基于數字孿生的智能裝配車間管控模式*

郝 博，王明陽，王建新，徐東平，傅士栗

(1.東北大學機械工程與自動化學院，沈陽 110819； 2.東北大學秦皇島分校 控制工程學院，河北 秦皇島 066004)

0 引言

隨著物聯網、數字線程、智能傳感、信息物理融合等技術的快速發展以及人工智能技術與制造業的融合，掀起了以信息技術為核心的新時期技術革命，世界各國陸續出臺了各自的先進制造發展戰略[1]。如英國工業2050、美國“先進制造業”戰略、德國工業4.0戰略、中國制造2025，其目的都是借助新一代信息技術實現物理世界和信息世界的互聯互通以及智能化操作，進而實現智能制造[2]。

2003年Grieves教授在美國密歇根大學的產品全生命周期管理課程上最早提出了數字孿生的概念[3]，國內外學者在數字孿生驅動的產品優化設計、全生命周期管理、復雜系統控制等方面開展了大量研究[4]。目前比較認可的是由北京航空航天大學、北京理工大學等給出的定義：數字孿生是利用數字技術創建物理實體的虛擬模型，借助數據模擬物理實體在現實環境中的特征、行為、形成過程和性能，通過虛實交互反饋、數據融合分析、決策迭代優化、精準高效執行等手段擴展物理實體的能力[5-6]。

近幾年，數字孿生的概念炙手可熱。陶飛等[7-8]探索了數字孿生車間(Digital Twin Shop- floor, DTS)的概念，設計了DTS的組成與運行機制，闡述了實現DTS的4個特點和5大類關鍵技術，為數字孿生在生產制造環節落地應用提供了理論支撐；Behrang Ashtari Talkhestani等[9]提出基于模型融合的數字孿生建模方法，通過多種數理仿真模型的組合構建復雜的虛擬實體；鄭宇等[10]提出全參數數字孿生實現框架，基于數據采集、傳輸、處理、匹配等流程實現上層數字孿生應用。目前數字孿生技術已在我國飛機、航天器等領域得到一些應用，但是數字孿生技術仍處于探索階段，還存在許多丞待解決的問題。

本文針對目前飛機機翼裝配車間混流裝配、裝配精度和效率低等問題，提出基于數字孿生的智能裝配車間管控模式，在實現資源位置信息、裝配流程信息、裝配質量信息實時采集的基礎上，利用Euclidean距離算法、Markov方法、Manhattan距離算法等實現裝配車間資源優化調度、裝配流程和質量控制。最后，以某型號機翼裝配車間為例，對原型系統進行應用驗證，為實現復雜裝配車間實時、動態管控提供技術途徑。

1 基于數字孿生的智能裝配車間技術架構設計

基于數字孿生的智能裝配車間技術架構如圖1所示，有5個部分，即真實裝配車間、孿生裝配車間、裝配車間孿生數據、數據服務平臺、裝配車間管控系統。真實裝配車間指裝配物料、設備、人員、產品等組成的物理實體空間，是數字孿生體的載體。孿生裝配車間是物理實體在數字空間的映射，包含車間模型、工位模型、設備模型和規則等，是數字孿生體的動力。裝配車間孿生數據是真實裝配車間實測數據與孿生裝配車間仿真數據的集合，是數字孿生體的核心。數據服務平臺主要包括用于數據傳輸的現場總線、數據接口、智能網關以及用于信息處理的降噪算法程序，通過對真實裝配車間和孿生裝配車間的多源異構信息進行識別、處理，最終將實時的、有效的信息傳輸到數據庫，形成裝配車間孿生數據，是數字孿生體的引擎。裝配車間管控系統是指通過資源定位、物聯網、多維仿真等技術基于完整信息數據和明確機理對實時裝配狀態進行判斷、預測，是數字孿生體的大腦。

圖1 基于數字孿生的智能裝配車間技術架構

2 基于數字孿生的智能裝配車間組成

在基于數字孿生的智能裝配車間技術架構下，智能裝配車間主要包括物理車間、虛擬車間、孿生數據、裝配車間管控系統4部分，如圖2所示。

(1)物理車間：是生產車間裝配資源的集合，無論是后續數字孿生體的建模仿真，還是裝配狀態分析決策都要以物理車間為依據，否則，一切分析和判斷都是文不對本。

(2)虛擬車間：是依據裝配車間裝配資源建立的物理模型、行為規則等的集合，用多維虛擬模型來模擬真實的裝配車間，是數字孿生體的核心。

(3)孿生數據：主要包括物理車間實測數據和虛擬車間仿真數據，實測數據主要包括用無線射頻識別(Radio Frequency Identification，RFID)和超寬帶(Ultra Wide band，UWB)技術采集到的裝配資源位置數據、用物聯網螺絲刀和物聯網扳手等采集到的裝配質量數據、用電流監控標簽和振動監控標簽等采集到的設備狀態信息等。仿真數據主要包含虛擬車間通過Manhattan距離算法、Markov預測法、Euclidean距離算法等得到的仿真數據。

(4)裝配車間管控系統：是數字孿生體的大腦，通過AI監控平臺、物聯網平臺、上層企業級軟件等對孿生數據進行分析、判斷，從而實現對車間裝配流程、裝配質量、人員、設備等實時、動態管控。

圖2 基于數字孿生的智能裝配車間組成

3 基于數字孿生的智能裝配車間管控模式

裝配車間管控主要是指在裝配過程中準確掌握裝配資源的位置信息和工作狀態并根據耗時最短原則進行資源調配，確保在最短的時間內找到待命的裝配資源，提高資源利用率；準確掌握裝配流程數據的當前狀態并預測這些數據的未來狀態，根據預測結果調整裝配過程，避免錯裝、漏裝而導致返工；準確掌握實時的裝配質量數據，對不滿足裝配質量要求的零部件進行二次裝配，實時保障裝配質量，克服裝配質量監控滯后的問題。

Euclidean距離算法是最有效的距離度量算法之一，根據UWB檢測到的裝配資源和工位的位置坐標，用Euclidean距離算法計算裝配資源到工位的距離，從而衡量各裝配資源到裝配工位的實際路徑距離。根據各裝配資源到工位的距離由近至遠排序，生成裝配資源序列。電流監控標簽通過與耗電裝配資源串聯，可以實時檢測該設備占用狀態。由于裝配資源在使用時的振動信號強度明顯高于裝配資源在待命時的振動信號強度，因此，非耗電裝配資源通過安裝振動監控標簽可以對其占用狀態進行檢測。基于數字孿生的智能裝配車間資源調度流程如圖3所示，首先對距離最近的裝配資源進行占用狀態檢查，通過電流監控標簽、振動監控標簽檢測該裝配資源占用狀態，若該裝配資源正處于使用過程中，則從裝配資源序列中選取下一個裝配資源進行占用狀態檢測，直至找到未被占用裝配資源中距離最短的裝配資源，并給物理車間及時發送調用信號。

圖3 基于數字孿生的智能裝配車間資源調度流程

Markov預測模型主要用于分析離散隨機過程未來的變化趨勢，是具有無后效性的預測過程，即利用某一變量現在的狀態去預測其未來的狀態，且預測過程與之前的狀態無關，只與當前的狀態有關[11]。類似機翼這樣的裝備生產批量小，故可追溯的歷史裝配流程數據少，而且數字孿生技術的重要意義在于時效性，它就是對當前狀態進行分析并預測未來狀態。因此，使用對歷史裝配過程數據要求不高的Markov方法進行裝配狀態預測比較合適。

如圖4所示，在裝配車間，零部件需從各加工工位運輸至裝配工位進行裝配，因此，用UWB對各零部件以及裝配工位進行實時定位，通過各零部件的移動軌跡以及到達裝配工位的時間先后可以判斷裝配流程，在待裝配件到達裝配工位但未裝配時生成裝配序列，并將該裝配序列信息通過以太網接口傳輸到孿生車間。在孿生車間，用Markov方法根據當前的裝配序列預測未來裝配序列，并將預測結果傳輸給裝配車間管控系統。管控系統將預測的裝配序列與規范的裝配流程比對，并將決策反饋給真實裝配車間，若預測的裝配序列與規范的裝配流程相悖，則會對真實裝配車間進行預警，提醒裝配工人停工調整并注意下一階段操作規范。在產品裝配過程中反復執行上述管控流程，直至整個產品保質保量生產完成。

圖4 基于數字孿生的智能裝配車間裝配流程管控

Manhattan距離算法起源于城市區塊距離計算，可以非常簡便的計算兩點間的距離。在本研究中將Manhattan距離計算思想引入裝配質量計算中，可以高效且準確的計算出當前狀態的裝配質量是否滿足裝配質量要求。工人在進行裝配作業時，會有大量的螺釘、螺栓、鉚釘等連接件被用于連接兩個或多個零部件，在此過程中會產生大量的扭矩、拉力等裝配質量數據，而這些裝配質量數據直接決定產品的強度、使用壽命。根據連接件的直徑、材料以及被連接件的結構、材料等情況這些裝配質量數據應該被限制在一定的范圍內才能保障裝配質量，因此，在裝配過程中實時監控這些質量數據對提高產品質量和規范工人裝配行為具有重要意義。如圖5所示，首先，在真實裝配車間，給工人配置物聯網螺絲刀、物聯網扳手等智能工具，工人在裝配操作過程中這些智能工具會實時采集扭矩、拉力等質量數據，并將這些質量數據通過以太網接口傳輸到孿生車間。在孿生車間，用Manhattan距離算法計算實測質量數據與規范質量數據區間平均值的差值，并將該差值數據傳輸給裝配車間管控系統。管控系統將該差值與規范質量數據區間長度的一半進行比較，并將結果反饋給真實裝配車間，若該差值比規范質量數據區間長度的一半還大，說明該實測質量數據不在規范質量數據區間內，不滿足裝配質量要求，此時系統則會對真實裝配車間進行預警，提醒裝配工人對對應連接處進行二次裝配并注意下一階段操作規范。在裝配過程中實時監控裝配質量，反復執行上述質量管控流程，直至整個產品裝配完成。

圖5 基于數字孿生的智能裝配車間裝配質量管控

基于數字孿生的智能裝配車間采用“車間—工位—設備”三層管控模式，實現對生產過程、裝配流程、設備狀態的閉環控制如圖6所示。由于構建了基于實體物理車間的智能裝配車間，利用虛擬車間、孿生數據、裝配車間管控系統等通過“感知—分析—決策—執行”4個環節可真正實現虛實結合，以虛控實的效果，促進復雜裝備裝配車間智能化，解決裝配過程中資源利用率低、裝配流程和質量監控滯后等問題，實現裝配資源優化配置、裝配流程和質量的實時監測與控制。

圖6 基于數字孿生的智能裝配車間管控模式

本系統基于Microsoft.NET平臺和B/S架構，采用云定位服務作為系統的中樞，能夠根據負載情況來增減定位服務器的數量，防止漏定位和定位服務器資源浪費。采用工業環網集群式設備部署方法對電子標簽位置、資源分布、設備占用狀態、裝置質量數據等信息進行感知、采集，并通過用戶數據報協議(User Datagram Protocol，UDP)、ModBus協議等對數據進行封裝后發送給SQL SERVER數據庫，對以上數據信息進行存儲供孿生車間和裝配車間管控系統調用。首先，在車間，管控系統根據生產計劃、當前生產進度等通過孿生車間中物料消耗、資源位置、人員分布、設備占用狀態等進行生產調度仿真，最后根據孿生車間的仿真結果，選出最高效調度方式對儀器設備、人員、物流運輸車、工裝、檢測設備等裝配資源進行優化調度，有效提高資源利用率、增強資源協同性。其次，在工位，開發裝配流程管控算法和裝配質量管控算法，真實裝配車間根據裝配工藝手冊、裝配質量要求等對裝配流程信息以及裝配過程中產生的力、扭矩、位移等裝配質量信息進行采集。孿生車間對采集到的信息進行仿真、預測，并將結果傳輸給管控系統。管控系統將仿真、預測結果與裝配工藝文件、裝配質量要求進行比對，當不滿足裝配流程規范或不滿足裝配質量要求時，管控系統及時預警，并向物理車間發送調整命令，保證每一步裝配都滿足裝配要求。最后，利用光感監控標簽、電流監控標簽、振動監控標簽等對設備的運行狀態、運行過程中的電壓、電流、振動等信息進行感知和采集，為生產過程優化調度和保障裝配質量提供信息支撐。

4 智能裝配車間管控原型系統在某機翼裝配

車間實踐

提高裝配質量和裝配效率是提升生產能力的重要基礎，而數字化、智能化為提高裝配質量和效率提供有效途徑。在傳統裝配生產中，某飛機制造廠機翼裝配車間生產某型號機翼需要裝配1000余個零件，裝配工藝路線復雜多變、裝配流程可視化程度低、裝配流程和質量管控滯后且可追溯性差、裝配資源位置信息無法實時獲取導致資源利用率低。

為解決上述問題，提高裝配質量和效率，縮短生產周期，對某型號機翼裝配生產線進行智能化、數字化改造，開發智能裝配車間管控原型系統，通過數字孿生技術對裝配流程、裝配質量進行實時管控，實時顯示裝配資源位置信息，提高資源利用率，取得了較好的應用效果。

4.1 裝配資源實時定位及優化調度

機翼裝配車間裝配資源可分為物料、人員、運輸設備、工裝、工具等，物料包括肋板、梁、壁板、骨架、角排、連接件等；人員包括鉚工、鉗工、涂裝工、工藝員等；運輸設備包括托車、吊車、 AGV小車等；工裝包括裝配型架、接頭定位器、壓緊定位器等；工具包括風力鉆、打磨器、鉚槍、棘輪螺絲刀等。裝配資源位置信息的實時獲取對提高資源利用率、資源協同性具有重要意義。本原型系統采用綜合定位方案，即對物料、工裝、工具等不經常改變位置的裝配資源用RFID進行區域定位，對人員、運輸設備等頻繁改變位置且需要追蹤移動軌跡的裝配資源用UWB進行精確定位，保障裝配資源充分定位且避免定位設備浪費。如圖7所示，每個裝配資源安裝具有唯一標識的電子標簽，并將與電子標簽捆綁的裝配資源進行命名和編號。可視化界面左下角顯示有電子標簽的位置坐標，精度可達厘米級，從而可以獲知與之捆綁的裝配資源的位置信息，并且可以從可視化界面上看到各裝配資源的相對位置信息。

圖7 原型系統裝配資源定位調試界面

為了進一步闡述資源優化調度的實現方法，如表1所示，用UWB從機翼裝配車間眾多裝配資源中采集5輛拖車、3輛AGV小車以及裝配型架的位置坐標進行說明，其中裝配型架上安裝的標簽為普通定位標簽，僅實現定位功能，拖車上安裝的標簽為振動監控標簽，在實現定位的基礎上還可以檢測拖車上的振動信號，AGV小車上安裝的標簽為電流監控標簽，在實現定位的基礎上還可以采集AGV小車的電流信號。在采集之前對各裝配資源所安裝的電子標簽編號，將其依次標記為“資源序號1～資源序號9”。

表1 UWB采集裝配資源位置坐標

由于在機翼裝配車間，待裝配的零部件需要運送至裝配型架進行裝配，直至整個機翼裝配完成。因此，在資源調度時為了提高效率需要用Euclidean距離算法計算各裝配資源到裝配型架的距離，從而衡量實際路徑距離。用電流監控標簽、振動監控標簽分別檢測裝配資源的電流信號和振動信號，當檢測到電流信號或振動信號時則說明該裝配資源正在被占用，從而不能被調用，反正，說明該裝配資源處于待命狀態。Euclidean距離公式如下：

(1)

式中，(xi,yi)為裝配資源的位置坐標，(x0,y0)為裝配型架的位置坐標。

根據式(1)以及電流監控標簽和振動監控標簽采集的信號可得各拖車、AGV小車到裝配型架的距離和占用狀態，如表2所示。

表2 裝配資源到裝配型架距離及占用狀態

由Euclidean距離算法求得拖車、AGV小車到裝配型架的距離，根據各裝配資源到工位距離由近至遠原則排序，生成裝配資源序列{8,7,2,3,9,6,4,5}，然后按照裝配資源序列的順序進行占用狀態檢測，根據振動監控標簽、電流監控標簽采集到的信號可得序號為8的AGV小車2距離最近，但處于工作狀態，因此，AGV小車2不能被調用，需按照裝配資源序列繼續檢測下一裝配資源的占用狀態，直至找到序號為2的拖車1為止，此時拖車1為處于待命狀態中距離裝配型架最近的裝配資源，系統鎖定該裝配資源并以指令形式發送到真實裝配車間進行資源調度。

4.2 裝配流程實時管控

機翼裝配車間有嚴格的裝配工藝文件，但在實際生產過程中，由于生產條件有限、車間環境復雜、工人熟練度不同等因素影響，裝配過程往往未能按照裝配工藝文件實施，導致錯裝、漏裝、返工等問題，對產品質量、生產周期有較大影響。本原型系統對機翼生產過程中的典型組合件機翼前緣進行測試，實時監控其裝配流程，并根據實際情況做出相應分析和決策。如圖8所示，機翼前緣組合件作為機翼重要的部件之一，主要包括整流鋼板、前肋1、前肋2 、前肋3、前肋4、前肋5、前肋6、作動筒支架、作動筒、動筒密封罩等零件。根據裝配工藝文件，規范的裝配流程為：{1,2，(3,4,5,6)，7,9,8,10}或{1,2，(3,4,5,6)，7,9,10,8}等，其中(3,4,5,6)為前肋2、前肋3、前肋4和作動筒支架構成的骨架組件，作為部件進行機翼前緣裝配。為了便于裝配和保證裝配精度，前肋1、前肋5與整流鋼板連接處加工有圓孔，而與作動筒連接處加工有直槽口，前肋6在與作動筒連接端留有5 mm工藝余量。

圖8 機翼前緣組合件

為了進一步說明Markov方法在裝配流程管控上的作用，現以前肋1裝配完成，骨架組件已運輸至裝配工位且未裝配時的裝配狀態進行說明，即此時的裝配序列為{1,2，(3,4,5,6)}。假定在未來裝配過程中，裝配序列狀態以一定概率進行變化且改變情況不因時間不同而發生變化，則可得到模型的狀態轉移矩陣：

(2)

式中，E11=當前裝配裝配序列{1,2，(3,4,5,6)}轉變為{1,2，(3,4,5,6)，7}的頻數(P11)/裝配裝配序列為{1,2，(3,4,5,6)}的頻數(P1)。

用Markov過程在穩態條件下的解作為未來裝配序列的預測狀態，利用Markov穩態概率求解方法可以得到：

(3)

E11+E12+E13+E14=1

(4)

根據式(2)～式(4)，可求得穩態條件下的裝配序列預測結果，如表3所示。

表3 Markov方法預測的裝配序列結果

在這組裝配序列變化中存在{1,2，(3,4,5,6)}→{1,2，(3,4,5,6)，7}為正確的裝配流程導向，與規范的裝配流程相吻合，因此，此時可繼續執行裝配，即對運輸至裝配型架但未裝配的骨架組件進行裝配作業。反之，如果骨架組件裝配完成，工人誤以為接下來需要安裝前肋6而將前肋6運輸至裝配型架，此時產生的裝配序列為{1,2，(3,4,5,6)，8}，根據式(2)～式(4)預測的裝配序列中與規范裝配流程相吻合的概率為0，這說明{1,2，(3,4,5,6)，8}為錯誤的裝配流程導向，此時，管控系統及時向真實裝配車間發送停裝調整預警，避免因為錯裝、漏裝而導致返工，從而提高裝配質量和效率。

4.3 裝配質量實時管控

由于機翼裝配工藝路線和車間環境復雜、裝配操作需要在結構復雜的裝配型架上完成，因此，仍采用人工作業的方式進行裝配。工人在執行裝配操作過程中由于工人素質和經驗不同、工作疲勞等因素的影響可能導致裝配操作過程對零部件施加的扭矩、力、位移等未能達到裝配質量要求，從而影響機翼的強度、壽命、產品質量。通過給裝配工人配備物聯網螺絲刀、物聯網扳手等智能工具，可以實時采集裝配操作過程中產生的扭矩、力、個數等質量數據。

為了進一步說明Manhattan距離算法在裝配質量管控上的作用，以前肋6與作動筒和整流鋼板連接為例進行說明。前肋6與作動筒和整流鋼板連接時需要安裝4個強度6.8級的M12的普通螺栓且扭矩應該控制在58～78 N·m的范圍內，記為(a，b)。工人在使用物聯網扳手進行裝配作業時采集到4組力矩數據，這4組力矩數據來自于不同批次的機翼前緣裝配。根據采集時間的先后順序對這些數據進行編號，即采集序號1～采集序號16。如表4所示，由式(5)～式(7)計算絕對質量離差，即實時采集的質量數據與規范質量數據區間平均值的差值，并計算相對質量離差，即大于區間長度一半的絕對質量離差與規范質量數據區間平均值的比值。Manhattan距離公式、相對質量離差計算公式如下所示：

Δ=dist(X,Y)=|xi-x0|

(5)

(6)

{Δm∈Δ|Δm>(a+b)/2}

(7)

式中，xi為實測質量數據，x0為規范質量數據區間平均值，Δ表示絕對質量離差，δ表示相對質量離差，Δm表示大于區間長度一半的絕對質量離差，a和b分別表示規范質量數據區間上下限。

表4 實測質量數據的絕對、相對質量離差

根據連接件的直徑、材料以及被連接件的結構、材料等情況，前肋6與作動筒和整流鋼板連接時的扭矩應該控制在(58,78) N·m范圍內，此時，區間長度的一半為10 N·m，由表4可知序號為3、7、9、10的采集點計算得到的絕對離差大于10 N·m，則說明該處實測質量數據不在規范質量數據區間內，不滿足裝配質量要求，此時系統會向真實裝配車間發送預警信號，提醒工人對對應連接處進行二次裝配。相對質量離差用于衡量裝配操作過程的規范程度，例如序號為10的采集點的相對離差高達27.25%，說明裝配操作扭矩欠缺嚴重，裝配質量較差，工人以此為依據注意下一階段的操作規范。原型系統通過可視化界面對裝配質量進行實時管控，有利于解決產品生產過程中質量檢測滯后的問題，可規范工人操作和提高裝配質量。

5 結論

本文針對飛機機翼裝配車間生產過程中裝配工藝路線復雜多變、資源利用率低、裝配流程和質量監控滯后等問題，對復雜裝配車間管控進行相關研究，提出基于數字孿生的智能裝配車間虛實結合、以虛控實的管控模式，在實現資源位置信息、裝配流程信息、裝配質量信息實時采集的基礎上，利用Euclidean距離算法、Markov方法、Manhattan距離算法等實現裝配車間資源優化調度、裝配流程和質量控制，最終通過實例驗證得到了以下結論：①利用Euclidean距離算法計算各裝配到裝配工位的距離，并通過電流監控標簽和振動監控標簽檢測其占用狀態，可有效的找到處于待命狀態且距離裝配工位最近的裝配資源；②利用Markov方法可以通過當前的裝配序列預測未來裝配序列，并將預測得到的裝配序列與規范裝配序列比對，從而可以驗證當前裝配狀態的可行性，避免錯裝、漏裝而導致返工；③利用Manhattan距離算法可以計算絕對質量離差，即實時采集的質量數據與規范質量數據區間平均值的差值，通過絕對質量離差與規范質量數據區間長度一半比對，可驗證當前裝配質量是否滿足裝配質量要求，實時監測和控制裝配質量；④驗證了基于數字孿生的智能裝配車間管控模式的可行性，通過真實裝配車間、孿生裝配車間、裝配車間管控系統三者交互協作，能夠對裝配車間進行實時、動態管控，為復雜裝配車間管控提供一種新途徑。

本文提出了基于數字孿生的智能裝配車間管控模式，可以實現資源定位、優化調度、裝配流程和質量控制等，從而提高復雜裝配車間管控能力。但是，目前像飛機機翼這種復雜裝備產品裝配車間生產管控和裝配質量、流程控制仍處于探索階段，基于數字孿生的智能裝配車間管控模式作為一種管控新模式，還需要進一步研究和驗證。