一种基于数字孪生的产线动态虚拟重组方法与流程

1.本发明属于智能制造领域，尤其涉及一种基于数字孪生的产线动态虚拟重组方法。
技术背景
2.随着以“智能制造”为主导的“工业4.0”、“工业互联”——第四次工业革命的来临，同时物联网、云计算、大数据以及人工智能等先进技术正在为智能制造的实现提供强有利的支撑。传统制造业在向智能制造转型过程中，数字孪生技术得到了飞快的发展，已成为实现智能制造的重要手段之一。
3.数字孪生技术主要是以数字化的形式将物理实体在现实环境中的行为在虚拟世界进行创建，通过虚实交互、数据融合分析、决策迭代等手段，为物理实体增加或扩展新的能力。在制造业，目前国内外对数字孪生技术的研究主要集中于模型构建、信息交互融合等方面。数字孪生模型的构建是数字孪生技术的基础，孪生模型可将物理产线在虚拟世界进行数字化表达。物理产线在生产过程中生产要素时刻发生变化，通过数据实时采集等手段可实现物理产线和虚拟产线的信息交互。通过虚拟的制造过程，企业生产者便可对产线进行生产调度和生产决策。
4.尽管，近年来数字孪生技术得到了飞速的发展，相关数字孪生产线也有了一些案例与应用，但大多数字孪生产线也只是描述产线实际生产过程，缺乏对产线生产、调度、换型的指导意义。因此有必要对产线动态虚拟重组技术进行深入研究，使得数字孪生系统能够快速重构虚拟产线，为企业生产者提供决策依据。


技术实现要素：

5.为解决上述现有技术的缺陷和不足，本发明的目的在于提供一种基于数字孪生的产线动态虚拟重组方法，能够实现虚拟产线的快速重组，借助智能算法对虚拟重组系统进行可靠性分析，保证实际制造系统的成功率。
6.为实现上述目的，本发明采用以下技术方案：
7.一种基于数字孪生的产线动态虚拟重组方法，包括以下步骤：
8.步骤一、对物理产线生产要素信息进行实时动态数据采集，对采集到的数据进行预处理和标准化处理；
9.步骤二、根据步骤一采集的物理产线数据构建产线数字孪生模型，并在产线数字孪生模型内进行物理产线数据的统一化封装；
10.步骤三、建立产线动态虚拟重组系统，对步骤二建立的产线数字孪生模型的仿真运行状态进行评价，根据评价结果，在产线动态虚拟重组系统中进行产线动态虚拟重组；
11.步骤四、通过支持向量机智能学习算法对步骤三产线动态虚拟重组后的产线进行性能评估，根据性能评估结果进行决策，最终完成产线的虚拟动态重组。
12.进一步地，所述步骤一包括：
13.1.1)根据现场实际情况，对物理产线数据进行实时动态数据提取，包括物理产线的机加设备、生产节拍、工装治具、物流仓储信息；
14.1.2)将采集到的物理产线数据按照制造系统特征划分为静态系统数据、动态系统数据、信息系统数据，并分别对上述分类数据进行特征值提取和归一化处理。
15.更进一步地，所述静态系统数据主要指产线的环境、工艺和产品数据；动态系统数据主要指设备、人员和物料数据；信息系统数据主要指生产节拍和服务调度数据。
16.进一步地，所述步骤二包括：
17.2.1)对物理产线的现场环境、制造设备、制造单元，应用nx软件进行3d数字化建模，获得产线3d模型；
18.2.2)将产线3d模型导入tecnomatix仿真软件，并建立产线数字孪生模型；
19.2.3)采用sysml建模工具对所述步骤一获取的物理产线数据进行统一化封装，以特定的xml或txt文件格式进行存储，并在产线数字孪生模型中进行数字化表达；
20.2.4)通过tecnomatix仿真软件将建立的产线数字孪生模型进行动态仿真，并将产线数字孪生模型的仿真运行数据回传给物理产线，做到产线数字孪生模型和物理产线的动态结合。
21.进一步地，所述步骤三包括：
22.3.1)依托tecnomatix仿真软件，建立产线动态虚拟重组系统；
23.3.2)通过产线平衡率对步骤二建立的产线数字孪生模型的仿真运行状态进行评价；
24.3.3)在产线动态虚拟重组系统中输入各工位数据，通过em-plant模块得到各工序标准时间、人数、平衡时间，进而得到各个工序的工作负荷，并在产线动态虚拟重组系统中生成直观数据图表；
25.3.4)通过ecrs原则在产线动态虚拟重组系统中对产线进行调整重组。
26.更进一步地，所述步骤3.2)产线数字孪生模型的仿真运行状态通过产线平衡率进行评价，公式为：
27.w＝∑(ti×
si)/(t0×
a)
28.其中，w为产线平衡率；ti为第i工位工作时间；si为第i工位的定员数；t0为装配线的节拍；a为装配线的定员数。
29.进一步地，所述步骤四包括：
30.4.1)采用svm智能学习算法建立产线动态重组综合性能预测模型；
31.4.2)将经过所述步骤三产线动态虚拟重组后的产线在动态虚拟重组系统中进行仿真；
32.4.3)将经过所述步骤三产线动态虚拟重组后的产线特征数据输入到所述产线动态重组综合性能预测模型进行预测分析，输出产线综合性能评估结果；
33.4.4)根据产线综合性能评估结果，对产线动态虚拟重组系统进行可信度分析及决策度量，最终完成产线的虚拟动态重组。
34.更进一步地，所述产线动态重组综合性能预测模型的训练过程为：
35.将物理产线数据特征值及产线平衡率作为产线动态重组综合性能预测模型的输入端；
36.将产线数据特征值分为样本组和测试组，在svm中进行训练。
37.更进一步地，所述产线动态重组综合性能预测模型输出为产线运行状态，包括：产线平稳运行；产线高效运行；产线拥堵运行；产线异常运行。
38.与现有技术相比本发明具有如下优点及效果：
39.本发明的动态虚拟重组方法，通过虚拟制造过程实时动态分析，评价制造系统的整体布局、设备运行、生产节拍等。快速地动态重构虚拟制造设备、虚拟制造单元和虚拟制造系统，借助智能算法进一步对虚拟重组系统进行包括生产效率、可靠性、异常预警能力的综合评价。克服了传统数字化仿真多存在的单一展示、交互性差、无法预测等问题，高效动态地在虚拟系统评估分析产线方案，指导产线生产优化。
附图说明
40.图1为一种基于数字孪生的产线动态虚拟重组方法的总体框架图
41.图2为基于svm的智能学习算法的网络结构图
具体实施方式
42.为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明实施方案作进一步详细描述。
43.参见图1所示，一种基于数字孪生的产线动态虚拟重组方法，包括：产线数据的动态采集和处理；产线数字孪生模型的建立和资源能力的封装；产线动态虚拟重组系统的建立；借助智能算法对产线动态虚拟重组系统重组后的产线进行可靠性分析。
44.产线数据的动态采集和处理是支持数字孪生模型高保真性的基础，数字孪生模型的构建又是产线动态虚拟重组系统的关键。及时可靠地产线数据配合智能算法对重组系统进行可靠性综合评估，使产线动态重组系统对产线节拍调整、产线换型给予决策依据。
45.下面结合具体实施例对本发明做进一步详细说明：
46.实施例：
47.如图1所示，一种基于数字孪生的产线动态虚拟重组方法，其包括以下步骤：
48.步骤一、对物理产线生产要素信息进行实时动态数据采集，对采集到的数据进行预处理和标准化处理。
49.步骤s101，根据现场实际情况，利用现场总线、以太网、wifi等不同架构和拓扑的通信网络，对物理产线的机加设备、生产节拍、工装治具、物流仓储等生产要素信息进行实时动态数据提取；
50.其中，机加设备数据可通过数控系统接口读取；控制系统可通过plc读取；生产节拍、工件、时间等数据可通过mas系统或rfid接口进行读取；车间环境、物流仓储等数据可根据产线环境数据及其他数字化资料读取。
51.步骤s102，将采集到的物理产线数据按照制造系统特征划分为静态系统数据、动态系统数据、信息系统数据，并分别对上述分类数据进行特征值提取和归一化处理；
52.其中，静态系统数据主要指产线的环境、工艺和产品数据；动态系统数据主要指设备、人员和物料数据；信息系统数据主要指生产节拍和服务调度数据。
53.步骤二、构建产线数字孪生模型，通过虚化技术，进行资源及能力的虚化封装。
54.步骤s201，对物理产线的现场环境、制造设备、制造单元，应用nx软件进行3d数字化建模，获得产线3d模型；
55.步骤s202，将步骤s201建立的产线3d模型导入tecnomatix仿真软件，并建立产线数字孪生模型；
56.步骤s203，采用sysml建模工具对所述步骤一获取的物理产线数据进行统一化封装，以特定的xml或txt文件格式进行存储，并在步骤s202建立的产线数字孪生模型中进行数字化表达；
57.步骤s204，通过tecnomatix仿真软件将建立的产线数字孪生模型进行动态仿真，再通过plc等数据接口将产线数字孪生模型的仿真运行数据回传给物理产线，做到产线数字孪生模型和物理产线的动态结合。
58.步骤三、建立产线动态虚拟重组系统，对步骤二建立的产线数字孪生模型的仿真运行状态进行评价，根据评价结果，在产线动态虚拟重组系统中进行产线动态虚拟重组，快速重构制造设备、虚拟制造单元和虚拟系统。
59.步骤s301，依托tecnomatix仿真软件，建立产线动态虚拟重组系统，该系统可快速重构制造设备、虚拟制造单元和虚拟系统；
60.步骤s302，对步骤s204产线数字孪生模型的仿真运行状态进行评价，为物理产线重组提供决策依据；
61.其中，仿真运行状态可通过产线平衡率进行评价，公式为：
62.w＝∑(ti×
si)/(t0×
a)
63.其中，w为产线平衡率；ti为第i工位工作时间；si为第i工位的定员数；t0为装配线的节拍；a为装配线的定员数。
64.步骤s303，在产线动态虚拟重组系统中输入各工位数据，通过em-plant模块得到各工序标准时间、人数、平衡时间，进而得到各个工序的工作负荷，并在产线动态虚拟重组系统中生成直观数据图表；
65.步骤s304，通过ecrs原则，即取消、合并、调整顺序、简化，在产线动态虚拟重组系统中对生产工序进行分析和调整；
66.步骤s305，通过ecrs原则，在产线动态虚拟重组系统中对产线的整体布局、设备运行、制造时间等做调整。
67.步骤四、通过支持向量机(svm)智能学习算法对产线动态虚拟重组结果进行可制造性分析，保证实际制造系统成功率。
68.步骤s401，如图2所示，采用支持向量机(svm)智能学习算法建立产线动态重组综合性能预测模型，对svm预测模型进行训练；
69.svm预测模型进行训练具体为：
70.将步骤s102中提取的产线静态系统特征值、动态系统特征值、信息系统特征值和步骤s301中计算出的产线平衡率作为svm的输入端；
71.将产线数据特征值，分为样本组和测试组，在svm中进行训练，设定最大训练次数为10 000次。
72.步骤s402，根据步骤s303，s304调整后的产线在动态虚拟重组系统中进行仿真。
73.步骤s403，将步骤三产线动态虚拟重组后的产线特征数据输入到训练好的svm模
型中进行预测分析，由智能学习算法对产线综合性能进行评估，svm模型输出端为产线运行状态，作为产线综合性能评价指标，包括：产线平稳运行，代码为[1]；产线高效运行，代码为[2]；产线拥堵运行，代码为[3]；产线异常运行，代码为[4]。
[0074]
步骤s404，根据svm模型输出的产线综合性能评估结果，对产线动态虚拟重组系统进行可信度分析及决策度量，最终完成产线的虚拟动态重组。
[0075]
综上，本发明提供了一种基于数字孪生的产线动态虚拟重组方法，可实现物理产线和虚拟产线的动态映射。建立了产线动态虚拟重组，通过虚拟制造过程的分析，评价制造系统的整体布局、设备运行、生产节拍等。快速地动态重构虚拟制造设备、虚拟制造单元和虚拟制造系统，借助智能算法进一步对虚拟重组系统进行包括生产效率、可靠性、异常预警能力的综合评价。
[0076]
以上所述，本发明公开的具体实施方案，但本发明的保护范围并不局限于此。凡是依据本发明的原理和精神本质对以上实施例所作的任何简单修改或同等变化与修饰，均属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。