一种基于IT-OT融合的全链开源智能制造测试床系统构建方法

本发明涉及智能制造，具体涉及一种基于it-ot融合的全链开源智能制造测试床系统构建方法。

背景技术：

1、随着新一代信息技术与制造业的深度融合，智能制造已成为推动制造业转型升级的重要发展方向。围绕工业互联网、工业大数据、人工智能以及信息物理系统等关键技术，企业与科研机构不断探索面向制造现场的系统架构与应用模式，并逐步开展相关技术的研发与应用实践。

2、在智能制造关键技术研发、系统验证及工程化推广过程中，通常需要构建能够模拟真实制造环境的测试平台，以实现技术验证、系统集成测试及应用效果评估。然而，目前现有的智能制造实验平台或测试系统大多围绕单一设备、单一工序或局部自动化单元进行构建，例如针对设备状态监测系统、柔性装配单元或自动化物流系统等独立应用场景开展实验验证，缺乏能够覆盖完整制造流程的系统级测试环境。部分测试平台虽已实现若干自动化功能，但整体上仍存在不足，首先现有测试平台缺乏全流程制造产线，难以在真实加工条件下开展面向完整制造流程的系统级技术验证。其次，信息技术层（it）与设备控制层（ot）之间形成独立壁垒，系统之间缺乏统一的数据交互机制与协同运行模式，难以实现设备层、控制层与管理层之间的数据贯通与协同控制。

3、此外，现有测试平台通常依赖专有设备与商业软件构建，系统架构相对封闭，接口标准不统一，扩展性与复用性不足，不利于多类型设备接入、多层级平台协同以及多应用场景验证，也难以支撑面向科研教学与产学研协同创新的持续迭代与升级。

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it-ot融合的全链开源智能制造测试床系统构建方法，包括：

3、构建多站点硬件制造产线体系，通过部署在各站点上的传感器组获取设备运行过程中的多维物理信号，得到原始传感数据；

4、基于所述硬件制造产线体系部署云-边-端协同系统架构，通过边缘层读取终端层设备的所述原始传感数据，经解析与格式转换后推送至云端，并在云端构建制造过程数据资源池；

5、对所述制造过程数据资源池中的数据进行处理，得到结构化制造过程数据集；

6、基于所述结构化制造过程数据集构建人工智能分析模型，对设备运行状态进行识别与异常预测，生成优化控制指令；

7、将所述优化控制指令下发至设备控制系统执行相应控制动作，并将执行结果数据反馈至所述制造过程数据资源池；

8、基于所述结构化制造过程数据集构建各站点的融合计算模型，建立各融合计算模型与物理设备间的实时映射关系，通过所述执行结果数据对各融合计算模型进行校正与状态预测后将各融合计算模型进行关联耦合，形成产线级数字孪生体。

9、在一种可能的实现方式中，构建多站点硬件制造产线体系，通过部署在各站点上的传感器组获取设备运行过程中的多维物理信号，得到原始传感数据，包括：

10、构建包含cnc加工站点、增材制造站点、质量检测站点、装配站点、包装站点及仓储物流站点的多站点硬件制造产线体系；

11、在各站点上部署传感器组，实时采集设备运行过程中的多维物理信号，并将同一站点采集的多维物理信号按时间戳对齐，拼接为统一设备状态向量：

12、将各站点的所述统一设备状态向量作为各站点的原始传感数据。

13、在一种可能的实现方式中，基于所述硬件制造产线体系部署云-边-端协同系统架构，通过边缘层读取终端层设备的所述原始传感数据，经解析与格式转换后推送至云端，并在云端构建制造过程数据资源池，包括：

14、基于所述硬件产线体系部署云-边-端三层协同系统架构，终端层包括各站点的vplc、执行设备、物流仓储设备及质量检测设备；

15、边缘层通过modbus协议、opc ua协议读取所述终端层设备的设备运行状态数据、工艺参数数据及生产管理数据；

16、所述边缘层部署工业物联网平台及scada系统，向下通过串口网关及rs-485/rs-232接入串口设备，向上通过所述scada系统集成opc ua及modbus-tcp实现多源异构设备的统一接入与数据采集；

17、边缘节点对采集的设备运行状态数据进行协议解析、格式转换与时间戳对齐，并对设备运行状态数据中的高频信号进行轻量化映射，生成标准化数据；

18、通过mqtt/http/restful协议将所述标准化数据推送至云端；

19、所述云端采用时序数据库、关系型数据库及对象存储的混合存储架构，构建制造过程数据资源池。

20、在一种可能的实现方式中，边缘节点对采集的设备运行状态数据进行协议解析、格式转换与时间戳对齐，并对设备运行状态数据中的高频信号进行轻量化映射的公式为：

21、

22、其中，为降采样操作，分别为滑动窗口内的均值、方差和峰值，为向量拼接，为时刻边缘节点原始采集得到的设备高频运行状态时序信号向量，为时刻经过边缘端轻量化映射处理后输出的融合特征向量。

23、在一种可能的实现方式中，对所述制造过程数据资源池中的数据进行处理，得到结构化制造过程数据集，包括：

24、对所述制造过程数据资源池中的各数据流执行空值检测与异常值剔除，采用低秩矩阵分解对离散缺失数据进行插补，完成数据清洗，公式为：

25、

26、其中，为已观测数据的位置集合，、为低秩矩阵分解因子，为正则化系数，为经过低秩矩阵分解迭代优化求解后，离散缺失数据对应的最优插补数值，为制造过程数据资源池中第条设备传感、生产工况原始数据、第维数据特征的观测值，为数据样本维度的隐特征向量；

27、从清洗后的数据中提取时域特征、频域特征及统计特征，将同一设备的多源传感数据按时间戳对齐，拼接为统一设备状态向量，并基于设备载荷与温度的时间累积效应对各站点的设备健康度进行计算；

28、从所述制造过程数据资源池中获取生产管理数据，将各站点的设备状态向量、设备健康度与所述生产管理数据按设备编码及时间戳关联融合，形成结构化制造过程数据集。

29、在一种可能的实现方式中，对所述制造过程数据资源池中的数据进行处理，得到结构化制造过程数据集，包括：

30、对所述制造过程数据资源池中的各数据流执行空值检测与异常值剔除，采用低秩矩阵分解对离散缺失数据进行插补，完成数据清洗，公式为：

31、

32、其中，为已观测数据的位置集合，、为低秩矩阵分解因子，为正则化系数；

33、从清洗后的数据中提取时域特征、频域特征及统计特征，将同一设备的多源传感数据按时间戳对齐，拼接为统一设备状态向量，并基于设备载荷与温度的时间累积效应对各站点的设备健康度进行计算；

34、从所述制造过程数据资源池中获取生产管理数据，将各站点的设备状态向量、设备健康度与所述生产管理数据按设备编码及时间戳关联融合，形成结构化制造过程数据集。

35、在一种可能的实现方式中，基于设备载荷与温度的时间累积效应对各站点的设备健康度进行计算的公式为：

36、

37、其中，为设备健康度，为额定载荷，为疲劳强度系数，为载荷指数，为温度敏感系数，为积分时刻下第台设备的实时运行载荷，为积分时刻下第台设备的实时运行温度。

38、在一种可能的实现方式中，基于所述结构化制造过程数据集构建人工智能分析模型，对设备运行状态进行识别与异常预测，生成优化控制指令，包括：

39、基于所述结构化制造过程数据集构建状态空间模型，公式为：

40、

41、

42、其中，为设备隐状态，为控制输入，为从所述结构化制造过程数据集中提取的观测特征，、为非线性映射函数，为时刻系统过程噪声，代表设备运行过程中不可建模的随机工况扰动、环境干扰带来的状态误差，为时刻系统观测噪声，代表传感器采集、数据传输、数据预处理过程中产生的随机测量误差，为时刻迭代更新后的设备预测隐状态向量，为零均值高斯分布，为过程噪声协方差矩阵，为零均值高斯分布，为观测噪声协方差矩阵；

43、通过所述状态空间模型对设备隐状态进行递归估计，并对马氏距离异常评分进行计算，公式为：

44、

45、其中，为马氏距离异常评分，为基于历史数据对当前时刻的预测值，为残差协方差矩阵；

46、根据所述马氏距离异常评分对设备异常运行状态进行判断后，基于所述马氏距离异常评分进行优化求解得到最优控制指令。

47、在一种可能的实现方式中，基于所述马氏距离异常评分进行优化求解得到最优控制指令的公式为：

48、

49、其中，为最优控制指令，为目标状态，为异常阀值，为风险惩罚系数。

50、在一种可能的实现方式中，基于所述结构化制造过程数据集构建各站点的融合计算模型，建立各融合计算模型与物理设备间的实时映射关系，通过所述执行结果数据对各融合计算模型进行校正与状态预测后将各融合计算模型进行关联耦合，形成产线级数字孪生体，包括：

51、对各站点分别构建基于物理定律的机理模型；

52、基于所述结构化制造过程数据集对it侧神经网络进行训练，将所述神经网络的输出作为残差修正项叠加至所述机理模型上，构成机理-数据融合计算模型，并建立各融合计算模型与物理设备间的实时映射关系；其中，机理-数据融合计算模型的公式为：

53、

54、式中，为t时刻机理-数据融合计算模型输出的设备最终状态预测输出量，为融合物理机理约束与数据残差修正后的高精度设备运行状态表征值，为设备物理机理模型函数，为时刻输入模型的标准化设备工况输入特征向量，为it侧神经网络构建的非线性残差修正函数，为it侧神经网络的全部可训练参数集合；

55、通过所述执行结果数据对各融合计算模型进行校正，并基于校正后的各融合计算模型进行状态预测；

56、按照产线拓扑结构将各融合计算模型进行关联耦合，形成产线级数字孪生体。

57、在一种可能的实现方式中，通过所述执行结果数据对各融合计算模型进行校正，并基于校正后的各融合计算模型进行状态预测，包括：

58、采用扩展卡尔曼滤波算法对各融合计算模型进行递推校正；

59、根据前一时刻后验估计值对当前时刻先验预测值和先验误差协方差进行计算，公式为：

60、

61、

62、其中，为时刻设备隐状态的扩展卡尔曼滤波先验预测值；为前述机理-数据融合计算模型对应的非线性融合状态转移函数，为时刻设备隐状态的后验最优估计值；为时刻设备的工艺控制输入量；为时刻状态先验误差协方差矩阵，为时刻非线性融合状态转移函数对状态变量的雅可比矩阵，为时刻雅可比矩阵的转置矩阵；为时刻后验误差协方差矩阵，为过程噪声协方差矩阵；

63、根据所述先验误差协方差和观测噪声协方差矩阵对卡尔曼增益进行计算，公式为：

64、

65、其中，为卡尔曼增益，为观测矩阵；为观测噪声协方差矩阵；

66、利用所述执行结果数据中的ot侧传感器实测值和所述卡尔曼增益对所述先验预测值进行校正，公式为：

67、

68、其中，为时刻经扩展卡尔曼滤波观测校正后得到的设备隐状态后验最优估计值，为融合模型预测值与ot实测数据后的高精度、低误差设备最终状态输出，为it虚拟模型基于ot机理的先验预测；为ot侧传感器实测值；

69、利用所述卡尔曼增益对所述先验误差协方差进行校正，公式为：

70、

71、其中，为时刻校正更新后的后验误差协方差矩阵，为对应维度的单位矩阵，为时刻滤波迭代的先验误差协方差矩阵；

72、基于校正后的各融合计算模型对各设备下一时刻的状态估计值进行预测。

73、与现有技术相比，本技术的有益效果为：

74、本技术通过多站点模块化产线体系与自适应采集，实现制造全流程高保真实时状态感知，同时建立云-边-端协同系统架构，实现ot侧设备控制系统与it侧业务管理系统之间的数据贯通，提升多设备、多系统协同运行能力，减少响应时延，数据可采、可视、全链开源可用。

75、本技术在虚实融合层面，在信息物理系统框架下建立物理实体与虚拟模型之间的实时映射关系，构建设备级与产线级数字孪生模型。数字孪生模型通过数据-机理双驱动，实现制造系统运行状态的实时监测和最优推演。