一种满足个性化定制生产的数字孪生智慧云调度方法与流程

[0001]
本发明涉及个性化定制生产车间智慧调度技术领域，尤其涉及一种满足个性化定制生产的数字孪生智慧云调度方法。


背景技术：

[0002]
生产规划建模与仿真：通过用户对产品个性化订单需求偏好属性提炼，对各个生产单元及其在一起协同同工作时的生产流程进行建模与仿真，包括对各个生产单元的数字化建模与展示，也包括对物料流、排程排产逻辑、生产工艺逻辑梳理、工艺约束建立，自动引导车(agv)控制算法等生产流程的数值仿真。
[0003]
虚拟空间的生产环境调试：在网络空间生产环境中，对各个生产单元内的工作流程与效率进行的过程建模与仿真，其中可以包括机械设备自动化操作过程的仿真，对多个协同工作的机器手臂控制算法进行虚拟调试，是验证总体结果，保证生产顺利进行的重要步骤。另一方面，在自动化运行的设备之外，也包括对生产单元内人机交互过程的仿真和调试。
[0004]
基于生产线的实际情况与运行信息反馈对生产的数字孪生进行调整与优化；面向的是产品的使用客户，基于物理传感器等信息对具体产品的实际特性进行提取与分析，实现预测性维护等功能，也可以通过产品的实际运行信息反馈指导产品的设计方案。在生产的实际执行阶段或者产品的运行阶段，原材料、设备、流程、人员或者环境参数、运行状态等系统信息随时会出现调整与变动，而性能的数字孪生需要将这些变动实时的在数字空间内进行更新。为此，结合物理传感器输入的数据进行快速、实时的仿真与预测是性能的数字孪生的重要技术。在产品投入运行后，基于数据输入与快速仿真技术可以对重要但难以测量的性能参数进行实时的仿真计算，实现对产品的预测性维护等功能。生产线或产品的各个物理传感器会产生大量的数据，对这些实际数据应用机器学习等方法进行分析是实现主动响应，事故溯源，预测性维护等数字孪生信息反馈功能的重要技术。例如，生产性能的数字孪生可以对生产过程中出现的事故等实际情况进行数据提取，通过机器学习与数值模拟验证等方式实现原因分析，并针对事故原因提出产品设计、生产流程设计中针对性的改进方案进行资源的再调度生产。如果制造系统中所有流程都准确无误，生产便可以顺利开展。但万一生产进展不顺利，由于整个过程非常复杂，制造环节出现问题并影响到产出的时候，很难迅速找出问题所在。最简单的方法是在生产系统中尝试一种全新的生产策略，但是面对众多不同的材料和设备选择，清楚的知道哪些选择将带来最佳效果又是一个难题。针对这种情况，可以在数字孪生模型中对不同的生产策略进行模拟仿真和评估，结合大数据分析和统计学技术，快速找出有空档时间的工序。调整策略后再模拟仿真整个生产系统的绩效，进一步优化实现所有资源利用率的最大化，确保所有工序上的所有人都尽其所能，实现盈利能力的最大化。
[0005]
在传统模式中，完成设计后必须先制造出实体零部件，才能对设计方案的质量和可制造性进行评估，这意味着成本和风险的增加。而通过建立数字孪生模型，任何零部件在
被实际制造出来之前，都可以预测其成品质量，识别是否存在设计缺陷，比如零部件之间的干扰，设计是否符合规格等。找到产生设计缺陷的原因，在数字孪生模型中直接修改设计，并重新进行制造仿真，查看问题是否得到解决。制造系统中，只有当所有流程都准确无误时，才能顺利进行生产，一般的流程验证方法是获得配置好的生产设备之后再进行试用，判断设备是否运行正常，但是到这个时候再发现问题为时已晚，有可能导致生产延误，而且此时解决问题所需要的花费将远远高于流程早期。
[0006]
通过引入数字孪生技术的智慧云方法高效的方法是建立包含所有制造过程细节的数字孪生模型，在虚拟环境中验证制造过程。发现问题后只需要在模型中进行修正即可，比如机器人发生干涉时，改变工作台的高度、输送带的位置、反转装配台等，然后再次执行仿真，确保机器人能正确执行任务。
[0007]
借助数字孪生模型在产品设计阶段预见其性能并加以改进，制造流程初期就掌握准确信息并预见制造过程，保证所有细节都准确无误，这些无疑是具有重要意义的，因为越早知道如何制造符合用户预期的出色的产品，就能越快的向市场推出优质的产品，抢占先机。


技术实现要素：

[0008]
针对现有技术的不足，本发明提供一种满足个性化定制生产的数字孪生智慧云调度方法，通过在个性化生产车间中的每一台设备都安装了嵌入式信息传输机，结合物联制造技术，采用无线和有线的形式构建了车间物联网络，使得设备之间可以进行实时通信，并将每一台设备构建成一个智能个体。
[0009]
为解决上述技术问题，本发明所采取的技术方案是：
[0010]
一种满足个性化定制生产的数字孪生智慧云调度方法，包括以下步骤：
[0011]
步骤1：用户提交个性化需求订单，订单包括工件数量、工艺参数、产品规格信息；
[0012]
步骤2：生产规划部门对个性化需求订单进行工艺设计，并对每个工件工序生成云端代码以及该工序对应的工艺约束参数，将设备参数与个性化订单属性参数上传至云端系统；
[0013]
步骤3：云端调度系统根据个性化订单的订单交货期、订单优先级、制造物料库存信息进行预排产计划，并将订单传送至车间，根据用户等级、订单交货期、开发难度等级评估计算每个定制化用户订单的权重，设用户等级s、订单交货期t、开发难度等级i，每个指标分别对应影响因子c1、c2、c3，其中c1+c2+c3＝1；将影响因子录入云端系统代码中；
[0014]
步骤4：车间接收到云端调度系统预排产计划后，采用车间资源实时动态调度进行资源协同建立动态调度模型，在每个重调度点，采用基于分解的多目标优化算法的混合驱动再调度方式更新车间当前属性，包括最大完工时间、总拖期、加工状态能量消耗；在优化过程中在孪生车间为每种紧急事件预设解决方案，来提高调度方案的效率；若没有紧急订单事件的干扰，采用周期性再调度每隔一段时间对调度窗口进行更新；
[0015]
所述资源协同过程包括：具有完成该订单任务能力的智能个体设备信息，回馈自身状态信息、负载情况信息，云端方法对信息进行筛选处理，并将排产结果，产品建模进行可视化展示；
[0016]
所述动态调度模型为，物理车间的每台设备上信息收集卡通过扫描二维码方式上
传数据信息给孪生车间，孪生车间通过对设备的能耗、负载、故障、新插入订单明细加工时间、物料信息等建立了“新个性化订单到达”和“紧急重要客户插单”两种动态事件的动态调度模型；在车间感知数据的基础上，建立虚拟车间与物理车间的虚实映射框架，由于工件加工信息包含工件工序、加工设备、操作工人以及加工时间，加工信息的本体形式化描述为
[0017]
processinfo＝(jobinfo,machineinfo,personinfo,operationinfo,manufacuringinfo)
[0018]
加工信息本体processinfo由5个子本体构成，分别是工件信息jobinfo，设备信息machineinfo、工人信息personinfo、工序信息operationinfo、加工信息manufacuringinfo。
[0019]
所述最大完工时间f1(t
r
)为：
[0020][0021]
其中n(t
r
)表示截止到重调度点时刻车间中的工件总数；f
i
(t
r
)表示工件完成加工的时刻；b
i
(t
r
)表示重调度开始后工件开始加工的时刻；i表示第i个工件
[0022]
所述总拖期f2(t
r
)为：
[0023][0024]
其中dd
i
(t
r
)为工件的交货期；
[0025]
所述加工状态能量消耗pe(t
r
)为：
[0026][0027]
其中cu
k
(t
r
)表示机器k的加工功率；n
i
(t
r
)为工件在重调度后剩余的需加工的工件数；p
ijk
(t
r
)为加工时间；α为拟合曲线的系数，m表示机器、i表示工件，j表示工件的工序数，cu
ijk
(t
r
)表示第i个工件的j道工序的加工功率
[0028]
步骤5：样本产品验收不合格转入返回步骤4，样本产品验收合格转入加工流程进入步骤6；
[0029]
步骤6：机床在开始加工前，会从工件携带的无线射频识别(rfid)标签内读取工件编号及加工顺序约束，并向云端系统请求加工云代码，云端代码库中查找相应工序的代码及工艺装备参数后返回给机床，机床根据云端代码进行加工；
[0030]
步骤7：加工过程中，车间将设备加工实时信息和物料信息可视化看板传送给云端系统，用户追踪订单加工进度，而设备信息和物料信息为预排产提供参考指标，作为历史数据存留在云端系统中。
[0031]
采用上述技术方案所产生的有益效果在于：
[0032]
本发明提出了一种满足个性化定制生产的数字孪生智慧云调度方法，本发明在订单执行前对订单的预排产处理制定规则计算订单权重，明确影响订单指标，基于“新个性化订单到达”和“紧急重要客户插单”两种动态事件的动态调度模型
[0033]
数字孪生与物理车间实体双向信息交互能够有效提升产品的可靠性和可用性，同时降低产品研发和制造风险。满足个性化定制生产的需要。
[0034]
通过该方法的运行，实现物理车间与孪生车间的实时信息透明化，用户实时追踪
到订单的加工进度、设备物料能源消耗等实时信息、有利于及时排除机器故障、实现了车间制造信息云端化、进行行之有效的调度安排，同时云端建立加工代码库，存储历史加工信息，以及工艺装备参数，解决个性化定制订单和参数复杂的情况下物理车保证生产，车间本体和孪生模型体之间的数据流动可以是双向并不是只能本体向孪生体输出数据，孪生模型体也可以向车间物理实体反馈信息。企业可以根据孪生体反馈的信息，对车间物理实体采取进一步的行动和干预。可以支持用户对于产品在孪生车间的个性化偏好修改，提高用户满意度，提升交付成功率。数字孪生与物理车间实体双向信息交互能够有效提升产品的可靠性和可用性，同时降低产品研发和制造风险。
附图说明
[0035]
图1为本发明数字孪生智慧云调度方法流程图；
[0036]
图2为本发明实施例中智慧云调度框图；
[0037]
图3为本发明实施例数字孪生技术框图；
[0038]
图4为本发明实施例有无数字孪生技术的结果比较图。
具体实施方式
[0039]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0040]
一种满足个性化定制生产的数字孪生智慧云调度方法，如图1所示，包括以下步骤：
[0041]
步骤1：用户提交个性化需求订单，订单包括工件数量、工艺参数、产品规格信息；
[0042]
步骤2：生产规划部门对个性化订单进行工艺设计，并对每个工件工序生成云端代码以及该工序对应的工艺约束参数，将设备参数与个性化订单属性参数上传至云端系统；
[0043]
步骤3：云端调度系统根据个性化订单的订单交货期、订单优先级、制造物料库存信息进行预排产计划，并将订单传送至车间，根据用户等级、订单交货期、开发难度等级评估计算每个定制化用户订单的权重，设用户等级s、订单交货期t、开发难度等级i，每个指标分别对应影响因子c1、c2、c3，其中c1+c2+c3＝1；将影响因素录如入云端系统代码中，现假设用户vip等级、订单交货期、开发难度等级影响因子分别为0.5、0.3、0.2例如某订单交货期15天、用户vip等级5、开发难度3则该订单的优先级别权重为：0.5*5+1/15*0.3+3*0.2＝3.12；因为交货期与订单权重成反比关系，所以采用交货期倒数进行计算。
[0044]
步骤4：车间接收到云端调度系统预排产计划后，采用车间资源实时动态调度进行资源协同建立动态调度模型，如图2所示，在每个重调度点，采用基于分解的多目标优化算法的混合驱动再调度方式更新车间当前属性，包括最大完工时间、总拖期、加工状态能量消耗；在优化过程中在孪生车间为每种紧急事件预设解决方案，来提高调度方案的效率；若没有紧急订单事件的干扰，采用周期性再调度每隔一段时间对调度窗口进行更新；
[0045]
所述资源协同过程包括：具有完成该订单任务能力的智能个体设备信息，回馈自身状态信息、负载情况信息，云端方法对信息进行筛选处理，并将排产结果，产品建模进行可视化展示；
[0046]
所述动态调度模型为，物理车间的每台设备上信息收集卡通过扫描二维码方式上
传数据信息给孪生车间，孪生车间通过对设备的能耗、负载、故障、新插入订单明细加工时间、物料信息等建立了“新个性化订单到达”和“紧急重要客户插单”两种动态事件的动态调度模型；在车间感知数据的基础上，建立虚拟车间与物理车间的虚实映射框架，由于工件加工信息包含工件工序、加工设备、操作工人以及加工时间加工信息的本体形式化描述为
[0047]
processinfo＝(jobinfo,machineinfo,personinfo,operationinfo,manufacuringinfo)
[0048]
加工信息本体processinfo由5个子本体构成，分别是工件信息jobinfo，设备信息machineinfo、工人信息personinfo、工序信息operationinfo、加工信息manufacuringinfo。
[0049]
每个子个体包含其自身属性信息的表达，如工件信息：名称、工件标号、原材料。建立每种信息本体形式化表达以及相互之间的关联关系，虚拟空间即根据实时数据感知形成对物理空间中工件加工信息的虚拟映射表达，通过此映射方法物理空间感知到数据相应的信息就映射到虚拟空间，实现生产空间虚实一一映射。
[0050]
所述最大完工时间f1(t
r
)为：
[0051][0052]
其中n(t
r
)表示截止到重调度点时刻车间中的工件总数；f
i
(t
r
)表示工件完成加工的时刻；b
i
(t
r
)表示重调度开始后工件开始加工的时刻；i表示第i个工件
[0053]
所述总拖期f2(t
r
)为：
[0054][0055]
其中dd
i
(t
r
)为工件的交货期；
[0056]
所述加工状态能量消耗pe(t
r
)为：
[0057][0058]
其中cu
k
(t
r
)表示机器k的加工功率；n
i
(t
r
)为工件在重调度后剩余的需加工的工件数；p
ijk
(t
r
)为加工时间；α为拟合曲线的系数，m表示机器、i表示工件，j表示工件的工序数，cu
ijk
(t
r
)表示第i个工件的j道工序的加工功率
[0059]
步骤5：样本(demo)产品验收不合格转入返回步骤4，加工流程样本(demo)产品验收合格转入加工流程进入步骤6；
[0060]
步骤6：机床在开始加工前，会从工件携带的无线射频识别(rfid)标签内读取工件编号及加工顺序约束，并向云端系统请求加工云代码，云端代码库中查找相应工序的代码及工艺装备参数后返回给机床，机床根据云端代码进行加工；
[0061]
步骤7：加工过程中，车间将设备加工实时信息和物料信息可视化看板传送给云端系统，用户追踪订单加工进度，而设备信息和物料信息为预排产提供参考指标，作为历史数据存留在云端系统中。
[0062]
由于车间信息不仅包含静态信息，同时包含动态信息，来源于不同的车间位置的不同物理对象，涉及生产的各个环节需要针对具体问题进行有选择地信息感知；本发明主要基于车间调度问题地信息感知。常用的信息感知装置和技术包括光纤、光栅、rfid、传感
器、定位装置、激光扫描器、机床plc等，通过这些装置结合车间现场网络实现对车间中全要素信息的感知，包括基于人工方式静态数据感知、基于plc的各类传感器的数据感知以及基于rfid的数据感知；
[0063]
人工静态数据感知：静态基本属性信息，随时间变化小，物料基本信息、设备基本信息、工人基本信息等车间资源信息，直接将人工输入并存储在数据库中。
[0064]
基于plc的各类传感器的数据感知：plc传感器数据感知：现代自动化设备中内嵌plc模块具备数据采集功能，通过车间的通信网络，采集设备运行过程中的各种数据信息，设备的加工功率信息、设备状态信息、设备能耗信息，加工开始与结束动态信息等。
[0065]
基于rfid的数据感知：有些数据无法直接从设备上进行采集，需要协助其他工具进行识别记录，需要rfid读写器、和电子标签。
[0066]
库存出入口设置读写器实现库存信息的实时感知获取；零部件外表面设置读写器对工序信息、加工进度、加工开始结束时间、工序设备位置、加工顺序、工人信息感知；将标签与工人工号合二为一，结合工人的任务安排进行员工考勤、员工工作状态、工序加工操作人员信息感知。通过rfid实时感知的车间逻辑复杂数据，分析出车间生产现场信息，在cep(complex event processing)技术复杂事件处理，利用传入事件流，进行相应的处理，标记相关复杂事件，根据实际需要，通过数据感知监测车间工件异常事件。
[0067]
将该云制造系统应用到某大学实验室里的微型工厂(以下简称车间)中，验证本文设计的云制造系统的可行性。主要设备有喷涂、包装、立体仓库、agv和机械手。对3种类型工件进行加工，工件类型简图如表1所示，用户可以在云制造系统的下单界面进行定制。
[0068]
表1
[0069][0070]
本实施例中数字孪生技术框图以及有无实验孪生技术的结果比较图如图3以及4所示，该实例运行结果验证了预排产有效地解决了车间资源利用不平衡问题，并且该系统克服了传统车间制造过程中实时信息难以获取的缺点，实现制造信息云端化。同时针对个性化订单复杂多变的特点，建立加工g代码库，机床可以从g代码库中自动获取对应工件的加工g代码及工艺装备参数，使加工过程变得简单。机器设备利用率从70.9％提升到87.4％。缩短延误时间14.3min到7.7min。
[0071]
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。