CN111857065B - 基于边缘计算和数字孪生的智能生产系统和方法 - Google Patents
基于边缘计算和数字孪生的智能生产系统和方法 Download PDFInfo
- Publication number
- CN111857065B CN111857065B CN202010513144.2A CN202010513144A CN111857065B CN 111857065 B CN111857065 B CN 111857065B CN 202010513144 A CN202010513144 A CN 202010513144A CN 111857065 B CN111857065 B CN 111857065B
- Authority
- CN
- China
- Prior art keywords
- digital twin
- physical
- production
- equipment
- simulation
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 332
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004364 calculation method Methods 0.000 title claims abstract description 22
- 238000004088 simulation Methods 0.000 claims abstract description 110
- 238000007726 management method Methods 0.000 claims abstract description 92
- 238000004458 analytical method Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 230000000007 visual effect Effects 0.000 claims abstract description 21
- 238000012423 maintenance Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 48
- 238000010276 construction Methods 0.000 claims description 28
- 238000013473 artificial intelligence Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 17
- 230000002093 peripheral effect Effects 0.000 claims description 12
- 238000013468 resource allocation Methods 0.000 claims description 11
- 238000012800 visualization Methods 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000004886 process control Methods 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 15
- 230000005540 biological transmission Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 5
- 238000005094 computer simulation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- 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
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于边缘计算和数字孪生的智能生产系统和方法,属于智能化生产领域。本发明智能生产系统包括物理系统、边缘数字孪生节点、数字孪生管理控制系统、生产制造仿真系统、订单系统和AI算法模型库。本发明方法包括:智能感知设备实时获取物理生产线信息传输至边缘数字孪生节点;边缘数字孪生节点构建设备模型、预测设备故障和寿命、进行可视化展示;数字孪生管理控制系统生成生产设备调度的仿真分析作业,根据生产制造仿真系统的仿真结果优化生产调度策略,发送生产调度指令给物理系统。本发明降低了终端处理器的计算负担,减小了时延,提高了整个智能生产系统的信息映射效率和工作效率,实现了边缘侧的设备故障监控、预测与维护。
Description
技术领域
本发明属于智能化生产领域,具体涉及一种基于边缘计算和数字孪生的智能生产系统和方法。
背景技术
为推进智能制造快速发展,世界上许多国家都制定了相应的发展战略,如美国工业互联网、德国工业4.0、中国制造2025等。以制造为导向的物理信息系统CPS(Cyber-Physical Systems)通过构筑信息空间与物理空间数据交互的闭环通道,能够实现信息虚体与物理实体之间的交互联动,借助信息技术,实现制造的物理世界和信息世界的互联互通与智能化操作。目前,生产线物理空间与信息空间相互独立,数据传递存在滞后性,虚实空间无法实时交互与融合,智能化水平还不高。鉴于此现状,数字孪生作为CPS融合的技术手段引起了广泛的关注。
作为CPS系统核心的数字孪生技术以物理实体为参照建立静态模型,通过实时数据采集、远程协调和实时监控,动态跟踪物理实体的工作状态和工作进展,将物理空间中的物理实体在信息空间进行全要素重建,形成具有感知、分析、决策、执行能力的数字孪生体。应用于工业化生产的数字孪生技术能够把研发到生产的技术流程打通,且能够利用虚拟模型仿真未知的领域和设计,将对产品制造过程的智能化和产品本身的智能化结合起来,使得实体产品的生产加工和运行状态能够实时、精确地反映在虚拟空间中,实现了信息的双向流动,利用信息的反馈机制对产品制造进行精确控制。
将数字孪生运用于智能化生产,在车间现场对实时性有较高要求,有诸多短周期数据需要处理,同时车间现场复杂多变,这些都要求在车间现场这类工业互联网边缘提供智能,以支撑智能化生产。
边缘计算适用于高实时性、短周期数据、本地决策等场景,是在靠近物或数据源头的网络边缘侧,融合网络、计算、存储、应用核心能力的分布式开放平台,就近提供边缘智能服务,满足工业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。
面向行业智能2.0的挑战,边缘计算是联接物理和数字世界的桥梁,建立物理世界和数字世界的联接与互动,使能智能资产、智能网关、智能系统和智能服务。通过数字孪生,在数字世界建立起对多样协议、海量设备和跨系统的物理资产的实时映像,了解事物或系统的状态,应对变化,改进操作和增加价值。在过去十年里,网络、计算和存储领域作为信息和通信技术ICT产业的三大支柱,在技术可行性和经济可行性发生了指数性提升。联接成本的下降、计算力的提升、海量的数据使得数字孪生有机会在行业智能2.0时代发挥重要作用。
当前的数字孪生技术在实际应用过程中,由于终端处理器计算能力有限,无法承载海量数据的分析处理,尤其当数字孪生体之间需要长距离信息传输时,这种实时处理和传输大量信息的需求对于当前数字孪生系统而言是普遍难以胜任的。陆剑峰等[参考文献1:陆剑峰,王盛,张晨麟,等.工业互联网支持下的数字孪生车间[J].自动化仪表.2019.5(40):1-5.]分析了工业互联网技术在数字孪生车间建设方面的技术支持,指出数字孪生技术在智能车间的应用存在的关键问题就是信息空间和物理空间之间的实时数据传递问题。刘志峰等[参考文献2:刘志峰,陈伟,杨聪彬,等.基于数字孪生的零件智能制造车间调度云平台[A].计算机集成制造系统.2019.1]对基于数字孪生的零件智能制造车间调度云平台进行了研究以解决零件智能制造车间的调度问题,该平台将物理生产线中的状态、数据等制造资源全部上传至调度云平台存储,物理车间和数字孪生体之间信息交互的实时性仍有待进一步提高,需要进一步构建和优化大数据驱动下的数据分析预测模型和算法问题,加强数字孪生技术、大数据技术在制造车间生产调度方面的应用。
当前数字实体与物理实体尚无法实现强信息映射,数据传递存在滞后性,虚实空间无法实时交互与融合,数字实体在对物理实体信息的跟踪过程中丢失了大量的有价值信息,系统在实时性和信息完整性方面难以兼顾。目前,物理世界与数字世界的联接存在各种问题,具体包括低时延约束、一些场景中的数据猛增和带宽消耗、人员与企业的数据安全与隐私以及边缘侧物理设备与云端的联接的不可靠性等。
发明内容
本发明针对目前数字孪生技术在实际应用过程存在的信息丢失,数字实体与物理实体在实时性和信息完整性方面难以兼顾的问题,提出了一种基于边缘计算和数字孪生的智能生产系统和方法。
本发明提供的一种基于边缘计算和数字孪生的智能生产系统,包括:
物理系统,包括物理生产线、工控网络和智能感知设备;智能感知设备实时获取物理生产线信息并通过工控网络传输至边缘数字孪生节点;所述的物理生产线信息包括生产线上实体设备运行时的形态数据、状态数据和行为数据;
在物理系统中布置有多个边缘数字孪生节点,每个边缘数字孪生节点通过网络与周围的智能感知设备通信,接收实时物理生产线信息,根据其中的实体设备运行时的状态数据,结合实体设备的材料参数和几何参数,对实体设备进行模型构建与仿真,并进行可视化展示;边缘数字孪生节点还利用AI算法模型库中预训练的模型实时对物理生产线信息进行分析,将分析处理结果发送给数字孪生管理控制系统,并在实体设备模型的状态展示中提供信息提示;
数字孪生管理控制系统从各边缘数字孪生节点获取的物理生产线信息生成物理系统的数字孪生模型;数字孪生管理控制系统从订单系统接收订单计划,依据订单计划中的定制产品信息判断是否存在定制产品的有效历史制造策略,若有将制造策略直接转发给物理系统进行实际生产;否则,数字孪生管理控制系统生成定制产品的制造策略的初始资源配置方案以及仿真分析作业;
生产制造仿真系统对数字孪生管理控制系统生成的数字孪生模型执行仿真分析作业,反馈仿真结果给数字孪生管理控制系统;数字孪生管理控制系统根据仿真结果优化定制产品的制造策略;
订单系统用于接收个性化定制订单,下发订单计划给数字孪生管理控制系统;
AI(人工智能)算法模型库部署在云端,存储有不同的AI算法模型,包括有设备故障预测模型、设备寿命预测模型、设备调度优化模型、生产设备调度模型。
基于上述的智能生产系统,本发明的基于边缘计算和数字孪生的智能生产方法包括:
步骤1,物理系统执行接收到的生产作业,并实时采集物理生产线信息传输至边缘数字孪生节点;边缘数字孪生节点根据接收到的周边实体设备运行时的状态数据并结合其材料参数、几何参数,利用UG软件对实体设备进行模型构建与仿真,并实时地进行可视化展示;
步骤2,边缘数字孪生节点对接收到的物理生产线信息进行分析过滤后将结果发送给数字孪生管理控制系统;
步骤3,数字孪生管理控制系统从订单系统接收订单计划,生成初始资源配置方案以及仿真分析作业给生产制造仿真系统,根据仿真结果和AI算法模型库的生产设备调度优化模型进一步优化生产线运行状态数据,生成生产调度指令给物理系统,并对物理生产线进行虚拟建模和可视化展示;
步骤4,边缘数字孪生节点调用AI算法模型库中的设备故障预测模型或设备寿命预测模型,向物理系统发送生产调度指令对设备进行预测维护,同时进行可视化提示。
本发明与现有技术相比,具有以下优势和积极效果:
(1)本发明的智能生产系统及方法借助边缘计算技术,在边缘侧提供本地智能服务,实现了信息的就近处理和有用信息的提取,在数据获取端就对数据进行初步的清洗,筛选和整理,提升了数据的有效性,减轻了数据库的存储压力,降低了终端处理器的计算负担,提高了整个数字孪生系统的信息映射效率。
(2)本发明系统和方法中的边缘数字孪生节点将周边智能感知设备传送来的具有不同协议的物理信息数据进行初步的清洗、筛选和整理,减少了数字孪生管理控制系统与物理系统之间的数据传输的流量,在物理实体与数字实体之间建立了强信息映射。
(3)本发明实现了物理系统的虚拟可视化。在边缘数字孪生节点处实现设备的仿真可视化,所构建的实体设备模型的外观和物理生产线保持高度一致,实现了生产线设备在边缘侧的数字孪生。生产制造仿真系统仿真生产环境,生成与物理生产线中各类设备、产品实时位置、位姿、状态信息相一致的虚拟生产线模型,并进行实时可视化展示。
(4)边缘数字孪生节点还会根据智能感知设备传送的实体设备状态数据及仿真建模结果,调用AI算法模型库预训练的针对设备故障预测、寿命预算的模型对设备进行预测维护,同时提供可视化信息提示,实现了边缘侧的设备故障预测与维护;便于相关操作人员在生产过程中及时排除故障,维护生产平稳进行。
(5)本发明所提出的智能生产系统及方法很好地解决了当前数字孪生技术在应用过程中存在的数字实体信息展示不全面、信息量和系统实时性难以兼顾的问题,实现自学习自决策的建设目标。同时,还通过云端预训练获取若干个人工智能模型提供给数字孪生管理控制系统和边缘数字孪生节点,实现设备检测,以及为设备之间相互的配合提供智能选择与决策;AI算法模型库的引入有助于实现边缘侧的设备故障预测与维护,减少时延,提高整个系统的生产效率。
附图说明
图1是本发明的基于边缘计算和数字孪生的智能生产系统的框架结构图;
图2是本发明的边缘数字孪生节点的模块组成结构图;
图3是本发明的基于边缘计算和数字孪生的智能生产系统的运行流程图;
图4是本发明的智能生产系统根据订单计划调度生产的流程示意图;
图5是本发明的智能生产系统进行设备预维护的流程示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图对本发明作进一步的详细和深入描述。
本发明提出的一种基于边缘计算和数字孪生的智能生产系统,所要研究的生产系统是物理系统,生产线中所涉及的设备为物理实体,通过布置在物理系统的智能感知设备采集生产线中物理实体的形态信息、状态信息和行为信息等发送到边缘数字孪生节点;边缘数字孪生节点接收周边智能感知设备传送过来的具有不同协议的物理信息数据并进行实时计算和分析过滤,将计算和分析过滤后的数据发送给数字孪生管理控制系统;同时,边缘数字孪生节点根据智能感知设备传送的实体设备的材料、几何参数,利用UG软件对其周边的实体设备进行模型构建与仿真并进行实时可视化展示,这些建模对象的几何模型的外观和物理生产线保持高度一致,实现了生产线设备在边缘侧的数字孪生;边缘数字孪生节点还根据智能感知设备传送的实体设备状态数据及仿真建模结果,调用AI(人工智能)算法模型库中预训练的针对设备故障预测、寿命预算的模型对设备进行预测维护,同时提供可视化信息提示。数字孪生管理控制系统接收到边缘数字孪生节点传送来的数据,在AI算法模型库的指导下根据生产线历史运行状态数据、生产线当前运行状态数据和生产线目标运行状态数据生成数字孪生模型,并进行实时作业执行状态仿真,生成生产调度指令给物理系统。本发明生产系统通过上述过程在物理实体与数字实体之间建立了强信息映射,保证了信息以不失真的方式在物理世界与数字世界之间实时、高速传递。
如图1所示,本发明提供的一种基于边缘计算和数字孪生的智能生产系统,包括:物理系统、边缘数字孪生节点、数字孪生管理控制系统、生产制造仿真系统、订单系统和AI算法模型库。
物理系统是所要研究的存在于物理世界的客观生产线系统,为数字孪生管理控制系统的应用场景,包括场景中的实体设备及实体设备周边的物理环境。实体设备例如是数控机床、机械臂、加工中心CNC等。实体设备周边的物理环境包括压力、温度、湿度、噪声、射频辐射、紫外辐射、激光辐射等。
物理系统中的实体包括物理生产线、智能感知设备和工控网络,物理系统借助智能感知设备获取物理生产线信息并通过工控网络传输至边缘数字孪生节点。物理生产线信息包括生产线实时的形态信息、状态信息和行为信息,具体包括物理生产线的环境信息、机床、工业机器人、工件、物料、传送装置、物流设备、仓储设备的位置、位姿、速度和状态等。
物理生产线上的物理实体设备具有通讯接口,提供给智能感知设备接入使用。
智能感知设备包括可编程逻辑控制器(PLC)、传感器和远程终端单元。传感器包括检测实体设备行为信息和状态信息的传感器、及检测实体设备周边环境的传感器。远程终端单元负责现场信号、工业设备的监测和控制。远程终端单元通讯距离较长,适用于各种环境相对恶劣的工业现场,如部署在一些无人值守的站点。
智能感知设备实时获取的物理生产线信息由工控网络传输至边缘数字孪生节点,智能感知设备支持ModBus、Profinet、WIFI、5G等多种传输协议。图1中的DCS表示分散式控制系统,与PLC控制系统一样,属于工控系统。图1中的CAx.是计算机辅助设计软件;WMS是仓库管理系统,MES为制造执行系统,为物理系统中的子系统。
物理系统对其中的异构控制系统,如PLC控制系统和DCS控制系统在网络结构和协议上进行同构;在通信接口方面,采用OPC-UA(OLE for Process Control-UnifiedArchitecture)技术协议对异构控制系统的通信接口进行了统一。
边缘数字孪生节点位于物理系统与数字孪生管理控制系统之间,与智能感知设备进行通信连接。边缘数字孪生节点接收周边智能感知设备传送过来的具有不同协议的物理信息数据并进行实时计算和分析过滤,将计算和分析过滤后的数据和结果发送给数字孪生管理控制系统,实现数字孪生管理控制系统与物理系统之间的数据交互,在边缘侧提供便捷的智能服务。边缘数字孪生节点与智能感知设备的通信连接为无线或有线连接。
边缘数字孪生节点根据智能感知设备传送的实体设备运行时的状态数据,结合实体设备的材料、几何参数,利用UG软件对其周边的实体设备进行模型构建与仿真,实时地对其周边的实体设备进行可视化展示,明确建模对象的分类、名称、规格、型号、关键技术参数等属性,这些建模对象的几何模型的外观和物理生产线保持高度一致,实现了生产线设备在边缘侧的数字孪生。UG(Unigraphics NX)软件是一个交互式CAD/CAM(计算机辅助设计与计算机辅助制造)系统,用于实现各种复杂实体及造型的建构。
边缘数字孪生节点根据智能感知设备传送的实体设备状态数据及仿真建模结果,调用AI算法模型库预训练的针对设备故障预测、寿命预算的模型对设备进行预测维护,同时提供可视化信息提示,便于操作人员在生产过程中及时排除故障,维护生产平稳进行。
如图2所示,边缘数字孪生节点包括:数据处理模块、存储器、计算模块、模型构建仿真模块、可视化模块、处理控制模块和控制器。
数据处理模块用于对智能感知设备传送来的生产线异构数据进行预处理,对数据进行清洗、聚合、自更新和时序拼接等。
模型构建仿真模块接收到数据处理模块预处理之后的实体设备运行时的状态数据,结合实体设备的材料参数、几何参数,利用UG软件对该边缘数字孪生节点周边的实体设备进行模型构建与仿真,明确建模对象的分类、名称、规格、型号、关键技术参数等属性,这些建模对象的几何模型的外观和物理生产线保持高度一致。
可视化模块用于对模型构建仿真模块构造的周边实体设备的模型状态进行实时可视化展示。
存储器中存储数据处理模块处理后的数据以及模型构建仿真模块构造的实体设备模型。存储器中的生产环境数据、生产线状态信息数据和实体设备模型将被传送至生产制造仿真系统用于虚拟生产线模型构建。存储器还用于存储AI算法模型库传来的模型参数和物理生产线上实体设备的历史运行状态数据。存储器存储的数据将用于后续模型分析。
计算模块提供数据分析功能,用于对数据处理模块处理后的数据进行聚类、分类、异常检测等分析处理。计算模块会根据所配置的算法功能,从AI算法模型库中调用具体的模型对数据源进行分析处理,将分析处理得到的结果传送至数字孪生管理控制系统和处理控制模块,同时还传送至模型构建仿真模块,模型构建仿真模块将处理结果通过可视化模块进行可视化展示或提示,实时展示在实体设备模型状态中。
处理控制模块用于根据计算模块的分析处理结果进行后续动作,根据分析处理结果和配置好的处理逻辑发出控制指令给生产线控制系统,对运行中的实体设备的行为进行控制,如调整生产节拍,设备出现可能异常时进行报警提示甚至做停机处理,以维护生产系统正常运行。
控制器是整个边缘数字孪生节点的大脑,负责边缘数字孪生节点的资源调度、任务编排和逻辑处理,可以通过软件进行编程设置。
边缘数字孪生节点对采集的物理系统数据进行初步的清洗、筛选和整理,将过滤整理后的数据和构建的实体设备模型发送给数字孪生管理控制系统,减少了数字孪生管理控制系统与物理系统之间的数据传输的流量,在物理实体与数字实体之间建立了强信息映射。
数字孪生管理控制系统在接收到订单任务后,依据生产计划附带的定制产品数据进行判断,如果数字孪生管理控制系统存有定制产品的有效历史制造策略,则直接转发生产计划给物理系统进行实际的生产;如果数字孪生管理控制系统未存储定制产品的有效历史制造策略,则会生成定制产品的制造策略的初始资源配置方案以及仿真分析作业,然后将仿真分析作业发送到生产制造仿真系统进行仿真及优化。在生产前,数字孪生管理控制系统根据生产制造仿真系统的仿真结果优化生产计划;在生产中,物理系统中生产相关的实时数据及生产制造仿真系统中的仿真优化数据实时同步至数字孪生管理控制系统,数字孪生管理控制系统实时调整优化生产计划以适应不断变化的生产环境。
具体的,生产前,数字孪生管理控制系统在接收到订单系统下发的任务后,根据从各边缘数字孪生节点获取的生产线历史运行状态数据、生产线当前运行状态数据和生产线目标运行状态数据以及AI算法模型库中的生产设备调度优化模型,生成数字孪生模型、初始资源配置方案和仿真分析作业。数字孪生管理控制系统接收到生产制造仿真系统反馈的仿真分析结果后,将需要及时反馈给用户的仿真分析数据包装成虚拟制造的结果并反馈给订单系统,并根据仿真分析结果优化数字孪生模型及资源配置方案;之后数字孪生管理控制系统依据产品数据、物料库存数量、生产线正在执行的作业数量等进行生产详细排程,依据详细排程生成生产计划,下达生产计划给物理系统进行生产。
生产过程中,数字孪生管理控制系统持续收到边缘数字孪生节点采集的物理系统实时的生产线运行状态,并对接收的生产线实时状态数据进行加工处理,加入时间戳、订单号等,然后存入实时数据库。数字孪生管理控制系统根据AI算法模型库中的生产设备调度优化模型,依据生产线历史运行状态数据、生产线当前运行状态数据与生产线目标运行状态数据生成新的运行状态数据,并将新的运行状态数据输入至生产制造仿真系统对生产线的运行状态进行仿真。数字孪生管理控制系统对数字孪生模型进行完善,并依据实时数据以三维可视化的表现形式对生产过程进行监控。数字孪生管理控制系统根据生产制造仿真系统的仿真结果进一步优化运行状态数据,依据接收到的实时作业执行状态和运行状态数据动态地生成生产设备调度指令给物理系统。当数字孪生管理控制系统判断生产作业已经完成后,存储生产计划执行的结果数据,并向订单系统反馈实际制造的结果。
生产制造仿真系统为数字孪生管理控制系统的优化和虚拟调试环境,根据不断更新的数字孪生模型提供生产环境模拟、生产线运行状态模拟、数据流模拟和虚拟调试功能,为数字孪生管理控制系统提供学习进化环境,指导物理系统构建,以减少冗余信息,实现信息的高效传递。
生产制造仿真系统接收到边缘数字孪生节点传送来的生产环境数据,在Unity 3D等三维可视化引擎中进行生产环境仿真。将边缘数字孪生节点中通过UG软件构建的实体设备模型导入到三维可视化引擎中,三维可视化引擎同时依据获取的物理生产线实时状态信息数据,在订单任务执行生产前执行数字孪生管理控制系统发送的仿真分析作业,在生产过程中在实时获取的物理生产线数据的驱动下,对虚拟生产线三维轻量化模型用着色、旋转、缩放等方式进行渲染,生成与物理生产线中各类设备、产品实时位置、位姿、状态信息相一致的虚拟生产线模型,并进行实时可视化展示。
生产制造仿真系统生成的三维场景和模型都具有良好的自然交互性。其中,产品信息模型通常包括产品的构成、零部件组成、加工工艺数据、加工工艺装备、材料清单和工时定额等信息;过程信息模型需要以生产线信息模型为载体,通常都是在生产线信息建模的软件上进行插件开发,通过插件进行辅助过程信息模型的创建,过程信息建模主要是对生产线的生产流程、物资的流入流出、信息的输入输出等来进行数据方面的建模。
AI算法模型库部署在云端,为数字孪生管理控制系统和边缘数字孪生节点提供相应的人工智能算法模型,如生产设备故障预测模型、关键设备的寿命预测模型、生产设备调度优化模型等。通过云端预训练,可以得到性能较好的若干个人工智能算法模型。根据实际的需求推送相应的算法模型参数到边缘数字孪生节点中,进行硬件设备的分析。同时,其中存储的人工智能算法模型可以定期利用更新的数据对模型进行更新训练优化,或者利用分布式联邦学习等机制进行协同更新。
订单系统接收到个性化定制订单,企业资源计划ERP系统、客户关系管理CRM系统依据接收到的个性化定制订单安排订单计划,并下达订单计划给数字孪生管理控制系统。订单系统接收到数字孪生管理控制系统反馈的生产制造仿真系统虚拟制造执行的结果,即虚拟产品和仿真分析的结果,虚拟产品用于个性化定制客户体验自己定制的产品,仿真分析的结果用于客户了解交货期和质量等信息的预期估值。数字孪生管理控制系统向订单系统反馈实际制造的结果实现订单系统对订单的监控功能。
本发明的基于边缘计算和数字孪生的智能生产系统的运行流程,如图3所示,图中的虚线展示了数字孪生管理控制系统与物理系统、边缘数字孪生节点与物理系统之间形成的两个闭环,通过下面4个步骤来说明运行流程。
步骤1、物理系统执行接收到的生产作业,并实时采集物理生产线信息传输至边缘数字孪生节点;边缘数字孪生节点根据接收到的周边实体设备参数,利用UG软件对其周边的实体设备进行模型构建与仿真,并实时地进行可视化展示;
步骤2、边缘数字孪生节点对接收到的物理信息数据进行分析过滤后将结果发送给数字孪生管理控制系统;数字孪生管理控制系统在未查找到有效历史制造策略时,生成初始资源配置方案以及仿真分析作业给生产制造仿真系统;
步骤3、数字孪生管理控制系统根据生产制造仿真系统的仿真结果和AI算法模型库中的生产设备调度优化模型进一步优化生产线目标运行状态数据,生成生产调度指令给物理系统,并对生产线进行虚拟建模和可视化展示;
步骤4、边缘数字孪生节点调用AI算法模型库预训练的针对设备故障预测模型、设备寿命预测模型,向物理系统发送生产调度指令对设备进行预测维护,同时提供可视化信息提示。
实施例一、采用本发明的基于边缘计算和数字孪生的智能生产系统,根据订单计划调度生产,所实现的一个流程如图4所示,分为下面步骤12个步骤来说明。
步骤a1、订单系统下达订单计划给数字孪生管理控制系统;
步骤a2、数字孪生管理控制系统根据生产线历史运行状态数据、生产线当前运行状态数据生成物理系统的数字孪生模型,在AI算法模型库的生产设备调度优化模型指导下,结合生产线目标运行状态数据,生产初始资源配置方案和仿真分析作业;
步骤a3、数字孪生管理控制系统下达仿真分析作业给生产制造仿真系统进行生产仿真分析;
步骤a4、生产制造仿真系统将仿真分析的结果反馈给数字孪生管理控制系统;
步骤a5、数字孪生管理控制系统接收到生产制造仿真系统反馈的仿真结果,将需要及时反馈给用户的仿真分析结果数据包装成虚拟制造的结果并反馈给订单系统,并根据仿真分析结果优化数字孪生模型及资源配置方案;
步骤a6、数字孪生管理控制系统依据产品数据、物料库存数量、生产线正在执行的作业数量等进行生产详细排程,生成生产计划,下达生产计划给物理系统进行生产;
步骤a7、物理系统执行接收到的生产计划作业,并借助智能感知设备实时获取物理生产线信息并通过工控网络传输至边缘数字孪生节点;
步骤a8、边缘数字孪生节点接收周边智能感知设备传送过来的具有不同协议的物理信息数据进行预处理,实时计算并分析过滤,利用UG软件对其周边的实体设备进行模型构建仿真与实时可视化展示,同时将计算和分析过滤后的数据发送给数字孪生管理控制系统;
步骤a9、数字孪生管理控制系统对接收的实时作业状态数据进行加工处理,加入时间戳、订单号等,然后存入实时数据库;
步骤a10、数字孪生管理控制系统根据AI算法模型库生产设备调度优化模型、生产线历史运行状态数据、当前运行状态数据与生产线目标运行状态数据生成新的运行状态数据,并将新的运行状态数据输入至数字孪生模型中,生产制造仿真系统根据数字孪生模型对生产线的运行状态进行仿真并将仿真结果反馈给数字孪生管理控制系统;
步骤a11、数字孪生管理控制系统根据仿真结果进一步优化运行状态数据,依据接收到的实时作业执行状态和运行状态数据动态地生成生产调度指令给物理系统;
步骤a12、当数字孪生管理控制系统判断生产作业已经完成后,存储生产计划执行的结果,并向订单系统反馈实际制造的结果,从而完成一个完整的生产业务流程。
实施例二、本发明的基于边缘计算和数字孪生的智能生产系统进行设备预维护的流程,如图5所示,分下面6个步骤来说明。
步骤b1、在生产过程中物理系统借助智能感知设备获取物理生产线信息并通过工控网络传输至边缘数字孪生节点;
步骤b2、边缘数字孪生节点的数据处理模块对物理生产线信息进行清洗、聚合、自更新和时序拼接等处理并存储在存储器中;
步骤b3、边缘数字孪生节点的计算模块从AI算法模型库中调用具体的智能模型如生产设备故障预测模型、关键设备的寿命预测模型,对物理生产线数据进行分析处理;
步骤b4、检测到的设备状态异常数据通过接口输入至数字孪生管理控制系统及边缘数字孪生节点的模型构建仿真模块进行可视化展示或提示,便于操作人员及时获取生产状态异常信息;
步骤b5、边缘数字孪生节点的计算模块分析处理得到的结果输入至处理控制模块进行后续动作;
步骤b6、处理控制模块根据处理逻辑,对生产线控制系统运行中的设备异常和寿命预测行为触发相应的控制指令;边缘数字孪生节点生成设备运行调度指令发送给物理系统。
本发明中在工厂数字孪生系统中引入边缘数字孪生节点,实现在数据获取端就对数据进行初步的清洗,筛选和整理,减少了数字孪生管理控制系统与物理系统之间的数据传输的流量,在物理实体与数字实体之间建立了强信息映射,保证了信息以不失真的方式在物理世界与数字世界之间实时、高速传递。
边缘数字孪生节点还会根据智能感知设备传送的实体设备状态数据及仿真建模结果,调用AI算法模型库预训练的针对设备故障预测、寿命预算的模型对设备进行预测维护,同时提供可视化信息提示,实现了边缘侧的设备故障预测与维护;
本发明在工厂数字孪生系统中借助边缘计算技术,边缘数字孪生节点的引入提升了数据的有效性,减轻了数据库的存储压力,降低了终端处理器的计算负担,提高了整个数字孪生系统的信息映射效率。本发明在边缘侧提供本地智能服务,实现了信息的就近处理和有用信息的提取,减小了时延,提高了整个智能生产系统的工作效率。同时,边缘数字孪生节点还通过调用AI算法模型库预训练模型对设备进行预测维护,并提供可视化提示,实现了边缘侧的设备故障监控、预测与维护,保障生产平稳进行。
Claims (6)
1.一种基于边缘计算和数字孪生的智能生产系统,其特征在于,包括:物理系统、边缘数字孪生节点、数字孪生管理控制系统、生产制造仿真系统、订单系统和AI算法模型库;AI代表人工智能;
物理系统,包括物理生产线、工控网络和智能感知设备;智能感知设备实时获取物理生产线信息并通过工控网络传输至边缘数字孪生节点;所述的物理生产线信息包括生产线上实体设备运行时的形态数据、状态数据和行为数据;
在物理系统中布置有多个边缘数字孪生节点,每个边缘数字孪生节点通过网络与周围的智能感知设备通信,接收实时物理生产线信息,根据其中的实体设备运行时的状态数据,结合实体设备的材料参数和几何参数,对实体设备进行模型构建与仿真,并进行可视化展示;边缘数字孪生节点还利用AI算法模型库中预训练的模型实时对物理生产线信息进行分析,将分析处理结果发送给数字孪生管理控制系统,并在实体设备模型的状态展示中提供信息提示;
数字孪生管理控制系统从各边缘数字孪生节点获取物理生产线信息生成物理系统的数字孪生模型;数字孪生管理控制系统从订单系统接收订单计划,依据订单计划中的定制产品信息判断是否存在定制产品的有效历史制造策略,若有将制造策略直接转发给物理系统进行实际生产;否则,数字孪生管理控制系统调用AI算法模型库中的生产设备调度优化模型,生成定制产品的制造策略的初始资源配置方案以及仿真分析作业;
生产制造仿真系统对数字孪生管理控制系统生成的数字孪生模型执行仿真分析作业,反馈仿真结果给数字孪生管理控制系统;数字孪生管理控制系统根据仿真结果优化定制产品的制造策略;
订单系统用于接收个性化定制订单,下发订单计划给数字孪生管理控制系统;
AI算法模型库部署在云端,存储有不同的AI算法模型,包括有设备故障预测模型、设备寿命预测模型、生产设备调度优化模型。
2.根据权利要求1所述的系统,其特征在于,所述的边缘数字孪生节点包括数据处理模块、存储器、模型构建仿真模块、可视化模块、计算模块、处理控制模块和控制器;
所述的数据处理模块用于对实时物理生产线信息进行预处理,并将预处理后的数据发送给存储器和模型构建仿真模块;其中,预处理包括数据清洗、聚合、自更新和时序拼接;
所述的模型构建仿真模块接收到经数据处理模块预处理的数据后,根据其中的实体设备运行时的状态数据,结合实体设备的材料参数和几何参数,利用UG软件对实体设备进行模型构建与仿真,并通过可视化模块实时将构造的实体设备模型状态展示;
所述的存储器用于存储数据处理模块输出的数据、模型构建仿真模块所构造的实体设备模型、AI算法模型库传来的模型参数和物理生产线上实体设备的历史运行状态数据;
所述的计算模块从存储器中读取物理生产线上实体设备的实时物理生产线信息,再从存储器中调用AI算法模型库中的模型参数,利用AI算法模型对所读取的实体设备的实时物理生产线信息进行异常检测分析处理,将分析处理结果传送至数字孪生管理控制系统和处理控制模块、模型构建仿真模块,模型构建仿真模块将处理结果通过可视化模块展示在实体设备模型状态中;
所述的处理控制模块根据计算模块的分析处理结构,依据配置好的处理逻辑发送控制指令给物理生产线的控制系统;
所述的控制器用于边缘数字孪生节点的资源调度、任务编排和逻辑处理。
3.根据权利要求1或2所述的系统,其特征在于,所述的数字孪生管理控制系统,在产品生产过程中,对实时接收到的物理生产线信息,根据生产设备调度优化模型,生成新的生产线运行状态数据,并输入生产制造仿真系统对物理生产线的运行状态进行仿真,根据仿真结果优化生产线运行状态数据,结合接收到的实时作业执行状态动态地生成生产设备调度指令给物理系统。
4.基于权利要求1或2所述的智能生产系统的生产方法,其特征在于,包括如下步骤:
步骤1,物理系统执行接收到的生产作业,并实时采集物理生产线信息传输至边缘数字孪生节点;边缘数字孪生节点根据接收到的周边实体设备的材料和几何参数,利用UG软件对实体设备进行模型构建与仿真,并实时地进行可视化展示;
步骤2,边缘数字孪生节点对接收到的物理生产线信息进行分析过滤后将结果发送给数字孪生管理控制系统;
步骤3,数字孪生管理控制系统从订单系统接收订单计划,生成初始资源配置方案以及仿真分析作业给生产制造仿真系统,根据生产制造仿真系统的仿真结果和AI算法模型库的生产设备调度优化模型进一步优化生产线运行状态数据,生成生产调度指令给物理系统,并对物理生产线进行虚拟建模和可视化展示;
步骤4,边缘数字孪生节点调用AI算法模型库中的设备故障预测模型或设备寿命预测模型,向物理系统发送生产调度指令对设备进行预测维护,同时进行可视化提示。
5.根据权利要求4所述的生产方法,其特征在于,所述的步骤3中,数字孪生管理控制系统在接收到订单系统下达的订单计划后,执行如下步骤:
数字孪生管理控制系统根据物理生产线历史运行状态数据、当前运行状态数据生成物理系统的数字孪生模型,再依据生产线目标运行状态数据,调用AI算法模型库中的生产设备调度优化模型生成初始资源配置方案和仿真分析作业;
数字孪生管理控制系统下达仿真分析作业给生产制造仿真系统进行生产仿真分析;
生产制造仿真系统将仿真结果反馈给数字孪生管理控制系统;
数字孪生管理控制系统接收到仿真结果,包装成虚拟制造的结果反馈给订单系统,并根据仿真结果优化数字孪生模型及资源配置方案;
数字孪生管理控制系统生成生产计划,下达给物理系统进行生产;
物理系统执行接收到的生产计划,并通过智能感知设备实时获取物理生产线信息传输至边缘数字孪生节点;
边缘数字孪生节点接收周边智能感知设备传送过来的具有不同协议的物理生产线信息,对数据进行预处理和分析过滤,对实体设备进行模型构建仿真与实时可视化展示,同时将分析过滤后的数据发送给数字孪生管理控制系统;
数字孪生管理控制系统对接收的生产线实时状态数据加入时间戳和订单号,然后存入实时数据库;
数字孪生管理控制系统根据生产设备调度优化模型、生产线历史运行状态数据、当前运行状态数据与生产线目标运行状态数据生成新的运行状态数据,并将新的运行状态数据输入至数字孪生模型中,生产制造仿真系统根据数字孪生模型对生产线的运行状态进行仿真并将仿真结果反馈给数字孪生管理控制系统;
数字孪生管理控制系统根据仿真结果进一步优化运行状态数据,依据接收到的生产线实时状态数据和运行状态数据动态地生成生产调度指令给物理系统;
当数字孪生管理控制系统判断生产作业已经完成后,存储生产计划执行的结果,并向订单系统反馈实际制造的结果。
6.根据权利要求4所述的生产方法,其特征在于,所述的步骤4中,边缘数字孪生节点对物理设备进行预维护,包括如下步骤:
边缘数字孪生节点的数据处理模块对物理生产线信息进行清洗、聚合、自更新和时序拼接处理后并存储在存储器中;
边缘数字孪生节点的计算模块从AI算法模型库中调用设备故障预测模型或设备寿命预测模型,对物理生产线信息进行分析处理;
检测到的设备状态异常数据通过接口输入至数字孪生管理控制系统及边缘数字孪生节点的模型构建仿真模块进行可视化展示或提示;
边缘数字孪生节点的计算模块分析处理得到的结果输入至处理控制模块进行后续动作;
处理控制模块根据处理逻辑,对生产线控制系统运行中的设备异常和寿命预测行为触发相应的控制指令;边缘数字孪生节点生成设备运行调度指令发送给物理系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010513144.2A CN111857065B (zh) | 2020-06-08 | 2020-06-08 | 基于边缘计算和数字孪生的智能生产系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010513144.2A CN111857065B (zh) | 2020-06-08 | 2020-06-08 | 基于边缘计算和数字孪生的智能生产系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111857065A CN111857065A (zh) | 2020-10-30 |
CN111857065B true CN111857065B (zh) | 2023-06-20 |
Family
ID=72986395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010513144.2A Active CN111857065B (zh) | 2020-06-08 | 2020-06-08 | 基于边缘计算和数字孪生的智能生产系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111857065B (zh) |
Families Citing this family (100)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381963B (zh) * | 2020-11-12 | 2022-02-22 | 广东电网有限责任公司 | 一种基于数字孪生技术的电力物联网智能巡检方法及系统 |
CN112418651B (zh) * | 2020-11-19 | 2024-02-02 | 江西农业大学 | 一种基于数字孪生的共享农机实时调度方法 |
CN112363478A (zh) * | 2020-11-20 | 2021-02-12 | 上海电气集团股份有限公司 | 基于工业互联网平台的Cloud VR数字孪生制造产线架构及其构建方法 |
CN112270508A (zh) * | 2020-11-25 | 2021-01-26 | 东北大学 | 一种满足个性化定制生产的数字孪生智慧云调度方法 |
CN112464056B (zh) * | 2020-11-27 | 2022-08-26 | 国网山东省电力公司建设公司 | 可视化监测系统 |
CN112637276B (zh) * | 2020-12-08 | 2021-12-21 | 电子科技大学 | 一种基于数字孪生技术的多用户计算迁移方法 |
CN112528502B (zh) * | 2020-12-11 | 2024-06-07 | 深圳先进技术研究院 | 生产车间的管控方法、管控系统及相关装置 |
CN112859763A (zh) * | 2020-12-16 | 2021-05-28 | 上海英应机器人科技有限公司 | 一种适用于离散型生产制造的mes系统 |
CN112506161B (zh) * | 2020-12-16 | 2022-02-15 | 吉林大学 | 一种基于数字孪生技术的产品分配方法 |
CN112685898B (zh) * | 2020-12-29 | 2022-11-01 | 武汉科技大学 | 一种基于数字孪生的绿色材料优选方法及系统 |
CN112800606A (zh) * | 2021-01-27 | 2021-05-14 | 上海电气集团股份有限公司 | 数字孪生产线构建方法、系统、电子设备及存储介质 |
CN112784427B (zh) * | 2021-01-28 | 2023-06-27 | 工业云制造(四川)创新中心有限公司 | 一种基于数字孪生技术智能制造仿真系统 |
CN112925281B (zh) * | 2021-02-02 | 2022-02-22 | 山东大学 | 基于数字孪生的实体制造系统部署方案的生成方法及系统 |
CN112883640B (zh) * | 2021-02-04 | 2023-06-09 | 西南交通大学 | 数字孪生车站系统、基于该系统的作业调度方法及应用 |
CN113050553A (zh) * | 2021-02-18 | 2021-06-29 | 同济大学 | 半导体生产线基于联邦学习机制的调度建模方法 |
CN112862325A (zh) * | 2021-02-18 | 2021-05-28 | 同济大学 | 基于联邦学习机制中数据的复杂制造系统的调度系统 |
CN113064389B (zh) * | 2021-03-04 | 2022-07-01 | 常州信息职业技术学院 | 基于数字孪生的智能生产线触控系统及方法 |
CN112818490B (zh) * | 2021-03-18 | 2022-02-01 | 中国人民解放军陆军工程大学 | 一种云边架构的装备数字孪生平行仿真系统及方法 |
CN113033001B (zh) * | 2021-03-26 | 2023-04-07 | 山东山大华天软件有限公司 | 一种面向数字孪生应用的三维数字工厂建模方法及系统 |
CN113193985A (zh) * | 2021-03-29 | 2021-07-30 | 清华大学 | 一种通信系统仿真平台 |
WO2022213538A1 (zh) * | 2021-03-30 | 2022-10-13 | 清华大学 | 仿真测试平台的建立方法、装置和电子设备 |
CN113119937B (zh) * | 2021-03-31 | 2022-04-08 | 南京航空航天大学 | 基于数字孪生的智能线控制动系统及其预测控制方法 |
CN113093680A (zh) * | 2021-04-07 | 2021-07-09 | 上海电机学院 | 一种基于数字孪生技术的fims系统架构设计方法 |
CN113301111A (zh) * | 2021-04-09 | 2021-08-24 | 厦门攸信信息技术有限公司 | 数字孪生方法、边缘计算设备、移动终端及存储介质 |
CN115225495A (zh) * | 2021-04-15 | 2022-10-21 | 中国移动通信有限公司研究院 | 通信系统、方法、第一功能体及存储介质 |
CN113128865B (zh) * | 2021-04-19 | 2022-09-20 | 贵州航天云网科技有限公司 | 一种基于统一数据源驱动的数字孪生体构建系统及方法 |
CN113112086B (zh) * | 2021-04-22 | 2022-05-13 | 北京邮电大学 | 一种基于边缘计算和标识解析的智能生产系统 |
CN113112088B (zh) * | 2021-04-23 | 2022-08-02 | 北京邮电大学 | 一种边云协同数字孪生智能排产应用运行位置适配方法 |
CN113126583B (zh) * | 2021-04-23 | 2022-02-11 | 北自所(北京)科技发展股份有限公司 | 一种数字孪生纺织成套装备实时交互控制方法及系统 |
CN113298487B (zh) * | 2021-04-25 | 2023-03-24 | 蒲惠智造科技股份有限公司 | 一种基于云端大数据平台的智能制造执行进程管理系统和方法 |
CN113572804B (zh) * | 2021-04-29 | 2023-06-30 | 重庆工程职业技术学院 | 一种基于边缘协作的任务卸载系统、方法及装置 |
CN113221352A (zh) * | 2021-05-11 | 2021-08-06 | 中国科学院自动化研究所 | 基于数字孪生的复杂装备健康管理方法及系统 |
CN113191914A (zh) * | 2021-05-13 | 2021-07-30 | 廊坊市气象局 | 用于日光温室精准监测的数字孪生体构造系统 |
CN113269519B (zh) * | 2021-05-17 | 2023-06-30 | 西安交通大学 | 一种智能产线信息建模方法、存储介质及计算设备 |
CN113296423B (zh) * | 2021-05-22 | 2023-09-08 | 北京德风新征程科技有限公司 | 一种基于工业互联网的实时仿真分析系统 |
CN115412441A (zh) * | 2021-05-26 | 2022-11-29 | 中国移动通信有限公司研究院 | 软件定义的分组传送网的带宽控制方法及设备 |
CN115484173A (zh) * | 2021-05-28 | 2022-12-16 | 中国移动通信有限公司研究院 | 数字孪生网络的流量模拟方法及数字孪生网络 |
CN113283769A (zh) * | 2021-06-03 | 2021-08-20 | 上海宝信数据中心有限公司 | 一种基于数字孪生技术的应急调度系统及应急调度方法 |
CN113433898A (zh) * | 2021-06-09 | 2021-09-24 | 意特利(上海)科技有限公司 | 基于数字孪生的大型薄腔壁智能化加工预警系统 |
CN113485156B (zh) * | 2021-06-17 | 2024-03-19 | 国家电网有限公司 | 一种变压器数字孪生云平台及其实现方法 |
CN113505993B (zh) * | 2021-07-09 | 2023-06-13 | 上海东普信息科技有限公司 | 分拨中心管理方法、装置、设备及存储介质 |
CN113360960B (zh) * | 2021-07-14 | 2023-03-21 | 重庆大学 | 一种计及空间电荷的换流变数字孪生模型构建方法 |
CN113569451B (zh) * | 2021-07-21 | 2023-05-30 | 上海工程技术大学 | 基于数字孪生的列车轴箱轴承寿命预测及故障维修系统 |
CN113554230A (zh) * | 2021-07-26 | 2021-10-26 | 东华大学 | 一种面向制造全生命周期的数字孪生可表示性建模系统 |
CN113742855B (zh) * | 2021-07-27 | 2022-03-18 | 清华大学 | 一种故障预测方法、系统、电子设备与可读存储介质 |
CN113420465B (zh) * | 2021-07-30 | 2023-05-05 | 太原理工大学 | 一种基于数字孪生模型的液压支架全寿命周期管理方法 |
CN113642061B (zh) * | 2021-08-19 | 2024-01-19 | 北京卫星环境工程研究所 | 面向航天器总装的单机设备数字孪生模型构建系统 |
CN113673171B (zh) * | 2021-08-30 | 2023-11-14 | 上海大学 | 一种基于历史数据驱动和机器学习的对接机构数字孪生试验系统及其运行方法 |
CN113792421B (zh) * | 2021-09-04 | 2023-10-17 | 苏州特比姆智能科技有限公司 | 一种基于数字孪生的tpm设备管理数据处理系统及方法 |
CN113792422B (zh) * | 2021-09-04 | 2023-12-05 | 苏州特比姆智能科技有限公司 | 一种基于数字孪生的tpm设备管理虚拟验证方法及系统 |
CN113742673B (zh) * | 2021-09-07 | 2024-05-10 | 石硕 | 一种基于联邦学习的云边协同管控一体化平台 |
CN113810953B (zh) * | 2021-09-08 | 2023-06-27 | 重庆邮电大学 | 一种基于数字孪生的无线传感网络资源调度方法及系统 |
CN113517760B (zh) * | 2021-09-10 | 2021-11-30 | 广州健新科技有限责任公司 | 一种基于大数据和数字孪生的电池储能站监测方法及系统 |
CN113778034B (zh) * | 2021-09-14 | 2024-01-05 | 宏普科技(扬州)有限公司 | 一种基于边缘计算的智能制造监测工业互联网平台 |
CN113917851A (zh) * | 2021-09-16 | 2022-01-11 | 北京天玛智控科技股份有限公司 | 一种基于数字孪生的虚拟测试环境搭建方法 |
CN115225662B (zh) * | 2021-09-22 | 2023-09-19 | 北京邮电大学 | 一种基于数字孪生和区块链的高效可信能源数据处理方法 |
CN114063576A (zh) * | 2021-09-26 | 2022-02-18 | 苏州宏软信息技术有限公司 | 一种应用于工业生产线的数字孪生系统及方法 |
CN113867288B (zh) * | 2021-09-29 | 2022-05-17 | 广东工业大学 | 一种即插即用手机线快速设计及换线方法 |
CN113688992B (zh) * | 2021-10-25 | 2021-12-28 | 中电云数智科技有限公司 | 一种模型优化系统和方法 |
CN114036842B (zh) * | 2021-11-10 | 2022-05-27 | 北京安盟信息技术股份有限公司 | 一种数字孪生机床全生命周期使用策略动态生成方法 |
CN114065501A (zh) * | 2021-11-11 | 2022-02-18 | 中兵勘察设计研究院有限公司 | 生产线工艺仿真优化方法及系统 |
CN113778042B (zh) * | 2021-11-12 | 2022-02-11 | 江苏中科云控智能工业装备有限公司 | 基于信息化建模的工控设备指令模拟运行通信系统 |
CN114115147A (zh) * | 2021-11-18 | 2022-03-01 | 中国电子科技集团公司第三十八研究所 | 一种基于数字孪生的smt制造过程智能管控系统 |
CN114137921B (zh) * | 2021-11-24 | 2023-12-19 | 晋江海纳机械有限公司 | 卫品设备智能生产车间实时调配系统及其调配方法 |
CN114154722A (zh) * | 2021-11-29 | 2022-03-08 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于数字孪生技术的配电台区管理方法、系统及装置 |
KR20230081501A (ko) * | 2021-11-30 | 2023-06-07 | 주식회사 엘지에너지솔루션 | 생산 계획 수립 장치 및 방법 |
CN114373352B (zh) * | 2021-12-20 | 2022-10-28 | 北京科技大学 | 一种选矿厂磨矿分级系统检测与控制虚拟仿真实训系统 |
CN114281047A (zh) * | 2021-12-27 | 2022-04-05 | 山东浪潮工业互联网产业股份有限公司 | 一种流程工业生产过程监控管理方法及系统 |
CN114442510B (zh) * | 2021-12-31 | 2023-10-27 | 广东省科学院智能制造研究所 | 数字孪生闭环控制方法、系统、计算机设备及存储介质 |
CN116455764A (zh) * | 2022-01-10 | 2023-07-18 | 中国移动通信有限公司研究院 | 数字孪生网络的编排方法、数字孪生网络及介质 |
CN114640581B (zh) * | 2022-01-24 | 2024-05-28 | 浪潮通信信息系统有限公司 | 一种基于数字孪生的算力网络处理方法及装置 |
US20230297098A1 (en) * | 2022-03-15 | 2023-09-21 | CLARITRICS INC. d.b.a BUDDI AI | Analytical system for surface mount technology (smt) and method thereof |
CN114827265B (zh) * | 2022-03-17 | 2024-01-23 | 元能星泰(天津)数字科技有限公司 | 针对数字孪生仿真算法大量瞬时信息流的降本增速方法 |
CN114626827B (zh) * | 2022-03-24 | 2024-05-10 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于数字孪生的配电自动化防误操作方法 |
CN114513542A (zh) * | 2022-04-19 | 2022-05-17 | 深圳丰尚智慧农牧科技有限公司 | 生产设备控制方法、装置、计算机设备和存储介质 |
CN114721344A (zh) * | 2022-06-10 | 2022-07-08 | 深圳市爱云信息科技有限公司 | 基于数字孪生DaaS平台的智能决策方法及系统 |
CN115097788A (zh) * | 2022-06-15 | 2022-09-23 | 昆明理工大学 | 一种基于数字孪生工厂的智能管控平台 |
CN115237077A (zh) * | 2022-07-28 | 2022-10-25 | 广东鉴面智能科技有限公司 | 一种基于5g边缘计算的工业数字孪生系统 |
CN115310936B (zh) * | 2022-08-09 | 2024-02-20 | 盟立自动化科技(上海)有限公司 | 基于数字孪生的智慧物流工厂可视化与数据服务技术系统 |
CN115034525B (zh) * | 2022-08-11 | 2022-11-22 | 宝信软件(南京)有限公司 | 基于数据分析的钢管订单生产工期预测监管系统及方法 |
CN115347673B (zh) * | 2022-08-16 | 2023-06-20 | 华珑(沈阳)智能电气有限公司 | 适用于配电开关设备的数字孪生系统诊断方法 |
CN115426363B (zh) * | 2022-08-29 | 2023-05-23 | 广东鑫光智能系统有限公司 | 智能板材加工工厂的数据采集方法及终端 |
CN115489125A (zh) * | 2022-09-30 | 2022-12-20 | 吉林大学 | 一种基于云服务的增材制造数字孪生系统构建方法 |
CN115544766B (zh) * | 2022-10-09 | 2023-06-13 | 广东工业大学 | 一种面向数字孪生生产线的离线仿真系统 |
CN115600882A (zh) * | 2022-12-14 | 2023-01-13 | 江苏未来网络集团有限公司(Cn) | 基于工业互联网全连接管理的产品生产优化方法及系统 |
CN116382197B (zh) * | 2023-01-18 | 2023-09-15 | 北京图安世纪科技股份有限公司 | 一种基于数字孪生的智慧工厂管理平台及管理方法 |
CN115826935B (zh) * | 2023-02-14 | 2023-04-28 | 中国航空油料集团有限公司 | 基于统一语言中间件的数字孪生模型集成系统及方法 |
CN116321036A (zh) * | 2023-03-27 | 2023-06-23 | 南京邮电大学 | 面向绿色无线资源管理的基于数据孪生的系统和控制方法 |
CN116149205B (zh) * | 2023-04-20 | 2023-07-07 | 南京航空航天大学 | 一种基于数字孪生的智能加工单元多策略组合仿真方法 |
CN116300510A (zh) * | 2023-05-11 | 2023-06-23 | 深圳开鸿数字产业发展有限公司 | 设备控制方法、边缘计算设备及存储介质 |
CN116540576B (zh) * | 2023-06-12 | 2024-02-27 | 广州智算信息技术有限公司 | 一种基于数字孪生和智慧楼宇的建筑节能管理系统 |
CN116466673B (zh) * | 2023-06-19 | 2023-09-12 | 山东捷瑞数字科技股份有限公司 | 基于人工智能的制造系统、制造方法、设备及存储介质 |
CN116822353A (zh) * | 2023-06-21 | 2023-09-29 | 盐城工学院 | 一种制造工艺过程的数字孪生模型快速构建方法 |
CN116560326B (zh) * | 2023-07-07 | 2023-09-22 | 中通服建设有限公司 | 一种智慧工厂管理平台 |
CN116821223B (zh) * | 2023-08-25 | 2023-11-24 | 云南三耳科技有限公司 | 基于数字孪生的工业可视化控制平台及方法 |
CN117332635B (zh) * | 2023-09-21 | 2024-04-19 | 北京联远智维科技有限公司 | 一种基于数字孪生的结构在线监测系统及方法 |
CN117148775B (zh) * | 2023-10-31 | 2024-01-23 | 中国电建集团山东电力管道工程有限公司 | 管道生产过程远程监控方法、系统、设备及介质 |
CN117522037B (zh) * | 2023-11-14 | 2024-06-11 | 苏州云智度科技服务有限公司 | 多客户多工序数据产品智能感知模型 |
CN117391552B (zh) * | 2023-12-13 | 2024-05-24 | 深圳大学 | 基于数字孪生的建筑部件质量控制系统及方法 |
CN117973634B (zh) * | 2024-03-27 | 2024-05-31 | 无锡云数工业技术有限公司 | 一种制造运营管理的优化控制方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018170397A1 (en) * | 2017-03-16 | 2018-09-20 | Siemens Aktiengesellschaft | Homogeneous model of hetergeneous product lifecycle data |
WO2019076233A1 (zh) * | 2017-10-17 | 2019-04-25 | 广东工业大学 | 一种智能车间快速定制设计方法及系统 |
CN109933035A (zh) * | 2019-04-24 | 2019-06-25 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的生产线控制系统、方法及生产系统 |
CN110187686A (zh) * | 2019-06-03 | 2019-08-30 | 济南浪潮高新科技投资发展有限公司 | 一种基于数字孪生技术的物联网工业生产过程监控方法 |
CN110414033A (zh) * | 2019-05-31 | 2019-11-05 | 太原理工大学 | 结合边缘计算和数字孪生的机械设备预测性维护方法 |
CN111177942A (zh) * | 2020-01-06 | 2020-05-19 | 中国矿业大学(北京) | 矿井无人化综掘工作面数字孪生智能监控系统 |
CN111210359A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 面向智能矿山场景的数字孪生演化机理及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10877470B2 (en) * | 2017-01-26 | 2020-12-29 | Honeywell International Inc. | Integrated digital twin for an industrial facility |
US11676098B2 (en) * | 2017-11-21 | 2023-06-13 | International Business Machines Corporation | Digital twin management in IoT systems |
-
2020
- 2020-06-08 CN CN202010513144.2A patent/CN111857065B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018170397A1 (en) * | 2017-03-16 | 2018-09-20 | Siemens Aktiengesellschaft | Homogeneous model of hetergeneous product lifecycle data |
WO2019076233A1 (zh) * | 2017-10-17 | 2019-04-25 | 广东工业大学 | 一种智能车间快速定制设计方法及系统 |
CN109933035A (zh) * | 2019-04-24 | 2019-06-25 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的生产线控制系统、方法及生产系统 |
CN110414033A (zh) * | 2019-05-31 | 2019-11-05 | 太原理工大学 | 结合边缘计算和数字孪生的机械设备预测性维护方法 |
CN110187686A (zh) * | 2019-06-03 | 2019-08-30 | 济南浪潮高新科技投资发展有限公司 | 一种基于数字孪生技术的物联网工业生产过程监控方法 |
CN111210359A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 面向智能矿山场景的数字孪生演化机理及方法 |
CN111177942A (zh) * | 2020-01-06 | 2020-05-19 | 中国矿业大学(北京) | 矿井无人化综掘工作面数字孪生智能监控系统 |
Non-Patent Citations (5)
Title |
---|
Digital-twin-based job shop scheduling toward smart manufacturing;Yilin Fang; Chao Peng; Ping Lou; Zude Zhou; Jianmin Hu; Junwei Yan;《IEEE transactions on Industrial Informatics》(第第12期期);全文 * |
基于数字孪生模型的工业互联网应用;刘彬;张云勇;;电信科学(05);全文 * |
基于数字孪生的航天制造车间生产管控方法;郭具涛;洪海波;钟珂珂;刘骁佳;郭宇;;中国机械工程(07);全文 * |
基于数字孪生的零件智能制造车间调度云平台;刘志峰,陈伟,杨聪彬,程强,赵永胜;《计算机集成制造系统》;第第25卷卷(第第6期期);全文 * |
面向边缘计算的制造资源感知接入与智能网关技术研究;邹萍;张华;马凯蒂;程仕通;;计算机集成制造系统(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111857065A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111857065B (zh) | 基于边缘计算和数字孪生的智能生产系统和方法 | |
Jiang et al. | How to model and implement connections between physical and virtual models for digital twin application | |
Zheng et al. | Smart manufacturing systems for Industry 4.0: Conceptual framework, scenarios, and future perspectives | |
Qi et al. | A smart manufacturing service system based on edge computing, fog computing, and cloud computing | |
CN111708332B (zh) | 一种生产线数字孪生系统 | |
Fan et al. | A digital-twin visualized architecture for Flexible Manufacturing System | |
CN111562769B (zh) | 用于工业数字孪生的ai扩展和智能模型验证 | |
Javaid et al. | Enabling flexible manufacturing system (FMS) through the applications of industry 4.0 technologies | |
EP3037901B1 (en) | Cloud-based emulation and modeling for automation systems | |
EP3121667B1 (en) | Snapshot management architecture for process control operator training system lifecycle | |
EP3944034A1 (en) | Model-based design of linear synchronous motor transport systems | |
CN113887016A (zh) | 一种基于数字孪生的船舶数字化车间仿真方法与系统 | |
CN108009739A (zh) | 一种智能机加车间生产计划与调度一体化方法 | |
Mourtzis et al. | Equipment design optimization based on digital twin under the framework of zero-defect manufacturing | |
CN107491044A (zh) | 用于自动控制系统的可扩展分析架构 | |
CN113093680A (zh) | 一种基于数字孪生技术的fims系统架构设计方法 | |
CN109298685A (zh) | 数字化工厂实现方法、数字化工厂实现系统和数字化工厂 | |
EP3865961B1 (en) | Augmented reality human machine interface testing | |
Wei et al. | The essential elements of intelligent manufacturing system architecture | |
CN114237170A (zh) | 基于数字孪生技术的装配车间虚实融合运行与管控方法 | |
CN116415386A (zh) | 一种基于实时数据驱动的数字孪生产线可视化系统 | |
Benfriha et al. | Development of an advanced MES for the simulation and optimization of industry 4.0 process | |
Cupek et al. | Information models for a new generation of manufacturing systems-a case study of automated guided vehicle | |
Mikhailov et al. | Development of the production monitoring system based on the Industrial Internet of Things platform | |
CN115390534A (zh) | 基于数字孪生的永磁铁氧体全生命周期管理系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |