CN110222353A - 一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法 - Google Patents
一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法 Download PDFInfo
- Publication number
- CN110222353A CN110222353A CN201910182394.XA CN201910182394A CN110222353A CN 110222353 A CN110222353 A CN 110222353A CN 201910182394 A CN201910182394 A CN 201910182394A CN 110222353 A CN110222353 A CN 110222353A
- Authority
- CN
- China
- Prior art keywords
- workshop
- machine learning
- service system
- virtual
- physical plant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010801 machine learning Methods 0.000 title claims abstract description 32
- 238000004519 manufacturing process Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000004886 process control Methods 0.000 claims abstract description 4
- 239000002994 raw material Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000007514 turning Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000012827 research and development Methods 0.000 abstract description 6
- 238000012546 transfer Methods 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法，本系统通过数字孪生技术将物理车间的数据实时传输到车间服务系统，车间服务系统对初始资源进行迭代优化，生成初始的生产计划，并将生产数据传送至虚拟车间，虚拟车间对生产加工过程进行仿真分析及优化，并将仿真结果传回车间服务系统，车间服务系统以过程控制的方式将命令传达至物理车间，系统通过机器学习对所需加工的工件数量进行预测，得出物理车间需要加工的工件数量；本发明通过数字孪生技术可以在虚拟车间进行工件生产加工的仿真优化及机床调动过程，通过机器学习可以预测出需要加工的工件数量，节约了资源，提高了产品研发的效率，并使得企业产品的生产数量更加合理。
Description
技术领域
本发明涉及车间零件的智能化生产加工领域，尤其涉及一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法。
背景技术
零件的加工是产品研发全生命周期过程中必不可少的环节之一，零件的加工方式与精度在很大程度上决定着产品研发的最终质量，而且在产品的研发过程中势必会用到多种机床，在零件的加工过程中机床的使用调度在一定程度上影响着产品研发的效率。因此，零件的加工在车间的整个过程中起着至关重要的作用。
数字孪生是指以数字化方式拷贝一个物理对象，模拟对象在现实环境中的行为，对产品、制造过程乃至整个工厂进行虚拟仿真，从而提高企业产品研发、制造的生产效率，企业利用数字孪生的理念，在数字化建模后可以先在虚拟环境里进行仿真分析，然后进行持续的迭代与改进，直至达到生产计划最优，再将其做成实物，从而极大地减少浪费，提高效率，节省成本，所以，数字孪生给企业带来了巨大的价值。
机器学习是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。目前机器学习在语音语义的识别、机器视觉、快销品的预测等众多方面有了广泛的应用，但是在工业产品的销售预测中应用还很少。
相关技术中，如果将数字孪生与机器学习相结合，不仅能够对零件的加工过程起到优化作用，而且通过机器学习预测出还需加工的工件数量，可以合理准备原材料的数量。故运用以上技术手段，对于企业而言具有重要的现实意义。
发明内容
本发明的目的在于针对已有技术的不足，提供一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法，运用数字孪生与机器学习技术，使得零件的加工方式更加高效，机床的调动和原料的准备更加合理。
一种基于数字孪生与机器学习技术的智能车间生产加工系统，其特征在于：由三层架构与一个模块所组成，即物理车间经车间服务系统连接虚拟车间和机器学习模块。
本发明所述的物理车间是指工件在加工过程中涉及的实体车间，包括零件、组件、工件、加工设备、物料、传感器、执行器等等，除了具备传统车间的生产加工功能外，还具备异构多源实时数据的感知接入与融合能力。
本发明所述的车间服务系统是数据驱动的各类服务系统功能的集合，主要负责在车间孪生数据驱动下对车间智能化管控提供系统支持和服务，例如，车间服务系统基于虚拟车间对生产计划的仿真分析，对生产计划做出修改和优化。
本发明所述的虚拟车间是模型的集合，主要对人、机、物、环境等车间生产要素进行刻画，另外，在车间运行过程中，虚拟车间不断累积物理车间产生的实时数据，在对物理车间高度保真的前提下，对其进行调控与优化。
一种基于数字孪生与机器学习技术的智能车间生产加工方法，采用上述系统进行操作，运行方法包括如下步骤：
1)将物理车间的实时数据传入车间服务系统，车间服务系统根据实时数据生成初始的生产活动并反馈给物理车间；
2）车间服务系统将生产数据传入虚拟车间，虚拟车间模拟仿真物理车间的运行状态，实现对机床的运行时间、实时状态、加工工件数量的监测，并将仿真分析结果反馈至车间服务系统，车间服务系统基于实时数据对仿真分析结果进行优化，并再次传至虚拟车间，如此反复迭代，直至生产计划最优；
3）基于得出的生产计划，车间服务系统以过程控制的方式反向控制物理车间，以最优的生产计划和方式加工工件；
4）通过机器学习技术对车间需要加工的工件数量做出预测，并将预测结果传入车间服务系统可以使车间原材料的配备更加合理。
本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著技术进步：不仅能够对零件的加工过程起到优化作用，而且通过机器学习预测出需要加工的工件数量，可以合理准备原材料的数量。
通过物理车间与虚拟车间之间的交互，在进行零件加工的同时，虚拟车间对零件的加工工艺和车间机床的运行顺序进行模拟仿真分析，对于不合理的零件加工方式与机床调动顺序提出优化方案，并且预测出需要加工的工件数量，合理的配备生产原料。
附图说明
图1是本发明一种基于数字孪生与机器学习技术的智能车间生产加工系统的框架结构示意图。
图2是本发明物理车间与虚拟车间交互的工作流程图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例和附图，对本发明实施例中的技术方案进行清楚、完整地描述。
实施例一：
如图1所示的一种基于数字孪生与机器学习技术的智能车间生产加工系统，所述的智能车间生产加工系统由三层架构与一个模块所组成，即物理车间（1）经车间服务系统（3）连接虚拟车间（2）与机器学习模块（4）。
本发明所述的物理车间（1）是指工件在加工过程中涉及的实体车间，包括零件、组件、工件、加工设备、物料、传感器、执行器等等，除了具备传统车间的生产加工功能外，还具备异构多源实时数据的感知接入与融合能力；所述的车间服务系统（3）是数据驱动的各类服务系统功能的集合，主要负责在车间孪生数据驱动下对车间智能化管控提供系统支持和服务，例如，车间服务系统（3）基于虚拟车间对生产计划的仿真分析，对生产计划做出修改和优化；所述的虚拟车间（2）是模型的集合，主要对人、机、物、环境等车间生产要素进行刻画，另外，在车间运行过程中，虚拟车间（2）不断累积物理车间产生的实时数据，在对物理车间高度保真的前提下，对其进行调控与优化。
实施例二：
基于数字孪生与机器学习技术的智能车间加工方法，采用上述系统进行操作，其操作步骤如下：
1）将物理车间的实时数据传入车间服务系统，车间服务系统根据实时数据生成初始的生产活动并反馈给物理车间；
2）车间服务系统将生产数据传入虚拟车间，虚拟车间模拟仿真物理车间的运行状态，实现对机床的运行时间、实时状态、加工工件数量的监测，并将仿真分析结果反馈至车间服务系统，车间服务系统基于实时数据对仿真分析结果进行优化，并再次传至虚拟车间，如此反复迭代，直至生产计划最优；
3）基于得出的生产计划，车间服务系统以过程控制的方式反向控制物理车间，以最优的生产计划和方式加工工件。
4）通过机器学习技术对车间需要加工的工件数量进行预测，并将预测结果传入车间服务系统使得车间原材料的配备更加合理。
实施例三：
如图2所示，本实施例首先根据物理车间进行虚拟车间的构建，车间服务系统根据物理车间的实时数据生成生产计划，并将生产计划传输到虚拟车间，虚拟车间根据制定的生产工艺流程进行仿真活动。目前车间内已有机床数据采集和监控软件，可实现对机床的实时状态、运行时间、加工工件数量的监测。
在对工件的加工过程中，针对不同的加工面以及所需达到的加工精度，在加工时势必会用到车床、磨床、铣床、刨床、镗床等不同种类的机床，机床的分配、零件的加工顺序、工艺规划已经在虚拟车间中经过仿真并得到优化，由此可以提高机床的使用效率。
实施例四：
如图1、2所示，本实施例是在实施例一、二、三的基础上做了进一步优化，具体是通过机器学习技术对车间需要加工的工件数量做出预测，并将预测结果传入车间服务系统，可以使车间原材料的配备更加合理。
以上所述，仅为本发明的较佳实施例，而不是全部实施例，并不用以限制本发明，本发明的专利保护范围以权利要求书为准，凡是运用本发明的说明书及其附图内容所作的等同结构变化，同理均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于数字孪生与机器学习技术的智能车间生产加工系统，其特征在于：由三层架构与一个模块所组成，即物理车间（1）经车间服务系统（3）连接虚拟车间（2）和机器学习模块（4）。
2.根据权利要求1所述的一种基于数字孪生与机器学习技术的智能车间生产加工系统，其特征在于：所述物理车间（1）是指工件在加工过程中涉及的实体车间，包括零件、组件、工件、加工设备、物料、传感器、执行器，除了具备传统车间的生产加工功能外，还具备异构多源实时数据的感知接入与融合能力。
3.根据权利要求1所述的一种基于数字孪生与机器学习技术的智能车间生产加工系统，其特征在于：所述车间服务系统（3）是数据驱动的各类服务系统的集合，主要负责在车间孪生数据驱动下对车间智能化管控提供系统支持和服务，包括车间服务系统基于虚拟车间对生产计划的仿真分析，对生产计划做出修改和优化。
4.根据权利要求1所述的一种基于数字孪生与机器学习技术的智能车间生产加工系统，其特征在于：所述虚拟车间（2）是模型的集合，主要对人、机、物、环境等车间生产要素进行刻画，另外，在车间运行过程中，虚拟车间不断累积物理车间产生的实时数据，在对物理车间高度保真的前提下，对其进行调控与优化。
5.根据权利要求1所述的一种基于数字孪生与机器学习技术的智能车间生产加工系统，其特征在于：
所述机器学习模块（4）是人工智能中最具有智能特征的前沿研究领域之一，目前机器学习在语音语义的识别、机器视觉、快销品的预测等众多方面有了广泛的应用，但是在工业产品的销售预测中应用还很少，利用机器学习可以对所需加工的工件数量做出预测，使得车间原材料的配置更加合理。
6.一种基于数字孪生与机器学习技术的智能车间生产加工方法，采用根据权利要求1所述的基于数字孪生与机器学习技术的智能车间生产加工系统进行操作，其特征在于操作步骤如下：
1)将物理车间（1）的实时数据传入车间服务系统（3），车间服务系统（3）根据实时数据生成初始的生产活动并反馈给物理车间（1）；
2）车间服务系统（3）将生产数据传入虚拟车间（2），虚拟车间（2）模拟仿真物理车间（1）的运行状态，实现对机床的运行时间、实时状态、加工工件数量的监测，并将仿真分析结果反馈至车间服务系统（3），车间服务系统（3）基于实时数据对仿真分析结果进行优化，并再次传至虚拟车间（2），如此反复迭代，直至生产计划最优；
3）基于得出的生产计划，车间服务系统（3）以过程控制的方式反向控制物理车间（1），以最优的生产计划和方式加工工件；
4）通过机器学习技术对车间需要加工的工件数量做出预测，并将预测结果传入车间服务系统（3）可使车间的原材料的配备更加合理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910182394.XA CN110222353A (zh) | 2019-03-12 | 2019-03-12 | 一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910182394.XA CN110222353A (zh) | 2019-03-12 | 2019-03-12 | 一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110222353A true CN110222353A (zh) | 2019-09-10 |
Family
ID=67822396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910182394.XA Pending CN110222353A (zh) | 2019-03-12 | 2019-03-12 | 一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110222353A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110851966A (zh) * | 2019-10-30 | 2020-02-28 | 同济大学 | 一种基于深度神经网络的数字孪生模型修正方法 |
| CN110989404A (zh) * | 2019-12-30 | 2020-04-10 | 上海大学 | 一种汽车后桥装配生产线仿真方法 |
| CN114599488A (zh) * | 2019-10-28 | 2022-06-07 | 株式会社安川电机 | 机器学习数据生成装置、机器学习装置、作业系统、计算机程序、机器学习数据生成方法及作业机的制造方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256924A (zh) * | 2018-02-26 | 2018-07-06 | 上海理工大学 | 一种产品销售预测装置 |
| CN108919760A (zh) * | 2018-07-05 | 2018-11-30 | 长安大学 | 一种基于数字孪生的智能车间自治生产过程动态联动控制方法 |
| CN109270899A (zh) * | 2018-09-03 | 2019-01-25 | 江苏科技大学 | 一种基于数字孪生的船用柴油机关重件制造过程管控方法 |
| CN110196575A (zh) * | 2019-03-08 | 2019-09-03 | 上海大学 | 一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法 |
-
2019
- 2019-03-12 CN CN201910182394.XA patent/CN110222353A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256924A (zh) * | 2018-02-26 | 2018-07-06 | 上海理工大学 | 一种产品销售预测装置 |
| CN108919760A (zh) * | 2018-07-05 | 2018-11-30 | 长安大学 | 一种基于数字孪生的智能车间自治生产过程动态联动控制方法 |
| CN109270899A (zh) * | 2018-09-03 | 2019-01-25 | 江苏科技大学 | 一种基于数字孪生的船用柴油机关重件制造过程管控方法 |
| CN110196575A (zh) * | 2019-03-08 | 2019-09-03 | 上海大学 | 一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 于勇 等: "数字孪生在工艺设计中的应用探讨", 《航空制造技术》 * |
| 陶飞 等: "数字孪生车间—一种未来车间运行新模式", 《计算机集成制造系统》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114599488A (zh) * | 2019-10-28 | 2022-06-07 | 株式会社安川电机 | 机器学习数据生成装置、机器学习装置、作业系统、计算机程序、机器学习数据生成方法及作业机的制造方法 |
| CN110851966A (zh) * | 2019-10-30 | 2020-02-28 | 同济大学 | 一种基于深度神经网络的数字孪生模型修正方法 |
| CN110989404A (zh) * | 2019-12-30 | 2020-04-10 | 上海大学 | 一种汽车后桥装配生产线仿真方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110196575A (zh) | 一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法 | |
| CN110222353A (zh) | 一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法 | |
| CN205679985U (zh) | 一种智能产线过程监控系统 | |
| Rauch et al. | An advanced STEP-NC controller for intelligent machining processes | |
| DE112018002431T5 (de) | Verteiltes Integrationsverfahren für die Tiefbearbeitungs- und Fertigungslinie von Glas und sein System | |
| WO2018095237A1 (zh) | 基于mes的热处理智能系统及其控制方法 | |
| CN107832497A (zh) | 一种智能车间快速定制设计方法及系统 | |
| CN110084405B (zh) | 吞吐柔性智能装配物流路径规划方法 | |
| Cardoso et al. | Digital manufacturing, industry 4.0, clould computing and thing internet: Brazilian contextualization and reality | |
| Huynh et al. | Discrete event simulation for manufacturing performance management and optimization: a case study for model factory | |
| Hsu et al. | Integration of data and knowledge in manufacturing enterprises: A conceptual framework | |
| Liu et al. | The application of digital flexible intelligent manufacturing system in machine manufacturing industry | |
| Laguionie et al. | A multi-process manufacturing approach based on STEP-NC data model | |
| Sujova et al. | Simulation model of production as tool for industry 4.0 implementation into practice | |
| Onaji et al. | Discrete event simulation for a cyber-physical system | |
| Merati et al. | Application of axiomatic design for the development of robotic semi-and fully automated assembly processes: Two case studies | |
| CN109032075A (zh) | 一种智能化钢结构备料方法及系统 | |
| Li et al. | Simulation and optimization of plant production takt | |
| CN105631079A (zh) | 一种可配置的分段式生产任务排程方法 | |
| García Martínez et al. | Digital Thread Approach for Smart-Collaborative Robotic Cell | |
| Ali Hamza | A Performance of Cellular and Job Shop Manufacturing Systems Using Simulation-A Case Study | |
| Antons et al. | Learning distributed control for job shops-a comparative simulation study | |
| Lu et al. | Design and implementation of monitoring and management system for discrete manufacturing process based on iot technology | |
| CN112213947A (zh) | 一种基于ls-svm电液位置伺服系统的建模方法 | |
| Barkmeyer et al. | Experience with IMDAS in the automated manufacturing research facility |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190910 |
|
| WD01 | Invention patent application deemed withdrawn after publication |