|
在「数字孪生工厂的构建方法框架」中谈到了构建数字孪生工厂的方法框架及六个阶段步骤，包括规划、设计、建设、控制、升级以及再造。在工厂全生命周期的不同阶段各有其特定的方法和模型。本文将围绕数字孪生工厂的“规划”、“控制”和“再造”三个关键阶段展开讨论。 数字孪生的实现是充分利用物理模型、传感器、运行历史等数据，集成多学科、多尺度的仿真过程，它作为虚拟空间中对实体产品的镜像，反映了相对应物理实体产品的全生命周期过程。数字孪生工厂作为与现实世界中物理实体完全对应和一致的虚拟模型，可实时模拟自身在现实环境中的行为和性能，实时虚拟现实环境迭代交互，以优化生产要素资源配置和生产控制过程。 规划阶段需要解决的问题 在数字孪生工厂的规划阶段，首先，需要设计一种数字孪生模型，为工艺规划和流程分析构建数字孪生。其次，对已有的历史数据以及计划采集的物联网数据提供采集和处理的方法，用于构建形式化的孪生模型。第三，需要给出利用数字孪生模型指导规划的方法。最后是基于特定的工业情境，比较新的数字孪生方法与传统的规划方法的差异，包括规划成本和规划效率等方面。 规划阶段的数字孪生工厂需要解决的关键问题，是在制造业情境下设计一种普适性较高、应用门槛较低的数字孪生方法与模型，结合工业物联网的信息技术，提高规划分析的效率，降低规划阶段的分析成本。 如果基于传统的仿真技术、方法和平台构建数字孪生工厂，是存在较多条件限制的，比如对使用者素质要求很高，需要很长时间才能培养和建立一个熟练运用的团队;项目执行需要现场生产和管理部门提供合作，且现场研究和仿真建模的工作周期很长;很多仿真变量数据不能被有效收集; 一个仿真场景只能用于特定情况，而在业务环境发生变化时需要重新构建模型。以上问题导致在很多情境下，传统仿真所需要的成本大于其收益，也是制约数字孪生工厂构建的主要挑战。 生产控制阶段需要解决的问题 生产控制阶段的数字孪生工厂，首先，需要一种基于工业物联网和机器学习构建数字孪生的方法，以适应生产环境的不断变化。其次，需要具体的数字孪生控制结构框架，包括基本步骤、训练算法和关键评价指标。再次，需要考虑到制造业环境的特殊性，解决在制造工业情境下用机器学习构建数字孪生面临的问题，如制造工业的数据维数高、时间序列数据对齐性高、时间序列数据时间滞后等。最后，需要提出将数字孪生在工厂生产系统上在线部署的方法，并通过案例验证数字孪生方法对生产控制优化的有效性。 生产控制阶段的数字孪生工厂需要解决的关键问题，是构建生产控制优化的数字孪生的方法，以及设计一种在工业大数据情境下，基于已有的机器学习算法理论，进行模型训练、模型评价和模型反馈生产控制的数字孪生模型框架。 但问题仍然存在，由于工业大数据维度过大和数据产生速度过快，目前仍然鲜见基于机器学习的生产控制数字孪生框架模型的研究。传统生产控制优化方法的建模通常是单一过程，是一次性的知识输出，而数字孪生方法是物理制造工厂和虚拟数字工厂之间的连续交互过程。 在数字孪生框架中，虚拟数字工厂模型将不断地从物理生产线收集实时数据，并使用实时数据和历史数据进行模型培训、模型验证、模型更新，并最终反馈给真实工厂，以实现生产控制目的。在现实世界中，物理工厂将根据虚拟工厂模型的仿真和优化结果进行生产。随着大量工业数据被采集，考虑实体工厂已经存在的大量原始数据，而数据挖掘技术目前仍不能很好地处理大数据用于智能生产控制，当前的数字孪生应用很可能出现严重信息过载问题。 流程再造阶段需要解决的问题 流程再造阶段的数字孪生工厂，首先，以通过定量分析提升传统方法的准确性和有效性为目标，设计数字孪生模型框架。其次，基于数字孪生仿真模型和工业物联网，结合价值流图等传统的精益管理方法，为生产流程的优化设计基于数字孪生的精益方法。再次，在中小型制造业和传统制造业的情境下，给出数字孪生的数据采集和建模方法。最后，通过具体制造业情境下的案例进行检验，讨论基于数字孪生方法提升传统精益方法精确度和可行性的效果。 流程再造阶段的数字孪生工厂需要解决的关键问题，是结合价值流图等传统精益管理理论，构建在制造业情境下基于数字孪生的生产流程再造方法，以及设计能够提升传统流程再造精确度和可行性的数字孪生模型。 无论是重建工厂还是工厂改造，规划、生产控制和流程再造始终是制造企业全生命周期中最核心的、关联知识密度最大的三个阶段。只要做好了初期的工厂规划，解决生产控制优化的准确模型和时效性问题，以及流程再造阶段精益方法的精确度和可行性问题，将可以极大地降低企业生产线建设成本、节省工厂固定投资、加快产品投产和上线时间，并有助于企业生产线在未来运行的平衡和高效。 |
|
|
