一种基于vPLC与数字孪生交互的智能制造产线虚实映射控制方法

本发明涉及智能制造与工业互联网，具体涉及一种基于vplc与数字孪生交互的智能制造产线虚实映射控制方法。

背景技术：

1、随着智能制造、工业大数据以及人工智能技术的发展，现代制造产线对柔性化、预测性及远程控制能力提出了更高要求。传统plc控制系统依赖专用硬件设备，虽然在工业控制中应用广泛，但在复杂产线环境下存在扩展性差、升级成本高及预测能力不足的问题。

2、数字孪生技术通过构建物理系统的虚拟映射模型，实现生产系统的实时监控与仿真分析。然而，现有数字孪生系统多停留在三维可视化层面，缺乏与实际控制系统的深度耦合，难以实现虚实闭环控制。另一方面，随着虚拟可编程逻辑控制器（vplc）的发展，控制逻辑逐渐从专用硬件向通用硬件和软件平台迁移。vplc具有灵活部署、易扩展、低成本等优势，但如何与数字孪生深度融合，构建真正的虚实映射控制体系，仍缺乏有效方法。

3、同时，传统数字孪生的数据驱动方法在复杂工业场景中往往依赖大量历史数据，难以保证模型在不同工况下的稳定性。物理信息神经网络（pinn）通过将物理机理方程嵌入神经网络训练过程，使模型在满足物理约束的条件下学习数据特征，为复杂工业系统建模与预测提供了新的解决思路。

4、因此，如何将 pinn 融入数字孪生与vplc交互体系中，形成完整的虚实映射控制闭环，是本领域亟需解决的技术问题。

技术实现思路

1、本技术为了解决上述技术问题，提出了如下技术方案：

2、本技术实施例提供了一种基于vplc与数字孪生交互的智能制造产线虚实映射控制方法，包括：

3、建立产线设备的三维几何模型并导入虚拟引擎，在数字孪生平台中构建虚拟产线场景并设定设备的运动学约束和生产工艺逻辑；

4、针对产线中的不同装备对象建立相应的物理机理模型，采集产线设备运行过程中的多源传感器数据，并根据物理可测性将所述物理机理模型的相关参数划分为确定参数集合与未知参数集合；

5、对所述多源传感器数据进行工况类型判别，提取动态工况下的有效数据段；

6、将所述有效数据段与所述确定参数集合共同输入至预先构建的物理信息神经网络中，通过所述物理信息神经网络对所述未知参数集合进行估计，输出设备运行状态、能耗趋势及故障风险的预测结果；

7、vplc将实时采集的物理设备运行数据上传至数字孪生平台，数字孪生平台将所述预测结果反馈至vplc；

8、vplc将接收到的所述预测结果与所述物理设备运行数据进行残差计算，根据残差结果生成控制指令，并将所述控制指令下发至物理产线设备执行，实现产线虚实闭环控制。

9、在一种可能的实现方式中，立产线设备的三维几何模型并导入虚拟引擎，在数字孪生平台中构建虚拟产线场景并设定设备的运动学约束和生产工艺逻辑，包括：

10、在3dsmax或cad三维建模软件中建立各产线设备的三维几何结构模型；

11、将所述三维几何结构模型导入虚幻引擎，利用虚幻引擎在数字孪生平台中构建虚拟产线场景，所述虚拟产线场景中设备的空间布局与物理产线中设备的实际空间布局一致；

12、在所述虚拟产线场景中设定各设备的运动学约束和生产工艺逻辑，所述运动学约束包括各运动轴的关节限位、运动速度上限、加速度上限及设备之间的空间碰撞边界；所述生产工艺逻辑包括加工工序顺序、设备启动与停止条件、生产节拍时间及工序间的联动触发条件。

13、在一种可能的实现方式中，所述针对产线中的不同装备对象建立相应的物理机理模型，采集产线设备运行过程中的多源传感器数据，并根据物理可测性将所述物理机理模型的相关参数划分为确定参数集合与未知参数集合，包括：

14、对产线中的不同装备对象建立相应的物理机理模型，表达式为：

15、

16、其中，为设备系统的广义坐标状态变量，表示设备速度状态变量，表示设备加速度状态变量，为设备系统质量矩阵或等效惯量矩阵，为等效阻尼矩阵，为等效刚度矩阵，为外部激励或负载输入向量；

17、采集产线设备运行过程中的多源传感器数据，并根据物理可测性将所述物理机理模型的相关参数划分为确定参数集合与未知参数集合。

18、在一种可能的实现方式中，所述物理信息神经网络包括数据输入层，所述数据输入层用于接收多源传感器数据和确定参数集合，所述数据输入层的输出端分别与神经网络特征提取层的输入端和物理约束层的输入端相连接，所述神经网络特征提取层的输出端和所述物理约束层的输出端与pinn融合计算层的输入端相连接，所述pinn融合计算层的输出端与损失函数优化层相连接。

19、在一种可能的实现方式中，所述物理信息神经网络在训练时采用的损失函数为：

20、

21、

22、

23、

24、

25、其中，为总损失函数，为数据一致性损失，、、为权重系数，表示第个样本对应的模型预测输出值，表示第个样本对应的实际测量值，

n表示训练或测试样本数量；为动力学约束损失，为设备系统质量矩阵或等效惯量矩阵，为等效阻尼矩阵，为等效刚度矩阵，表示第个时刻设备状态变量向量，、分别表示第个时刻设备状态变量向量的一阶与二阶时间导数，表示第个时刻作用于设备的外部激励力或负载输入向量，为能耗约束损失，表示 pinn 模型预测得到的设备加工功率，表示切削力，表示切削速度，表示设备空载运行功率，为退化约束损失，表示第时刻神经网络预测得到的设备未知参数，表示第时刻神经网络预测得到的设备未知参数，

t表示时间序列长度。

26、在一种可能的实现方式中，将所述有效数据段与所述确定参数集合共同输入至预先构建的物理信息神经网络中，通过所述物理信息神经网络对所述未知参数集合进行估计，输出设备运行状态、能耗趋势及故障风险的预测结果，包括：

27、将所述有效数据段和所述确定参数集合输入至物理信息神经网络的数据输入层；

28、所述多源传感器数据经所述数据输入层进入神经网络特征提取层，经多层全连接网络进行非线性映射和高维特征提取；

29、通过多层特征提取获得设备运行状态的高维特征表示，并输出未知参数集合的预测值；

30、所述确定参数集合经所述数据输入层进入物理约束层，通过状态向量及其时间导数构建物理残差；

31、将所述未知参数集合的预测值代入所述物理机理模型中计算动力学残差，利用所述动力学残差对未知参数估计结果进行物理一致性校正；

32、将所述神经网络特征提取层输出的高维特征表示与所述物理约束层输出的动力学残差共同输入至pinn融合计算层，通过映射函数进行融合计算，获得满足物理机理约束的未知参数估计结果；

33、基于所述未知参数估计结果，通过状态演化模型计算设备未来时刻运行状态，计算公式为：

34、

35、其中，为当前时刻设备状态，为预测时刻设备状态，为状态演化函数，表示由 pinn 模型估计得到的设备未知参数集合；

36、通过最小化联合损失函数，使物理信息神经网络同时满足数据一致性约束与物理机理约束，输出设备运行状态预测结果、能耗预测结果以及故障风险预测结果。

37、在一种可能的实现方式中， 所述多源传感器数据经所述数据输入层进入神经网络特征提取层，经多层全连接网络进行非线性映射和高维特征提取，计算公式为：

38、

39、其中，为第层隐藏层特征，为第层隐藏层特征，为网络权重矩阵，为偏置参数，为激活函数。

40、在一种可能的实现方式中，所述状态演化模型的建模步骤包括：

41、利用所述未知参数估计结果分别对所述物理机理模型中的阻尼矩阵、刚度矩阵及摩擦项参数进行更新，获得当前工况下的设备动态模型；

42、将更新后的设备动态模型转化为一阶状态空间形式：

43、

44、采用四阶runge-kutta方法进行时间离散，状态更新形式为：

45、

46、其中，表示设备系统状态向量，表示状态变化率，表示设备速度状态变量，表示设备加速度状态变量，表示设备状态演化函数，表示设备输入变量，表示第个时间节点的设备状态，表示下一时间节点预测状态，

h表示时间步长，分别表示不同中间状态下的系统状态变化率。

47、在一种可能的实现方式中，所述vplc将接收到的所述预测结果与所述物理设备运行数据进行残差计算，根据残差结果生成控制指令，并将所述控制指令下发至物理产线设备执行，实现产线虚实闭环控制，包括：

48、所述vplc将接收到的所述预测结果与所述物理设备运行数据进行残差计算；

49、将残差结果与预设安全阈值进行比对，若所述残差绝对值小于预设安全阈值，则将预测结果叠加至控制输出端生成修正控制量；

50、若残差绝对值大于或等于预设安全阈值，则屏蔽预测结果并沿用物理反馈控制量；

51、vplc将最终控制量通过实时工业以太网现场总线转换为驱动信号后，下发至物理产线设备执行，实现产线虚实闭环控制。

52、在一种可能的实现方式中，所述vplc与数字孪生平台之间通过opc ua、modbus或socket通信协议进行数据交互。

53、与现有技术相比，本技术的有益效果为：

54、本技术利用cad 或3dsmax建立产线三维模型，并导入虚幻引擎ue4构建虚拟产线场景，实现产线几何结构、运动学约束及工艺逻辑的建模，其次基于物理信息神经网络构建数字孪生预测模型，通过融合物理机理方程与多源传感器数据，实现产线设备状态、能耗及故障趋势的预测，最后通过vplc与数字孪生平台进行数据交互，实现预测结果到控制指令的闭环映射控制。本技术能够实现智能制造产线的虚实映射、预测分析与闭环控制，提高产线运行效率、降低能耗并增强系统的柔性化与可靠性。

55、本方法适用于包含agv调度、机械臂协作、数控机床加工、在线检测以及激光打标等多工序协同运行的智能制造生产线。