一种知识驱动的数字孪生离散车间物料配送优化方法

本发明属于离散制造车间物料配送路径优化，具体涉及一种知识驱动的数字孪生离散车间物料配送优化方法。

背景技术：

1、随着工业物联网、深度学习、知识工程等新技术的快速发展，其在制造业中的集成融合成为制造业提升的新机遇。发展智能制造技术是制造业转型升级与高质量发展战略的核心目标之一。这说明传统的制造模式必须智能化转型以提高智能制造的效率。据美国生产与库存控制协会(apics)数据统计显示，在产品生产制造的过程中，生产制造的过程仅占整个过程的5%左右，其余全部被用在物流过程中；不仅如此，企业的生产总成本40%以上几乎都用在物流过程中。因此，如何进一步提高制造车间物流效率是当前制造业工业企业普遍面临的挑战性问题。

2、作为制造业的高阶发展形态，智能制造已成为提高我国制造质量的趋势和重大突破口。离散制造的车间生产物流智能化转型是实现这一目标的重要手段之一。因为数字孪生车间技术可以实现虚拟车间和物理车间的数据交互传输，管理车间数据变的更加有效，因此，数字孪生技术的出现为提升离散制造车间生产物流效率提供了新思路。然而，数字孪生车间技术的研究仍然在研究的初级阶段。一方面，数字孪生的本质是利用多源异构数据仿真的过程，所以数字孪生车间就是利用物理车间产生的多源异构数据进行数字化解构，并将其投射到虚拟车间中，对其进行数字化仿真的过程。但随着离散制造车间数字化、网络化、智能化转型的提升，在生产车间物料配送运行过程中形成数以亿计的配送任务信息、运输信息和定位信息等多源异构的历史数据。这些数据来源多样、格式规范参差不齐，导致将数据投射到虚拟车间中时，会出现重复、缺失、错误等失真问题。另一方面，在数字孪生车间物料配送运行时，所产生的数据关系复杂，缺乏对车间物料配送相关数据进行有效地统一管理，会导致信息孤岛情况的发生，进一步导致车间物料配送运行决策的困难和物料配送效率的低下。

3、综上所述，当前离散制造车间生产物流领域面临的问题，可总结为以下三点：一是如何减少制造过程在物流环节上所花费的时间和成本，进一步提升生产物流效率；二是面对数字孪生物理车间中物料配送过程形成的海量多源异构数据，如何分析、利用数据，并解决数据类型的融合统一问题，为形成高保真的虚拟车间提供数据支撑；三是车间物料配送过程中所产生的配送数据信息关系复杂，难以发现数据间隐藏的关系和规律，数据间缺乏协同交互机制。

技术实现思路

1、本发明目的是提供一种知识驱动的数字孪生离散车间物料配送优化方法，以使生产管理者能够根据物理车间和虚拟车间之间的实时交互，在动态的环境中对车间物料配送过程进行前瞻性的路径规划及优化，提高离散制造车间物料配送的效率。

2、本发明的目的是通过以下技术手段实现的，一种知识驱动的数字孪生离散车间物料配送优化方法,包括以下步骤：

3、步骤1，通过知识抽取，提取关于车间物料配送的数据，并映射到图数据库，形成车间物料配送关系的知识图谱；

4、步骤2，构建数字孪生物理车间模型，通过传感网络感知agv物料配送过程的实时状态，之后通过知识图谱技术与数字孪生技术的组合方式对数字孪生虚拟车间进行建模，进而形成与物理车间同步的镜像虚拟车间，将物料配送关系中的物料种类、加工工位所加工物料种类，与车间数字模型中对应的物料位置、加工工位位置进行一一映射，从而在镜像虚拟车间基础上通过虚实交互映射方法对数字孪生虚拟车间进行物料配送事件的逻辑建模，为后续路径优化提供基础；

5、步骤3，根据知识图谱中车间物料配送信息的数据，构建车间物料配送任务信息，并根据数字孪生物理车间模型，构建兼顾物料送达时间与agv配送效率的任务分配调度模型，针对单任务agv路径优化问题和多任务agv路径优化问题提出相应的算法来进行路径优化求解，得到最优路径。

6、车间物料配送的数据为关于车间物料配送路径的数据，至少包括物料种类、加工工位所加工物料种类、生产工艺。

7、所述关于车间物料配送的数据提取后，还包括半结构数据和非结构数据，其中半结构数据通过包装器模型转化为结构化数据，非结构化数据通过实体识别以及关系抽取，转化为结构化数据。

8、所述非结构化数据转化为结构化数据的具体步骤为，通过双向编码器表示-双向长短期记忆网络-条件随机场模型进行实体识别，通过层叠式指针网络模型进行关系抽取。

9、所述步骤2具体为，

10、步骤2.1，建立数字孪生物理车间模型，获取物理车间物料配送过程的实时数据，包括物流设备和物料的位置信息，通过物流设备和物料的位置信息以及车间布局，建立当前车间的布局构建数字孪生物理车间模型；

11、步骤2.2，根据数字孪生物理车间模型，采用车间物料配送事件构建虚拟车间和现实车间的动态映射关系，即将现实车间物料配送关系中的物料种类、加工工位所加工物料种类，与数字孪生物理车间模型中对应的物料位置、加工工位位置进行一一映射，从而将实际的物理车间的设备与数字孪生物理车间模型构建的虚拟车间的设备对应；

12、步骤2.3，采用复杂事件处理技术来对物料配送事件的处理规则进行描述，制定与实际物料配送相符的相应规则与约束条件，使虚拟车间展现物理车间物料配送事件中agv路径优化过程的运行逻辑；

13、步骤2.4，基于知识图谱技术和数字孪生物理车间模型，在数字孪生物理车间模型构成的虚拟车间中，实时模拟和监控车间的物料配送运行状态。

14、所述步骤2.1数字孪生物理车间模型与当前车间的布局和物流设备的位置信息的映射关系如下，

15、

16、

17、式中，表示采用工业物联网构建的面向数字孪生物理车间物料配送资源互联互通的物联网络；为网络节点包括生产工位和agv小车两类节点；为物流设备agv的数据信息，包括位置信息、状态信息和速度信息；为连接生产工位和agv小车节点并支持其数据交互与工业通信的逻辑通道。

18、所述步骤2.4中，数字孪生模型虚拟车间与物料配送运行状态的关系为，

19、

20、

21、

22、

23、式中，为虚拟车间；为车间物料配送资源集合，包括工位、agv等；表示车间生产工艺集合，包含生产工艺过程、生产工艺参数；表示车间物料配送路径；表示物料配送资源、生产工艺、配送路径之间的关系；表示物料配送资源集合中第类配送资源，各类属性集包括配送编号、配送名称、配送类型、配送几何集、配送状态集、配送动作集、配送数据集、配送数据接口集、其他；表示生产工艺过程中第类生产工艺，各类属性集包括生产工艺编号、生产工艺名称、生产工艺类型、生产工艺标准集、生产工序集、生产时间要求集、生产约束集、其他；表示配送路径集合中第类路径，各类属性集包括路径编号、路径名称、路径类型、路径长短、最优路径、可用路径、路径二维几何集、数据接口集、其他。

24、所述步骤2.2中，数字孪生车间模型中连接虚拟车间和物理车间的映射关系为，

25、

26、

27、

28、式中，为虚拟车间；为虚拟车间资源集合；为虚拟车间物理属性集合；为虚拟车间物料配送行为集合；为虚拟车间物料配送逻辑模型集合；为“物理车间模型”在“虚拟车间模型”中进行连接；为相互连接；为数字孪生车间虚实交互映射。

29、所述步骤2.3，物料配送的配送逻辑为，

30、

31、

32、式中，为第种配送资源的第类配送事件，例如agv配送准备、agv路径优化、物料到达、物料离开事件等；为有时间约束的单个agv内部配送事件集的关联匹配矩阵；为时间约束;为配送任务的有向图邻接矩阵，为物料配送的配送逻辑；

33、的展开形式记为：

34、

35、对于，记为：

36、

37、在关联匹配矩阵里，的展开形式，记为：

38、

39、

40、式中，为第类物料配送资源；为起始点到终点的配送任务数，根据agv物料配送任务优先级，车间agv会根据配送任务优先级进行物料配送。

41、所述步骤3具体为，

42、步骤3.1：针对agv物料配送任务调度的目标，初步构建单任务配送模型，再建立多任务模型，

43、步骤3.2：根据单任务agv的任务特性，使用改进的a算法分别求解两个任务点之间的最短路径，具体包括以下步骤：

44、使用改进的a算法以起点展开搜索终点，运用代价函数筛选拓展点，随即开启循环模式，在此过程中不断重复操作，直到达到目标点最终生成行驶路径，记为：

45、

46、式中，为当下节点，在搜索目标点时的值为估计代价值；为起始节点前往当下节点的实际代价函数；为当下节点与目标点的估计代价函数；为新增加的转弯代价函数，改进a算法中增加转弯代价函数以减少agv在物料配送过程中的转弯次数，提高agv的配送效率，增加的转弯代价函数记为：

47、

48、

49、

50、式中，为转弯因子，agv单任务物料配送路径优化过程依据来决定转弯代价函数是否进行计算，为路径长度，为转弯系数，在估计代价函数中，节点之间的移动代价，记为：

51、

52、式中，为节点的横坐标，为节点的纵坐标；

53、步骤3.3：根据多任务agv的任务特性，将多任务物料配送路径优化问题抽象为旅行商问题，使用改进的蚁群算法，以agv行驶路程距离最短为目标，计算出agv经过所有任务配送点时的最优路径，具体包括以下步骤：

54、将多任务物料配送路径优化问题抽象为旅行商问题：若任务是任务的后续任务，则后续任务变量的值为1，其它情况下均取0，故的表达式记为：

55、

56、多任务agv物料配送路径优化模型记为：

57、

58、

59、式中，为多任务agv物料配送路径优化模型目标函数，是约束条件；

60、设节点数量为，蚂蚁数量为，表示节点与节点之间的距离，表示与之间在时刻的信息素浓度，在时刻，蚂蚁在选择下一个节点的时候受信息素浓度的影响，则它从节点转移到节点的概率为，记为：

61、

62、式中，为距离启发函数，为信息素重要程度因子，为启发函数重要程度因子，信息素在蚁群算法中不断迭代更新，记为：

63、

64、式中，为信息素的挥发系数，为第只蚂蚁在节点与节点之间释放的信息素，取值为，表示信息素总量，表示蚂蚁行驶距离的总和，为搜索中蚂蚁释放的信息素总量。本发明的有益效果在于：将离散制造车间物料配送过程中产生的多源异构数据用知识图谱来进行链接形成统一的数据类型，实现数据知识的结构化表示，对统一好的数据进一步进行数据挖掘和关系获取，能够解决数据管理过程中出现信息孤岛等问题以发现数据间隐藏的关系和规律；将知识图谱中的知识数据映射到数字孪生车间中形成知识层，实现了在获取海量多源异构车间物料配送数据的情况下建立对应物理车间的高保真虚拟车间；考虑到传统车间agv物料配送路径优化方法和数字孪生车间运行机制不相适应的问题，对单任务agv和多任务agv的路径优化的算法进行改进，改进的算法在求解物料配送路径优化问题时更加适配数字孪生车间的运行机制，进而提高了车间agv物料配送过程的效率。