基于云平臺的數字孿生多適應裝配產線設計*

高 丹，朱 翔，韓永成，徐玉林，杜 宇

(1. 唐山工業職業技術學院，河北 唐山 063299；2. 武漢華中數控股份有限公司，武漢 430223；3. 大連大華中天科技有限公司，遼寧 大連 116000)

0 引言

當前，大規模個性化定制生產模式在制造業內處于標杠企業引領、全行業推動、生產制造全流程滲透階段[1]。2019年，離散制造企業中開展個性化定制的企業比例為8.1%[2]。基于互聯網平臺和智能工廠，開發以用戶為中心的個性化定制系統，構建企業內部研發、生產、物流等流程的集中管控和智能決策，實現企業內部與外部的供需動態平衡，是企業從傳統工業過渡到智能制造階段的重要標志[3-4]。依托智能化產線融入用戶定制化需求，通過數字孿生技術提升產線的適應性，在產品研發階段進行產線虛擬運行，確保排產中能準確按需生產定制化產品，精準達成個性化定制指標，是實現生產定制化的關鍵[5-6]。

數字孿生，最早是由Michael Grieves提出的。在數字虛擬空間建構與現實空間物理實體的形態、質地、行為動作等屬性精確映射的虛擬物體[7]。在三維虛擬空間內求得最優解，并驗證、調試虛擬產線工藝流程以獲得最佳設備利用率和產品質量。可以縮短產品研發時間、加速產品的迭代、降低產品成本，推動產品與生產工藝流程的不斷創新[8-9]。

劉建鑫[10]基于CPS環境下的制造單元，設計并開發了制造單元管控系統，實現了信息系統與物理環境的無關性。Tao F 等[11]通過工業數字化孿生技術研究，提出了一種關于產品設計、制造及服務的新方法，并通過三階段的應用實例驗證了方法的有效性。Fei T 等[12]基于數字孿生技術提出了數字孿生車間(DTW)，成功實現了虛擬系統與實際生產之間的通訊與協作。

上述研究成果僅針對數字孿生系統的某一方面進行研究，且過程中均存在人為因素的影響，導致制造過程無法實現高效、穩定及最優化。本文首先基于云計算、霧計算、邊緣計算及數字孿生等技術，建立具有智能計算分析及智能優化決策能力的智能終端；然后采用“云霧邊端”系統架構構建了復雜環境下人在回路的數據智能融合驅動系統，完成了數字孿生多適應裝配產線關鍵技術設計。

1 數字孿生多適應裝配產線的設計

1.1 產線組成及功能

智能工廠采用“一線四單元(產線單元、裝配單元、倉儲物流單元、中央控制單元)”的模式進行規劃設計，可完成多種復雜零件的自動組裝，實現智能化生產，具有高柔性及高擴展性的特點。

圖4 智能產線整體架構

圖1 智能產線布局圖

(1)產線單元

該單元主要由立式加工中心、數控斜床身車床、鉆攻中心、工業機器人、機器人導軌、清洗機、檢測設備、小立體倉、機器人快換夾具、NG流水線、單元倍速鏈、總控PLC、MES及其他相關智能軟件組成。能夠實現自動上下料、加工、清洗、檢測、排程下單等功能。

圖2 產線單元

(2)裝配單元

該單元主要由立體倉、AGV、環形線、視覺系統、打螺絲機、控制臺等組成。能夠實現物料的自動檢測、裝配等功能。

圖3 裝配單元

(3)倉儲物流單元

該單元主要由智能立體倉、AGV小車(含調度系統)、出料倍速鏈、移載機、RFID系統等組成。能夠實現物料的自動出入庫、自動運輸、智能追蹤等功能。

(4)中央控制單元

該單元主要由MES、總控PLC系統、大數據采集分析系統軟件、大數據平臺軟件、云數控系統平臺軟件、智能制造仿真系統軟件、機床健康保障軟件、加工工藝優化軟件、遠程監控及管理軟件等組成。能夠實現對智能工廠運行的控制、排產、監測、數據采集分析、定期維護等功能。

如圖4所示為智能產線整體架構，具體可劃分為：智能設備層、數據采集層、數據業務層、數據中心層、智能管理與決策運營層。其中，智能設備層與數據采集層構建了智能化生產協同柔性自動化產線。而智能展現與決策運營層構建了智能制造的管控平臺。產線全程自動上下料，各機械手均配備快換夾具，且分別裝有清洗及檢測等設備，實現加工過程的最大柔性化。

1.2 產線工藝流程

(1)智能工廠整體動作流程

首先在操作界面(MES)進行人工下發訂單，通過系統解析將任務指令發送給各設備；然后立體倉通過內部堆垛機將物料放置流水線并送至各產線單元(每個產線單元僅加工一種類型零件)。物料在產線單元內完成加工、清洗及檢測工序后形成零件進入NG線；最后利用AGV小車將NG線上的零件搬運至立體倉內或進入裝配區。

(2)產線單元工藝流程

圖5所示為產線單元工藝流程。由堆垛機從立體料倉中依次搬運不同的料盤出庫，通過AGV和機器人進入流水線，在對應點位RFID系統和掃描儀的識別下，機器人將抓取毛坯件放入對應機床進行加工，待加工結束放回料盤，并通過流水線分別進入清洗機清洗，利用CCD在線檢測系統檢測，將檢測合格的零件送入裝配臺進行裝配，裝配完成后，成品件被抓取進入AGV，由AGV搬運回到自動化立體倉庫。

1.3 建立數字孿生系統

數字孿生系統架構如圖6所示。首先利用設備三維模型建立虛擬產線，然后通過PLC將智能產線的實時數據存儲到數據庫并利用以太網發送至信號處理模塊進行分析。同時，料倉系統內部信號也通過采集系統傳至信號處理模塊。最后采用信息發送模塊把經過處理的信號發送至虛擬產線。將虛擬系統與數采系統(產線總控系統)及云數控系統相結合，模擬實際生產工藝的運行狀態，遠程仿真智能產線的實時運行狀況，并通過與數據倉庫進行數據交換，實現制造過程的可視化實時監控。物理設備與數字孿生模型如圖7所示。

圖5 工藝流程圖

圖6 數字孿生系統架構

(a) 物理設備 (b) 數字孿生模型圖7 物理設備與數字孿生模型

2 數字孿生多適應裝配產線關鍵技術

2.1 云平臺網絡構建關鍵技術

基于數字孿生系統對霧制造體系網絡架構進行設計，霧結構，使基礎結構能夠從過去的歷史數據中學習，實現對當前生產過程的實時控制，并推斷未來生產運行所需的生產參數。操作員可以在系統上，以非常接近于實際工廠的運行模式模擬過程參數的變化，不會影響產品質量、損壞生產設備或造成不安全的工況。使用云平臺報告狀態、接收命令或更新，成功構建網絡體系架構，建立更卓越的控制系統。

(1)物理設備層

物理設備層(圖8)將系統中的各種傳感器信號接入到以太網、PROFINET等工業網絡。現場管理人員與計算中心、生產設備和周圍環境實現閉合回路，形成人、機、物的全面互聯，為構建系統的數字孿生模型及智能分析決策系統提供相關數據。

(2)產線孿生模型層

產線孿生模型層(圖9)為數字孿生智能裝配產線的信息載體，是構建數字孿生智能裝配產線的數據基礎，構建重點是產線信息模型和物聯感知。

(3)邊緣節點群層

系統邊緣節點分布在管理不同清洗、加工、裝配、存儲等工序的數字孿生對象模型中，分別形成清洗生產工序、加工生產工序、裝配生產工序、存儲生產工序、機器設備性能及機器設備故障的孿生邊緣節點群(圖10)。

圖8 物理設備層

圖9 產線孿生模型層

圖10 邊緣節點群層

(4)霧節點群層

如圖11所示，系統主要包含低層霧節點群、高層次霧節點群兩種。設定一個生產任務中每個小的生產過程對應一個霧節點，低層霧節點群即由計算機通過可視化監視生產流水線程序動作過程中每個工序機器的狀態，與多個生產任務邊緣節點，形成一個生產任務的數字孿生對象的霧節點群；高層次霧節點群為生產決策網絡，實現生產參數的動態調整、生產計劃的修改、訂購供應的數據。通過霧節點的層次結構，可以管理系統中多種需求，將負載分配給未充分利用的設備。

(5)云平臺層

云平臺負責各類結構化和非結構化數據資源的清洗、轉換、處理、存儲和融合，以及物聯網感知數據的整合和統一。同時利用已融合大數據、人工智能等技術的仿真云平臺，通過友好的界面接口，基于高性能“計算力”，實現云平臺用戶訂單、產品等各種海量數據的存儲。如圖12所示。系統的整體網絡架構見圖13。

圖11 霧節點群層

圖12 云平臺層

圖13 系統的整體網絡架構

2.2 構建深度學習云決策平臺

云平臺可根據傳感器數據和數字孿生軟件生成的實時數據，對設備的運行狀態進行監測；利用歷史數據對神經網絡進行訓練，實現對故障和設備狀態的準確預測；同時采用數字孿生進行決策虛擬仿真，根據仿真結果進行優化，使云平臺具有深度學習智能決策的能力。

本文采用改進式卷積算法，在原始的卷積神經網絡(GNN)的基礎上加以優化，將設備當前工作狀態設為輸入，輸出故障發生概率，最終根據輸出結果得到智能決策。深度學習云決策及改進卷積神經網絡算法流程圖如圖14所示。

如式(1)所示，將卷積層數據進行批量歸一化，使數據實現均值為0，方差為1的標準化。

(1)

然后對式(1)進行反變換，可以得到：

(2)

式中，γ和β為進行學習的過程變量，y(k)為最終值。批歸一化對數據進行訓練，加快訓練速度，提高系統的穩定性，改進卷積神經網絡算法流程圖如圖14b所示。

傳統梯度下降法對m個樣本設損失度函數為均方誤差：

(3)

(4)

為了加快參數更新速率，本文采用隨機梯度下降算法。隨機選取一個樣本求取梯度，其參數更新公式為：

(5)

(a) 深度學習云決策 (b) 改進卷積神經網絡算法圖14 深度學習云決策及改進卷積神經網絡算法流程圖

2.3 智慧型大數據平臺的構建

平臺的數據來源主要包括自動采集的設備監測數據、視頻監控數據、產生的各類生產數據及虛擬系統資料數據等。平臺建設的主要任務為將以上各類數據通過采集、處理、分類存儲保存至大數據平臺，分別形成教學庫、監測庫、視頻庫、實訓生產庫、文件資料庫，基于以上數據庫建立大數據倉庫，并通過大數據計算、大數據分析、深度挖掘等技術，形成三個主題挖掘應用：規律性數據，特征性數據，關聯性數據。實現離散的數據整合，形成大數據，提供實訓基地內部使用的數據采集、數據處理、監測管理、預測管理、應急指揮、可視化等大數據應用模塊功能。

3 多適應裝配產線控制系統設計

多適應裝配產線控制系統采用霧計算，是面向一條或多條智能產線的控制系統。系統可分布式部署在多個節點協同運行。它具有模塊化、可配置和開放性的特點，面向不同的應用場景，通過對工藝、刀具、產線等靈活配置可適應大部分機加產線。

如圖15所示為控制系統總體框架圖。該控制系統包括對立體料倉、RFID系統、AGV小車、上下料機器人、數控機床、清洗裝置、在線質檢等設備的數據采集功能，訂單管理功能，生產排產功能，生產調度功能以及生產統計分析功能。由控制系統實現生產、物料、設備、質量、工藝、資源和人員之間的數據及實體交互，構建完整的實體工廠運作流程。如圖16所示，為實際產線在線控制系統。

圖15 控制系統框架圖

圖16 產線總控制系統

4 結論

本文為數字孿生多適應裝配產線設計構建了“云平臺+霧節點群”的霧制造網絡架構，以物理設備層、產線數字孿生模型層、邊緣節點群層、霧節點群層、云平臺等五層架構為基礎，建立了人、機、物的虛擬與現實數據融合的網絡平臺；同時，根據智能傳感器和數字孿生軟件得到的實時數據提出了改進式的深度學習云決策算法，實現了智能決策和動態優化。該系統已經投入到唐山市某公司進行實際應用，具有一定的推廣價值。