一种生产线关键设备运行状态智能仿真系统

摘要: 本发明涉及设备仿真领域,尤其涉及一种生产线关键设备运行状态智能仿真系统。背景技术:1、数字孪生技术作为实现信息物理系统融合的核心手段,已广泛应用于生产线的规划、...
一种生产线关键设备运行状态智能仿真系统

本发明涉及设备仿真领域,尤其涉及一种生产线关键设备运行状态智能仿真系统。

背景技术:

1、数字孪生技术作为实现信息物理系统融合的核心手段,已广泛应用于生产线的规划、仿真、监控与优化。其通过在虚拟空间构建与物理生产线高保真映射的动态模型,实现对生产过程的预演、分析及决策支持。目前,该领域的典型实施方案通常包括:建立生产线的三维几何模型与布局;依据产品工艺定义仿真逻辑与物料流(例如,通过创建具有特定产品属性与装配属性的“工艺流动组”以区分不同产品类型,如cn118296836a所公开的方法);以及集成物流设备与控制逻辑,形成可运行的虚拟仿真模型。进一步地,为实现监控功能,部分先进方案通过数据接口采集物理生产线的实时运行数据,并驱动虚拟模型进行同步可视化运行(如cn112486131a所述),从而实现对生产状态的透明化感知。

2、然而,在应对现代飞机维修中的零部件生产线日益增长的柔性化、高混合度生产需求时,现有数字孪生技术暴露出显著的局限性,其核心问题在于仿真模型的静态性与自适应能力的缺失,具体表现在以下方面:

3、仿真参数固化,无法反映设备性能的真实动态演变:现有技术的仿真模型严重依赖预设的固定参数或基于历史数据的统计值来驱动。例如,加工节拍、设备平均故障间隔时间(mtbf)、平均修复时间(mttr)等关键参数在模型初始化后被设定为恒定值或服从某一固定统计分布。这导致模型无法感知和响应物理设备在实际运行中因磨损、老化、突发故障或效率波动引起的性能变化。模型中的“设备”始终以理想或初始状态运行,其输出的仿真结果(如产能预测、瓶颈分析)与物理生产线实际表现之间的偏差会随着时间推移而逐渐增大,最终导致决策依据失真。

4、数据应用浅层化,缺乏从数据到模型知识的自主转化闭环:尽管现有技术能够采集实时数据用于驱动模型运行或进行可视化监控,但数据流通常是单向的。系统仅利用数据“呈现”状态,或与预设阈值进行简单比对以触发报警,却未能深度挖掘数据中蕴含的设备性能退化、工艺偏移等知识,并利用这些知识自主地、持续地修正和更新仿真模型的内在参数与逻辑。模型与物理实体之间未能建立起一个“感知-分析-进化”的智能闭环,其保真度维护完全依赖于人工干预,智能化水平低下。

5、综上所述,现有生产线数字孪生技术因其模型的静态本质,在长期运行和动态生产环境中存在保真度衰减的突出缺点。这极大地限制了数字孪生技术在预测性维护、自适应调度、产能精准评估等高级应用场景中发挥其应有的价值。因此,迫切需要一种能够使数字孪生模型具备在线自学习、自进化能力的技术方案,使其能够动态适应物理系统的变化,始终保持高保真度,从而为智能制造提供可靠、敏捷的决策支持。

技术实现思路

1、本发明的目的在于公开一种生产线关键设备运行状态智能仿真系统,解决背景技术中指出的技术问题。

2、为了达到上述目的,本发明采用如下技术方案:

3、本发明提供了一种生产线关键设备运行状态智能仿真系统,包括预处理模块、切片模块、计算模块和参数更新模块;

4、预处理模块用于对传感器获得的数据进行预处理,获得预处理数据,并将预处理数据和业务上下文数据进行融合,得到标准孪生数据包;

5、切片模块用于对在连续时间内获得的标准孪生数据包进行工况切片处理,得到按工况周期划分的数据判断集合;

6、计算模块用于基于数据判断集合获取参数偏差指示量序列;

7、参数更新模块用于根据参数偏差指示量序列对仿真参数进行更新,获得更新后的仿真参数。

8、优选地,还包括模型更新模块;

9、模型更新模块用于基于更新后的仿真参数对数字孪生体进行更新,获得参数更新后的数字孪生体。

10、优选地,还包括仿真优化模块;

11、仿真优化模块用于将计划工单输入至参数更新后的数字孪生体中,获得高保真的仿真结果。

12、优选地,传感器获得的数据包括振动频率、电流、转速和电压。

13、优选地,对传感器获得的数据进行预处理,获得预处理数据,包括:

14、对传感器获得的数据依次进行时钟同步处理、异常值剔除处理和缺失值插补处理,获得预处理数据。

15、优选地,业务上下文数据包括工单信息,工艺配方和状态字。

16、优选地,对在连续时间内获得的标准孪生数据包进行工况切片处理,得到按工况周期划分的数据判断集合,包括:

17、获取状态字从空闲变成运行时的时间tstarti;

18、获取状态字从运行变成空闲的时间tendi;

19、将时间区间tstarti到tendi内获得的标准孪生数据包存入临时集合;

20、若临时集合中的标准孪生数据包的工艺配方的工序代码相同且状态字为运行,则将临时集合作为数据判断集合。

21、优选地,基于数据判断集合获取参数偏差指示量序列,包括:

22、分别获取数据判断集合中的每个标准孪生数据包中的预处理数据;

23、提取预处理数据的第一特征值;

24、使用未更新参数的数字孪生体,仿真运行一个与数据判断集合中的工艺配方的工序代码相同的工序,获取仿真完成之后得到的第二特征值;

25、计算第一特征值和第二特征值之间的相对偏差,得到参数偏差指示量;

26、将同一个工况周期的参数偏差指示量存入参数偏差指示量序列。

27、优选地,根据参数偏差指示量序列对仿真参数进行更新,获得更新后的仿真参数,包括:

28、获取未更新参数的数字孪生体的仿真参数;

29、基于参数偏差指示量序列判断是否出现趋势性漂移,若是,则基于至少两种参数更新策略对仿真参数进行更新,获得更新后的仿真参数。

30、优选地,基于至少两种参数更新策略对仿真参数进行更新,获得更新后的仿真参数,包括:

31、分别计算每个参数更新策略的计算结果的自适应权重;

32、基于自适应权重对各种参数更新策略获得的计算结果进行融合,获得更新后的仿真参数。

33、有益效果:

34、本发明针对飞机零部件生产线高混合、高柔性的生产特点,提出一种具备在线自学习与自适应能力的数字孪生仿真系统。其核心有益效果包括:

35、仿真参数动态更新,提升模型仿真精度:

36、通过实时采集设备运行数据(如振动、电流、转速等),系统可自动检测物理设备性能变化(如磨损、老化、效率波动),并动态更新仿真参数(如节拍、故障率)。这使得数字孪生模型能持续贴近实际设备状态,避免传统静态模型因参数固化导致的仿真偏差积累。

37、实现从数据到模型的知识闭环:

38、系统不仅监控数据,还通过“工况切片→偏差计算→参数更新→模型重构”的流程,将实时数据转化为仿真参数的调整依据,形成“感知-分析-进化”的智能闭环。在飞机零部件这种多品种、小批量生产中,系统能快速适应工艺变化,提升仿真结果的可靠性与决策支持价值。

39、支持预测性维护与自适应调度:

40、由于模型始终与物理系统同步演化,可更准确地进行产能预测、瓶颈分析和调度方案测试。例如,在飞机维修零件生产中,可提前预警设备性能下降,优化生产排程,减少停机时间,提升整体产线响应速度与可靠性。