(chǎn)效率，降低成本和風(fēng)險(xiǎn)。數(shù)字孿生技術(shù)不僅可以幫助企業(yè)優(yōu)化生產(chǎn)流程和產(chǎn)品設(shè)計(jì)，還可以在產(chǎn)品生命周期的各個階段提供數(shù)據(jù)支持，加速新產(chǎn)品的開發(fā)和上市，提升企業(yè)競爭力。因此，智能制造業(yè)的發(fā)展與數(shù)字孿生技術(shù)的應(yīng)用密切相關(guān)，二者共同推動著制造業(yè)的數(shù)字化轉(zhuǎn)型和智能化升級[1]。

生產(chǎn)線擾動是制造業(yè)面臨的常見挑戰(zhàn)之一，它可能由于設(shè)備故障、原材料變化、人為操作等因素引起，對生產(chǎn)效率和產(chǎn)品質(zhì)量造成不利影響。這種擾動可能導(dǎo)致生產(chǎn)延誤、產(chǎn)量下降、產(chǎn)品質(zhì)量不穩(wěn)定等問題，進(jìn)而影響企業(yè)的競爭力和盈利能力。傳統(tǒng)的生產(chǎn)線管理往往依賴于人工經(jīng)驗(yàn)和規(guī)則制定，難以及時(shí)、準(zhǔn)確地應(yīng)對擾動帶來的挑戰(zhàn)。利用神經(jīng)網(wǎng)絡(luò)模型和數(shù)字孿生技術(shù)進(jìn)行生產(chǎn)線管理可以有效應(yīng)對這些挑戰(zhàn)。神經(jīng)網(wǎng)絡(luò)模型能夠通過對大量歷史數(shù)據(jù)的學(xué)習(xí)和訓(xùn)練，發(fā)現(xiàn)生產(chǎn)線中的潛在規(guī)律和關(guān)聯(lián)，從而預(yù)測和識別可能出現(xiàn)的擾動情況。數(shù)字孿生技術(shù)可以建立生產(chǎn)線的數(shù)字化模型，并與實(shí)際生產(chǎn)線實(shí)時(shí)同步，通過模擬仿真和數(shù)據(jù)分析，快速發(fā)現(xiàn)和定位生產(chǎn)線中的問題和風(fēng)險(xiǎn)，提前采取相應(yīng)的調(diào)整和優(yōu)化措施。

2 生產(chǎn)線數(shù)字孿生模型研究

數(shù)字孿生技術(shù)是通過數(shù)字化建模和仿真，在虛擬環(huán)境中精確模擬實(shí)際車間的運(yùn)行情況和生產(chǎn)過程。數(shù)字孿生技術(shù)不僅可以幫助識別潛在的擾動源，還可以評估不同擾動對生產(chǎn)線的影響程度，為制定應(yīng)對策略提供數(shù)據(jù)支持。此外，數(shù)字孿生模型還可以用于模擬各種場景下的生產(chǎn)過程，評估不同調(diào)度方案或生產(chǎn)優(yōu)化措施的效果，幫助優(yōu)化生產(chǎn)線的運(yùn)行方式，提高生產(chǎn)效率和產(chǎn)品質(zhì)量。采用數(shù)字孿生對車間進(jìn)行建模需要遵循一系列的步驟和思路。首先是收集車間相關(guān)數(shù)據(jù)，包括生產(chǎn)設(shè)備、工藝流程、物料流動、環(huán)境參數(shù)等。這些數(shù)據(jù)可以通過傳感器、監(jiān)控系統(tǒng)、生產(chǎn)記錄等方式獲取。其次是對數(shù)據(jù)進(jìn)行清洗、處理和整合，確保數(shù)據(jù)的準(zhǔn)確性和完整性，為建模提供可靠的基礎(chǔ)。接著要選擇合適的建模方法和工具，例如物理建模、統(tǒng)計(jì)建模、機(jī)器學(xué)習(xí)等，根據(jù)車間特點(diǎn)和需求確定適用的建模技術(shù)。在建模過程中，需要考慮車間的各個方面，包括生產(chǎn)設(shè)備的運(yùn)行狀態(tài)、工藝流程的執(zhí)行情況、物料的運(yùn)輸路徑等，以全面模擬車間的運(yùn)行情況。建模過程中還需考慮時(shí)間、空間和資源等因素，確保模型能夠準(zhǔn)確反映實(shí)際車間的運(yùn)行狀態(tài)。建立數(shù)字孿生模型后，就可以進(jìn)行模擬和仿真實(shí)驗(yàn)，對不同情況下的生產(chǎn)過程進(jìn)行模擬，評估生產(chǎn)線的穩(wěn)定性和效率。通過模擬實(shí)驗(yàn)，可以發(fā)現(xiàn)潛在的問題和風(fēng)險(xiǎn)，優(yōu)化生產(chǎn)過程和調(diào)整生產(chǎn)策略，提高生產(chǎn)效率和產(chǎn)品質(zhì)量。最后，持續(xù)更新和優(yōu)化數(shù)字孿生模型。根據(jù)實(shí)際生產(chǎn)數(shù)據(jù)和反饋信息，不斷完善模型的準(zhǔn)確性和可靠性，保持模型與實(shí)際車間的一致性[2]。

本文采用Modelica對車間生產(chǎn)線進(jìn)行建模。Modelica是一種用于建立動態(tài)系統(tǒng)模型的開放式、面向?qū)ο蟮慕ＵZ言。使用Modelica可以對車間生產(chǎn)線進(jìn)行建模，從而進(jìn)行仿真和分析。對生產(chǎn)線進(jìn)行建模的部分代碼如下所示。

within ModelicaByExample.Components;

package WorkshopExample

// 定義車間生產(chǎn)線模型

model Workshop

// 參數(shù)定義

parameter Real capacity = 100 "車間生產(chǎn)能力";

// 輸入定義

input Real demand "需求量";

// 輸出定義

output Real production "實(shí)際生產(chǎn)量";

// 定義傳送帶模型

Modelica.Blocks.Sources.SineWave sineWave（amplitude=1， freqHz=0.1）;

Modelica.Blocks.Continuous.Integrator integrator（k=1）;

// 定義機(jī)器1模型

Modelica.Blocks.Sources.SineWave sineWave1（amplitude=1， freqHz=0.1）;

Modelica.Blocks.Continuous.Integrator integrator1（k=1）;

// 定義機(jī)器2模型

Modelica.Blocks.Sources.SineWave sineWave2（amplitude=1， freqHz=0.1）;

Modelica.Blocks.Continuous.Integrator integrator2（k=1）;

equation

// 生產(chǎn)量等于生產(chǎn)能力和需求量中較小的一個

production = min（capacity， demand）;

// 傳送帶模型方程

connect（sineWave.y， integrator.u）;

connect（integrator.y， integrator1.u）;

// 機(jī)器1模型方程

connect（sineWave1.y， integrator1.u）;

connect（integrator1.y， integrator2.u）;

3 基于神經(jīng)網(wǎng)絡(luò)模型的生產(chǎn)線擾動識

別算法研究

在構(gòu)建生產(chǎn)線擾動識別算法時(shí)，可以根據(jù)對生產(chǎn)線擾動各項(xiàng)因素的分析，構(gòu)建特征庫，見圖1。

圖1 生產(chǎn)線擾動特征集

在此基礎(chǔ)上，可基于卷積神經(jīng)網(wǎng)絡(luò)，構(gòu)建生產(chǎn)線擾動識別算法。卷積神經(jīng)網(wǎng)絡(luò)的核心思想是通過卷積層和池化層來提取圖像中的特征，并通過全連接層進(jìn)行分類或回歸。在卷積層中，通過卷積操作對輸入圖像進(jìn)行特征提取，利用卷積核與輸入圖像進(jìn)行逐點(diǎn)相乘和求和操作，可得到特征圖。而池化層則通過對特征圖進(jìn)行降采樣，減少參數(shù)數(shù)量，提高模型的穩(wěn)定性和泛化能力，見圖2。

在對車間運(yùn)行數(shù)據(jù)進(jìn)行批量采集后，首先需要進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、去除異常值、填充缺失值等操作，以確保數(shù)據(jù)質(zhì)量和完整性。隨后，針對車間生產(chǎn)過程中的各種參數(shù)和指標(biāo)，可以進(jìn)行特征提取，將原始數(shù)據(jù)轉(zhuǎn)換為具有代表性的特征向量。接下來，可利用這些特征數(shù)據(jù)建立車間的數(shù)字孿生模型。數(shù)字孿生模型是對實(shí)際車間運(yùn)行情況的數(shù)字化仿真模型。在建立數(shù)字孿生模型時(shí)，需要考慮車間的各種參數(shù)和指標(biāo)，將其納入模型中，并進(jìn)行有效的建模和描述。對數(shù)字孿生模型的特征進(jìn)行提取，可以得到車間的擾動特征[3]。

為驗(yàn)證該算法的有效性，本文構(gòu)建了驗(yàn)證方案，具體如圖3所示。

圖3 車間擾動識別驗(yàn)證方案

如圖3所示，首先，搭建擾動識別實(shí)驗(yàn)平臺需要準(zhǔn)備相應(yīng)的傳感器和數(shù)據(jù)采集設(shè)備，以采集刀加工過程中三坐標(biāo)軸的力和振動信號。其次，針對采集到的生產(chǎn)線加工數(shù)據(jù)，進(jìn)行狀態(tài)特征提取。例如，可以計(jì)算力和振動信號的均值、方差、頻譜分布等統(tǒng)計(jì)特征，或者通過時(shí)域和頻域分析提取更復(fù)雜的特征。這些特征將構(gòu)建成特征矩陣，作為輸入數(shù)據(jù)供后續(xù)的擾動識別模型使用。再次，將提取的狀態(tài)特征輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行擾動識別。最后，根據(jù)擾動識別的結(jié)果，對車間數(shù)字孿生模型進(jìn)行更新和優(yōu)化。這包括更新模型中的參數(shù)和狀態(tài)信息，以反映生產(chǎn)線實(shí)際運(yùn)行過程中的變化和擾動情況。通過不斷更新數(shù)字孿生模型，提高模型的準(zhǔn)確性和適應(yīng)性，為車間的實(shí)時(shí)監(jiān)控和管理提供更可靠的支持。以后面刀溫度計(jì)算模型為例，其預(yù)測效果以及數(shù)字孿生模型的建模效果如圖4所示。

圖4 識別效果

4 結(jié)束語

搭建擾動識別實(shí)驗(yàn)平臺，采集生產(chǎn)線加工過程中的數(shù)據(jù)，進(jìn)行狀態(tài)特征提取，然后利用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行擾動識別，并根據(jù)識別結(jié)果更新車間數(shù)字孿生模型，可以實(shí)現(xiàn)對車間生產(chǎn)過程的智能化監(jiān)控和管理，提高生產(chǎn)效率和運(yùn)行穩(wěn)定性。

參考文獻(xiàn)

[1] 張穎偉，高鴻瑞，張鼎森．基于多智能體的數(shù)字孿生及其在工業(yè)中應(yīng)用的綜述[J]．控制與決策，2023，38（8）：2168-2182．

[2] 杜曉東，曾四鳴，劉科研．基于云模型的配電網(wǎng)運(yùn)行畫像數(shù)字孿生構(gòu)建方法[J]．電力系統(tǒng)保護(hù)與控制，2022，1（50）：78-83．

[3] 成珂陽，李琦．深度學(xué)習(xí)用于連續(xù)太赫茲同軸數(shù)字全息重建[J]．中國激光，2023，50（17）：89-92．

作者簡介：凌宇志（1993—），男，漢族，廣東湛江人，中級工程師，本科，研究方向?yàn)槿S數(shù)字孿生。

楊昊坤（1996—），男，漢族，湖北武漢人，中級工程師，碩士研究生，研究方向?yàn)槿S數(shù)字孿生。

張棟梁（1997—），男，漢族，湖北黃石人，中級工程師，本科，研究方向?yàn)槿S數(shù)字孿生。