|
智能制造是新質生產力形成和發展的重要驅動力，是工業 4.0/5.0 的核心，以及推動實現高效、靈活、綠色、智能的生產方式。數字孿生技術作為智能制造的關鍵技術之一，通過構建物理設備與虛擬模型之間的實時映射和同步，為制造業的智能化、高效化提供有力支持，推動制造業的轉型升級。 智能制造數字孿生是在現代傳感技術、網絡技術、自動化技術、擬人化智能技術等技術的基礎上，通過智能化的感知、人機交互、決策和執行技術，對產品、制造過程或整個工廠進行虛擬仿真，實現設計過程、制造過程、管理過程和制造裝備智能化，提高制造企業產品研發、制造和管理效率，是信息技術、智能技術與裝備制造技術的深度融合與集成。例如，在產品設計方面，通過數字孿生構建產品虛擬模型，進行產品性能仿真和優化設計，提高產品設計質量和效率 ；在生產制造方面，實時監控生產過程，預測設備故障，優化生產流程，降低生產成本 ；在供應鏈管理方面，基于數字孿生實現供應鏈數據的集成和共享，優化資源配置，提高供應鏈協同效率。 本文首先介紹了智能制造數字孿生概念模型和技術框架；其次，闡述了智能制造數字孿生關鍵技術，最后，對未來技術發展進行展望。 1 智能制造數字孿生概念模型 1.1 概念模型要求 智能制造數字孿生概念模型 ( 以下簡稱“概念模型”) 是在數字空間實現物理實體及過程的屬性、方法、行為等特性的數字化建模，是對實體對象外部形態、內部機理和運行關系等的整體抽象描述。概念模型主要應滿足如下要求 ： (1) 持續迭代更新。在生產過程中，各類生產數據實時變化，概念模型應能根據物理實體的運行狀態和反饋信息持續更新迭代，保持與物理實體的同步。 (2) 虛實交互映射。支持虛擬空間與物理空間的交互，虛擬空間既能實時反映制造過程物理空間狀態，更應能通過數據融合、分析、優化、控制物理空間的運行。 (3) 多源數據驅動。制造過程涉及數據類型眾多，應能融合多源異構數據，包括實時傳感器數據和歷史數據，以提高概念模型的準確性。 (4) 自適應參數調整。概念模型能根據不同應用場景支持自適應調整參數設置，以提高概念模型在不同環境下的適用性。 (5) 迭代優化決策。結合虛擬仿真與數據分析，支持迭代優化決策，輔助實現生產系統的智能化。 1.2 概念模型架構 本文提出由物理實體、服務實體、數字孿生實體、數據實體和各部分間的連接實體組成的五維數字孿生模型。基于文獻，針對智能制造領域特點，提出如圖 1 所示概念模型架構。 圖 1？ 智能制造數字孿生概念模型架構 (1) 物理實體 物理實體是基礎，對智能制造的每一個數字孿生應用場景，可以進一步劃分單元級、系統級和復雜系統級等不同粒度層次。例如，整個智能工廠的數字孿生，車間生產線可作為單元級，生產線所在車間可作為系統級，而整個工廠則作為復雜系統級。如果以車間為數字孿生對象，則可將構成生產線的設備作為單元級，實現單個設備的監測、故障預測和預警以及維護；生產線作為系統級，對生產進行調度、進度控制和產品質量控制；整個車間則作為復雜系統級，對整個車間生產運行進行監測與調度優化。 (2) 數字孿生實體 數字孿生實體根據物理實體的不同層次和特點，從不同時間和空間尺度對物理實體進行描述，包括幾何模型、物理模型、規則模型和行為模型等，支持產品數字孿生、生產數字孿生、設備數字孿生，貫穿整個智能制造產品生命周期管理價值鏈。 幾何模型描述物理實體如工廠、車間、生產線、設備或設備元器件等的形狀、尺寸、位置、空間布局或裝配關系等，一般具有時空一致性，常用軟件工具通過三維建模方式創建。 物理模型在幾何模型基礎上增加物理實體的物理屬性、約束和特征等，如結構、流體、電場、磁場建模仿真等，可從微觀和宏觀等不同尺度通過一些工具軟件進行數學近似模擬和刻畫。 行為模型描述不同層次、不同時空下物理實體在內外部不同作用因素和作用機制下的行為和行為演化，是一個復雜的過程，可采用馬爾可夫鏈、有限狀態機等進行描述。 規則模型描述領域、準則、知識和經驗，例如設備操作規程、設備調優參數、生產線運行管理規則、物料投放標準等，隨著規則的增加和演化，使數字孿生實體逐漸形成實時判斷、自優化、自校正和預測等能力，對物理實體進行控制和運行指導。規則模型可以通過整合現有知識庫，并結合機器學習技術來發掘新的規則，從而構建和完善。通過虛擬現實 (VR) 和增強現實 (AR) 等技術對幾何模型、物理模型、行為模型和規則模型等進行集成、融合和一致性校核，并與物理實體虛實疊加及融合顯示，提高數字孿生體的真實性、沉浸性和交互性。 (3) 服務實體 服務實體對數據、模型、算法等進行服務化封裝，為數字孿生實現提供服務支持。根據服務類型，可分為數據服務、仿真服務、業務服務等。數據服務包括數據采集、存儲、清洗、關聯、融合、挖掘、接入、訪問等各類數據管理、處理與訪問服務 ；仿真服務包括建模仿真、仿真模型組裝、仿真模型融合、仿真模型管理等。業務服務對數字孿生應用過程中面向不同制造領域、不同層次用戶滿足各類制造業務需求的服務進行封裝，以各類軟件形式存在，包括面向現場操作人員的服務、面向管理決策人員的服務等，按需使用、靈活組合，實現各類制造業務能力。 (4) 數據實體 數據實體集成融合信息數據、物理數據，滿足信息空間與物理空間的一致性需求，為智能制造數字孿生提供全要素、全流程和全業務的數據支持。物理數據包括反映各類物理實體規格、功能、性能、關系等的靜態屬性數據與反映物理實體運行狀況、性能、環境參數等的動態過程數據，這些數據通過預設的標準值和各類傳感器采集的數據進行設定和獲取。 信息數據包括數字孿生模型數據、知識數據、生產制造業務數據等。模型數據反映數字孿生實體幾何模型、物理模型、行為模型和規則模型等孿生模型數 ；知識數據包括各類制造業務標準與規則、生產知識、專家知識等 ；生產制造業務數據包括生產管理、產品管理、物料管理、調度管理、企業管理等數據。 (5) 連接實體 連接實體實現物理實體、數字孿生實體、服務實體以及數據實體之間的普適化工業互聯，支持虛實實時互聯與融合。通過各種傳感器、嵌入式系統等對物理實體數據進行實時采集并傳輸到孿生數據實體，經過孿生數據實體處理后的通過相應的協議傳輸反饋給物理實體，實現物理實體的運行優化。物理實體實時數據通過協議傳輸到數字孿生實體，進行數字孿生模型的虛實一致性校正，數字孿生實體仿真分析等數據轉化為控制指令傳輸到物理實體，對物理實體進行實時交互控制。物理實體、數字孿生實體和數據實體與服務實體實時連接，進行數據、模型、業務服務的實時訪問與優化。 1.3 概念模型準確性和可靠性 概念模型的準確性和可靠性是數字孿生技術應用于智能制造的關鍵。可通過如下手段保障概念模型的準確性和可靠性。 (1) 數據融合。集成不同來源數據，通過時空對齊、格式對齊等數據融合的方式，提高數據的準確性和一致性。 (2) 精確建模。采用精確數學模型和算法，模擬物理實體的行為，使概念模型能夠準確反映物理實體的特性。 (3) 概念模型校準。對數字孿生實體和物理實體進行數據同步性和一致性檢查，確保數據同步和一致。 (4) 閉環反饋。比較數字孿生模型的輸出與物理實體的實際性能差異，向模型依據差異情況進行模型調整，建立模型與物理實體的閉環反饋機制。 (5) 概念模型持續自學習和優化。通過人工智能等技術，進行概念模型持續自調整和自優化，持續提高模型預測和分析能力。 (6) 概念模型測試和驗證。進行不同場景下概念模型準確性和可靠性測試和驗證。 (7) 安全性保護。確保概念模型數據安全，防止數據泄露和篡改。 2 智能制造數字孿生技術架構 智能制造數字孿生技術架構描述了智能制造數字孿生概念模型不同實體之間交互的技術實現結構。如圖 2 所示，物理層涉及制造領域人員、設備、物料、工藝、環境等生產要素。不同制造領域的物理實體有所不同。例如，鋼鐵冶煉加工企業，物理實體有冶煉高爐、礦石、鑄件、冶煉控制系統等 ；船舶制造企業，物理實體有船舶原型、船舶部件、待修船舶等。 圖 2 智能制造數字孿生技術架構 感知傳輸層提供物理層不同層次之間的互通。數據層包括物理實體的各類靜態和動態數字化信息。 模型層和服務層為應用層提供各類服務，包括模型服務、數據服務、仿真服務和業務服務等。應用層利用上述各層能力，靈活構建智能制造不同領域、不同粒度的數字孿生實體，例如生產過程數字孿生、設備數字孿生、工藝優化數字孿生等，覆蓋產品生命周期管理全價值鏈和制造全流程鏈。 3 智能制造數字孿生關鍵技術 3.1 數字孿生建模技術 建模根據被仿真對象或系統的構成要素、運動規律、約束條件和物理特性等，建立形式化的與物理實體相對應的虛擬數字孿生實體模型，反映物理實體的外觀、內部的特性、結構和行為。具體在智能制造領域，建模技術是針對制造中的載體 ( 如數控機床 )、制造過程 ( 如加工過程中的熱、力等 ) 和被加工對象 ( 如被制造的飛機 ) 等，應用機械、物理、力學、計算機和數學等知識，對建模對象的一種近似表達。 數字孿生實體模型在范圍上，有全局結構模型( 例如工廠全生產線 )、局部結構模型 ( 如某一車間生產裝置 )、產品結構模型和生產計劃調度模型等 ；在方法上，有數學解析模型 ( 如狀態空間模型 )、圖示—解合模型 ( 如 Petri 網模型 ) 等 ；在功能上，有結構描述模型、系統分析模型、系統設計實施模型和系統運行管理模型等。 建模的主要過程包括制造數據采集與集成、模型創建、實時數據同步、閉環反饋和持續學習、可視化用戶交互和數據安全保護等。 (1) 數據集成與融合 集成多個來源的數據，包括各類傳感器數據、生產數據、設計數據、操作數據、原材料數據等。通過時空對齊、格式對齊、語義對齊、數據清洗、誤差矯正等進行集成和融合，確保不同來源數據基于統一基準。 (2) 數字孿生實體模型創建 基于集成后的融合數據，構建物理實體的數字表示，即數字孿生實體模型。數字孿生實體模型的創建涉及到多種建模技術，包括幾何建模、物理建模、行為建模等，使模型能夠真實地反物理實體的各個方面。常用的建模技術主要有多尺度建模、多物理場建模、有限元分析 (FEA)、計算流體動力學(CFD)、數據驅動建模、蒙特卡洛模擬和模型降階等。多尺度建模可以同時用于模擬物理實體的整體行為和局部細節，可處理從宏觀的系統級到微觀的組件級不同尺度問題 ；多物理場建模能夠模擬多個物理過程如流體力學、熱力學和電磁學等的模型，能夠更準確反映物理實體行為 ；計算流體動力學(CFD) 可以用于模擬物理實體周圍的流體環境，如氣流、水流等 ；有限元分析作為一種求解偏微分方程的數值方法，可以用于模擬和分析模型中物理實體的應力、應變、溫度分布等 ；蒙特卡洛模擬通過隨機抽樣和統計計算來模擬物理實體的行為，可以用于模擬不確定性和風險，是一種基于概率和統計理論的建模方法 ；數據驅動方法采用機器學習等對物理數據進行分析，學習和發現物理實體的行為規律，進行物理實體行為預測和優化。 在智能制造的許多場景中，對實時性有很高的要求，同時計算資源受限，通過模型降階，降低模型復雜度，保留模型的主要特征，減少模型參數和計算量，提高模型的計算效率。實時性在不同的智能制造場景有不同的需求，應在需求與效能、代價之間取得平衡。 (3) 實時數據同步 通過高效的數據采集、傳輸和處理，進行數字孿生實體與物理實體的數據同步。通過高效的傳感器技術、實時數據傳輸協議，以及云計算或邊緣計算資源進行大量數據的預處理，提升數據傳輸效率。 (4) 閉環反饋和持續學習 通過閉環反饋機制，使模型輸出用于指導物理實體的操作，實體反饋用于更新模型，通過機器學習等技術實現模型的持續學習和優化。 (5) 可視化用戶交互 使用戶能夠輕松與數字孿生模型交互，并理解模型的輸出。通過 VR 和 AR 等技術來提高用戶體驗，提供直觀的用戶界面和可視化工具。 (6) 安全性和隱私 通過加密技術和訪問控制等來保護數據和模型。 3.2 數字孿生仿真技術 數字孿生仿真技術是建模的延續。創建和運行數字孿生實體，在虛擬實體環境中模擬和分析物理實體的行為，保證數字孿生體與對應物理實體實現有效閉環。智能制造領域的仿真技術主要有： 產品仿真：如系統仿真、多體仿真、物理場仿真、虛擬實驗等 ； 制造仿真 ：如工藝仿真、裝配仿真、數控加工仿真等 ； 生產仿真：離散制造工廠仿真、流程制造仿真等。 數字孿生的仿真程度是智能制造數字孿生成功的關鍵。制造產品的每個物理特性都有自己的特定模型，如結構動力學模型、熱力學模型、應力分析模型、疲勞損傷模型和材料狀態演化模型等。基于多物理集成模型的仿真技術可以將這些基于不同物理特性的模型關聯在一起，更準確地反映物理實體在真實環境中的狀態和行為，使虛擬產品取代物理原型成為可能。通過一些多物理場仿真軟件，如ANSYS、COMSOL Multiphysics 等， 可 以模擬多個物理領域，創建復雜的數字孿生模型，模擬熱力學、流體力學、電磁學等多個物理過程。 為了使數字孿生實體能夠真實地反映物理實體的行為，準確性至關重要。通常涉及復雜的數學模型和算法，以確保數字孿生實體能夠準確地預測和模擬物理實體的性能。 數字孿生仿真不僅用于模擬物理實體的當前狀態，還用于預測未來的行為和性能，進行參數優化和敏感性分析，找出影響物理實體性能的關鍵參數，并優化這些參數以提高性能。 通過如 Unity、Unreal Engine 等 VR 和 AR 工具，創建交互式的數字孿生仿真實體，提供沉浸式的用戶體驗。 3.3 數據分析技術 數據分析技術是實現對數字孿生實體數據進行深度挖掘和分析的關鍵技術，通過數據分析，提取有價值的信息，以進行決策制定和物理實體運行控制和優化，如運行參數的調整、故障預測和預防、性能優化等。 以機器學習和深度學習為代表的人工智能技術，是數字孿生數據分析技術的重要方向，可以提升數字孿生實體的智能水平、預測能力和自主決策能力，在智能制造數字孿生領域廣泛應用。 (1) 數據驅動的建模與學習。使用機器學習算法來分析數字孿生產生的大量數據，從而發現隱藏的模式和關聯。這些算法可以幫助改進數字孿生實體的準確性，并預測未來的行為。 (2) 特征提取。通過深度學習技術提取無法通過傳統的物理模型來捕捉的復雜系統特征，提高數字孿生實體的泛化能力。 (3) 優化控制。通過強化學習技術，訓練數字孿生實體的優化控制能力，持續完善數字孿生實體的優化控制策略生成能力，應用于物理實體，提高系統的效率和性能。 (4) 異常檢測。采用人工智能技術進行系統異常檢測，預測潛在的故障、發現異常行為，進行預防性維護。 (5) 自然語言處理與交互式查詢 ：集成自然語言處理 (NLP) 技術，允許用戶以自然語言與數字孿生實體交互，查詢系統的狀態，并獲得直觀的反饋。 (6) 計算機視覺與狀態監測 ：結合計算機視覺技術，數字孿生可以使用圖像和視頻數據來監測物理實體的狀態，并自動識別和分類不同的狀態或事件。 (7) 生成對抗網絡 (GANs) 與數據增強 ：使用GANs 生成新的數據點，以增強訓練數據集，特別是在數據稀缺或需要模擬罕見事件時。 (8) AI 輔助的模型校準與參數優化 ：利用人工智能算法自動調整數字孿生實體的參數，以更好地擬合實際觀測數據，提高數字孿生實體的預測精度。 (9) 自動化決策與自主系統 ：將人工智能相應算法集成到數字孿生實體中，使其能夠基于實時數據和預先設定的目標自動做出決策，實現系統的自主運行。 通過這些方法，數字孿生技術可以充分利用人工智能的能力，實現更高級的智能模擬、預測分析和自主決策，為各種應用場景提供更深入的洞察和更有效的解決方案。隨著 AI 技術的不斷進步，數字孿生與人工智能的結合將越來越緊密，持續推動制造領域數字化轉型和智能化升級。 4 未來技術發展展望 智能制造代表著當今先進的制造業發展模式。數字孿生已成為智能制造的核心，以及智能制造不可分割的組成部分。本文提出的智能制造數字孿生概念模型，已在新能源、電子、鋼鐵等領域應用，取得了較好的應用成效。在更加精細化、智能化、高效化的智能制造發展進程中，如何實現全制造要素的柔性按需組合，全制造流程的自學習、自適應和自進化，以及如何根據制造場景、制造任務的不同，在大模型日益成為基礎設施的大背景下，基于交互描述式進行數字孿生實體的自生成，將為智能制造領域的數字孿生提供無限的發展空間和可能。 來源：新工業網本文推薦閱讀 僅供學習、交流之目的。版權歸原作者或機構所有，若涉及版權問題，煩請留言聯系，我們將第一時間更正或刪除。 中服云（www.cserver.com.cn）——長期致力于工業物聯網平臺及工業APP的研發和服務，工業物聯網技術業界領先。全力打造自動數據采集獲取技術+數據分析價值挖掘技術兩個核心技術，基于“平臺+APPS”的產品架構思想。從數字化底座、到智能化生產、再到生產環境的智能化，形成了完整的“中服云”數智化產品品牌。致力于業務層和物理層的深度融合，從根本上解決智能化的核心問題。 |
