技术领域
本发明涉及计算机科学和智能制造技术领域,具体为一种基于孪生智能工件的物联车间实时调度方法。
背景技术
数字孪生是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程。随着数字孪生技术在制造业的蓬勃发展,数字孪生平台应用于实际物联车间的效果也越来越明显。通过实际车间的生产加工来实时驱动数字孪生平台的孪生体模型,达到实时监控产品全生命周期,方便对产品生产全过程进行管控的目的,同时在数字孪生平台对产品、产线和物流等过程进行虚拟仿真,达到提升实际车间生产运行效益的目标,当然也可以在数字孪生平台对新产品、新建产线或新式物流进行仿真验证,保证实际生产车间建设的合理性。
其中物流调度是影响车间生产效益的一大关键因素。然而实际生产过程中,产品订单的可行性、物联车间规划的合理性以及加工设备的损耗等因素,都在干扰物流调度方案的执行。但是在实际车间中这些因素都难以同时考虑,而在数字孪生平台可以在任务执行之前进行预先评估、分析、决策以及后续的优化,同时也可以做到实时监控生产过程的效果,这都大大提高物联车间物联调度的效率。
专利申请号为CN110609531A的中国专利文件于2019.12.24公开了一种基于数字孪生的车间调度方法。将数字孪生这一新兴技术引入到传统的车间调度问题中,利用数字孪生提供的多维虚拟模型与仿真数据增强调度过程中的设备可用性预测与调度方案评估。这种设计的不足之处是:在数字孪生层进行调度方案的评估和预测,与实际物理车间没有足够的交互,数字孪生层对实际物理车间的反馈不够,同时虚拟车间与实际物理车间的信息融合程度不够。
专利申请号为CN111210184A的中国专利文件于2020.05.29公开了一种数字孪生车间物料准时配送方法及系统。能够在一定程度上解决数字孪生车间物料配送与工艺推进不同步的问题,为车间物料配送系统开发提供可靠的技术保障。这种设计的不足之处是:过分依赖传统的工艺卡片进行调度,系统依赖于已定的环境,生产物流调度灵活性不够。
发明内容
针对上述问题,本发明公开了一种基于孪生智能工件的物联车间实时调度方法,在数字孪生端构建智能工件概念作为每一个订单任务的载体,通过智能工件与智能设备之间交互实现任务的分布式自组织,同时可以实现生产监控和生产加工的实时物流调度。
本发明的技术方案:
一种基于孪生智能工件的物联车间实时调度方法,其特征在于:包括物理车间层和虚拟车间层,所述物理车间层包括智能设备,所述虚拟车间层包括该智能设备映射所产生的智能设备孪生体和孪生智能工件。
步骤一,构建数据模块、分析模块,并在此基础上构建孪生智能工件,物理车间层的智能设备采集动态数据信息并上传至数据模块进行存储和预处理,为分析模块提供数据基础;
步骤二,根据实际生产任务定义任务信息并传输至数据模块,数据模块同时处理物理车间层的智能设备和虚拟车间层的孪生智能设备给予的反馈信息,将接收到的信息分类后存入相应的数据存储空间并向分析模块传输;
步骤三,分析模块接收任务信息,同时结合动态数据信息和反馈信息进行对物理车间和虚拟车间生产过程进行详细的评定、分析、决策、优化,决定加工任务的生产工艺和物流调度,生成实时调度方案;
步骤四,将实时调度方案传入物理车间层的智能设备中,智能设备实时驱动虚拟车间层的智能设备孪生体进行生产仿真;
步骤五,评估实时调度方案,若实时调度方案满足要求,则向物理车间层的智能设备发出生产调度指令,物理车间层的智能设备执行生产调度指令,同时,物理车间层的智能设备向智能设备孪生体映射实时加工信息,同时监控生产信息并反馈给孪生智能工件;若实时调度方案不满足要求,则返回步骤二,重新进行评定、分析、决策和优化直至获得满足要求的实时调度方案。
作为优选,步骤一的数据模块对物理车间层的智能设备上传的动态数据信息按照设备功能分类存储,同时对设备信息进行预处理,预处理为对数据的降噪、清洗处理。
作为优选,任务信息为生产任务的的各项信息,是初始化数据模块的基础,包括生成时间、截止时间、任务ID、任务优先级以及生产任务。
作为优选,分析模块的分析功能包括任务分析和工艺分析,即对具体的生产任务和生产工件的工艺进行分类和顺序分析。
作为优选,分析模块的评定功能包括任务评定、设备评定以及人员评定,以评定任务的可加工性和合理性;所述分析模块的分析功能包括任务分析和工艺分析,即对具体的生产任务和生产工件的工艺进行分类和顺序分析;所述分析模块的决策功能包括工艺加工决策、调度路径规划决策以及生产优先级,即结合分析模块的处理结果决定工艺加工的流程、物流调度路径以及多任务生产的优先级;所述分析模块的优化功能为对数据模块反馈得到的数据信息进行分析处理,优化后续加工任务的生产工艺和物流调度方案。
作为优选,分析模块构建方式为:在物联制造车间的生产加工环境中,一组独立的制造任务{J
作为优选,分析模块的分析功能的实现方式包括:以最大完工时间C
作为优选,分析模块目标函数为:
其中,
P
作为优选,分析模块的优化功能是通过基于遗传-粒子群算法的混合算法实现的,该算法包括遗传算法模块、双记忆学习模块和粒子群算法模块,遗传算法作为混合算法的框架,而粒子群算法和外部内存库合并到混合算法中;遗传算法模块和粒子群算法模块通过相互交换信息来提高种群质量;双记忆学习模块中实现精英策略,将精英解决方案存储在外部库中,加快收敛到最优解的过程。
作为优选,物理车间层的智能设备的功能是驱动虚拟车间层的智能设备孪生体以进行生产仿真,在实际生产中受分析模块控制,提供不同类型的生产加工服务,并采集动态数据上传到数据模块,同时将实时的生产信息反馈给数据模块。
作为优选,虚拟车间层的智能设备孪生体的功能为接收物理车间智能设备输入的实时加工信息,驱动模型进行生产仿真,并将模型驱动和生产仿真结果反馈给物理车间层的智能设备和孪生智能工件。
有益效果:
(1)本发明通过孪生智能工件实现了生产加工由任务驱动,保证产品的整个生产生命周期得到完整的监控;
(2)本发明构建的孪生智能工件是在同一个车间环境里的孪生层搭建的,无需额外搭建云平台,通讯交互更加方便;
(3)本发明通过孪生智能工件对生产任务进行评定、分析、决策以及优化,以孪生智能工件为载体,完整的监控车间的生产制造过程,生产过程是以孪生智能工件为主导,系统的灵活性、稳定性好,同时可以实时接收生产过程中的反馈信息,可以进一步优化生产过程;
(4)本发明通过孪生智能工件将物理车间智能设备和虚拟车间智能设备进行紧密融合,虚实结合,将任务信息与物理车间智能设备生产的实时信息和虚拟车间智能设备孪生体模型实时驱动的反馈进行分析,达到实际物理车间与虚拟车间物理信息融合紧密的效果。
附图说明
图1为本发明一个实施例的孪生智能工件内部分析模块和数据模块之间以及与任务信息的关系图;
图2为本发明一个实施例的虚拟层车间层和物理车间层的关系图;
图3为本发明一个实施例的步骤流程图;
图4为本发明一个实施例的围绕孪生智能工件的物联车间生产流程关系图;
图5为本发明分析模块采用的混合算法模型图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明公开一种基于孪生智能工件的物联车间实时调度方法,相比于传统的物理车间基于工艺卡片的加工调度方法,在数字孪生端构建智能工件概念作为每一个订单任务的载体,通过智能工件与智能设备之间的交互实现任务的分布式自组织,同时可以实现生产监控和生产加工的实时物流调度。
如图1所示,为孪生智能工件内部分析模块和数据模块之间以及与任务信息的关系图,如图2所示,为虚拟层车间层和物理车间层的关系图。
结合图1至图2,物联车间包括虚拟车间层和物理车间层,虚拟车间层包括智能设备孪生体和孪生智能工件,其中,智能设备孪生体具有可视化映射、生产实时监控以及生产信息反馈等功能,智能设备孪生体接收物理车间层的智能设备传入的实时加工信息,并驱动智能设备孪生体进行生产仿真,实时反馈模型驱动和生产仿真结果给物理车间层的智能设备和孪生智能工件。
孪生智能工件包括数据模块和分析模块,任务信息传入孪生智能工件,分类别后存入数据模块,同时数据模块对该任务信息进行相应的预处理,方便后续的使用。数据模块与分析模块之间存在着交互的关系,数据模块将预处理后的任务信息传向分析模块,分析模块对该任务信息进行分析处理并将分析处理结果反馈给数据模块,此时数据模块将该反馈数据存放在反馈数据区,以便后续处理时调用。
智能设备孪生体与孪生智能工件之间也进行数据交互,智能设备孪生体获取孪生智能工件中分析模块的处理结果,同时向数据模块传入模型驱动及生产仿真信息,用于与物理车间实际生产信息进行比对,优化生产过程。
物理车间层包括智能设备,具体为物理车间运输智能设备、物理车间加工智能设备、物理车间仓储智能设备以及物理车间检测智能设备,分别实现运输、加工、仓储、检测等功能。物理车间层的智能设备之间通过孪生智能工件进行交互,同时借助与孪生智能工件的交互提高物理信息融合水平。物理车间层的智能设备提供不同的生产加工服务,同时采集动态数据上传到数据模块,获取分析模块评定、分析、决策和优化的结果,并受分析模块控制。智能设备还获取孪生智能工件的信息进行实时调度,同时将实时生产信息反馈给孪生智能工件的数据模块,驱动虚拟车间智能设备孪生体进行仿真和决策。
如图3所示,为步骤流程图,如图4所示,为围绕孪生智能工件的物联车间生产流程关系图,如图5所示,为本发明分析模块采用的混合算法模型图。
结合图3至图5,一种基于孪生智能工件的物联车间实时调度方法,步骤一,构建数据模块、分析模块,数据模块与分析模块之间存在着交互的关系并在此基础上构建孪生智能工件。物理车间层的智能设备采集动态数据信息并上传至数据模块,将动态数据信息存储和预处理后,为分析模块提供数据基础,以获取分析模块评定、分析、决策和优化的结果。动态数据信息包括人员状态信息、物料状态信息、工件状态信息、设备状态信息、物流状态信息等。
具体的,构建分析模块的方式如下:在物联制造车间的生产加工环境中,有一组独立的制造任务{J
步骤二,根据实际生产任务定义任务信息,任务信息是对数据模块进行初始化的基础,具体包括生成时间、截止时间、任务ID、任务优先级、生产任务等。将任务信息传输至孪生智能工件的数据模块,数据模块处理物理车间层的智能设备和虚拟车间层的孪生智能设备给予的反馈信息,将接收到的信息分类后存入相应的数据存储空间,并向分析模块传输。
步骤三,分析模块接收任务信息,并对物理车间和虚拟车间生产过程进行详细的评定、分析、决策、决定加工任务的生产工艺和物流调度,再根据实时的任务信息进行优化,生成实时调度方案。其中评定包括任务评定、设备评定和人员评定,分析包括任务类型分析和工艺分析,决策包括工艺加工决策、调度路径规划决策和生产优先级决策,优化包括生产工艺优化和物流调度优化。
其中,分析模块基于多目标进行动态调度,以最大完工时间C
其中,
分析模块会将任务ID、任务优先级等作为输入的制造任务的标签,以明确区分任务的顺序和类别。
步骤四,将孪生智能工件的分析模块的处理结果传入物理车间层的智能设备中,物理车间层的智能设备在满足不同的生产加工任务的同时,采集动态数据上传到数据模块,由数据模块传输至分析模块进行动态的分析调整。物理车间层智能设备还获取孪生智能工件的信息进行实时调度,对实时生产过程进行生产监控并反馈给孪生智能工件的数据模块,同时实时驱动虚拟车间层智能设备孪生体,进行生产仿真。
其中,分析模块目标函数是在下面约束条件之下进行动态分析的,
c
c
s
s
其中,c
约束条件(4)表示工艺O
如图5所示,为分析模块采用的混合算法模型图。由于在求解多目标优化问题时,单个算法具有各自的局限性,遗传算法具有较强的全局搜索能力,但收敛速度慢,而粒子群算法收敛速度快,但收敛精度低。分析模块采用混合算法则是将两者结合以达到收敛速度快同时收敛精度高的效果。目标函数采用基于遗传-粒子群算法的混合算法,由三个模块组成,即遗传算法模块、双记忆学习模块和粒子群算法模块。遗传算法被作为混合算法的框架,而粒子群算法和外部内存库被合并到混合算法中。引入粒子群算法的目的一方面是利用粒子群算法的快速搜索能力来提高遗传算法的收敛速度,另一方面是在一定程度上避免遗传算法陷入局部最优。同时,利用遗传算法强大的全局搜索能力,提高了粒子群算法的搜索精度。遗传算法模块和粒子群算法模块通过相互交换信息来提高种群质量。
此外,由于遗传算法缺乏向精英个体学习的能力,在双记忆学习模块中,实现了一种精英策略,将精英解决方案存储在外部库中,并将其重新引入遗传算法群体,以提高混合算法的学习能力。在进化过程中,遗传模块中的个体不断向精英模块中的个体学习,反之亦然,精英模块中的劣势个体同时被遗传模块中的精英个体所取代。简而言之,混合算法的目的是保持种群内部的多样性,加快收敛到最优解的过程。
步骤五,评估实时调度方案,若实时调度方案满足要求,则向物理车间层的智能设备发出生产调度指令,物理车间层的智能设备执行生产调度指令,同时,物理车间层的智能设备向智能设备孪生体映射实时加工信息,同时监控生产信息并反馈给孪生智能工件;若实时调度方案不满足要求,则返回分析模块重新进行评定、分析、决策和优化直至获得满足要求的实时调度方案。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
机译: 基于数字孪生的智能车间自动化生产过程的动态链接控制方法
机译: 基于数字孪生的建筑机械智能实时数据处理方法
机译: 基于复合智能代理的研讨会实时调度方法和装置