基于神經網絡模型的數字孿生生產線管理研究

摘要：數字孿生技術可以為企業提供數據支持，加速新產品的開發和上市，提升企業的競爭力和市場占有率。對車間生產線進行建模和仿真，可以分析不同生產參數對生產效率和產量的影響，優化生產計劃和調度策略，提高生產線的運行效率和經濟性。該文結合神經網絡模型和數字孿生技術進行生產線管理，以期能夠有效降低生產線擾動的危害，提升企業的生產能力和競爭優勢。

關鍵詞：數字孿生；神經網絡；生產線管理

doi：10.3969/J.ISSN.1672-7274.2024.07.002

中圖分類號：TP 18 文獻標志碼：A 文章編碼：1672-7274（2024）07-000-03

Research on Digital Twin Production Line Management

Based on Neural Network Models

LING Yuzhi， YANG Haokun， ZHANG Dongliang

（CNOOC Information Technology Co.， Ltd. Shenzhen Branch， Shenzhen 518000， China）

Abstract： Digital twin technology can provide data support for enterprises， accelerate the development and launch of new products， and enhance their competitiveness and market share. Modeling and simulation of workshop production lines can analyze the impact of different production parameters on production efficiency and output， optimize production plans and scheduling strategies， and improve the operational efficiency and economy of production lines. The article combines neural network models and digital twin technology for production line management， aiming to effectively reduce the harm of production line disturbances， enhance the production capacity and competitive advantage of enterprises.

Keywords： digital twin; neural networks; production line management

1 研究背景

智能制造業的快速發展標志著制造業正向著更智能、更高效的方向邁進。它利用信息技術、自動化技術和智能化技術，提升生產效率、產品質量和生產靈活性。數字化轉型是智能制造的核心，其通過數字化工具和技術，實現生產數據的實時監控、分析和優化，從而提高生產效率和資源利用率。數字孿生將實體世界和虛擬世界相結合，通過數字化建模、仿真和數據分析，實現對物理系統的精確模擬和預測，從而優化生產過程，提高生產效率，降低成本和風險。數字孿生技術不僅可以幫助企業優化生產流程和產品設計，還可以在產品生命周期的各個階段提供數據支持，加速新產品的開發和上市，提升企業競爭力。因此，智能制造業的發展與數字孿生技術的應用密切相關，二者共同推動著制造業的數字化轉型和智能化升級[1]。

生產線擾動是制造業面臨的常見挑戰之一，它可能由于設備故障、原材料變化、人為操作等因素引起，對生產效率和產品質量造成不利影響。這種擾動可能導致生產延誤、產量下降、產品質量不穩定等問題，進而影響企業的競爭力和盈利能力。傳統的生產線管理往往依賴于人工經驗和規則制定，難以及時、準確地應對擾動帶來的挑戰。利用神經網絡模型和數字孿生技術進行生產線管理可以有效應對這些挑戰。神經網絡模型能夠通過對大量歷史數據的學習和訓練，發現生產線中的潛在規律和關聯，從而預測和識別可能出現的擾動情況。數字孿生技術可以建立生產線的數字化模型，并與實際生產線實時同步，通過模擬仿真和數據分析，快速發現和定位生產線中的問題和風險，提前采取相應的調整和優化措施。

2 生產線數字孿生模型研究

數字孿生技術是通過數字化建模和仿真，在虛擬環境中精確模擬實際車間的運行情況和生產過程。數字孿生技術不僅可以幫助識別潛在的擾動源，還可以評估不同擾動對生產線的影響程度，為制定應對策略提供數據支持。此外，數字孿生模型還可以用于模擬各種場景下的生產過程，評估不同調度方案或生產優化措施的效果，幫助優化生產線的運行方式，提高生產效率和產品質量。采用數字孿生對車間進行建模需要遵循一系列的步驟和思路。首先是收集車間相關數據，包括生產設備、工藝流程、物料流動、環境參數等。這些數據可以通過傳感器、監控系統、生產記錄等方式獲取。其次是對數據進行清洗、處理和整合，確保數據的準確性和完整性，為建模提供可靠的基礎。接著要選擇合適的建模方法和工具，例如物理建模、統計建模、機器學習等，根據車間特點和需求確定適用的建模技術。在建模過程中，需要考慮車間的各個方面，包括生產設備的運行狀態、工藝流程的執行情況、物料的運輸路徑等，以全面模擬車間的運行情況。建模過程中還需考慮時間、空間和資源等因素，確保模型能夠準確反映實際車間的運行狀態。建立數字孿生模型后，就可以進行模擬和仿真實驗，對不同情況下的生產過程進行模擬，評估生產線的穩定性和效率。通過模擬實驗，可以發現潛在的問題和風險，優化生產過程和調整生產策略，提高生產效率和產品質量。最后，持續更新和優化數字孿生模型。根據實際生產數據和反饋信息，不斷完善模型的準確性和可靠性，保持模型與實際車間的一致性[2]。

本文采用Modelica對車間生產線進行建模。Modelica是一種用于建立動態系統模型的開放式、面向對象的建模語言。使用Modelica可以對車間生產線進行建模，從而進行仿真和分析。對生產線進行建模的部分代碼如下所示。

within ModelicaByExample.Components;

package WorkshopExample

// 定義車間生產線模型

model Workshop

// 參數定義

parameter Real capacity = 100 "車間生產能力";

// 輸入定義

input Real demand "需求量";

// 輸出定義

output Real production "實際生產量";

// 定義傳送帶模型

Modelica.Blocks.Sources.SineWave sineWave（amplitude=1， freqHz=0.1）;

Modelica.Blocks.Continuous.Integrator integrator（k=1）;

// 定義機器1模型

Modelica.Blocks.Sources.SineWave sineWave1（amplitude=1， freqHz=0.1）;

Modelica.Blocks.Continuous.Integrator integrator1（k=1）;

// 定義機器2模型

Modelica.Blocks.Sources.SineWave sineWave2（amplitude=1， freqHz=0.1）;

Modelica.Blocks.Continuous.Integrator integrator2（k=1）;

equation

// 生產量等于生產能力和需求量中較小的一個

production = min（capacity， demand）;

// 傳送帶模型方程

connect（sineWave.y， integrator.u）;

connect（integrator.y， integrator1.u）;

// 機器1模型方程

connect（sineWave1.y， integrator1.u）;

connect（integrator1.y， integrator2.u）;

3 基于神經網絡模型的生產線擾動識

別算法研究

在構建生產線擾動識別算法時，可以根據對生產線擾動各項因素的分析，構建特征庫，見圖1。

圖1 生產線擾動特征集

在此基礎上，可基于卷積神經網絡，構建生產線擾動識別算法。卷積神經網絡的核心思想是通過卷積層和池化層來提取圖像中的特征，并通過全連接層進行分類或回歸。在卷積層中，通過卷積操作對輸入圖像進行特征提取，利用卷積核與輸入圖像進行逐點相乘和求和操作，可得到特征圖。而池化層則通過對特征圖進行降采樣，減少參數數量，提高模型的穩定性和泛化能力，見圖2。

在對車間運行數據進行批量采集后，首先需要進行預處理，包括數據清洗、去除異常值、填充缺失值等操作，以確保數據質量和完整性。隨后，針對車間生產過程中的各種參數和指標，可以進行特征提取，將原始數據轉換為具有代表性的特征向量。接下來，可利用這些特征數據建立車間的數字孿生模型。數字孿生模型是對實際車間運行情況的數字化仿真模型。在建立數字孿生模型時，需要考慮車間的各種參數和指標，將其納入模型中，并進行有效的建模和描述。對數字孿生模型的特征進行提取，可以得到車間的擾動特征[3]。

為驗證該算法的有效性，本文構建了驗證方案，具體如圖3所示。

圖3 車間擾動識別驗證方案

如圖3所示，首先，搭建擾動識別實驗平臺需要準備相應的傳感器和數據采集設備，以采集刀加工過程中三坐標軸的力和振動信號。其次，針對采集到的生產線加工數據，進行狀態特征提取。例如，可以計算力和振動信號的均值、方差、頻譜分布等統計特征，或者通過時域和頻域分析提取更復雜的特征。這些特征將構建成特征矩陣，作為輸入數據供后續的擾動識別模型使用。再次，將提取的狀態特征輸入到卷積神經網絡中進行擾動識別。最后，根據擾動識別的結果，對車間數字孿生模型進行更新和優化。這包括更新模型中的參數和狀態信息，以反映生產線實際運行過程中的變化和擾動情況。通過不斷更新數字孿生模型，提高模型的準確性和適應性，為車間的實時監控和管理提供更可靠的支持。以后面刀溫度計算模型為例，其預測效果以及數字孿生模型的建模效果如圖4所示。

圖4 識別效果

4 結束語

搭建擾動識別實驗平臺，采集生產線加工過程中的數據，進行狀態特征提取，然后利用卷積神經網絡模型進行擾動識別，并根據識別結果更新車間數字孿生模型，可以實現對車間生產過程的智能化監控和管理，提高生產效率和運行穩定性。

參考文獻

[1] 張穎偉，高鴻瑞，張鼎森．基于多智能體的數字孿生及其在工業中應用的綜述[J]．控制與決策，2023，38（8）：2168-2182．

[2] 杜曉東，曾四鳴，劉科研．基于云模型的配電網運行畫像數字孿生構建方法[J]．電力系統保護與控制，2022，1（50）：78-83．

[3] 成珂陽，李琦．深度學習用于連續太赫茲同軸數字全息重建[J]．中國激光，2023，50（17）：89-92．

作者簡介：凌宇志（1993—），男，漢族，廣東湛江人，中級工程師，本科，研究方向為三維數字孿生。

楊昊坤（1996—），男，漢族，湖北武漢人，中級工程師，碩士研究生，研究方向為三維數字孿生。

張棟梁（1997—），男，漢族，湖北黃石人，中級工程師，本科，研究方向為三維數字孿生。