一种基于数字孪生自组织建模的生产过程重构方法

摘要

一种基于数字孪生自组织建模的生产过程重构方法，发明涉及智能制造技术领域，应用于多批次大批量生产过程，所述预警方法包括以下步骤：步骤A、数据采集及预处理，步骤B、自组织构建实体及关系模型，步骤C、复杂事件推演，进行生产过程仿真，步骤D、优化仿真结果并反馈。本发明使用面向数字孪生的自组织建模方式，并建立复杂事件推演过程，能够更全面的反应生产过程，准确反馈最优调度方案，更适用于实际生产场景；处理不确定性的事件问题，提前对生产异常进行预警。

说明书

技术领域

本发明涉及智能制造技术领域，尤其涉及基于数字孪生自组织建模的生产过程重构方法。

背景技术

生产过程重构是多批次大批量生产中十分重要的组成部分，其相关设备繁多，工艺复杂。生产过程中，偶发的插单、调单、生产异常事件等，会造成生产过程混乱，产品质量缺陷，降低产品良率，引发经济损失。可靠的生产过程重构方法，即有效的生产调度，它能够为生产线作业人员提供足够的响应时间，为生产效率维护的决策提供有意义的信息，减少生产过程中的损失，提升生产效率，具有十分重要的工业应用价值。由于生产过程影响因素及工艺步骤繁多，导致调度影响因素复杂，很难用建立物理模型的方法去解决问题。随着大数据时代的来临，数字孪生的方法在异常检测（预测）的问题中表现出了很好的效果，但多批次大批量生产过程中的异常事件不确定，异常数据偏少导致异常信息缺乏，给实际的生产调度带来了很多困难。

现有技术中，1、大部分生产过程重构方法仅限于对生产线的加工和装配过程进行抽象并建模，生产调度影响因素，包括物流、仓储、人员、政策等考虑不足，不能满足实际需求；2、很少考虑生产过程中的数据不确定影响问题。普通调度算法能够很好地学习少数类别信息，但无法学习多事件综合影响异常数据内部的时序信息。因此，针对多批次大批量生产过程中生产调度的不确定问题，需要重新设计重构方法。

发明内容

本发明的目的是针对多批次大批量生产过程中因异常事件统计缺乏导致的生产过程描述不准确问题，提出一种基于数字孪生自组织建模的生产过程重构方法，构建预警模型，提前对生产异常进行预警，实现生产线在运行过程中的智能维护，提高产品良率与生产线效率。

为实现发明目的，本发明采用的技术方案是：基于数字孪生模型对生产异常进行预警的方法，应用于多批次大批量生产过程，所述预警方法包括以下步骤：

步骤A、数据采集及预处理，包括：

A.1、以生产节点为单位，通过工艺参数的统计量提取生产节点的多维特征数据，

A.2、对于每一维原始特征提取的统计特征，设置时间窗口长度为，在时间维度上滑动该时间窗口，构成带时间窗的数据样本与数据标签。

步骤B、自组织构建实体及关系模型，包括：

B.1、事件知识元本体构建，

B.2、实体关系构建，

B.3、自组织构建。

步骤C、复杂事件推演，进行生产过程仿真，包括：

C.1、复杂事件耦合局部网络模型构建，

C.2、基于复杂事件耦合局部网络模型的事件推演。

步骤D、优化仿真结果并反馈，包括：

D.1、构建仿真平台，

D.2、结果分析，

D.3、优化规则，

D.4、方案回归。

进一步地，所述事件知识元本体定义为：KEm=（NEm，AEm，REm）

其中，NEm为事件元本体概念或属性名称集，AEm表示事件的属性状态集，REm表示AEm×AEm的映射关系集。

B.2中，实体关系构建采用变种Petri网模型，Petri网为一个五元组组成，

PN = (P，T，W，F，M)

其中，P代表输入库所、输出库所有限集，T代表变迁有限集，W代表输出库所到变迁或变迁到输入库所有向弧集合，F代表各有向弧的权重函数，M代表各库所中的初始状态集。

本发明基于数字孪生系统的采集并预处理多维传感数据，通过构建基本的单元事件本体模型自组织构造实体关系模型，并经过情景数据特征挖掘隐性规则关系模型，对事件演化建模，并通过数字孪生仿真平台对事件进行仿真对耦合模型和网络参数进行迭代优化，寻求最优解。

与现有技术相比，本发明使用面向数字孪生的自组织建模方式，并建立复杂事件推演过程，能够更全面的反应生产过程，准确反馈最优调度方案，更适用于实际生产场景；处理不确定性的事件问题，提前对生产异常进行预警。

附图说明

图1为组织建模生产重构框架图；

图2为本发明的流程图；

图3为仿真系统界面。

具体实施方式

针对异常事件不平衡问题，解决思路主要有两种，分别是数据层方法和算法层方法。算法层方法其思想是不修改原数据，而对算法进行调整使其适应特定的不平衡数据。常见的方法如一类学习、代价敏感学习、分类器集成方法等。数据层方法其思想是直接调整原数据来平衡各个类别的分布，再对处理后数据直接使用已有学习算法，通用性较强，主要分为欠采样和过采样两类。常见的方法如随机过采样、随机欠采样、生成对抗网络方法等等。本发明采用的方法是随机欠采样。

参看图1，本发明通过智能支持平台获取基于情景本体的生产领域知识图谱，即经过预处理的采集数据，进而构建设备模型和复杂事件耦合局部网络模型，在此基础上，构建仿真平台进行生产线仿真应用，优化规则，仿真结果回归，指导生产。本发明的流程图如图2所示。

基于数字孪生模型对生产异常进行预警的方法，应用于多批次大批量生产过程，其特征在于，所述预警方法包括以下步骤：

步骤A、数据采集及预处理，包括：

A.1、以生产节点为单位，通过工艺参数的统计量提取生产节点的多维特征数据，精简数据的同时实现不同加工时长工序数据的对齐。

本实施例中，生产工位设为生产节点。

A.2、对于每一维原始特征提取的统计特征，设置时间窗口长度为，在时间维度上滑动该时间窗口，构成带时间窗的数据样本与数据标签。

步骤B、自组织构建实体及关系模型，包括；

B.1、事件知识元本体构建。

事件知识元本体构建：元本体作为完备知识表达的最小单位，从客观事物的不同侧面认知事物的本质规律，将复杂知识抽象化、形式化，便于描述客观事物的共性特征。在知识的视角下，元本体与特定领域知识无关，使得利用元本体描述不同类型事件系统要素的共性属性特征，进而构建突发事件系统共性结构模型成为可能。

事件知识元本体定义为：KEm=（NEm，AEm，REm）

其中，NEm为事件元本体概念或属性名称集，AEm表示事件的属性状态集，REm表示AEm×AEm的映射关系集。

本发明釆用共性知识模型，在该知识元模型基础上扩展输入属性集、输出属性集和状态属性集的构成，建立突发事件系统中事件客体和环境客体的共性并可向专业个性扩展的知识元模型，以满足事件推演中对生产过程知识描述的需求。

本实施例中，将事件知识元本体按照功能分为工序加工、工序辅助、运输、环境控制等种类。

B.2、实体关系构建。

本实施例构建了一种适用于多种控制系统的形式化表示、数学化建模工具，综合了数据流、控制流和状态转移，为描述具有并行、异步、分布式和随机性等特征的信息加工系统提供了便捷的工具，并能够通过状态改变体现系统的动态行为特征和系统状态的演化过程。在时间及情景关系中采用变种Petri网模型。

Petri网为一个五元组组成，

PN = (P，T，W，F，M)

其中，P代表输入库所、输出库所有限集，T代表变迁有限集，W代表输出库所到变迁或变迁到输入库所有向弧集合，F代表各有向弧的权重函数，M代表各库所中的初始状态集，托肯反映库所处于某种状态的程度。利用Petri网进行知识表示，利用Petri网表示出突发事件各属性之间的关系。

在关系模型中，整个系统被分割成一系列的生产工位，工件的加工过程视为工件在生产工位之间的流动，当工件在一个工位上完成某工序后，需要选择下一个工位，即需要有变迁路径；当有多个工位可以选择时，需要个变迁路径加权计算，得到最优路径。

B.3、自组织构建。

自组织构建的方法为基于Agent的仿真主体自组织构建：以事件知识元本体为基础，构建Agent的智能核心模块，实现仿真个体的智能化；根据实体关系已有的Petri关系网，获取Agent的时间及情景关系，分别描述生成过程中的数据采集、数据处理、数据融合与过程预警各阶段的活动内容事项仿真个体的关联；通过Agent管理平台，依据事件和数据驱动，仿真Agent自组织进行的注册、加入、运行、退出、销毁，构建仿真应用。

构建过程中，从数据采集和预处理开始，通过数据去噪与神经网络算法对模型进行求解，将归一化处理后的状态信息样本输入神经网络模式识别器，通过神经网络模型进行反复训练，直至到达期望的性能。

具体过程如下：

获取并根据生产线的设计要求在仿真系统建模，建立各个生产工位上单机设备数字化模型；完成各个单机设备的动作规划，完成工件运动规划，编制运动与动作控制脚本，进行离线模拟运行，直至离线运行正常。

利用数字孪生技术，在单机设备上安装数据传感器，建立数字化模型和设备及上位机之间的通讯通道，实现数据的互联互通和同步，得到孪生模型。

步骤D，输出该车间的三维数字孪生模型为作为后续进行单机设备、控制系统和执行系统的设计研发的蓝本，并通过虚拟控制网络与三维数字孪生模型进行集成与同步，同步进行联机调试；

所述步骤C中还包括：搭建虚拟控制网络，运用数字孪生技术，构建虚实同步的实物仿真平台，使得单机设备可以与数字化车间上对应的单机数字化模型实现动作同步化；将上层MES系统与车间数字孪生模型进行集成，实现整线在生成MES指令下运行，同时也将车间数字孪生模型执行情况反馈回MES，实现在线模拟运行；

所述步骤C中将上层MES系统与车间数字孪生模型进行集成的方法为：通过控制网络和组态软件建立指令通道与信息通道进行数据交互，通过指令下行通道与信息上行通道实现车间数字孪生模型与上层MES系统和智能管控系统的连接及数据同步；

所述步骤C与所述步骤D之间还设有迭代优化步骤：在MES系统上模拟投放一批订单，通过运行结果，分析订单完工期达成率、生产线平衡率和设备稼动率及整个生产线的线鲁棒性、脆性和柔性，根据分析指标进一步调整智能车间的设计方案，以优化分析指标，如此循环，迭代执行以调控车间性能

步骤C、复杂事件推演，进行生产过程仿真，包括：

C.1、复杂事件耦合局部网络模型构建。

事件间通过相互作用、相互影响构成更复杂的事件或情景，这个过程称之为事件耦合。生产过程中事件耦合一般包括共力耦合、互力耦合和驱力耦合。

事件A和事件B间无相互作用，且事件A和事件B都可导致事件C的出现，但事件A和事件B的共同发生使得事件C的后果远大于事件A和事件B后果的加和，这种耦合方式则被称为共力耦合。

事件A和事件B间相互作用并增强对方的灾害演化速度，且当事件A和事件B相互作用并达到一定程度后使得事件C（事件A和事件B都不会导致事件C 的出现）的发生，事件A和事件B间这种耦合方式则被称为互力耦合。

事件B是耦合事件C的诱导因素，事件A不是耦合事件C的诱导因素，但事件A通过对事件B的作用影响事件C的后果，则称C是A和B的驱力耦合。

本实施例中将三种事件耦合的综合影响进行数学建模，对历史情景数据进行数据挖掘，确定事件耦合的影响因子，得出耦合后的事件概率分布；并经过动态仿真，聚合成耦合作用的局部网络。

C.2、基于复杂事件耦合局部网络模型的事件推演。

因离散制造是典型的复杂系统，其事件间影响具有模糊性，故本实施例中事件发展演化选用贝叶斯网络进行模型构建，但需要对其进行变化，加上时间要素。贝叶斯网络是描述变量之间概率关系的图形模式，是一个有向无环图。由代表变量节点及连接这些节点有向边构成( 由父节点指向子节点)。节点代表随机变量，节点间的有向边代表了节点间的因果关系，用条件概率表达关系强度。节点变量可以是任何问题的抽象，适用于表达和分析不确定性和概率性的事件，可以从不完全、不精确或不确定的知识或信息中作出推理。

离散制造的过程为时间序列上的情景演化，本实施例中在贝叶斯网络上加一个时间要素，构建动态贝叶斯网络描述随时间而改变的系统模型。

动态贝叶斯网络的联合概率公式为：

动态贝叶斯网络描述了变量集Xt= { Ct，Mt，Ot} 的概率依存关系及其随时间 t= 1，2，…，T 的变化情况。在任意时刻t，变量Mt的状态由变量Ct决定，而Ot的状态则由Ct和Mt共同决定，变量集Xt的联合概率分布可表示为式的形式：

D.1、构建仿真平台：基于情景推演的生产过程仿真系统，构建仿真平台构建。

本实施例以“潍柴1号厂”为实施对象，设计并实现了500工位的整个装配过程的仿真，共设计仿真控件993个，其中工序加工控件96个、工序辅助控件405个、运输控件142个、环境控件318个、其它控件2个。

每个生产工序，构成基本的仿真单元；考虑最主要影响生产时间的因素，抽象并设计了加工、传送、存储区、上机过程、下机过程五个必须步骤。

基于上述情景推演的生产过程仿真系统，构建仿真平台；对仿真生产结果进行分析，获取平均生产时间、单位节点输出量、产品跟踪量等，建立加权计算模型，综合评定生产结果；根据生产结果的指标值，调整规则参数，迭代仿真优化获取生产结果，优化规则；将结果返回生产线，指导生产，预警输出。

图3是本实施例的仿真系统界面，图形化显示各生产工位及工件流转路径。