CN114442510B - 数字孪生闭环控制方法、系统、计算机设备及存储介质 - Google Patents
数字孪生闭环控制方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114442510B CN114442510B CN202111683287.9A CN202111683287A CN114442510B CN 114442510 B CN114442510 B CN 114442510B CN 202111683287 A CN202111683287 A CN 202111683287A CN 114442510 B CN114442510 B CN 114442510B
- Authority
- CN
- China
- Prior art keywords
- digital twin
- physical entity
- model
- operation data
- embedded
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 74
- 230000003993 interaction Effects 0.000 claims abstract description 32
- 230000001360 synchronised effect Effects 0.000 claims abstract description 19
- 230000033001 locomotion Effects 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 238000011217 control strategy Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了数字孪生闭环控制方法、系统、计算机设备及存储介质,通过将根据物理实体构建的数字孪生分布式模型与嵌入式实时操作系统融合得到嵌入式控制系统,采集物理实体的运行数据,通过嵌入式控制系统对物理实体进行模拟仿真得到数字孪生仿真模型,以及进行数字孪生仿真模型与物理实体间的虚实交互;接收并处理嵌入式控制系统同步的运行数据得到待分析运行数据后,基于待分析运行数据,分别根据嵌入式控制系统和预设控制目标对物理实体的运动状态进行相应的实时跟踪和预测,以及根据对应的状态预测结果对物理实体进行闭环反馈控制的方法,解决了现有数字孪生与实体间的同步延迟偏差问题,有效保证虚实交互实时性,且实现了对实体的精准控制。
Description
技术领域
本发明涉及智能制造技术领域,特别是涉及一种面向制造的数字孪生闭环控制方法、系统、计算机设备及存储介质。
背景技术
随着传统制造业向智能制造方向转型的不断推进,融合新一代信息技术(如云计算、物联网、大数据、移动互联、人工智能等)的智能制造备受关注,而数字孪生技术作为一种有效实现智能制造的方法随之成为人们热衷研究的对象。数字孪生技术以数字化方式创建物理实体的虚拟实体,并借助历史数据、实时数据和算法模型来模拟、验证、预测、控制物理实体全生命周期,具有虚实共生、高虚拟仿真、高实时交互等技术特性,是实现信息空间和物理空间信息数据融合的重要方法、手段。基于数字孪生技术有望实现实体制造与虚拟制造实时交互的精准制造,而这一过程的实现必须依赖于对物理实体快速且精准的控制。
现有基于数字孪生的控制体系较为扁平化,其直接通过通信信道实现物理实体与数字孪生体模型间的数据同步,进而驱动数字孪生体模型同步动作,实现对物理实体的实时映射和模拟,然而基于通信信道传输的延迟性不易控制,极易导致数字孪生模型与实体之间的同步运行存在偏差,而且数字孪生体根据操作人员的经验或者指令再去驱动物理实体执行动作,并不能真正地实现实时、精准和有效的控制。
发明内容
本发明的目的是提供一种数字孪生闭环控制方法、系统、计算机设备及存储介质,通过基于物理空间与信息空间中信息要素的相互映射,建立全要素互联、高度保真的智能制造信息空间模型的基础上,构建立体式、覆盖全域(感知层、边缘层、执行层)、集“嵌入式控制-虚体边缘控制-实体目标控制”为一体的闭环反馈控制方法,以解决现有数字孪生与实体间的同步延迟偏差问题,有效保证虚实交互实时性,且实现对物理实体的精准控制。
为了实现上述目的,有必要针对上述技术问题,提供了一种数字孪生闭环控制方法、系统、计算机设备及存储介质。
第一方面,本发明实施例提供了一种数字孪生闭环控制方法,所述方法包括以下步骤:
根据物理实体,构建对应的数字孪生分布式模型;所述数字孪生分布式模型包括实体装配模型、控制模型和驱动模型;
将所述数字孪生分布式模型与嵌入式实时操作系统融合,构建嵌入式控制系统;
采集物理实体的运行数据,并根据所述运行数据和所述嵌入式控制系统对所述物理实体进行数字孪生模拟仿真,得到数字孪生仿真模型,以及通过所述嵌入式控制系统进行所述数字孪生仿真模型与所述物理实体间的虚实交互;
接收所述嵌入式控制系统同步的所述运行数据,对所述运行数据进行预处理,得到待分析运行数据;
根据所述待分析运行数据和所述嵌入式控制系统,对所述物理实体的运动状态进行实时跟踪,并根据预设控制目标和所述待分析运行数据对所述物理实体的运行状态进行预测,得到状态预测结果;
根据所述状态预测结果对所述物理实体进行闭环反馈控制。
进一步地,所述将所述数字孪生分布式模型与嵌入式实时操作系统融合,构建嵌入式控制系统的步骤包括:
根据所述数字孪生分布式模型,得到数字孪生程序;
将所述数字孪生程序下载至嵌入式芯片,并在所述嵌入式实时操作系统上运行,得到所述嵌入式控制系统。
进一步地,所述根据所述运行数据和所述嵌入式控制系统对所述物理实体进行数字孪生模拟仿真,得到数字孪生仿真模型的步骤包括:
通过所述嵌入式控制系统的数据接口对所述物理实体进行硬件在环仿真,更新所述数字孪生分布式模型的参数,得到所述数字孪生仿真模型。
进一步地,所述通过所述嵌入式控制系统进行所述数字孪生仿真模型与所述物理实体间的虚实交互的步骤包括:
按照最高优先级事件响应原则,通过最早期限优先调度算法,控制所述数字孪生仿真模型与所述物理实体间的虚实交互。
进一步地,所述对所述运行数据进行预处理,得到待分析运行数据的步骤包括:
对所述运行数据依次进行清洗、过滤和去噪,得到所述待分析运行数据。
进一步地,所述根据预设控制目标和所述待分析运行数据对所述物理实体的运行状态进行预测,得到状态预测结果的步骤包括:
根据预设控制目标,确定待预测指标,并根据所述待预测指标对所述待分析运行数据进行筛选,得到待分析特征;所述待预测指标包括所述数字孪生仿真模型的若干个性能指标;
根据所述待预测指标和所述待分析特征,构建决策优化模型;
通过人工智能算法,对所述决策优化模型进行求解,得到决策最优解;
根据所述决策最优解,对所述物理实体的运行状态进行趋势预测,得到所述状态预测结果。
进一步地,所述根据所述状态预测结果对所述物理实体进行闭环反馈控制的步骤包括:
根据所述状态预测结果,确定实体控制策略;
将所述实体控制策略输入至所述嵌入式控制系统进行仿真训练,并根据对应的仿真结果对所述物理实体的运行状态进行闭环反馈控制。
第二方面,本发明实施例提供了一种数字孪生闭环控制系统,所述系统包括:
数据采集模块,用于采集物理实体的运行数据,并将所述运行数据传送至所述嵌入控制模块对所述物理实体进行数字孪生模拟仿真;
数字孪生模块,用于根据所述物理实体,构建对应的数字孪生分布式模型,并将所述数字孪生分布式模型传送至所述嵌入控制模块;所述数字孪生分布式模型包括实体装配模型、控制模型和驱动模型;
嵌入控制模块,用于将所述数字孪生分布式模型与嵌入式实时操作系统融合,构建嵌入式控制系统,并根据所述运行数据和所述嵌入式控制系统对所述物理实体进行数字孪生模拟仿真,得到数字孪生仿真模型,以及通过所述嵌入式控制系统进行所述数字孪生仿真模型与所述物理实体间的虚实交互;
边缘控制模块,用于接收所述嵌入控制模块同步的物理实体的运行数据,对所述运行数据进行预处理,得到待分析运行数据,并将所述待分析运行数据分别传送至所述嵌入式控制系统和所述目标控制模块,分别对所述物理实体的运动状态进行跟踪和目标控制;
目标控制模块,用于根据预设控制目标和所述待分析运行数据对所述物理实体的运行状态进行预测,得到状态预测结果,并根据所述状态预测结果对所述物理实体进行闭环反馈控制。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
上述本申请提供了一种数字孪生闭环控制方法、系统、计算机设备及存储介质,通过所述方法,实现了通过将根据物理实体构建的数字孪生分布式模型与嵌入式实时操作系统融合得到嵌入式控制系统,采集物理实体的运行数据,并通过嵌入式控制系统对物理实体进行模拟仿真得到数字孪生仿真模型,以及进行数字孪生仿真模型与物理实体间的虚实交互,同时,接收并处理嵌入式控制系统同步的运行数据得到待分析运行数据后,基于待分析运行数据,分别根据嵌入式控制系统和预设控制目标对物理实体的运动状态进行相应的实时跟踪和预测,以及根据对应的状态预测结果对物理实体进行闭环反馈控制的技术方案。与现有技术相比,该数字孪生闭环控制方法,在建立全要素互联、高度保真的智能制造信息空间模型的基础上,构建立体式、覆盖全域(感知层、边缘层、执行层)、集“嵌入式控制-虚体边缘控制-实体目标控制”为一体的闭环反馈控制,解决了现有数字孪生与物理实体间的同步延迟偏差问题,有效保证虚实交互实时性,且实现了对物理实体的精准控制。
附图说明
图1是本发明实施例中数字孪生闭环控制方法的流程示意图;
图2是本发明实施例中数字孪生分布式模型及嵌入式控制系统构建的流程示意图;
图3是本发明实施例中基于物理实体运行数据进行边缘控制和实体目标控制的框架示意图;
图4是本发明实施例中进行实体目标控制的方法流程示意图;
图5是本发明实施例中数字孪生闭环控制系统的结构示意图;
图6是本发明实施例中根据码垛机器人实体构建的码垛机器人子系统数字模型的结构示意图;
图7是图6的码垛机器人子系统数字模型中伺服电机驱动器模型的应用示意图;
图8是本发明实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案和有益效果更加清楚明白,下面结合附图及实施例,对本发明作进一步详细说明,显然,以下所描述的实施例是本发明实施例的一部分,仅用于说明本发明,但不用来限制本发明的范围。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在一个实施例中,如图1所示,提供了一种数字孪生闭环控制方法,所述方法包括以下步骤:
S11、根据物理实体,构建对应的数字孪生分布式模型;所述数字孪生分布式模型包括实体装配模型、控制模型和驱动模型;其中,数字孪生分布式模型可理解为根据实际智能制造应用场景中物理实体的功能、动力学特征、结构拓扑和三维动态数据等关键信息,并融合了其在全生命周期中产生的历史数据和实时运行信息,在虚拟信息空间设计和构建的,可同时映射多个物理实体信息的虚拟实体计算模型。需要说明的是,具体数字孪生分布式模型中的实体装配模型、控制模型和驱动模型根据实际应用场景确定,驱动模型用于驱动实体装配模型按照预设功能实现与物理实体同步的运行,控制模型用于通过通信接口实现虚拟实体模型与物理实体间的时间同步,具体各类模型构建与应用场景有关,此处不作具体限定。
S12、将所述数字孪生分布式模型与嵌入式实时操作系统融合,构建嵌入式控制系统;其中,嵌入式控制系统是基于感知层,通过采用实时分布式开发编程模型与实时操作系统融合开发得到的实时控制系统,其使控制系统与物理世界以反馈回路方式进行交互,保证数字孪生分布式模型(虚拟实体模型)与物理实体的同步运行,并通过结合虚体边缘计算和物理实体运行状况反馈来进行智能控制,最终实现计算过程与物理过程的动态融合。具体地,如图2所示,所述将所述数字孪生分布式模型与嵌入式实时操作系统融合,构建嵌入式控制系统的步骤包括:
根据所述数字孪生分布式模型,得到数字孪生程序;其中,数字孪生程序为通过转换插件将数字孪生分布式模型转换为可与实时操作系统兼容编程语言的代码程序,如实时操作系统采用C语言编码,就可将已构建的数字孪生分布式模型转换C语言描述的数字孪生程序。
将所述数字孪生程序下载至嵌入式芯片,并在所述嵌入式实时操作系统上运行,得到所述嵌入式控制系统。其中,嵌入式控制系统,理解为通过嵌入式实时操作系统执行数字孪生程序,按照预设的实时操作系统任务调度规则配合数字孪生程序实现虚拟实体与物理实际间的信息交互。
本实施例通过将构建的数字孪生分布式模型与嵌入式实时操作系统融合,实现嵌入式控制,有效解决了现有数字孪生与物理实体间直接基于通信信道进行信息交互方案中的虚实同步延迟偏差问题,为虚实交互的实时性和同步性提供了有力的技术支持。
S13、采集物理实体的运行数据,并根据所述运行数据和所述嵌入式控制系统对所述物理实体进行数字孪生模拟仿真,得到数字孪生仿真模型,以及通过所述嵌入式控制系统进行所述数字孪生仿真模型与所述物理实体间的虚实交互;其中,物理实体的运行数据可通过部署于物理实体上的传感器实时采集,可用于数字孪生模拟仿真,也可以用于数字孪生仿真模型与物体实体同步运行;数字孪生模拟仿真可理解根据物理实体数据和历史运行数据实时执行的过程,通过仿真实现对物理实体控制参数的优化,进而保证物理实体更好的执行对应功能。具体地,所述根据所述运行数据和所述嵌入式控制系统对所述物理实体进行数字孪生模拟仿真,得到数字孪生仿真模型的步骤包括:
通过所述嵌入式控制系统的数据接口对所述物理实体进行硬件在环仿真,更新所述数字孪生分布式模型的参数,得到所述数字孪生仿真模型。其中,数字孪生分布式模型的参数的更新,如图2所示,是根据实际的仿真结果对模型中的相关物理实体控制参数进行调整,直到满足设计要求。
通过上述步骤基于数字孪生分布式模型仿真得到的数字孪生仿真模型与嵌入式实时操作系统融合而成,得到对应的嵌入式控制系统,且为了确保嵌入式控制系统进行数字孪生仿真模型与物理实体间的虚实交互的实时性,本实施例优选地,嵌入式控制系统按照最高优先级事件响应原则,通过最早期限优先调度算法,控制所述数字孪生仿真模型与所述物理实体间的虚实交互。需要说明的是,数字孪生仿真模型与物理实体间的虚实交互中包括嵌入式控制系统将物理实体的运行数据同步至可进行边缘计算处理的对应功能模块进行相应的数据处理。
S14、接收所述嵌入式控制系统同步的所述运行数据,对所述运行数据进行预处理,得到待分析运行数据;
其中,预处理可理解为对接收到的物理实体运行数据依次进行清洗、过滤和去噪等处理,通过对工业现场端物理模型的海量数据进行预处理,既可以减少数据传输的流量与时间,确保反馈信息的实时性,为物理实体与数字孪生虚体间建立实时交互的强信息映射提供支持的同时,也为有效保证后续目标控制的处理效率和响应速度提供很好的保障。
S15、根据所述待分析运行数据和所述嵌入式控制系统,对所述物理实体的运动状态进行实时跟踪,并根据预设控制目标和所述待分析运行数据对所述物理实体的运行状态进行预测,得到状态预测结果;
其中,待分析运行数据,如图3所示,既可以用于驱动数字孪生虚体,也可以用于上层实体目标控制:如上所述可传入嵌入式控制系统中,用于实现数字孪生仿真模型与物理实体设备的实时交互,同过数字孪生仿真模型对物理实体的运动状态进行实时跟踪和展示;同时,还可以按照图4所示的流程,利用待分析运行数据结合实际的控制目标进行人工智能数据分析,对物理实体的运行状态进行预测,依据预测结果对物理实体进行反馈控制。具体地,所述根据预设控制目标和所述待分析运行数据对所述物理实体的运行状态进行预测,得到状态预测结果的步骤包括:
根据预设控制目标,确定待预测指标,并根据所述待预测指标对所述待分析运行数据进行筛选,得到待分析特征;所述待预测指标包括所述数字孪生仿真模型的若干个性能指标;其中,性能指标根据实际应用需求确定,如质量、效率和剩余寿命等参数都可以作为相应的待预测指标;待分析特征可理解为影响对应待预测指标(数字孪生仿真模型的性能)的某些重要因素,具体的提取方法可根据实际需求确定,如可通过人工经验选择,也可通过深度学习算法选择,此处不作具体限制;
根据所述待预测指标和所述待分析特征,构建决策优化模型;其中,决策优化模型可理解为根据待分析特征、待预测指标及对应的模型拓扑结构构建的,与预设控制目标对应的优化控制目标函数,优化控制目标函数的表达式与实际应用场景有关,此处不作具体限制;
通过人工智能算法,对所述决策优化模型进行求解,得到决策最优解;其中,决策优化模型求解所用的人工智能算法可选用神经网络、遗传算法模型、及模拟退火算法模型等AI机器学习算法,具体应用中的最优选择可根据决策优化模型的类型确定,此处不作具体限制。
根据所述决策最优解,对所述物理实体的运行状态进行趋势预测,得到所述状态预测结果。
本实施例基于待分析运行数据,通过人工智能算法按照预设实体控制目标对物理实体的运行状态进行高效精准的分析预测,可及时发现影响物理实体正常运行的潜在风险,并依此分析结果实现对物理实体进行运行控制,有效提升了物理实体控制的精准性。
S16、根据所述状态预测结果对所述物理实体进行闭环反馈控制。其中,所述根据所述状态预测结果对所述物理实体进行闭环反馈控制的步骤包括:
根据所述状态预测结果,确定实体控制策略;其中,实体控制策略可为人工及时输入的控制策略、根据状态预测结果结合物理实体功能自动生成的控制策略,或根据状态预测结果从现有预设的控制策略中选取的最优控制策略等,具体确定实体控制策略的方法,此处不作具体限制;
将所述实体控制策略输入至所述嵌入式控制系统进行仿真训练,并根据对应的仿真结果对所述物理实体的运行状态进行闭环反馈控制。其中,实体控制策略得到后原则上可以直接用于控制物理实体的运行,但为了进一步保证实体控制策略的有效性,本实施例优选地,在根据状态预测结果确定实体控制策略后,进一步将实体控制策略传入嵌入式控制系统中进行仿真训练,并将训练得到稳定实体控制策略反馈至物理实体进行相应的运行控制,进而有效保证了对物理实体控制的合理性和有效性。
本申请实施例中通过将根据物理实体构建的数字孪生分布式模型与嵌入式实时操作系统融合,得到用于物理实体与虚拟实体实时交互的嵌入式控制系统,结合按照最高优先级事件响应原则,通过最早期限优先调度算法在实时嵌入式系统上控制物理实体与虚拟实体间的虚实交互,并将预处理后的物理实体运行数据用于对物理实体运行状态的实时跟踪,以及通过人工智能算法进行实时目标控制分析对物理实体运行进行闭环反馈控制,在很好地保证物理实体与虚拟实体信息交互延迟的可控性,有效降低二者同步运行的偏差,进而有效解决现有技术中虚实交互实时性较差问题的基础上,进一步提升了实体目标控制的分析效率和预测精准性,进而实现了对物理实体的精准控制。
需要说明的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。
在一个实施例中,如图5所示,提供了一种数字孪生闭环控制系统,所述系统包括:
数据采集模块1,用于采集物理实体的运行数据,并将所述运行数据传送至所述嵌入控制模块对所述物理实体进行数字孪生模拟仿真;
数字孪生模块2,用于根据所述物理实体,构建对应的数字孪生分布式模型,并将所述数字孪生分布式模型传送至所述嵌入控制模块;所述数字孪生分布式模型包括实体装配模型、控制模型和驱动模型;
嵌入控制模块3,用于将所述数字孪生分布式模型与嵌入式实时操作系统融合,构建嵌入式控制系统,并根据所述运行数据和所述嵌入式控制系统对所述物理实体进行数字孪生模拟仿真,得到数字孪生仿真模型,以及通过所述嵌入式控制系统进行所述数字孪生仿真模型与所述物理实体间的虚实交互;
边缘控制模块4,用于接收所述嵌入控制模块同步的物理实体的运行数据,对所述运行数据进行预处理,得到待分析运行数据,并将所述待分析运行数据分别传送至所述嵌入式控制系统和所述目标控制模块,分别对所述物理实体的运动状态进行跟踪和目标控制;
目标控制模块5,用于根据预设控制目标和所述待分析运行数据对所述物理实体的运行状态进行预测,得到状态预测结果,并根据所述状态预测结果对所述物理实体进行闭环反馈控制。
下面以智能工厂常见的码垛生产线中的码垛机器人系统为例,对本发明的数字孪生闭环控制系统应用进行详细说明。
1)数据采集模块:通过传感器实时采集码垛机器人实体的运行数据,并通过数据通信接口传至嵌入式模块进行数字孪生虚体模型的仿真和同步;
2)数字孪生模块:根据对码垛机器人实体系统的功能描述,选择合适的计算模型进行设计与物理建模,得到码垛机器人子系统数字模型(数字孪生分布式模型),且如图6所示,划分为由伺服电机模型(实体装配模型)、伺服电机驱动器模型(驱动模型)和控制器模型(控制模型)组成:
伺服电机模型,根据伺服电机实体技术参数完成对伺服电机进行抽象建模,伺服电机模型设计涉及动力学等物理动态过程,选择连续时间计算模型控制组件完成伺服电机模型的建立,对应的伺服电机传函模型如下:
伺服电机驱动器模型,如图7所示选择有限状态机计算模型来表示伺服电机驱动器控制伺服电机有限个状态以及在这些状态之间的转移和动作等行为的数学模型,完成对码垛机器人等待取货、取货、码垛、回归原点等伺服电机驱动器状态之间的转移行为抽象建模。
控制器模型,是对嵌入式控制系统的抽象建模,选择基于PTIDES计算模型,在编码器传感器、伺服驱动器以及通信网络接口之间建立物理时间与模型时间的联系。
3)嵌入控制模块:将码垛机器人子系统数字模型的数据转换为C语言代码并下载到嵌入式芯片,在实时操作系统上运行,将码垛机器人子系统数字模型与嵌入式实时操作系统融合为嵌入式控制系统,通过对应的数据接口实现对码垛机器人的控制并进行测试与试验,实现硬件在环仿真,并根据试验结果,不断调整模型参数,直到满足设计要求的数字孪生仿真模型用于后续与物理实体之间的交互。同时,为了确保嵌入式控制系统对最高优先级事件的响应,达到嵌入式实时控制系统实时控制要求,通过最早期限优先调度算法,控制所述数字孪生仿真模型与所述物理实体间的虚实交互,以实现计算过程与物理过程的动态融合;
4)边缘控制模块:实时接收由嵌入控制模块同步的码垛机器人的运行数据信息,利用边缘计算对传感器采集的设备实时运行数据进行清洗、过滤和去噪等预处理和计算,根据预处理后得到的待分析运行数据,实时同步跟踪码垛机器人状态:取货、码垛、回归原点和快速响应;同时,还将待分析运行数据上传给目标控制模块,用于预判码垛机器人实体的变化趋势,以进行码垛机器人设备的优化控制、以及健康管理;
5)目标控制模块:以码垛机器人的码垛效率为优化控制目标,根据影响性能的关键因素,从待分析运行数据中提取包括码垛摆放规则、轨迹规划路线等待分析特征,并以此为模型输入,构建决策优化模型后,基于该决策优化模型,采用相关的人工智能算法(如神经网络、遗传算法模型、模拟退火模型等等),经过不断迭代优化,得到决策最优解,并根据决策最优解,对码垛机器人实体的运行状态进行趋势预测,得到对应的状态预测结果,根据状态预测结果确定合适的实体控制策略,并在经过仿真验证后,精准指导码垛机器人实体运动,实现闭环反馈控制。
需要说明的是,关于数字孪生闭环控制系统的具体限定可以参见上文中对于数字孪生闭环控制方法的限定,在此不再赘述。上述数字孪生闭环控制系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图8示出一个实施例中计算机设备的内部结构图,该计算机设备具体可以是终端或服务器。如图8所示,该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示器和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述数字孪生闭环控制方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域普通技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法的步骤。
综上,本发明实施例提供的一种数字孪生闭环控制方法、系统、计算机设备及存储介质,其数字孪生闭环控制方法实现了通过将根据物理实体构建的数字孪生分布式模型与嵌入式实时操作系统融合得到嵌入式控制系统,采集物理实体的运行数据,并通过嵌入式控制系统对物理实体进行模拟仿真得到数字孪生仿真模型,以及进行数字孪生仿真模型与物理实体间的虚实交互,同时,接收并处理嵌入式控制系统同步的运行数据得到待分析运行数据后,基于待分析运行数据,分别根据嵌入式控制系统和预设控制目标对物理实体的运动状态进行相应的实时跟踪和预测,以及根据对应的状态预测结果对物理实体进行闭环反馈控制的技术方案。该数字孪生闭环控制方法,在建立全要素互联、高度保真的智能制造信息空间模型的基础上,构建立体式、覆盖全域(感知层、边缘层、执行层)、集“嵌入式控制-虚体边缘控制-实体目标控制”为一体的闭环反馈控制,解决了现有数字孪生与物理实体间的同步延迟偏差问题,有效保证虚实交互实时性,且实现了对物理实体的精准控制。
本说明书中的各个实施例均采用递进的方式描述,各个实施例直接相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。需要说明的是,上述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种优选实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本申请的保护范围。因此,本申请专利的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种数字孪生闭环控制方法,其特征在于,所述方法包括以下步骤:
根据物理实体,构建对应的数字孪生分布式模型;所述数字孪生分布式模型包括实体装配模型、控制模型和驱动模型;
将所述数字孪生分布式模型与嵌入式实时操作系统融合,构建嵌入式控制系统;
采集物理实体的运行数据,并根据所述运行数据和所述嵌入式控制系统对所述物理实体进行数字孪生模拟仿真,得到数字孪生仿真模型,以及通过所述嵌入式控制系统进行所述数字孪生仿真模型与所述物理实体间的虚实交互;
接收所述嵌入式控制系统同步的所述运行数据,对所述运行数据进行预处理,得到待分析运行数据;
根据所述待分析运行数据和所述嵌入式控制系统,对所述物理实体的运动状态进行实时跟踪,并根据预设控制目标和所述待分析运行数据对所述物理实体的运行状态进行预测,得到状态预测结果;
根据所述状态预测结果对所述物理实体进行闭环反馈控制。
2.如权利要求1所述的数字孪生闭环控制方法,其特征在于,所述将所述数字孪生分布式模型与嵌入式实时操作系统融合,构建嵌入式控制系统的步骤包括:
根据所述数字孪生分布式模型,得到数字孪生程序;
将所述数字孪生程序下载至嵌入式芯片,并在所述嵌入式实时操作系统上运行,得到所述嵌入式控制系统。
3.如权利要求1所述的数字孪生闭环控制方法,其特征在于,所述根据所述运行数据和所述嵌入式控制系统对所述物理实体进行数字孪生模拟仿真,得到数字孪生仿真模型的步骤包括:
通过所述嵌入式控制系统的数据接口对所述物理实体进行硬件在环仿真,更新所述数字孪生分布式模型的参数,得到所述数字孪生仿真模型。
4.如权利要求1所述的数字孪生闭环控制方法,其特征在于,所述通过所述嵌入式控制系统进行所述数字孪生仿真模型与所述物理实体间的虚实交互的步骤包括:
按照最高优先级事件响应原则,通过最早期限优先调度算法,控制所述数字孪生仿真模型与所述物理实体间的虚实交互。
5.如权利要求1所述的数字孪生闭环控制方法,其特征在于,所述对所述运行数据进行预处理,得到待分析运行数据的步骤包括:
对所述运行数据依次进行清洗、过滤和去噪,得到所述待分析运行数据。
6.如权利要求1所述的数字孪生闭环控制方法,其特征在于,所述根据预设控制目标和所述待分析运行数据对所述物理实体的运行状态进行预测,得到状态预测结果的步骤包括:
根据预设控制目标,确定待预测指标,并根据所述待预测指标对所述待分析运行数据进行筛选,得到待分析特征;所述待预测指标包括所述数字孪生仿真模型的若干个性能指标;
根据所述待预测指标和所述待分析特征,构建决策优化模型;
通过人工智能算法,对所述决策优化模型进行求解,得到决策最优解;
根据所述决策最优解,对所述物理实体的运行状态进行趋势预测,得到所述状态预测结果。
7.如权利要求1所述的数字孪生闭环控制方法,其特征在于,所述根据所述状态预测结果对所述物理实体进行闭环反馈控制的步骤包括:
根据所述状态预测结果,确定实体控制策略;
将所述实体控制策略输入至所述嵌入式控制系统进行仿真训练,并根据对应的仿真结果对所述物理实体的运行状态进行闭环反馈控制。
8.一种数字孪生闭环控制系统,其特征在于,所述系统包括:
数据采集模块,用于采集物理实体的运行数据,并将所述运行数据传送至嵌入控制模块对所述物理实体进行数字孪生模拟仿真;
数字孪生模块,用于根据所述物理实体,构建对应的数字孪生分布式模型,并将所述数字孪生分布式模型传送至所述嵌入控制模块;所述数字孪生分布式模型包括实体装配模型、控制模型和驱动模型;
嵌入控制模块,用于将所述数字孪生分布式模型与嵌入式实时操作系统融合,构建嵌入式控制系统,并根据所述运行数据和所述嵌入式控制系统对所述物理实体进行数字孪生模拟仿真,得到数字孪生仿真模型,以及通过所述嵌入式控制系统进行所述数字孪生仿真模型与所述物理实体间的虚实交互;
边缘控制模块,用于接收所述嵌入控制模块同步的物理实体的运行数据,对所述运行数据进行预处理,得到待分析运行数据,并将所述待分析运行数据分别传送至所述嵌入式控制系统和目标控制模块,分别对所述物理实体的运动状态进行跟踪和目标控制;
目标控制模块,用于根据预设控制目标和所述待分析运行数据对所述物理实体的运行状态进行预测,得到状态预测结果,并根据所述状态预测结果对所述物理实体进行闭环反馈控制。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111683287.9A CN114442510B (zh) | 2021-12-31 | 2021-12-31 | 数字孪生闭环控制方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111683287.9A CN114442510B (zh) | 2021-12-31 | 2021-12-31 | 数字孪生闭环控制方法、系统、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114442510A CN114442510A (zh) | 2022-05-06 |
CN114442510B true CN114442510B (zh) | 2023-10-27 |
Family
ID=81365138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111683287.9A Active CN114442510B (zh) | 2021-12-31 | 2021-12-31 | 数字孪生闭环控制方法、系统、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114442510B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912677A (zh) * | 2022-05-10 | 2022-08-16 | 中海石油气电集团有限责任公司 | 基于数字孪生的液化天然气接收站实时优化方法及系统 |
CN114789454B (zh) * | 2022-06-24 | 2022-09-06 | 浙江大学 | 基于lstm和逆运动学的机器人数字孪生轨迹补全方法 |
CN115016284B (zh) * | 2022-06-28 | 2024-08-06 | 北京理工大学 | 一种变量柱塞泵数字孪生控制方法和系统 |
CN115202236A (zh) * | 2022-07-29 | 2022-10-18 | 北京泓慧国际能源技术发展有限公司 | 飞轮运行风险监控系统和方法 |
CN115437269A (zh) * | 2022-08-09 | 2022-12-06 | 嘉兴市敏硕智能科技有限公司 | 机器人的控制方法及系统、电子设备 |
CN115348637A (zh) * | 2022-08-15 | 2022-11-15 | 中国电信股份有限公司 | 网络拓扑结构优化方法、装置、存储介质与电子设备 |
CN115577488A (zh) * | 2022-08-17 | 2023-01-06 | 国网山东省电力公司营销服务中心(计量中心) | 一种关口电能计量装置性能诊断系统 |
CN115348365B (zh) * | 2022-08-17 | 2023-07-21 | 北京瑞祺皓迪技术股份有限公司 | 一种基于数字孪生技术的运动过程展示方法及装置 |
CN115563873A (zh) * | 2022-10-12 | 2023-01-03 | 国网山西省电力公司 | 一种电力网络的数字孪生仿真系统及方法 |
CN115373278B (zh) * | 2022-10-25 | 2023-01-06 | 北京安帝科技有限公司 | 基于数字孪生驱动的工控业务异常预测响应系统和方法 |
CN115933422A (zh) * | 2022-12-27 | 2023-04-07 | 广州视声智能股份有限公司 | 一种基于数字孪生的家居设备控制方法及装置 |
CN116050678A (zh) * | 2023-04-03 | 2023-05-02 | 江苏中科云控智能工业装备有限公司 | 一种基于云计算的压铸产品加工测试系统及方法 |
CN116430712A (zh) * | 2023-04-14 | 2023-07-14 | 重庆信易源智能科技有限公司 | 一种活动发射平台孪生装备智能控制方法 |
CN116629011B (zh) * | 2023-06-06 | 2024-06-18 | 中国人民解放军军事科学院系统工程研究院 | 一种电子对抗数字孪生系统 |
CN116454583B (zh) * | 2023-06-20 | 2023-09-05 | 扬州市宜楠科技有限公司 | 一种基站滤波器外壳的生产控制方法 |
CN117289624B (zh) * | 2023-09-20 | 2024-03-15 | 广东省电信规划设计院有限公司 | 一种应用于数据孪生技术的数据采集方法及系统 |
CN117406667B (zh) * | 2023-11-20 | 2024-05-10 | 南京工程学院 | 一种基于数字孪生模型的拉弯机运动控制方法 |
CN117349102B (zh) * | 2023-12-05 | 2024-03-15 | 网思科技股份有限公司 | 数字孪生运维数据质量检验方法、系统和介质 |
CN117786761A (zh) * | 2023-12-18 | 2024-03-29 | 西安电子科技大学广州研究院 | 一种数字孪生系统集成及其状态一致性实现方法和装置 |
CN117621090B (zh) * | 2024-01-25 | 2024-05-14 | 青岛创新奇智科技集团股份有限公司 | 一种工业机器人的控制方法、系统及工业机器人 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109343496A (zh) * | 2018-11-14 | 2019-02-15 | 中国电子工程设计院有限公司 | 应用于工业生产的数字孪生系统及其形成方法 |
CN209086741U (zh) * | 2018-11-14 | 2019-07-09 | 中国电子工程设计院有限公司 | 应用于工业生产的数字孪生系统 |
CN111496781A (zh) * | 2020-03-17 | 2020-08-07 | 浙江大学 | 数字孪生驱动的机械臂建模、控制与监测一体化集成系统 |
CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
CN112162519A (zh) * | 2020-10-21 | 2021-01-01 | 桂林电子科技大学 | 一种复合型机床数字孪生监控系统 |
CN112427624A (zh) * | 2020-11-04 | 2021-03-02 | 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铸锻双控成型系统及参数优化方法 |
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 |
CN113050649A (zh) * | 2021-03-24 | 2021-06-29 | 西安科技大学 | 一种数字孪生驱动的巡检机器人远程控制系统及方法 |
CN113344505A (zh) * | 2021-05-11 | 2021-09-03 | 广东省科学院智能制造研究所 | 一种基于数字孪生的卫陶产品装配生产管理系统及方法 |
CN113805550A (zh) * | 2021-09-30 | 2021-12-17 | 上海卫星装备研究所 | 基于数字孪生的航天器装配过程管控方法及系统 |
-
2021
- 2021-12-31 CN CN202111683287.9A patent/CN114442510B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109343496A (zh) * | 2018-11-14 | 2019-02-15 | 中国电子工程设计院有限公司 | 应用于工业生产的数字孪生系统及其形成方法 |
CN209086741U (zh) * | 2018-11-14 | 2019-07-09 | 中国电子工程设计院有限公司 | 应用于工业生产的数字孪生系统 |
CN111496781A (zh) * | 2020-03-17 | 2020-08-07 | 浙江大学 | 数字孪生驱动的机械臂建模、控制与监测一体化集成系统 |
CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
CN112162519A (zh) * | 2020-10-21 | 2021-01-01 | 桂林电子科技大学 | 一种复合型机床数字孪生监控系统 |
CN112427624A (zh) * | 2020-11-04 | 2021-03-02 | 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铸锻双控成型系统及参数优化方法 |
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 |
CN113050649A (zh) * | 2021-03-24 | 2021-06-29 | 西安科技大学 | 一种数字孪生驱动的巡检机器人远程控制系统及方法 |
CN113344505A (zh) * | 2021-05-11 | 2021-09-03 | 广东省科学院智能制造研究所 | 一种基于数字孪生的卫陶产品装配生产管理系统及方法 |
CN113805550A (zh) * | 2021-09-30 | 2021-12-17 | 上海卫星装备研究所 | 基于数字孪生的航天器装配过程管控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114442510A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114442510B (zh) | 数字孪生闭环控制方法、系统、计算机设备及存储介质 | |
Li et al. | AR-assisted digital twin-enabled robot collaborative manufacturing system with human-in-the-loop | |
Tang et al. | Survey on digital twin edge networks (DITEN) toward 6G | |
Cimino et al. | Review of digital twin applications in manufacturing | |
Luan et al. | The paradigm of digital twin communications | |
US11654552B2 (en) | Backup control based continuous training of robots | |
Jepsen et al. | A pilot study of industry 4.0 asset interoperability challenges in an industry 4.0 laboratory | |
Vatankhah Barenji et al. | A digital twin-driven approach towards smart manufacturing: reduced energy consumption for a robotic cell | |
EP3396598A2 (en) | Method and user interface for managing and controlling power in modular robots and apparatus therefor | |
Shi et al. | A cognitive digital twins framework for human-robot collaboration | |
CN113056710A (zh) | 用于预测在给定的机器人位置对之间移动的机器人的运动结果数据的方法和系统 | |
Manikanda Kumaran et al. | Cloud-based robotic system for crowd control in smart cities using hybrid intelligent generic algorithm | |
Flores et al. | Human Cyber-Physical Systems: A skill-based correlation between humans and machines | |
Meng et al. | Task-oriented metaverse design in the 6G era | |
CN110225100B (zh) | 一种面向智能装配生产线的虚实映射系统 | |
Liu et al. | An augmented reality-assisted interaction approach using deep reinforcement learning and cloud-edge orchestration for user-friendly robot teaching | |
Mondal et al. | Global-local AI coordinated learning over optical access networks for scalable H2M/R collaborations | |
CN116362109B (zh) | 一种基于数字孪生的智能无人系统和方法 | |
CN106970543B (zh) | 一种协作机器人控制系统及方法 | |
Li et al. | Digital twin-based virtual reconfiguration method for mixed-model robotic assembly line | |
Tahir et al. | Mobile robot control and autonomy through collaborative twin | |
Robinson et al. | Bridging the stakeholder communities that produce cyber-physical systems | |
Boschi et al. | PERFoRM: Industrial Context and Project Vision | |
Chen et al. | Exploration of Adaptive Environment Design Strategy Based on Reinforcement Learning in CAD Environment | |
Shah | Resource Optimization Strategies and Optimal Architectural Design for Ultra-Reliable Low-Latency Applications in Multi-Access Edge Computing |
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 |