一种三维数字建模方法和数字化车间管理系统与流程

本发明涉及智能制造与数字化车间领域，特别是一种三维数字建模方法和数字化车间管理系统。

背景技术：

制造业是一个国家国际竞争力和综合实力的重要表现，现阶段中国制造业正面临着发达国家“高端回流”和发展中国家“中低端分流”的双向挤压。在这个背景下，越来越多的传统制造型企业感受到了重重压力，企业开始走上了转型和变革之路，企业的生产模式由大批量标准化低利润的产品逐渐转变为小批量个性化高利润的产品。

传统的车间管理系统仍停留在表面的数据流通，无法深入的为企业在车间计划和生产执行层面做到精细化的管理，针对企业提高业务管理效率与生产效率、减少车间在制品、降低损耗与成本、提高产品质量与客户满意度方面的优化提升十分有限，逐步不适应当代的发展需求。

技术实现要素：

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种实现虚拟制造与现实制造深度融合的三维数字建模方法和数字化车间管理系统。

本发明采用如下技术方案：

一种三维数字建模方法，包括以下步骤：

步骤1：三维模型特征参数提取；

利用已有的三维模型、相关图纸或高清图像进行三维模型特征参数的提取，所述的特征参数包括几何参数、表面参数、空间参数，所述的几何参数还包括：形状参数、拓扑参数、视图参数，所述的表面参数还包括：颜参数色、明暗参数、纹理参数、材质参数，所述的空间参数还包括：远近参数、透视参数、位置参数；

步骤2：建立三维模型；

将步骤1所述的特征参数作为输入源输入3dmax软件并建立对应的三维模型；

步骤3：三维模型预处理；

通过3dmax对步骤2所述的三维模型进行布局、烘焙、渲染和优化处理；

步骤4：轻量化模型；

所述的轻量化模型基于遗传算法优化的自组织特征映射神经网络方法实现，步骤如下：

步骤4.1：确定神经网络特征向量、神经网络输入、输出模式，确定神经网络学习速率，并设定初始学习速率、初始权值和最大学习次数t；

设特征向量v＝(x，y，i，j)，其中，x表示三维模型顶点曲率，y表示与该顶点相连的所有顶点的曲率均值，i表示与该顶点相连接的所有顶点的曲率方差，j表示与该顶点邻接所有三角片面积的均值；

根据神经网络特征向量，设神经网络输入模式为特征向量集{vk}，输入的节点数为特征向量的维数n，网络输出层有m个聚类，所述的聚类即通过自组织特征映射神经网络学习所自动划分出具有不同特征的三维区域模型；

设神经网络学习速率为s，s(t)＝s0*t^-r，其中r为一个常数，r>0，s0为初始学习速率且为[0,1]之间的随机数值，t为训练次数；

步骤4.2：采用遗传算法对自组织特征映射神经网络的初始权值进行优化，得到最优网络权值并生成最优的网络模型；

步骤4.2.1：种群初始化；

另训练样本输入向量的维数为n，输出神经元的个数为m，选取n个初始网络权值，并组成染色体，其中染色体的长度为m*n；

步骤4.2.2：确定遗传算法的适应度函数；

所述的适应度函数由公式确定，其中q表示权值向量，qi表示初始权值，pi表示样本个体值，其中i＝1，2，3，…，n，表示权值平均值，表示样本个体平均值；

步骤4.2.3：对种群执行遗传变异交叉操作，生成下一代种群；

步骤4.2.4：根据步骤4.2.2所述的适应度函数计算种群中个体的适应度值；

步骤4.2.5：根据步骤4.2.4所获得的适应度值，判断适应度值是否满足最优适应度，若满足则将步骤4.2.3得到种群个体作为最优的个体输出到自组织特征映射神经网络作为初始权值，执行步骤4.2.6，否则继续执行步骤4.2.3所述的操作；

步骤4.2.6：判断遗传算法是否达到了设定的最大迭代次数，若达到则选取最后一代种群的最佳个体对应的一组权值赋予网络结构，生成最优的网络模型，执行步骤4.3所述的操作，否则继续执行步骤4.2.3所述的操作。

步骤4.3：随机输入一组新模式vk＝{v1k，v2k，v3k，v4k}，其中k＝1,2,3,…,q(q为一个常数，q>0)；计算模式vk与各权矢量的距离；

所述的距离由公式确定，其中i＝1,2,3,4，j＝1,2,3,…,m，wij为最优网络权值；

步骤4.4：选取与模式vk距离最短的节点作为竞争获胜节点，设竞争获胜节点为○；更新竞争获胜节点○的邻域内所有节点的连接权值，并保持其余节点的连接权值不变；

步骤4.5：判断是否已输入所有的学习模式，若没有则继续步骤4.3所述的操作，否则继续步骤4.6；

步骤4.6：判断训练次数是否达到预先设定的最大学习次数t，若达到，则输出轻量化三维区域模型，否则t＝t+1，修改神经网络学习速率s，s为[0,1]之间的随机数值,继续执行步骤4.3所述的操作；

步骤5：三维虚拟建模；

将步骤4所获得的轻量化三维区域模型导入ue4平台，通过ue4平台实现虚拟制造车间的装配与操作、监控与展示、信息可视化以及人机交互，以三维虚拟的方式呈现现实车间场景。

一种支持saas服务模式的数字化车间管理系统，包括计划管理、仓库管理、生产管理、质量管理、设备管理、报表管理、看板管理、移动办公、系统管理、安全管理、接口管理及数字化建模，以上所述管理模块均部署在云端或本地应用服务器上，所述数字化车间管理系统还配有数据库服务器用以进行数据管理。

所述的数字化建模，包括设备建模模块、产线建模模块、仓库建模模块、产品建模模块、厂房建模模块和看板建模模块，采用上述的一种三维数字建模方法实现数字化车间实际场景综合建模服务。

所述的计划管理包括标准工时模块、工作日历模块、工单下发模块、工单排程模块、计划调整模块、报表查询模块和计划预警模块，系统根据生产主计划优先级以及标准工时模块设定，对生产制令单进行自动细化排程。

所述的仓库管理，包括仓库设置模块、货架货位模块、入库管理模块、出库管理模块、在库业务模块、盘点管理模块和呆滞预警模块，覆盖了从供应商配货开始到成品出货全程的物料、半成品以及成品的管理。

所述的生产管理，包括工单管理模块、标签打印模块、数据采集模块、产品变更模块、物料防错模块、esop模块、异常预警模块，负责生产车间的过程执行。

所述的质量管理，包括不良代码模块、aql模块、iqc模块、pqc/ipqc/oqc模块、q-hold模块、rma模块、spc模块，覆盖了企业全制程的质量管理。

所述的设备管理，包括设备台账模块、设备保养模块、设备维修模块、设备校准模块、设备联网模块、备件管理模块和设备预警模块，在系统中对设备进行管理以便于管控和追溯。

所述的报表管理，包括生产报告模块、质量报告模块、设备报告模块和仓库报告模块，用于后期的数据统计分析以及生产的追溯。

所述的看板管理，包括现场看板模块、仓库看板模块、设备看板模块、综合看板模块，用于现场的可视化管理，支持用户自定义看板。

所述的移动办公，包括移动报表模块和信息推送模块，用以在手机端实时查看各类数据报告、信息的及时通知以及移动端操作。

所述的系统管理，包括用户管理模块、授权管理模块、系统设置模块和预警设置模块，用以对各个平台进行全局配置。

所述的安全管理，包括日志监控模块、访问管理模块和安全预警模块，实时对系统安全进行全面监控，并及时告知相关管理人员。

所述的接口管理，包括erp接口模块、plm接口模块和oa接口模块，来与其它系统进行数据交互。

由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：

(1)本发明支持saas服务模式，将saas软件部署至云端应用服务器，通过用户数据隔离技术实现多用户并行使用软件所提供的云计算服务，一对多的服务模式能够提高专业技术服务专业领域的效率，降低软件使用、开发和维护成本。用户通过浏览器访问可以突破地域和操作平台限制，避免了安装客户端带来的使用不便。

(2)本发明创造性地采用基于虚拟现实技术建立三维虚拟数字化车间，并采用基于遗传算法优化的自组织特征映射神经网络方法对三维模型进行轻量化处理，避免由于三维模型数据量过于庞大，而给存储、传输、显示及渲染造成困难。将三维虚拟数字化车间运用到数字化车间管理系统，能够直观、具体的反映车间各个流程的执行情况，使企业用户的车间管理更加贴近车间实际场景，进一步提高企业车间的智能化水平。

(3)本发明可以利用内置的二次开发平台，创建和部署自有特色的功能。另外还提供了功能强大的报表和可视化看板二次开发平台，用户可以根据需要进行报表与看板的自定义开发。

(4)本发明可提高企业的整体管理水平和企业形象，为生产型企业建立标准化的管理方法，提供可视化和数字化的车间建设，使得生产执行过程得到有效的管控，物料、产品、设备、人员、品质得到有效的追溯。符合未来智能制造的发展方向，也符合国家技术产品的发展政策，产品质量稳定，性能优异。

附图说明

图1为本发明的结构示意图；

图2为本发明的三维数字建模流程图。

图3为本发明的轻量化模型算法流程图

以下结合附图和具体实施例对本发明作进一步详述。

具体实施方式

以下通过具体实施方式对本发明作进一步的描述。

本实施例以rt-dwms数字化车间管理系统为原型，详细描述本发明的实施方式。rt-dwms数字化车间管理系统支持saas服务模式，将saas软件部署至云端应用服务器，通过用户数据隔离技术实现多用户并行使用软件所提供的云计算服务，一对多的服务模式能够提高专业技术服务专业领域的效率，降低软件使用、开发和维护成本。用户通过浏览器访问可以突破地域和操作平台限制，避免了安装客户端带来的使用不便。系统通过信息化技术以及精益管理的思想，从本质上对车间生产现场进行改善，为生产型企业建立标准化的管理方法，提供可视化和数字化的车间建设，使得生产执行过程得到有效的管控，物料、产品、设备、人员、品质得到有效的追溯，并以此提高企业的管理水平，帮助企业从中低端制造逐渐走向高端智能制造。

结合图1所示，一种支持saas服务模式的数字化车间管理系统，包括计划管理100、仓库管理200、生产管理300、质量管理400、设备管理500、报表管理600、看板管理700、移动办公800、系统管理900、安全管理1000、接口管理1100及数字化建模1200，以上所述管理模块均部署在云端应用服务器上，所述数字化车间管理系统还配有数据库服务器用以管理数据。

所述的计划管理100，包括标准工时模块、工作日历模块、工单下发模块、工单排程模块、计划调整模块、报表查询模块模块、计划预警模块，系统根据生产计划优先级以及标准工时模块设定，对生产制令单进行自动细化排程。

所述的仓库管理200，包括仓库设置模块、货架货位模块、入库管理模块、出库管理模块、在库业务模块、盘点管理模块、呆滞预警模块，覆盖了从供应商配货开始到成品出货全程的物料、半成品以及成品的管理，包括物料的收料、发料、调拨、盘点、呆滞管理，以及成品的出入库管理模块。

所述的生产管理300，包括工单管理模块、标签打印模块、数据采集模块、产品变更模块、物料防错模块、esop模块、异常预警模块，负责生产车间的过程执行。

所述的质量管理400，包括不良代码模块、aql模块、iqc模块、pqc/ipqc/oqc模块、q-hold模块、rma模块、spc模块，覆盖了企业全制程的质量管理。

所述的设备管理500，包括设备台账模块、设备保养模块、设备维修模块、设备校准模块、设备联网模块、备件管理模块、设备预警模块，在系统中对设备进行管理，建立设备基础档案，为设备分配唯一编号。设备后期的保养、点检、维修，都将记录到系统中以便于管控和追溯。

所述的报表管理600，包括生产报告模块、质量报告模块、设备报告模块、仓库报告模块，用于后期的数据统计分析以及生产的追溯，系统提供多种报表模板，支持用户自定义报表。

所述的看板管理700，包括现场看板模块、仓库看板模块、设备看板模块、综合看板模块，用于现场的可视化管理，支持用户自定义看板。

所述的移动办公800，包括移动报表模块、信息推送模块，用以在手机端实时查看各类数据报告、信息的及时通知以及移动端操作。

所述的系统管理900，包括用户管理模块、授权管理模块、系统设置模块、预警设置模块，用以对各个平台进行全局配置，如数据业务平台的数据库配置以及多工厂模式下的账套设置，针对信息推送模块平台的邮件设置、短信设置以及微信设置。另外，还需要通过系统管理平台配置各个其他服务平台的地址；并针对各个平台的功能进行授权。

所述的安全管理1000，包括日志监控模块、访问管理模块、安全预警模块，实时对系统安全进行全面监控，并及时告知相关管理人员。

所述的接口管理1100，包括erp接口模块、plm接口模块、oa接口模块，来与其它系统进行数据交互，通过系统接口管理可以维护接口类型、接口参数。

所述的计划管理100、仓库管理200、生产管理300、质量管理400、设备管理500、报表管理600、看板管理700、移动办公800、系统管理900、安全管理1000及接口管理1100均部署在应用服务器上，部署方式具体为本地部署和云端部署两种部署模式，针对集团企业多工厂模式系统还支持分布式部署。

配合图2、图3所示，所述的数字化建模1200，包括设备建模模块、产线建模模块、仓库建模模块、产品建模模块、厂房建模模块和看板建模模块，提供数字化车间实际场景综合建模服务，采用基于虚拟现实技术建立三维虚拟数字化车间，其步骤如下：

步骤1：三维模型特征参数提取；

利用已有的三维模型、相关图纸或高清图像进行三维模型特征参数的提取，所述的特征参数包括几何参数、表面参数、空间参数，所述的几何参数还包括：形状参数、拓扑参数、视图参数，所述的表面参数还包括：颜参数色、明暗参数、纹理参数、材质参数，所述的空间参数还包括：远近参数、透视参数、位置参数。

步骤2：建立三维模型；

将步骤1所述的特征参数作为输入源输入3dmax软件并建立对应的三维模型。

步骤3：三维模型预处理；

通过3dmax对步骤2所述的三维模型进行布局、烘焙、渲染和优化处理。

步骤4：轻量化模型；

所述的轻量化模型基于遗传算法优化的自组织特征映射神经网络方法，避免三维模型数据量过于庞大，给存储、传输、显示及渲染造成困难，其算法步骤如下：

步骤4.1：确定神经网络特征向量；

设特征向量v＝(x，y，i，j)，其中，x表示三维模型顶点曲率，y表示与该顶点相连的所有顶点的曲率均值，i表示与该顶点相连接的所有顶点的曲率方差，j表示与该顶点邻接所有三角片面积的均值。

确定神经网络输入、输出模式；

根据步骤4.1所述的神经网络特征向量，设神经网络输入模式为特征向量集{vk}，输入的节点数为特征向量的维数n，网络输出层有m个聚类，所述的聚类即通过自组织特征映射神经网络学习所自动划分出具有不同特征的三维区域模型。

确定神经网络学习速率；

设神经网络学习速率为s，初始学习速率为s0，训练次数为t，则s(t)＝s0*t^-r，其中r为一个常数(r>0)。

设定初始学习速率；

设定初始学习速率s0为[0,1]之间的随机数值。

设定初始权值；

设定初始权值为[-1,1]之间的随机数值。

设定最大学习次数为t。

步骤4.2：采用遗传算法对自组织特征映射神经网络的初始权值进行优化，避免出现网络学习时间长、分类精度低的问题，所述的优化方法包括以下步骤：

步骤4.2.1：种群初始化；

根据步骤4.1所述，训练样本输入向量的维数为n，输出神经元的个数为m，选取n个初始网络权值，并组成染色体，其中染色体的长度为m*n。

步骤4.2.2：确定遗传算法的适应度函数；

所述的适应度函数由公式确定，其中q表示权值向量，qi表示初始权值，pi表示样本个体值，表示权值平均值，表示样本个体平均值。

步骤4.2.3：对种群执行遗传变异交叉操作，生成下一代种群。

步骤4.2.4：根据步骤4.2.2所述的适应度函数计算种群中个体的适应度值。

步骤4.2.5：根据步骤4.2.4所获得的适应度值，判断适应度值是否满足最优适应度，若满足则将步骤4.2.3得到种群个体作为最优的个体输出到自组织特征映射神经网络作为初始权值，执行步骤4.2.6，否则继续执行步骤4.2.3所述的操作。

步骤4.2.6：判断遗传算法是否达到了设定的最大迭代次数，若达到则选取最后一代种群的最佳个体对应的一组权值赋予网络结构，生成最优的网络模型，执行步骤4.3所述的操作，否则继续执行步骤4.2.3所述的操作。

步骤4.3：随机输入一组新模式vk；

所述的vk＝{v1k，v2k，v3k，v4k}，其中k＝1,2,3,…,q。

计算模式vk与各权矢量的距离；

所述的距离由公式确定，其中j＝1,2,3,…,m，wij为步骤4.6.6所获得的最优网络权值。

步骤4.4：选取与模式vk距离最短的节点作为竞争获胜节点，设竞争获胜节点为○；

更新竞争获胜节点○的邻域内所有节点的连接权值，并保持其余节点的连接权值不变。

步骤4.5：判断是否已输入所有的学习模式，若没有则继续步骤4.3所述的操作，否则继续步骤4.6所述的操作。

步骤4.6：判断训练次数是否达到预先设定的最大学习次数t，若达到算法结束，将算法所得的不同特征的三维区域模型输出至步骤5，否则修改学习速率继续执行步骤4.3所述的操作。

步骤5：三维虚拟建模；

将步骤4所获得的轻量化三维模型导入ue4平台，通过ue4平台实现虚拟制造车间的装配与操作、监控与展示、信息可视化以及人机交互，以三维虚拟的方式呈现现实车间场景

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。