基于數字孿生的產品全生命周期管理研究

摘要：數字孿生技術作為產線物理空間與虛擬空間的數據交互渠道，對于磁性材料的全生命周期管理有著重要的作用。對產品的全生命周期進行管理，設計產品全生命周期的數字孿生體架構；對全生命周期中的產品研發、產品生產過程、產品維護三大階段進行數字孿生建模，選取某公司磁性材料器件作為案例進行研究。研究表明：數字孿生體在產品的全生命周期中能夠及時預測并排故，優化調度生產過程，實現某公司永磁鐵氧體器件的高效率生產，也為其他領域的應用提供了參考。

關鍵詞：產品管理；數字孿生；全生命周期；永磁鐵氧體器件

中圖分類號：TB472文獻標志碼：B文章編號：1671-5276（2024）06-0098-05

Abstract：Digital twin technology， as a data exchange channel between physical and virtual spaces on production lines， plays an important role in the full lifecycle management of magnetic materials. For the management of the entire product lifecycle， this article designs a digital twin architecture for the entire product lifecycle， performs the digital twin modeling of the three stages of product research and development， product production process and product maintenance throughout the entire lifecycle， and selects the magnetic material devices of a company as a case study. The research shows that digital twins can promptly predict and eliminate faults throughout the entire product lifecycle， optimize production processes， and achieve efficient production of permanent magnet ferrite devices in a company， which provides reference for applications in other fields.

Keywords：product management; digital twin; full life cycle; permanent ferrite device

0引言

隨著新一代信息技術（如云計算、物聯網、區塊鏈和大數據分析等）與制造業的融合與落地，人類社會迎來了數字經濟時代，以數字孿生技術為主的信息技術正在推動傳統產業體系智能化變革。產品全生命周期的數字孿生技術中，全業務過程的建模和分類是其重點與難點。

數字孿生技術是實現智能制造的關鍵手段，目前國內外學者和實踐者主要從工業物聯網、數字虛擬車間建模、車間數據集成以及產品全生命周期管理（product lifecycle management， PLM）等方面展開研究。ZHANG等［1］提出了數字孿生在機器人裝配線平衡問題，可以實現建模與優化，通過與設備共聯建模，提高裝備效率和產品質量。BRENNER等［2］將視線投向了數字孿生技術在制造系統中的應用，提出了一系列有趣的想法和設想。亢宗楠等［3］指出數字孿生就是在一個設備或系統的基礎上，創造一個數字版的“克隆體”。陶飛等［4］首創了數碼孿生五維架構，并將其基本使能技術與相關技術框架進行系統化整合，為大規模衛星工程全生命周期信息管理提供了一種全新的方法，從而為數碼孿生技術打下了扎實的基石。陶劍等［5］利用數據孿生技術，建立了復雜產品生命周期經營流程的模型，并進行動態分析和評價，實現了數據孿生空間與實際生產空間之間的虛擬映射及產品規劃、定義、模擬和分析等功能驗證與確認的業務閉環。

從研究現狀可以看出，目前產品全生命周期數字孿生技術雖然取得了一些成果，但是仍處于探索階段。鑒于此，本文從產品全生命周期的研發、制造和維護3個階段出發，設計基于數字孿生的產品生產全生命周期技術架構，包含各階段的模型及算法，以某公司為落地的實際案例對整個技術架構進行驗證。

1基于數字孿生的產品全生命周期技術架構

1.1產品全生命周期上的數字孿生體

在實際生產過程中，從全生命周期的各個角度出發，各階段都需要設計數字孿生體與物理實體交互，在覆蓋完整個生產生命周期后，各個階段設計的數字孿生體彼此交互，從而構建出一個完整的全生命周期數字孿生體。數字孿生體大體上分為3個階段。第1階段為前期階段，能夠在虛擬環境中構建模型達到擬實效果；第2階段為中期階段，通過數據采集在虛擬環境中反映出物理環境的實際生產過程；第3階段為后期階段，能夠達到對整個物理環境中的生產全過程進行預測預警的真實效果。設計出的數字孿生體如圖1所示。

1.2產品研發過程

本文從版本控制、協同設計、集體決策、設計評審、關聯清單和數字樣機這6個方面研究數字孿生體的運用方式。

在產品研發階段結束后，數字孿生體已具備較完整的模型，能夠進行較為復雜的分析，并且起到了生產引領的作用，后續的生產和服務工作將依照數字孿生體的相關規劃路線進行，如圖2所示。

1.3生產制造過程

在生產制造階段，根據實際生產中的實測數據，實現對產品質量、制造資源使用量、制造進度的智能預測與分析。本文對生產制造過程中的數字孿生體構建從設備建模、工藝建模和生產線建模3個方面進行研究。

1）設備建模

本文使用了面向對象的建模方法，使用系統語言創建物理數據模式。按照模式原則，把設備類物理數據抽象成各個關聯模塊進行建模研究，主要包括：人事類、機械類、材料類、環境類和知識類。通過數據建模后，整個模型管理可整體研究，同時各個子模塊也可以進行獨立研究，可以提高數字孿生體中整個設備的精密性。設備類物理管理模型如圖3所示。

2）工藝建模

在數字孿生體中進行工藝建模可以集成共有過程資源環境負荷信息，實現設計與制造的融合；在工藝規劃時可以通過構建的數字孿生體分析產品加工狀態、加工良品率及環排信息，在大大提高產品良率的同時又利于生產工藝的綠色規劃。

產品的加工工藝過程在結構形態上可以表述為以各種類型的物料、能源、設備、工藝參數等作為輸入值，經過一系列的加工制造，消耗關聯資源，產生輸出部件和能量消耗并最終獲得需要的產品。通過3D-MAX渲染的工藝建模布局如圖4所示。

3）生產線建模

在數字孿生體中需要將前面的設備模型、工藝模型進行組合，構成完整的生產線模型，并通過數據映射反映生產過程的真實情況。

整個生產線的物理數據主要通過資源維、任務維和過程維這3個維度進行體現。資源維是基本的元件數據，其分為普通屬性和開拓屬性。任務維是與下達任務有關的數據，包含工作數據、作業環節、生產能力、效率和工作情況等。而過程維主要包含生產過程數據、加工流程信息和生產調度數據等。通過對生產線數據、信息的分析與研究，為生產線建模提供了依據，具體如圖5所示。

基于產品制造的生產過程，結合物理環境中生產線的3個維度數據，設計了生產線建模層面的數字孿生體映射架構，該架構能夠實現在生產線設計階段的仿真與實際運行過程中的虛實映射。

a）引用柔性生產線作為建?；A。柔性生產線是指滿足多品種小批量產品生產的一類生產線，符合現有大多數生產企業應用場景。

b）大數據分析中心為設計架構中的數據層與連接層，其主要任務是對生產的相關設備數據采集，然后將相關的數據傳遞至數字孿生體中。

c）數字孿生建模系統即設計架構中的服務層與虛擬層。通過建立高保真、全數字化數字孿生模型擬實物理環境中的生產線，對生產線全方位建模并開發相應系統，能夠反映對虛擬仿真環境、實時數據與物理設備的相融合。生產線數字孿生應用與生產線的建模布局如圖6所示。

1.4產品維護過程

產品的維護過程中仍需對產品的空間位置、使用環境、質量狀態和性能狀態等信息進行實時監測，并對產品性能、健康狀況、壽命期限等進行預測及分析，對產品質量問題進行預警。在制造出的產品發生相關故障或質量問題時，能夠反映產品相關狀態，并對其故障原因進行分析、維護和升級，再根據情況進行返修、報廢和更換，并生成相關分析記錄。產品維護階段的數字孿生體如圖7所示。

2應用案例

磁性材料的生產工藝為復合工藝模式，既有流程型工藝路徑，也有離散型工藝路徑，在生產制造產品類型中也具有代表意義。選取永磁鐵氧體這一磁性材料產品進行數字孿生全生命周期管理的案例分析。某公司永磁鐵氧體工藝流程如圖8所示。

本文以燒結工序為例，依托整套系統介紹孿生模型的建立及預測分析。具體模擬連續燒結的方法是以線型回歸算法為基礎，建立燒結過程和產出產品質量數據關聯預測模型；執行燒結工序之前，利用永磁鐵氧體的測試數據從歷史庫中匹配到與其最相似的產品，關聯出其在工藝設備加工過程的參數，并將這些過程參數值推送給車間人員，同時結合前面提到的預測模型計算出后續工序產出成品的質量指標。故通過事前分析的方式，系統可以為工藝人員的配方參數調優工作提供更為及時的參考。

燒結工序的建模及預測方式如下。

1）樣本準備

篩選出采集相對完整的生產和加工設備參數，進行數據過濾后，選取重要參數，如永磁鐵氧體器件尺寸、燒結爐溫度等用于模型訓練。

2）模型訓練

利用大數據平臺提供的Spark-MLlib算法庫，選擇采用Cart算法，隨機選取不低于總樣本數70%的樣本進行模型訓練，并將訓練合格的模型保存備用。算法步驟簡述如下。

Step1：輸入訓練數據集。

Step2：輸出回歸樹f（X）。

Step3：在訓練數據集所在的輸入空間中，采取遞歸將每個區域劃分為兩個子區域并決定每個子區域上的輸出值，構建二叉決策樹，選擇最優切分變量j與切分點s，求解

通過切分點s，對固定的切分變量j掃描切分點，選擇使式（1）達到最小值的一組最優解集（j，s）。

Step4：用選定的對劃分區域并決定相應的輸出值：

繼續對兩個子區域調用上兩個步驟，直至滿足停止條件。

Step5：將輸入空間劃分為M個區域R1，R2，…，RM，生成決策樹：

依托燒結工序，通過輸入幾類重要參數，經Cart算法求解后，輸出永磁鐵氧體器件經過燒結工序后的燒結品尺寸、燒結品厚度行數據。

3）模型評價

針對燒結工序各臺設備實時的生產數據和設備數據，利用訓練完成的預測模型，對當前工藝的永磁鐵氧體器件質量進行預測并輸出結果。

4）模型預測

將準備用于模型預測的數據封裝為一個Json數據包，并調用模型預測接口進行預測，所得預測結果通過RabbitMQ消息隊列發出，同時存入數據庫表，供數字孿生系統展示調用。

某公司整體的系統界面如圖9和圖10所示。

應用數字孿生體在物體對象的全生命周期中實現數據閉環并與物理對象進行雙向流動，在孿生數據及數字孿生體模型的驅動下，一是可以實現對某公司生產設備的健康管理，在設備發生故障前能夠及時預測并排故，保障其健康運行；二是通過設備建模、工藝建模和生產線建模，能夠合理地調度生產過程，從而減少設備的損耗時間，實現節能，降本增效；三是在新產品上線過程中，通過虛擬環境中的數字孿生體對新產品的各項性能進行仿真模擬，找到合適的產品參數比并進行大批量的研制，從而節約新產品研發過程中損耗的成本。

3結語

本文的主要研究工作為以下幾點：

1）從產品全生命周期的3個主要階段出發，重點分析了數字孿生體在產品的研發階段、生產制造階段和維護階段中的作用形式和模型架構；

2）以某公司永磁鐵氧體器件的實際案例對數字孿生產品全生命周期研究內容進行了驗證；

3）在孿生數據及數字孿生體模型驅動下，某公司永磁鐵氧體器件在其全生命周期中實現數據閉環并與物理對象進行雙向流動。

本文將所提出的產品全生命周期數字孿生體在磁性材料領域進行初步應用實踐，模型和理論等方面還需進一步豐富和完善。后續將進一步結合各生產企業實際需求，逐步完善模型及相關理論，并將產品全生命周期的數字孿生體在其他領域進行應用探索。

參考文獻：

［1］ ZHANG Z K，TANG Q H，LI Z X，et al. Modelling and optimisation of energy-efficient U-shaped robotic assembly line balancing problems［J］. International Journal of Production Research，2019，57（17）：5520-5537.

［2］ BRENNER B，HUMMEL V. Digital twin as enabler for an innovative digital shopfloor management system in the ESB logistics learning factory at Reutlingen - university［J］. Procedia Manufacturing，2017，9：198-205.

［3］ 亢宗楠，康獻民，李宏宇，等. 基于數字孿生的機電系統虛擬調試應用［J］. 機械制造與自動化，2022，51（2）：199-202.

［4］ 陶飛，劉蔚然，張萌，等. 數字孿生五維模型及十大領域應用［J］. 計算機集成制造系統，2019，25（1）：1-18.

［5］ 陶劍，戴永長，魏冉. 基于數字線索和數字孿生的生產生命周期研究［J］. 航空制造技術，2017，60（21）：26-31.

收稿日期：20230407

第一作者簡介：費凡（1992—），男，安徽馬鞍山人，工程師，博士，研究方向為智能制造技術應用，297501162@qq.com。

DOI：10.19344/j.cnki.issn1671-5276.2024.06.019