数字孪生车间概念模型--是PS、VSSSS

数字孪生车间（DTS）的概念模型如图1所示，包括物理车间（PS）、虚拟车间（VS）和车间服务系统（shop-floor，SSS）。 )、车间孪生数据 (SDTD)、连接 (, CN)。

图1 DTS概念模型[1]

PS是车间客观存在的生产设备、人员、产品、材料等实体的集合。 主要负责接收SSS下达的生产任务，严格按照VS模拟优化的预定义生产指令执行生产活动，完成生产任务。 通过各种传感器可以有效采集PS设备、人员、产品、物料等生产要素的实时状态数据。 由于这些数据来自不同的数据源，因此存在数据结构不同、接口不同、语义不同等问题。 因此，为了实现多源异构数据的统一访问，需要一套标准接口和协议转换设备。 [2]

VS是PS忠实完整的数字图像。 它从几何、物理、行为、规则等多个层面描述和描绘PS。 主要负责对PS的生产资源和生产活动进行模拟、评估和优化，并进行实际生产过程。 实时监测、预测和调控等。VS本质上是由多种几何、物理、行为和规则模型组成的模型集合，可以全面、多维度地描述和表征PS。 根据数字孪生的三层结构[3]，VS包括人员、设备、工具等单个生产要素的单元级模型、多种生产要素的单元级模型组成的系统级生产线模型、以及多个系统级产品。 线路模型和模型之间的交互和耦合关系的复杂系统级车间模型。

SDTD是PS、VS、SSS相关数据、领域知识以及通过数据融合生成的派生数据的集合。 它是PS、VS、SSS操作交互和迭代优化的驱动力。 融合数据是SDTD的重要组成部分，它是通过特定规则聚合来自物理和信息空间的数据而获得的。 其中，物理空间的数据主要指PS相关的数据，是物理实体产生的真实数据； 信息空间中的数据主要是指VS相关数据和SSS相关数据。 这些数据并不是直接从物理空间采集的有效数字的定义，而是在物理数据的基础上，利用信息空间模型模拟、算法推导、系统推导等过程得到的，是对物理数据的补充。

SSS是各种数据驱动的服务功能的集合或总称。 它以面向服务的方式封装DTS运行过程中所需的数据、模型、算法、模拟和结果，形成支持DTS控制和优化的功能服务和业务服务。 SSS的运行过程包括子服务封装、需求分析、服务组合和服务应用。 [1]

CN实现DTS各部分的互联互通，包括PS与SDTD之间的连接（CN_PD）、PS与VS之间的连接（CN_PV）、PS与SSS之间的连接（CN_PS）、VS与SDTD之间的连接(CN_VD)、VS与SSS的连接(CN_VS)、SSS与SDTD的连接(CN_SD)。

《2.数字孪生车间运行机制》

下面从DTS的生产要素管理、生产活动计划、生产过程控制三个方面描述DTS的迭代优化机制，如图2所示。其中，基于PS和SSS的交互，对生产进行迭代优化可实现要素管理； 基于SSS和VS的交互，可以实现生产计划的迭代优化； 基于PS和VS的交互，可以实现生产过程控制的迭代优化。

图2 数字孪生车间运行机制[1]

图2中的阶段①是生产要素管理的迭代优化过程，反映了DTS中PS和SSS的交互过程，其中SSS起主导作用。 当DTS接收到输入（例如生产任务）时，SSS中的各种服务由SDTD中的生产要素管理数据和其他相关数据驱动，根据生产任务来管理和配置生产要素，以满足任务需求。 以及约束下的初始资源分配计划。 SSS获取PS的人员、设备、材料等生产要素的实时数据，对要素的状态进行分析、评估和预测，据此修正和优化初始资源配置计划，并将该计划以控制的形式下发给PS指示。 。 PS在控制指令的影响下，将各个生产要素调整到合适的状态，并在此过程中不断向SSS发送实时数据进行评估和预测。 当实时数据与计划发生冲突时，SSS将重新修改计划。 ，并发出相应的控制指令。 重复这种迭代，直到生产要素的管理达到最佳。 基于上述过程，阶段①最终得到初始生产计划/活动。 第①阶段产生的所有数据都存储在SDTD中，并与现有数据集成，作为后续阶段的数据基础和驱动。

图2中的阶段②是生产计划的迭代优化过程，反映了DTS中SSS和VS之间的交互过程。 在这个过程中，VS起着主导作用。 VS接收阶段①生成的初始生产计划/活动由SDTD中的生产计划和仿真分析结果数据、实时生产数据和其他相关数据驱动，生产计划基于几何、物理、行为和规则模型。 执行模拟、分析和优化。 VS将上述过程中产生的仿真分析结果反馈给SSS。 SSS根据这些数据对生产计划进行修正和优化，然后再次传输给VS。 重复此迭代，直到生产计划最优。 基于上述过程，阶段②获得优化的预定义生产计划，并根据该计划生成生产流程操作指令。 第②阶段产生的所有数据都存储在SDTD中，与现有数据集成后作为后续阶段的驱动。

图2中的阶段③是生产流程的实时迭代优化过程，体现了DTS中PS与VS的交互过程，其中PS起主导作用。 PS接收阶段②的生产工艺操作指令，并根据指令组织生产。 在实际生产过程中，PS将实时数据传输给VS，VS根据PS的实时状态进行自我更新，并将PS的实际运行数据与预定义的生产计划数据进行比较。 如果两个数据不一致，VS识别PS的干扰因素，并通过模型修正保持与PS的一致性。 VS基于实时模拟数据、实时生产数据、历史生产数据等数据，从全因素、全流程、全业务的角度对生产过程进行评估、优化和预测，并以以下形式作用于PS：实时控制指令来控制生产。 该过程被优化和控制。 不断重复这样的迭代，以达到最优的生产过程。 本阶段产生的数据存储在SDTD中，与现有数据集成后作为后续阶段的驱动。

通过①②③阶段的迭代优化，SDTD不断更新和扩展，DTS也在不断演进和完善。

《3.数字孪生车间的特点》

DTS的特点主要包括四个方面。

1）虚实映射

DTS虚实映射的特点主要体现在两个方面。

(1) PS和VS是双向映射的。 首先，VS通过实时数据更新和模型修正，实现与PS从不一致到一致性的持续协同进化。 其次，PS忠实再现VS定义的生产流程，严格按照VS定义的生产流程以及模拟优化的结果进行生产，使生产流程不断优化。

(2)PS和VS实时交互。 DTS运行过程中，PS的所有数据都会被实时感知并传输到VS。 VS根据实时数据对PS的运行状态进行仿真优化分析，并对PS进行实时控制。 通过PS和VS的实时交互，两者可以及时掌握对方的动态变化并实时响应，生产流程不断优化。

2）数据驱动

SSS、PS、VS基于SDTD，通过数据驱动实现各自的运行和交互。

（1）对于SSS：首先，PS的实时状态数据驱动SSS优化生产要素配置，生成初始生产计划。 随后，初步的生产计划交给VS进行模拟和验证。 SSS在VS模拟数据的驱动下，反复调整优化生产计划，直至最优。

（2）对于PS：SSS生成最优生产计划后，将该计划以生产工艺操作指令的形式下发给PS。 在命令数据的驱动下，PS的各个元件将其参数调整到合适的状态并开始生产。 在生产过程中，VS实时监控PS的运行状态。 PS在VS反馈数据的驱动下，优化生产流程。

（3）对于VS：在预生产阶段，VS从SSS接收生产计划数据，并在生产计划数据的驱动下对整个生产流程进行模拟和优化，以实现资源的优化利用。 在生产过程中，VS在PS实时运行数据的驱动下，不断修正和更新，实现模型的迭代优化和进化。

3）所有要素、所有流程、所有业务整合与整合

DTS的融合和融合可以体现在以下三个方面。

（1）车间各要素的整合与融合：在DTS中，通过物联网、互联网、物联网等信息手段，将PS的人员、设备、材料、环境等生产要素数据全面连接信息世界，实现相互融合。 互联互通和数据共享。 更重要的是，在全面的生产要素数据驱动下，VS和SSS的模拟、评估和分析功能可以在考虑其他要素状态的同时优化各个要素的行为，从而支持要素之间的联动和优化组合，确保生产顺利进行。

（2）整个车间流程的整合和整合：生产过程中，PS生产各个环节和流程（如生产、装配、清洗、检验）的数据实时监控。 在DTS环境中，通过关联、组合、加权平均等操作，这些数据在一定的标准下自动分析、评估、合成，以支持各个环节之间的交互、集成和协作。

（3）各车间业务的整合与融合：由于DTS中的SSS、VS、PS通过数据交互形成一个整体，车间内的各项业务（如生产资源配置、生产计划生成、生产过程控制等）紧密相连通过SDTD实现数据共享，消除信息孤岛，从而提高DTS整体的效率。

4）迭代运行与优化

在DTS中，PS、VS和SSS不断地相互交互、迭代优化。

（1）SSS和PS由两个方向的数据驱动，迭代运行，优化生产要素管理。 SSS根据生产任务生成资源分配计划，并根据PS生产要素的实时状态进行优化和调整。 在此迭代过程中，生产要素得到优化管理和配置，并生成初始生产计划。

(2)通过SSS和VS之间的循环验证和迭代优化，优化生产计划。 在生产执行之前，SSS将生产任务和生产计划交给VS进行模拟和优化。 然后VS将仿真和优化结果反馈给SSS，SSS对生产计划进行修正和优化。 这个过程不断迭代，直到生产计划最优。

(3)通过PS与VS之间的虚实映射以及实时交互，优化生产流程。 在生产过程中，VS实时监控PS的运行情况，根据PS的实时状态生成优化方案，并提供反馈指导PS的生产。 在这种迭代优化中，生产过程沿着最优解继续进行，直到生产结束。

DTS在上述三轮迭代优化中得到了不断的优化和改进。

《4.数字孪生车间关键技术》

如图3所示，DTS的关键技术根据其主要系统组件分为六类。

(1) PS“人-机-物-环境”集成技术。 主要包括：①多源异构数据封装技术； ② 多源异构数据预处理技术； ③异构制造资源感知接入技术及器件开发； ④ 多源异构传感器协同测量及优化布局技术； ⑤ 多源异构数据封装技术； 源头异构数据通信与发布技术； ⑥异构制造资源分布式协同控制技术； ⑦边缘部署和边缘计算技术等。

(2)VS构建、模拟运行与验证技术。 主要包括：①VS建模技术，如车间“要素-行为-规则”多维度、多尺度建模与仿真技术； ②多维度、多尺度的模型集成与融合技术； ③ VS运行机制及演化规则； ④多维度、多尺度模型验证技术； ⑤ 模式运营管理技术； ⑥ 车间VR、AR应用技术等。

(3)SDTD建设与管理技术。 主要包括：①多类型、多时间尺度、多粒度的数据规划和清洗技术； ②数据级、特征级、决策级数据融合技术； ③数据分布式存储技术； ④ 数据使用和维护技术； ⑤数据测试技术； ⑥车间大数据技术等

图3 数字孪生车间关键技术[1]

(4)SSS精准业务生成和管理技术。 主要包括：①服务封装技术； ② 服务优化技术； ③供需匹配技术； ④ 服务组合优化技术； ⑤ 服务QoS评估技术； ⑥ 服务容错技术； ⑦服务维护技术等。

(5)基于CN的双向交互和互联技术。 主要包括：①异构制造资源协议分析和数据交互技术； ②多源异构数据映射技术； ③多源异构数据传输安全技术； ④ 连接兼容性、可靠性、灵敏度测试技术； ⑤系统集成测试技术等。

(6)DTS运算技术。 主要包括：①生产要素管理、生产计划、生产流程等的迭代运算和优化技术； ③DTS运行标准、协议和技术规范等； ④DTS设备PHM技术； ⑤DTS设备动态调度技术； ⑥DTS生产工艺参数选择决策技术； ⑦DTS能耗管理与优化技术等。

（欢迎大家加入数据工匠知识星球了解更多信息。）

联系我们