一种面向设备密集离散型制造工厂的智能优化管控方法与流程

本发明涉及设备密集离散型制造领域，尤其涉及一种用于解决数采时网关tcp连接数异常的方法。

背景技术：

1、目前我国制造业的行情是在智能制造领域，我国主要侧重于智能制造技术的追踪和技术引进，而基础研究相对不足，控制系统、系统软件等关键技术环节薄弱，技术体系不够完整，制造业发展整体上还处于机械自动化向数字自动化过渡阶段，在机械自动化向数字自动化过渡过程中，企业数字化改造中设备数据建模困难，管控方法及系统老旧，无法解决企业实现数字化困难等问题。

技术实现思路

1、本发明要解决的技术问题在于在机械自动化向数字自动化过渡过程中，企业数字化改造中设备数据建模困难，管控方法及系统老旧，无法解决企业实现数字化困难等技术问题，本发明提供了一种面向设备密集离散型制造工厂的智能优化管控方法。

2、本发明提供的面向设备密集离散型制造工厂的智能优化管控方法包含如下步骤：

3、s1：对生产设备密集型制造工厂中制造全过程生产设备统一信息建模；

4、将生产设备通过不同的维度进行统一分类建模，划分为实体模型、对象模型，规则模型以及行为模型，实体模型从是设备本体映射的一个对象关系，从设备上的几个方面进行归类数据的类型，划分成几何数据、顶点数据，材质数据以及构建3d模型的动画数据，建立的设备模型与实际设备之间联系，通过模型的方式来表示设备本体；对象模型定义对象的静态描述，动态描述，空间描述以及分类描述；规则模型定义的设备的编码规则，行为规则，事件规则，映射规则；行为模型由接口驱动，物理驱动，指令驱动，参数驱动这些驱动组成；

5、s2：构建基于知识图谱的知识抽取、表示和结构化存储方法，通过统一语义以构建面向生产设备密集型制造全要素知识库；

6、通过知识建模软件，将模型进行层次分类，然后通过不同层次的分类，实例化不同的模型，通过不通的实例来构建不同的应用，而每种相应的应用中都有模型的描述和属性声明，相同的属性进行分类归档，从而对所有的物体设备进行构建模型知识库，建立统一的语义；

7、s3：建立包括车间、产线场景、生产设备在内的全要素三维模型库，并从四个方面进行垂直细分：多源三维模型解析、可视化、轻量化、数字孪生；

8、多源三维模型解析方面：在工厂、车间、产线中构建模型，通过实物的拍照照片、运行中拍摄的视频以及加装各种传感器采集各项设备的运行数据在内的多种不同的维度来构建三维设备模型，通过对不同文件格式的三维模型数据分别进行解析和汇聚整合，并且建立专门的数据库对处理后的模型数据进行存储，将三维模型数据存储为统一格式的工程文件，三维模型数据在后续的应用过程中通过读取整合后的文件格式即可实现多源异构模型数据的集中加载与展示，从而实现通过建模软件进行分类和标准化处理，最终整合成统一的工程文件，建立标准的是模型工程文件；

9、可视化方面包括如下步骤：

10、第一步：3d建模材质渲染：根据对3d对象的不同处理建模过程和制作方式；

11、第二步：3d场景搭建：在unity里把模型导入后，用unity里自带材质重新贴好并灯光渲染，即可实现3d场景搭建；

12、第三步：交互脚本及展示：通过unity脚本使用c#语言编写，在可视化中实现通过用户操作让画面动起来和前后台数据交互或者操作触发事件，通过编程开发来实现模型数据的交互以及动画动作的展示；

13、轻量化方面：通过减少3d模型的文件大小，以便在需要更快的数据传输或更快的渲染速度时使用；

14、数字孪生方面：通过将物理实体的数字化副本与真实实体进行比对，以优化设计、生产和维修过程；

15、s4：虚实深度融合仿真实现：采用人工智能算法，结合模型库与知识库，建立信息-物理系统孪生数据实时深度融合模型，完成生产设计、生产运行到维护检修设备全周期感知信息到设备三维模型的加载与交互，进而实现虚实深度融合，具体包括如下步骤：

16、第一步：实现虚实实时交互：

17、面向设备密集离散型制造工厂的多源异构数据包括：制造业的制造执行管理系统、生产监控系统、设备运行维护系统、产品质量检测系统、能耗管理系统中的各种机器设施、工业传感器等在运行和维护过程中都会产生多源异构数据，这些多源异构数据既包括设备监测数据、产品质量检测数据、能耗数据这些结构化数据，还包括生产监控系统产生的大量图片、视频这些非结构化数据；

18、在面向设备密集离散型制造工厂生产过程中，对多源异构数据进行数据采集、数据集成及数据分析，数据采集实现大量原始数据准确、实时的采集，为数据集成阶段提供原始数据源，数据集成实现数据的数据库存储，数据清洗、转换、降维在内的预处理以及构建海量关联数据库，为数据分析阶段提供预处理的数据源，数据分析利用关联分析、分类聚类及深度学习技术实现数据的价值挖掘；

19、第二步：实现虚实深度融合：虚实模型的融合是通过多个模型共同决策去提升任务的效果，以稳定提升任务效果的方法，采用stacking和blending使得一个模型去融合模型；

20、s5：优化工厂、车间、产线多源异构生产设备智能化感知关键技术；具体包括：

21、一、设备信息智能感知：针对设备工况、数据这些类型，搭建车间综合传感器集成网络，分析主流plc型号及存储区域、主流通讯协议，建立基于xml格式的plc数据读写规则标准，开发多型号plc数据采集封装软件，通过现场总线技术与设备级分散i/o口连接技术，开发基于opc技术的车间、产线多型异构设备通信接口方法，将设备的通讯协议以及通讯接口完全标准化，同时将常用品牌plc采集模块进行封装，实现及连即用，标准统一；

22、二、设备云端接入技术：实现opc ua等协议的广域网、工业以太网连接与网关技术，构建由工业云平台、智能边缘平台、集成平台组成的云边端框架，云边端一体化旨在屏蔽云、边、端分布式异构基础设施资源，提供统一视角资源管理和使用，实现数据自由流通、业务应用统一运行环境，通过实现建立工业以太网-物联网协议转换平台，实现车间、产线广域异构生产设备的云端接入，将设备接入所有的操作全部在转换平台中完成，同时所有接入的设备模型相关的基础功能；

23、三、设备云边协同优化技术：通过开发云边管控网络待执行任务的能耗、时延、负债均衡这些性能指标，建立云边协同多目标调度优化模型；将计算量需求较大的通过拆分多个边缘节点进行分布式部署，在每个边缘节点部分进行数据存储，数据转发以及执行相关业务的计算，同时处理完成后统一经过wan汇聚后，上传到中心云节点，在中心云节点中统一完成任务的协同调度和管理，同时在中心节点上进行边缘节点的部分计算执行任务，如此通过拆分-汇聚这种网络架构，将能耗数据、时延以及负载均衡性能指标，进行统一管理，分配相关合理的资源进行统一调配管理，优化网络架构，提升各方面的指标性能。

24、四、端边云一体化集成管控平台：基于opc服务器对各类采集数据组织封装，建立根节点basenode，从6个方面进行划分：object、data type、variable、object type、method以及reference type，从对象object中根据类型再细分，从对象类型object type划分装配线设备对象类型、监控设备类型，通过这些类型在往下进行划分设备的描述信息、运行状态、设备编号、设备类型，同时建立各种变量包括变量的单位，变量类型检测点位、变量数值、变量名，建立通用的method方法，包含设备启动以及设备停止，通过reference type应用类型中，进行细分hassubtype、hastypedefinition、hasproperty、hascomponent；如此通过这套标准的划分规则，将各类数据数据进行封装与建库，即可实现不同设备，不同数据结构，异构数据等内容都可以在端边云一体化平台中进程管控，统一对所有的设备进行集中管控；通过现场plc系统将数据传输到opc ua服务器，并将各类数据以统一的数据模型组织封装存入监控系统数据库，建立工厂、车间、产线现场设备信息监控系统，结合设备感知、云端接入、云边协同优化这些技术，全面构建面向工厂、车间、产线的广域多型异构生产设备端边云一体化集成管控平台。

25、在本发明的一种面向设备密集离散型制造工厂的智能优化管控方法中，所述模型轻量化的方法包括：

26、移除不必要的细节：模型中存在的一些细节，这些细节对于渲染或使用模型并不重要，通过移除这些不必要的细节，可以大大减小模型的大小。

27、优化模型结构：对模型的拓扑结构进行优化可以大幅度减小文件大小，包括将多边形替换为三角形以及删除重复的顶点；

28、减少纹理贴图：通过减少纹理的大小和数量，减小模型文件的大小；

29、压缩模型：使用专业的3d软件或工具将3d模型文件压缩成更小的文件大小；

30、简化模型：通过使用3d软件中的简化工具将高细节模型简化成低细节模型；

31、移除隐藏部分：将3d模型的一部分不会被看到的模型数据，从3d模型中移除，从而减少文件大小。

32、在本发明的一种面向设备密集离散型制造工厂的智能优化管控方法中，采用stacking和blending使得一个模型去融合模型过程中，对于使用相同的数据去训练用于融合的模型，存在数据泄露，导致过拟合的问题：stacking采用交叉验证的方法缓解这个问题，首先是通过n个模型把数据分成n分，其次每次取其中的(n-1)份数据用于训练模型，用剩下的1份数据训练融合模型，最后测试模型，所有的训练模型预测测试集，得到输出求均值，然后传入融合模型，得到最终结果；blending通过划分训练集和验证集的方式，解决数据泄露的问题，首先将训练集划分为训练集和验证集，blending不同模型的训练集是一样的，因此采用一些采样方法和数据增强方法增加样本的多样性，其次用训练集训练多个模型，用验证集训练融合模型。

33、在本发明的一种面向设备密集离散型制造工厂的智能优化管控方法中，数字孪生方面具体包括：

34、第一步，建立数字孪生副本：使用传感器和数据采集设备收集物理实体的详细信息，并将它们转换成数字格式，然后，将这些数字格式的信息输入到数字孪生平台中，建立物理实体的数字化副本，数字孪生平台使用如下工具来创建这些数字副本，包括计算机辅助设计cad软件、3d扫描技术和传感器；

35、第二步，将数字副本与实际实体进行比对，通过数字孪生平台对数字孪生和物理实体进行比对和校准，通过数字孪生副本来监测物理实体的状态和性能，从而提供实时制造过程监测，并提供预警或优化建议；

36、第三步，优化设计和生产过程；在数字孪生副本上进行模拟和测试，以优化设计和生产过程并改进开发时间；

37、最后，还利用数字孪生技术预测维修需求，通过将数据分析应用于数字孪生副本，企业可以预测物理实体的维修需求并进行预防性维修。

38、在本发明的一种面向设备密集离散型制造工厂的智能优化管控方法中，步骤s4的第一步中：

39、从物理设备多源异构数据分析和信息模型数据特征分析，多源异构数据来自多个数据源，包括不同数据库系统和不同设备在工作中采集的数据集，不同的数据源所在的操作系统、管理系统不同，数据的存储模式和逻辑结构不同，数据的产生时间、使用场所、代码协议也不同，如此形成数据多源的特征；

40、多源异构数据包括多种类型的结构化数据、半结构化数据和非结构化数据；结构化数据指关系模型数据，即以关系数据库表形式管理的数据；半结构化数据指非关系模型的、有基本固定结构模式的数据，不同类型的数据在形成过程中没有统一的标准，如此形成数据数据异构的特征。

41、在本发明的一种面向设备密集离散型制造工厂的智能优化管控方法中，步骤s3的3d建模材质渲染中，建模分为以下4种类型进行处理：直接建模，参数化建模，bim建模，以及点云建模。

42、本发明通过构建工厂、车间、产线全要素知识结构参考模型体系，定义实体，对象，规则，行为模型规范，建立知识库、模型库建立建库标准，然后基于知识图谱的知识抽取，表示和结构化存储方法，通过统一语义构建全面生产设备密集型制造工厂的全要素知识库，建立精准化、标准化、可视化、轻量化、可完全自主可控以及在其运行和操作过程中可交互、可融合、可重构、可进化的车间、产线场景、生产设备等全要素三维模型库，基于机器学习、深度学习等人工智能方法，结合模型库与知识库，建立信息-物理系统孪生数据实时深度融合模型，完成生产设计、生产运行到维护检修设备全周期感知信息到设备三维模型的加载与交互，进而实现虚实深度融合。