CN110889238A - 一种数字孪生驱动的热压罐管控系统 - Google Patents

Abstract

本发明公开了一种数字孪生驱动的热压罐管控系统，包括：孪生模型构建模块，该模块针对热压罐设备进行虚拟模型的构建；实时数据采集与分析模块，该模块能够配置数据接口、实时采集数据并对历史数据进行多维度分析；热分布仿真模块，该模块通过仿真得到复合材料成型过程中工装的热分布；故障诊断与预测模块，该模块根据实际生产行为对应的数字孪生行为模型，产生融合数据，由此对热压罐的故障进行预测并且对质量、能耗等关键数据进行分析。本发明公开的方法能够解决热压罐设备成型过程中无法把握热压罐零部件状态以及缺少对质量、能耗等关键参数分析的问题，提高热压罐设备的管控效率。

Description

一种数字孪生驱动的热压罐管控系统

技术领域

本发明属于电子工程和计算机科学领域，具体涉及一种字孪生驱动的热压罐管控系统。

背景技术

由于复合材料相比较于传统材料在很多参数上具有较大的优势，因此在各领域，尤其是在航空航天领域获得了广泛的重视，代替了很多传统的材料。作为复合材料成型的关键加工设备之一：热压罐，对复合材料的最终质量有着重大的影响。因此对热压罐进行管控有助于提高复合材料的成型效率和成型质量。当前对于热压罐的管控存在几个问题：(1)首先是在成型过程中，缺乏对于热压罐零部件的状况的把握，如加热系统、加压系统、罐体等，在完成加工任务后往往存在不同程度的损耗，需要对这些损耗进行考虑，避免在加工过程中出现问题，引起成品质量下降，甚至停机事故。(2)在成型过程中，缺乏对于能耗数据进行处理和分析，造成了不必要的浪费。(3)在成型工艺方面，由于复合材料的质量取决于足够的温度和压强，所以根据不同的复合材料，在工装上合适的位置进行部署显得至关重要，当前选取加工位置主要是采用经验法和试错法，成本高且效率低。

针对这些问题，为满足和适应复合材料生产的质量和效率需求和趋势，需要实现热压罐设备的物理世界和信息世界的互联互通和智能化操作，从而实现智能制造，但是其存在一大瓶颈，就是实现热压罐车间的物理世界和信息世界之间的交互与共融。为了攻克这一瓶颈，需要引入新兴技术，例如数字孪生技术。数字孪生技术能够提高热压罐管控工作中的数据利用率，有利于深度信息物理融合的进行。

因此，本发明基于数字孪生技术，针对热压罐设备，提出一种数字孪生驱动的热压罐管控系统，该系统能够解决热压罐设备成型过程中无法把握热压罐零部件状态以及缺少对质量、能耗等关键参数分析的问题，提高热压罐设备的管控效率。

发明内容

本发明要解决的技术问题为：基于数字孪生技术，通过设计和开发一种数字孪生驱动的热压罐管控系统，该系统及其模块能够解决热压罐设备成型过程中无法把握热压罐零部件状态以及缺少对质量、能耗等关键参数分析的问题，提高热压罐设备的管控效率。

本发明解决其技术问题是采取以下技术方案实现的：一种数字孪生驱动的热压罐管控系统，包括：

(1)孪生模型构建模块，该模块具体包括：

几何模型绘制模块，使用软件工具，建立热压罐设备的几何模型，体现其形状、尺寸、结构组成以及装配关系；

物理属性仿真模块，使用ANSYS软件工具对热压罐设备进行网格划分，从宏观以及微观的尺度进行动态的模拟与刻画，例如在宏观尺度，对热压罐内部环境的真空值变化、工装表面的压力值变化，在微观尺度，对于特定产品，对特定位置的质量要求较高(如工件的弯曲处、主要受力点等)，对特定点的温度压力变化进行模拟和刻画；对模拟罐体的受热、工装的受热、罐内的加压、罐体的水循环冷却等进行模拟仿真；并通过图形和数值的形式表现出具体设备上的物理量；

行为模型建立模块，选择特定固化过程，获取工艺曲线，根据其工艺曲线分析典型的温度压力变化，如升温升压、恒温升压；并对该变化分析其热分布等响应；

规则模型添加模块，添加热压罐设备的约束规则以及虚拟模型的控制规则，包括基于历史关联数据的规律规则，基于隐性知识总结的经验，基于相关领域知识、标准等。例如：热压罐知识库、故障库以及传感器选型库；

(2)实时数据采集与分析模块，该模块具体包括：

数据接口参数配置模块，设置数据采集接口参数，包括IP地址，端口，波特率，进行数据采集测试；

报警参数配置模块，配置报警参数，包括预警方式以及存储报警数据方式；

数据清洗模块，对数据进行清洗，删除冗余数据；

采集参数判断模块，测试通过后进行实时数据采集，根据配置的报警参数进行判断，超出预警范围则强烈提示，所有数据以表盘形式可视化显示；

参数可视化模块，对某一段采集并处理过的生产数据，将数值转换为图表进行参数可视化显示，并统计其偏离期望值较大的次数，计算平均值、方差等数据；

多维度分析模块，针对不同维度，统计不同信息进行分析，如针对能耗则分析能耗结构、用能行为，对应孪生行为模型进行优化，如针对温度则分析温度对产品质量的影响，对温度数据进行拟合和偏差计算，根据工艺行为的热压罐温度期望值进行偏差计算，计算实际采集到的温度值与该期望值的偏差，包括平均值偏差以及超出期望范围的次数，这些偏差具有不同的权重，将这些偏差值权重求和得到预计的质量损失系数损失；

分析报告生成模块，对采集到的数据经过分析后，生成分析报告，报告显示关键参数，包括质量损失、温度异常点，并给出优化孪生行为模型的意见；

(3)热分布仿真模块，该模块具体包括：

模型简化模块，使用软件工具对热压罐设备的几何模型进行简化，去除对于热仿真影响不大的外部件，如支撑结构，循环水结构等；

网格划分模块，使用ANSYS软件的fluent工具，选择合适密度进行网格划分；使用Smartsize控制网格大小，在本系统中由于主要是考虑热压罐内部空间模具上的工件质量，需要较精细的网格划分，因此选择尺寸级别为4，尺寸级别从1(精细)到10(粗糙)。

温度云图生成模块，在已经划分好网格的模型上添加边界条件并同步加工时间，设置仿真时间，模拟仿真得到模具温度云图；

(4)热压罐设备故障诊断与预测模块，该模块具体包括：

数据获取模块，选取热压罐的典型故障情况和实验情况的数据，例如热压罐的罐体泄漏，则是由于复合材料的固化过程是温度和压力的循环变化，对罐体产生了压力和温度的载荷，一定工作时间后罐体结构内部会产生交变应力，从而造成罐体泄漏的情况，对罐体泄漏情况进行分级和量化。这种罐体泄漏情况会造成采集的数据异常(真空、内部压力值不在可接受的范围内)，此时考虑热压罐设备孪生行为模型，如恒压升温，升压升温等，每种行为对罐体的载荷是不同的(通过时域积分计算得到)，即载荷、罐体状况为神经网络的输入输出量。此外需要进行数据的扩维处理，即除了考虑各种行为对应的载荷外，还需考虑热压罐生产的历史情况，由于载荷是使用积分计算出的，因此同样的载荷可能是幅值小但负载时间长，也可能是幅值大但负载时间长，这两种情况对罐体造成的损伤是不同的，因此扩维则是追加考虑特定载荷的历史情况，最终通过神经网络生成孪生融合的故障数据和实验数据；

神经网络训练模块，利用孪生融合的故障数据和实验数据进行神经网络模型训练；

训练模型验证，生成实验数据，对训练好的模型进行验证和优化；

故障诊断与预测模块，输入实际采集数据/故障数据，对热压罐设备故障进行预测和诊断。

本发明与现有技术相比的优点在于：

(1)传统的热压罐管控仅仅使用组态软件进行生产数据采集，缺乏对热压罐设备本身数据的采集和分析以及温度场的仿真，无法把握热压罐系统零部件的状态和生产过程中内部的温度分布情况，增加了生产风险和成本。本系统利用数字孪生技术，采用逐层建模的方式建立孪生模型，通过分析能够判断出零部件的状态并仿真出内部温度分布。

(2)传统的热压罐管控未对能耗等数据进行多维度分析，其生产成本和质量不稳定且难以优化，本系统针对不同维度的数据进行不同方式的分析，为后续的工艺优化等增加了参考数据。

附图说明

图1为本发明的系统结构图；

图2为本发明热压罐设备实物图；

图3为热压罐几何模型。

具体实施方式

下面结合附图对本发明做进一步详细的描述。

本发明涉及一种数字孪生驱动的热压罐管控系统，该系统针对热压罐设备成型过程中无法把握热压罐零部件状态以及缺少对质量、能耗等关键参数分析的问题，利用数字孪生技术对设备本身和生产全程的数据进行分析和模拟仿真，最终提高热压罐设备的管控效率。

本发明的结构图如图1所示，具体实施方式如下：

(1)图1中的1是孪生模型构建模块，该模块的具体实现如下：

几何模型绘制模块①使用软件工具，建立热压罐设备的几何模型，体现其形状、尺寸、结构组成以及装配关系；

物理属性仿真模块②使用ANSYS软件工具对热压罐设备进行网格划分，从宏观以及微观的尺度进行动态的模拟与刻画，例如在宏观尺度，对热压罐内部环境的真空值变化、工装表面的压力值变化，在微观尺度，对于特定产品，对特定位置的质量要求较高(如工件的弯曲处、主要受力点等)，对特定点的温度压力变化进行模拟和刻画；对模拟罐体的受热、工装的受热、罐内的加压、罐体的水循环冷却等进行模拟仿真；并通过图形和数值的形式表现出具体设备上的物理量；

行为模型建立模块③选择特定固化过程，获取工艺曲线，根据其工艺曲线分析典型的温度压力变化，如升温升压、恒温升压；并对该变化分析其热分布等响应；

规则模型添加模块④添加热压罐设备的约束规则以及虚拟模型的控制规则，包括基于历史关联数据的规律规则，基于隐性知识总结的经验，基于相关领域知识、标准等。例如：热压罐知识库、故障库以及传感器选型库；

(2)图1中的2是实时数据采集与分析模块，该模块的具体实现如下：

数据接口参数配置模块①设置数据采集接口参数，包括IP地址，端口，波特率，进行数据采集测试；

报警参数配置模块②配置报警参数，包括预警方式以及存储报警数据方式；

数据清洗模块③对数据进行清洗，删除冗余数据；

采集参数判断模块④测试通过后进行实时数据采集，根据配置的报警参数进行判断，超出预警范围则强烈提示，所有数据以表盘形式可视化显示；

参数可视化模块⑤对某一段采集并处理过的生产数据，将数值转换为图表进行参数可视化显示，并统计其偏离期望值较大的次数，计算平均值、方差等数据；

多维度分析模块⑥针对不同维度，统计不同信息进行分析，如针对能耗则分析能耗结构、用能行为，对应孪生行为模型进行优化，如针对温度则分析温度对产品质量的影响，对温度数据进行拟合和偏差计算，根据工艺行为的热压罐温度期望值进行偏差计算，计算实际采集到的温度值与该期望值的偏差，包括平均值偏差以及超出期望范围的次数，这些偏差具有不同的权重，将这些偏差值权重求和得到预计的质量损失系数损失；

分析报告生成模块⑦对采集到的数据经过分析后，生成分析报告，报告显示关键参数，包括质量损失、温度异常点，并给出优化孪生行为模型的意见；

(3)图1中的3是热分布仿真模块，该模块的具体实现如下：

模型简化模块①使用软件工具对热压罐设备的几何模型进行简化，去除对于热仿真影响不大的外部件，如支撑结构，循环水结构等；

网格划分模块②使用ANSYS软件的fluent工具，选择合适密度进行网格划分；使用Smartsize控制网格大小，在本系统中由于主要是考虑热压罐内部空间模具上的工件质量，需要较精细的网格划分，因此选择尺寸级别为4，尺寸级别从1(精细)到10(粗糙)。

温度云图生成模块③在已经划分好网格的模型上添加边界条件并同步加工时间，设置仿真时间，模拟仿真得到模具温度云图；

(4)图1中的4是热压罐设备故障诊断与预测模块，该模块的具体实现如下：

数据获取模块①选取热压罐的典型故障情况和实验情况的数据，例如热压罐的罐体泄漏，则是由于复合材料的固化过程是温度和压力的循环变化，对罐体产生了压力和温度的载荷，一定工作时间后罐体结构内部会产生交变应力，从而造成罐体泄漏的情况，对罐体泄漏情况进行分级和量化。这种罐体泄漏情况会造成采集的数据异常(真空、内部压力值不在可接受的范围内)，此时考虑热压罐设备孪生行为模型，如恒压升温，升压升温等，每种行为对罐体的载荷是不同的(通过时域积分计算得到)，即载荷、罐体状况为神经网络的输入输出量。此外需要进行数据的扩维处理，即除了考虑各种行为对应的载荷外，还需考虑热压罐生产的历史情况，由于载荷是使用积分计算出的，因此同样的载荷可能是幅值小但负载时间长，也可能是幅值大但负载时间长，这两种情况对罐体造成的损伤是不同的，因此扩维则是追加考虑特定载荷的历史情况，最终通过神经网络生成孪生融合的故障数据和实验数据；

神经网络训练模块②利用孪生融合的故障数据和实验数据进行神经网络模型训练；

训练模型验证③生成实验数据，对训练好的模型进行验证和优化；

故障诊断与预测模块④输入实际采集数据/故障数据，对热压罐设备故障进行预测和诊断。

综上所述，本发明公开了一种数字孪生驱动的热压罐管控系统，包括：热压罐设备数字孪生模型构建模块、实时状态数据采集与分析模块、热分布仿真模块以及故障诊断与预测模块。本发明能够解决热压罐设备成型过程中无法把握热压罐零部件状态以及缺少对质量、能耗等关键参数分析的问题，提高热压罐设备的管控效率。

本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种数字孪生驱动的热压罐管控系统，其特征在于，包括：

(1)孪生模型构建模块，该模块的具体包括：

几何模型绘制模块，建立热压罐设备的几何模型，体现其形状、尺寸、结构组成以及装配关系；

物理属性仿真模块，对热压罐设备进行网格划分，从宏观以及微观的尺度进行动态的模拟与刻画，在宏观尺度，对热压罐内部环境的真空值变化、工装表面的压力值变化，在微观尺度，对于产品的不同位置包括弯曲处、受力点，对不同的温度压力变化进行模拟和刻画；对模拟罐体的受热、工装的受热、罐内的加压、罐体的水循环冷却等进行模拟仿真；并通过图形和数值的形式表现出具体设备上的物理量；

行为模型建立模块，选择预定的固化过程，获取工艺曲线，根据其工艺曲线分析典型的温度压力变化，包括升温升压、恒温升压；并对该变化分析其热分布等响应；

规则模型添加模块添加热压罐设备的约束规则以及虚拟模型的控制规则，包括基于历史关联数据的规律规则，基于隐性知识总结的经验，基于相关领域知识、标准，包括热压罐知识库、故障库以及传感器选型库；

(2)实时数据采集与分析模块，该模块的具体实现如下：

数据接口参数配置模块，设置数据采集接口参数，包括IP地址，端口，波特率，进行数据采集测试；

报警参数配置模块，配置报警参数，包括预警方式以及存储报警数据方式；

数据清洗模块，对数据进行清洗，删除冗余数据；

采集参数判断模块，测试通过后进行实时数据采集，根据配置的报警参数进行判断，超出预警范围则强烈提示，所有数据以表盘形式可视化显示；

参数可视化模块，对某一段采集并处理过的生产数据，将数值转换为图表进行参数可视化显示，并统计其偏离期望值较大的次数，计算平均值、方差数据；

多维度分析模块，针对不同维度，统计不同信息进行分析；

分析报告生成模块，对采集到的数据经过分析后，生成分析报告，报告显示关键参数，包括质量损失、温度异常点，并给出优化孪生行为模型的意见；

(3)热分布仿真模块，该模块的具体实现如下：

模型简化模块，对热压罐设备的几何模型进行简化，去除无关结构，包括支撑结构，循环水结构；

网格划分模块，对几何模型进行网格划分；控制网格大小，选择不同尺寸级别；

温度云图生成模块，在已经划分好网格的模型上添加边界条件并同步加工时间，设置仿真时间，模拟仿真得到模具温度云图；

(4)热压罐设备故障诊断与预测模块，该模块的具体实现如下：

数据获取模块，选取热压罐的典型故障及实验情况的数据，考虑热压罐设备孪生行为模型，包括温度参数的输入，最终通过设备模型生成孪生融合的故障数据和实验数据；

神经网络训练模块，利用孪生融合的故障数据和实验数据进行神经网络模型训练；

训练模型验证，生成实验数据，对训练好的模型进行验证和优化；

故障诊断与预测模块输入实际采集数据/故障数据，对热压罐设备故障进行预测和诊断。

2.根据权利要求1所述的一种数字孪生驱动的热压罐管控系统，其特征在于：

所述实时数据采集与分析模块中的多维度分析模块，用于针对能耗分析能耗结构、用能行为，对应孪生行为模型进行优化；针对温度分析温度对产品质量的影响，对温度数据进行拟合和偏差计算，根据工艺行为的热压罐温度期望值进行偏差计算，计算实际采集到的温度值与该期望值的偏差，包括平均值偏差以及超出期望范围的次数，这些偏差具有不同的权重，将这些偏差值权重求和得到预计的质量损失系数损失。

3.根据权利要求1所述的一种数字孪生驱动的热压罐管控系统，其特征在于：

所述热压罐设备故障诊断与预测模块中的数据获取模块，选取热压罐的典型故障情况和实验情况的数据，包括热压罐的罐体泄漏，对罐体泄漏情况进行分级和量化；针对热压罐设备孪生行为模型，包括恒压升温，升压升温，通过时域积分计算得到每种行为对罐体的载荷不同，即载荷、罐体状况为神经网络的输入输出量；

进行数据的扩维处理，即除了上述各种行为对应的载荷外，考虑热压罐生产的历史情况，追加考虑预定载荷的历史情况，最终通过神经网络生成孪生融合的故障数据和实验数据。

Images