CN115392645A - 一种面向装配车间的数字孪生模型的构建方法 - Google Patents

Abstract

本发明公开一种面向装配车间的数字孪生模型的构建方法，涉及数字孪生领域。本发明首先采用多尺度要素表征的方法，从元素、工序、生产线、车间四个尺度对车间内的全要素进行表征，构建装配车间的多尺度数字孪生模型；再从多维度概念入手，依靠基于模型的定义(ModelBased Definition,MBD)方法，实现几何、物理、行为、规则四个层面的数字孪生模型构建，即通过创建数据节点模型，依据数据节点模型对数据演化过程进行表征，并在多维度的数据模型基础上实现多尺度模型与多维度模型的融合。

Description

一种面向装配车间的数字孪生模型的构建方法

技术领域

本发明涉及数字孪生技术领域，具体涉及一种面向装配车间的数字孪生模型的构建方法。

背景技术

装配车间的数字孪生系统考虑离散制造业的特点对现有的数字孪生技术框架进行改进，从多尺度多维度两个方向入手，集合基于模型的定义(Model Based Definition,MBD)技术的特点，对装配车间进行数字孪生模型构建，为离散制造企业利用数字孪生技术提供了有力的支持。

需要说明，数字孪生技术使得制造车间的生产仿真方式更加便捷与智能化，同时，数字孪生系统可以使得装配车间可以利用高效采集的实时数据进行生产调度仿真，使得企业在面对订单变化与资源变动时进行中期调度的时间成本和经济成本大幅降低。集合MBD技术后，数字孪生模型可以实现轻量化，耗费更少的计算资源实现推演与控制。

目前对于数字孪生制造过程及业务交互关系的解析一般是从人、机、物、法、环等多主体的自治交互或协同的方向上进行的，对主体的划分方式遵循传统的离散车间实体研究惯例，且关注于实体的属性、横向关系等特征。这导致了相应主体在车间整体结构中的特征不明晰，不能很好的建立物理空间实体与信息空间模型与服务间的对应关系，同时现有模型对车间数据的采集、演化模式刻画不深刻，数字孪生模型中的逻辑、规则与现实数据推演脱节。

目前在数字孪生建模方法的研究上，吴鹏兴等人在研究离散车间可视化实时监控方法时，提出了“基于数字孪生的离散制造车间可视化实时监控方法”采用了基于AutomationML与OPC UA的数据建模方法，从资源、工艺产品的角度建立数据模型，但是对于车间垂直管理结构的刻画不足，不能反映出整个车间的不同生产层级间的继承关系。丁凯等人结合智能制造空间的定义，提出了“基于数字孪生的多维多尺度智能制造空间及其建模方法”，从多维度多尺度角度来刻画数字孪生模型，但是对于车间全要素的考虑不足，只是从泛化的特征出发进行建模，缺乏实际对照效果。

发明内容

本发明的目的在于：针对现有技术的不足，提供一种面向装配车间的数字孪生模型的构建方法。能够实现面向装配车间的数字孪生模型构建，降低相应数字孪生建模开发的工作量。

为实现上述目的，本发明解决其技术问题所采用的技术方案是：

一种面向装配车间的数字孪生模型的构建方法，包括多尺度模型的构建、多维度模型的构建以及相应的模型融合、模型轻量化方法；

步骤1：多尺度数字孪生模型构建：

多尺度是指元素、工序、生产线、车间四个基本的工业尺度，按照层次化建模方法从颗粒度最小的元素尺度依次往上进行建模；

步骤1.1：元素包含实体类与空间类两大类，其中实体类包括了采集设备、物流设备、装配设备、操作员四种元素，空间类包括了仓储空间、生产空间、运输空间三种元素，分析建立包含元素种类、属性与相互关系的形式化表达式；

步骤1.2：构建基于元素的工序映射模型，结合生产实际将工序分为四种类别：准备类、检测类、操作类与清理类，通过元素的不同组合关系来反映不同的工序功能与属性；

步骤1.3：以工序与元素为基础，构建生产线的形式化表征；用工序流的模式将工序组织起来，再辅以不同的独立元素，利用不同的工序组织形式来确定生产线的组织形式，确定生产线的属性、相互关系；

步骤1.4：结合元素、工序、生产线三个尺度模型，构建车间尺度的整体框架，保证车间内部逻辑的一致性与功能之间的独立性；

步骤2：多维度数字孪生模型构建；

从几何、物理、行为、规则四个层面建模。基于模型的定义(MBD)技术是以机械设备的几何模型为基础，将工艺信息、物理信息、编号属性信息等信息附着于几何模型之上，实现模型的轻量化与高效化。借鉴于MBD方法的思路，提出一种基于工艺过程定义(Bill ofProcess，BOP)的数字孪生模型建模技术，以几何模型作为基础，对于工艺过程信息、产品物理信息等涉及物理模型、行为模型、规则模型的信息在几何模型上完成附着，虚拟映射的形式化描述为：

V＝M+P+B+I；

P_ΔB_ΔI→M；

依据多尺度建模阶段建立的不同的粒度的模型可以形成基于不同粒度数据的数据节点。数据节点的建立首先需要确定在不同层级节点所需要涵盖的数据与信息，然后再完成不同节点间节点流的建立，明确节点间的组成逻辑与组成关系；

步骤2.1：基于多尺度模型进行数据节点的确立，主要是基于元素、工序模型来建立基础的数据节点，确定与不同类型要素、工序相匹配的数据节点以及独立控制作用的数据节点；

步骤2.2：依据构建的数据节点特征，将数据节点的演化过程类比为树的生长过程，确定数据节点的演化逻辑；

步骤2.3：考虑基于多源信息融合理论，根据通用的物理信息融合框架建立三级数据融合模式，结合多尺度模型，形成在工序层级实现元数据融合，在生产线层级实现特征级数据融合，在车间层级实现决策级数据融合的三级数据融合模式，完成多尺度多维度模型的融合。

进一步的，所述步骤1.1的具体方法为：

采集设备包括装配现场的视频监控设备、RFID采集设备、异构传感器，采集设备采用开启、关闭与异常三种状态量来反映其自身的状态；表征如下：

SEC_j＝{ETC_id,EC_type,CEC_st}

EC_type＝{1,2,3，4}

CEC_st＝{-1,0,1}

式中SEC_j表示第j个采集设备，ETC_id表示该采集设备在生产车间内的唯一编号，EC_type表示该采集设备具体设备类别，其中1表示视频监控设备，2表示RFID采集设备，3表示异构传感器，4表示其他采集设备；CEC_st表示该采集设备当前的运行状态，其中-1表示异常状态，0表示关闭状态，1表示启动状态；

物流设备主要包括生产现场的AGV与传送带，其主要功能是实现物料的传递与运输；物流设备需要按照一定的节拍进行物料、半成品、成品的传递，如下表征

C_l＝{C_AGV,C_con,C_el}

其中C_AGV表示AGV,C_con表示传送带，C_el表示其他的物流设备；

AGV包含平面上的平移和旋转动作，同时其本体上方还具有各种移载功能，其数据信息包括AGV的空间位置数据、移栽动作信号、AGV状态信号、传送带的起停信号；在元素层级进行形式化表征如下：

SEW_j＝{ETW_id,EW_type,CEW_st,SW}

EW_type＝{1,2,3}

CEW_st＝{-1,0,1,2}

其中，式中SEW_j表示第j个物流设备，ETW_id表示该物流设备在生产车间内的唯一编号，EW_type表示该物流设备具体设备类别，其中1表示AGV，2表示传送带，3表示其他物流设备；CEW_st表示该物流设备当前的运行状态，其中-1表示异常状态，0表示关闭状态，1表示工作状态，2表示等待状态；SW表示AGV与传送带的位置信息集；

装配设备包括生产现场使用的离子风枪、除尘枪、裂纹探照灯，表征为：

SEZ_j＝{ETZ_id,CEZ_st,FZ}

CEZ_st＝{-1,0,1}

其中，式中SEZ_j表示第j个装配设备，ETZ_id表示该装备设备在生产车间内的唯一编号，CEZ_st表示该装备设备当前的运行状态，其中-1表示异常状态，0表示关闭状态，1表示占用状态；FZ表示AGV与传送带的功能信息集；

设备之间的关系定义为以下四种情况，包括竞争关系、无关系、合并关系三种情况。

R_SE(m,n)∈{-1，0，1}

R_SE(m,n)表示第m,n种设备间的关系，其中R_SE(m,n)＝-1表示m,n之间为竞争关系，R_SE(m,n)＝0表示m,n之间无关系，R_SE(m,n)＝1表示m,n之间为合并关系；

仓储空间、装配空间、物流空间都是空间类集合的子集，其基本特征相似，只是其功能特征有差异；空间的基本特征包括其状态、功能、位置信息，状态包括空闲状态、占用状态以及异常状态；功能定义为仓储、生产、运输三种功能，位置信息由三维坐标所确定；

SEK_j＝{ETK_id,SK_st,EK_type,FK，SK}

S_st＝{-1,0,1}

式中其中，式中SEK_j表示第j个独立空间，SK_st表示该设备当前的运行状态，其中SK_st＝-1表示空间的异常状态，SK_st＝0表示空间的空闲状态，SK_st＝1表示空间的使用状态；FK表示具体空间的功能集,SK表示位置信息。

进一步的，步骤1.2的表征为：

OT_j＝{PN_j,N,ST}；

PN_j＝{(x,y),x∈N,y∈R}；

N＝{1,2,…,6}；

ST＝{1，2，3，4}.

式中OT_j表示第j个工序，对于生产线的进行统一的工序编号后的所推出；PN_j是一个二元组表示第j所包含元素的种类与数量，N表示元素的种类，1—6分别表示采集设备、物流设备、装配设备、操作员、仓储空间、生产空间；ST表示工序实现的工序的分类，1到4分别表示准备类、检测类、操作类与清理类；

同时由于工序由多种元素组合而成，其实现不同功能必然由不同元素按照工序逻辑进行组合而成，；将元素组合逻辑进行形式化表达如下：

R_P(p,q)∈[-1,0,1,2].

式中：R_P为工序内元素间的逻辑关系矩阵，m表示操作人员，n表示设备，R_P(p,q)＝-1表示操作员与相应设备之间存在竞争关系，表示在有两位及以上的操作员同时选择一台设备时的关系，处于竞争关系即矩阵某列必然会存在两个及以上的-1值，对于此种情况，需要建立优先级矩阵划分优先级；R_P(p,q)＝0表示该操作员与设备无关系，即不会在此工位使用该设备，R_P(p,q)＝1表示操作员与设备的依附关系，即操作员在本工位完全占有使用该设备，R_P(p,q)＝2表示操作员合作使用设备。

进一步的，步骤1.3中的工序流建模为：

式中：MOF_i表示车间中的第i条工序流，每个工序流包含K种工序，OT_i,k为工序流中的第k种工序，R_OT为工序之间依据功能的逻辑关系矩阵，矩阵元素×表示工位间无关系、

表示并行关系，→表示串行关系。

本发明结合前人研究，从多尺度角度对车间实体进行纵向层次建构，并从多维度方向上丰富实体的横向属性、关系等特征，从数据维度解构车间生产模式，将车间模型与数据演化与预测进行组合，建立了完整的装配车间模型，方便车间进行数字化管理。

附图说明

图1为本发明提供的装配车间数字孪生模型的层级结构图；

图2为本发明提供的多级数据融合框架图。

具体实施方式：

多尺度模型，是一种逻辑模型，主要从元素、工序、生产线、车间四个尺度级别进行模型构建，从微观的角度反映装配车间的各类生产要素属性、结构与相互关系，使之实现对物理实体的映射；

多维度模型，是在多尺度模型基础上，从几何、物理、行为、规则四个维度建模。并以数据驱动模型的方式，将模型的各维度的特性用数据集合起来，按照多源信息融合理论进行数据融合，完成多尺度模型与多维度模型的融合。

具体步骤如下：

步骤1：多尺度数字孪生模型构建

虚拟模型的层级模型构建需要进行明确模型的层级，采用多尺度建模的方法，建立基于元素、工序、生产线、车间四个层级的模型集合。每个层级所关注的信息与对象具有明显的继承关系，其具体结构如图1。元素尺度是对车间内的人、机、料、法、环等生产要素进行的二次划分，其特点是每个元素都是一种完成具体功能的独立对象，并且相互间不存在耦合重叠的关系；各类元素是工序、生产线、车间尺度三个尺度的基础，参与三个尺度的构建。通过构建形式化的数学模型来映射物理空间的实体。

工序尺度是利用元素尺度定义的各类元素再结合物理空间的具体生产工序来定义的。通过不同工序的工艺特征、物理特征进行分类，对各类工序进行统一建模。

生产线尺度是利用工序尺度中的各类工序再结合元素尺度内的基本元素作为补充来进行定义的，是对物理空间内单条生产线的全要素映射，是将工序结合起来的工序流。

车间尺度主要利用生产线、独立工序、独立元素相互组合来构建，是对整体生产流程的映射。

步骤1.1基于装配车间的特征，元素尺度模型包含实体类与空间类两大子类，其中实体类包括了采集设备、物流设备、装配设备、操作员等四种元素，空间类包括了仓储空间、生产空间、运输空间等三种元素，所以形式化表征为：

P＝O∪S

O＝{E_c,E_l,E_a,H}

S＝{S_s,S_a,S_t}

其中P表示元素尺度所有元素的集合，O表示实体类集合，S表示空间类集合，E_c表示采集设备集合，E_l表示物流设备集合，E_a表示装配设备集合，H表示装配人员集合，S_s表示仓储空间集合，S_a表示装配空间集合，S_t表示运输空间集合。

由于元素种类的不同，其涉及的影响生产效果的关键信息也各不相同，需要按照种类分别进行表征，基于上述不同的要素种类，表征如下：

采集设备主要包括装配现场的视频监控设备、RFID采集设备、异构传感器等，采集设备主要功能是监控装配现场人员、物料的实时状态，采集人员、物料的状态信息，对于其自身来说，需要关注其本身的状态信息，采用开启、关闭与异常三种状态量来反映其自身的状态，形式化表征为：

SEC_j＝{ETC_id,EC_type,CEC_st}

EC_type＝{1,2,3，4}

CEC_st＝{-1,0,1}

式中SEC_j表示第j个采集设备，ETC_id表示该采集设备在生产车间内的唯一编号，EC_type表示该采集设备具体设备类别，其中1表示视频监控设备，2表示RFID采集设备，3表示异构传感器，4表示其他采集设备；CEC_st表示该采集设备当前的运行状态，其中-1表示异常状态，0表示关闭状态，1表示启动状态。

物流设备主要包括生产现场的AGV与传送带，其主要功能是实现物料的传递与运输。物流设备需要按照一定的节拍进行物料、半成品、成品的传递，即进行如下标准如下表征

C_l＝{C_AGV,C_con,C_el}

其中C_AGV表示AGV,C_con表示传送带，C_el表示其他的物流设备。

AGV包含平面上的平移和旋转动作等，同时其本体上方还具有各种移载功能，比如利用小型传送带来控制货物进出。传送带用于实现装配产品在其上方的流动，特殊的传送带可以配合传感器实现对货物的位置控制。其主要的数据信息包括AGV的空间位置数据、移栽动作信号、AGV状态信号、传送带的起停信号等。由于物流设备的运作过程与其他的元素间联系紧密、耦合程度高，许多特性需要在工序层级结合其他元素组合来确定。在元素层级进行形式化表征如下：

SEW_j＝{ETW_id,EW_type,CEW_st,SW}

EW_type＝{1,2,3}

CEW_st＝{-1,0,1,2}

其中，式中SEW_j表示第j个物流设备，ETW_id表示该物流设备在生产车间内的唯一编号，EW_type表示该物流设备具体设备类别，其中1表示AGV，2表示传送带，3表示其他物流设备；CEW_st表示该物流设备当前的运行状态，其中-1表示异常状态，0表示关闭状态，1表示工作状态，2表示等待状态；SW表示AGV与传送带的位置信息集。

装配设备与操作员是完成整个车间装配过程的最重要的元素。

装配设备主要包括生产现场的主要包括生产现场的使用的离子风枪、除尘枪、裂纹探照灯等等，不同设备具有不同的使用功能。首先需要考虑从设备编码、设备状态集、设备功能集等几个主要方向进行装配设备的表征。

SEZ_j＝{ETZ_id,CEZ_st,FZ}

CEZ_st＝{-1,0,1}

其中，式中SEZ_j表示第j个装配设备，ETZ_id表示该装备设备在生产车间内的唯一编号，CEZ_st表示该装备设备当前的运行状态，其中-1表示异常状态，0表示关闭状态，1表示占用状态；FZ表示AGV与传送带的功能信息集。

由于三种类型设备可能存在设备功能重合的问题，需要建立不同种类间设备的的关系矩阵来表示其相互关系。将设备之间的关系定义为以下四种情况，包括竞争关系、无关系、合并关系三种情况。

R_SE(m,n)∈{-1，0，1}

R_SE(m,n)表示第m,n种设备间的关系，其中R_SE(m,n)＝-1表示m,n之间为竞争关系，R_SE(m,n)＝0表示m,n之间无关系，R_SE(m,n)＝1表示m,n之间为合并关系。

仓储空间、装配空间、物流空间都是空间类集合的子集，其基本特征相似，只是其功能特征有差异。空间的基本特征包括其状态、功能、位置信息，状态包括空闲状态、占用状态以及异常状态；功能集管理细分功能，在本发明中定义为仓储、生产、运输三种功能，位置信息由三维坐标所确定，结合生产实际，本发明中位置信息是固定不变的常量。

SEK_j＝{ETK_id,SK_st,EK_type,FK，SK}

S_st＝{-1,0,1}

式中其中，式中SEK_j表示第j个独立空间，SK_st表示该设备当前的运行状态，其中SK_st＝-1表示空间的异常状态，SK_st＝0表示空间的空闲状态，SK_st＝1表示空间的使用状态；FK表示具体空间的功能集,SK表示位置信息。

步骤1.2在完成了元素尺度上不同类别设备的建模之后，需要在工序层级上进行不同类别的元素组合。首先需要分析工序层级的本身特征。按照装配车间的生产特性，将工序的执行顺序的区别而分为并行工序与串行工序。根据工厂的实际情况，结合几种基本元素，确定在工序层级的基本信息应该包括涉及的元素种类与数量、元素种类的工序实现的工序步骤数量、工序的分类，结合生产实际将工序分为四种类别：准备类、检测类、操作类与清理类，表示为：

OT_j＝{PN_j,N,ST}；

PN_j＝{(x,y),x∈N,y∈R}；

N＝{1,2,…,6}；

ST＝{1，2，3，4}.

式中OT_j表示第j个工序，对于生产线的进行统一的工序编号后的所推出；PN_j是一个二元组表示第j所包含元素的种类与数量，N表示元素的种类，1—6分别表示采集设备、物流设备、装配设备、操作员、仓储空间、生产空间；ST表示工序实现的工序的分类，1到4分别表示准备类、检测类、操作类与清理类。

同时由于工序由多种元素组合而成，其实现不同功能必然由不同元素按照工序逻辑进行组合而成，考虑生产实际情况，将元素组合逻辑进行形式化表达如下：

R_P(p,q)∈[-1,0,1,2].

式中：R_P为工序内元素间的逻辑关系矩阵，m表示操作人员，n表示设备，R_P(p,q)＝-1表示操作员与相应设备之间存在竞争关系，表示在有两位及以上的操作员同时选择一台设备时的关系，处于竞争关系即矩阵某列必然会存在两个及以上的-1值，对于此种情况，需要建立优先级矩阵划分优先级；R_P(p,q)＝0表示该操作员与设备无关系，即不会在此工位使用该设备，R_P(p,q)＝1表示操作员与设备的依附关系，即操作员在本工位完全占有使用该设备，R_P(p,q)＝2表示操作员合作使用设备，在矩阵中若出现，则必然会在该列出现两个及以上该情况。

步骤1.3在完成工序尺度建模后，分析生产线模型的特征，需要围绕生产线的加工特征与工艺流程，再将工序模型与元素作为基础推进建模工作。实际的生产线主要是由工序流组成的，工序流由各类工序结合元素构成。可以将工序流形式化建模为：

式中：MOF_i表示车间中的第i条工序流(包含K种工序)，OT_i,k为工序流中的第k种工序，R_OT为工序之间依据功能的逻辑关系矩阵，矩阵元素×表示工位间无关系、

表示并行关系，→表示串行关系。

步骤1.4综合元素、工位、生产线级尺度的特征提出对车间尺度的基本逻辑关系，形成以车间结构与工艺任务为两个中心的车间逻辑结构。车间结构是指车间中各生产线、工位的布局关系，其空间位置也是主要的数据信息，当物流设备在不同位置的产线、工位、元素间运转时的运转时间数据是进行相应调度的基础数据。工艺任务主要是指该车间执行的装配总任务以及其子任务，将工艺子任务通过元素、工位、生产线维度集合起来形成车间模型。

步骤2：在模型的类型层面上，采用多维度建模方法。从几何、物理、行为、规则四个层面进行建模。基于模型的定义(MBD)技术是以机械设备的几何模型为基础，将工艺信息、物理信息、编号属性信息等信息附着于几何模型之上，实现模型的高效应用，借鉴于MBD技术的思路，提出一种基于工艺过程定义(Bill of Process，BOP)的数字孪生模型建模技术，以几何模型作为基础，对于工艺过程信息、产品物理信息等涉及物理模型、规则模型的信息在几何模型上完成附着，实现信息的封装，对于反映系统行为逻辑的行为模型。提出一种基于模型的孪生体映射方法，虚拟映射的形式化描述为：

V＝M+P+B+I；

P_ΔB_ΔI→M；

式中V表示虚拟车间模型；M、P、B、I表示几何模型、物理模型、行为模型、规则模型；Δ表示连接关系；→表示附着关系。

在实际建模过程，物理、行为、规则模型在虚拟空间都以一种数据或者信息的形式进行呈现(几何模型本质上也是数据与信息，但是具有三维可视的属性，在此单独成类)，故在基础的几何模型构建后，构建基于数据节点流的数据模型作为物理、行为、规则模型的载体。

步骤2.1基于多尺度模型的数据节点确立，通过以元素、工位为基础的多尺度模型来建立基础的数据节点，确定与不同类型元素、工位相匹配的数据节点以及独立控制作用的数据节点。

考虑到对于车间制造全元素、全流程、全业务的仿真需求，需要结合元素、工位、生产线等多尺度来进行模型的构建。由于元素尺度自身并不具被数据采集的能力，基本元素需要结合元素尺度下的采集设备或者设备自带的采集装置来实现对于现场数据的采集，但是其作为一个元素，是需要基本的物理、行为信息来支撑其在模型中的运转。在模型中需要根据实际的服务功能的数据需求来确定所需的数据节点的粒度，该粒度与多尺度建模下的粒度具有对应性。

数据节点可以形式化表征为：

D_i,j,k＝{D_p,D_b,D_r,…}

式中，OD_i,j,k表示数据节点，其中i,j,k分别表示其对应的生产线编号、工位编号与元素类型编号；D_i,j,k表示数据节点内不随时间变化的物理对象数据，其中D_p表示物理性质数据，D_b表示该节点所反映的行为信息数据，D_r表示该节点的规则信息数据；

表示在t_N时间时的节点数据信息，其中E表示能源数据集、S表示速度数据集、V表示振动数据集、D表示位移数据集，I表示图像数据集，Q表示语音数据集。

需要指出上式中对数据节点中物理对象数据的表征分为了三个方向及其包含的物理信息数据、行为信息数据、规则信息数据，其中物理信息数据主要是对该节点在物理世界的映射的动力学、运动学特征的表征；行为数据信息是该节点的物理世界映射可以参与的生产行为的信息；规则数据信息则是数据节点的物理世界映射之间进行连接的必要约束条件信息。

另外也需要指出，根据时间进行变化的数据是一种态势数据，由数据库中历史信息与接收到的实时信息共同构成，是模型进行仿真推演的数据基础。

步骤2.2基于数据演变过程对数据模型进行构建，考虑采用树的自生长理论将数据节点及其信息的演化过程类比为树的自生长过程，将数据演化逻辑形式化表征为数据模型，将数据模型的节点与多尺度模型结合，在树的自身长过程的类比中形成下表。

表1车间装配数据演化过程与树的自生长过程类比

根据表1内容可以看出，整体数据的演化过程可以阐述为：

生产线类比为“树干”，所有的“树杈”、“树枝”、“树叶”均是在此基础上建立的。生产线的功能调整可以反映为树杈的数量变化与位置重组；数据节点的变化也是体现在不同的服务条件下的元素的变化；不同的“树叶”增长，体现为各个数据节点的数据值随着时间的推进而不断增加。

考虑到物理世界制造数据的多源异构、多时空尺度等特征，基于上述描述的演化过程，引入基于矩阵论方法的装配车间数据关联建模。

构建装配车间坐标矩阵CM。是指以生产线作为关联主线，再以生产工位点作为关联主线上的节点，然后再以相应的数据信息构建其余的维度参数坐标，形成多维标识的对应矩阵。

步骤2.3：考虑采用多源信息融合理论，根据通用的物理信息融合框架与多尺度多维度数字孪生模型，建立三级数据融合模式，从元数据融合、特征级融合到决策级融合的三层融合架构。

元数据融合首先需要对各数据节点的动态数据进行去冗余处理，清楚原始数据中的噪声，减小传输信道的拥塞程度；数据节点中的数据涵盖了该工序的静态属性数据与实时状态数据，静态属性数据作为实时状态数据处理的前置条件，结合工序级的状态模型构建事件匹配机制，通过融合数据的阈值范围确定所落入的事件区间，完成对元数据的融合。

特征级融合是在元数据融合的基础上形成的，以生产线尺度的模型状态集作为基点，将其视为一个空间对象，在该生产线区域内的由元数据融合形成一种包含空间信息的融合数据集。

决策级融合则是在其基础上，结合车间的工艺特征实现对数字孪生的数据集成，使得数据模型可以依据车间计划、动态任务效应对物理车间的行为进行预测与控制。

三级数据融合可以对应多尺度模型的元素尺度模型、工序尺度模型与车间尺度模型，即在三个尺度层级上进行数据融合，实现多维度模型与多尺度模型的融合。

Claims (4)

1.一种面向装配车间的数字孪生模型的构建方法，包括多尺度模型的构建、多维度模型的构建以及相应的模型融合、模型轻量化方法；

步骤1：多尺度数字孪生模型构建：

多尺度是指元素、工序、生产线、车间四个基本的工业尺度，按照层次化建模方法从颗粒度最小的元素尺度依次往上进行建模；

步骤1.1：元素包含实体类与空间类两大类，其中实体类包括了采集设备、物流设备、装配设备、操作员四种元素，空间类包括了仓储空间、生产空间、运输空间三种元素，分析建立包含元素种类、属性与相互关系的形式化表达式；

步骤1.2：构建基于元素的工序映射模型，结合生产实际将工序分为四种类别：准备类、检测类、操作类与清理类，通过元素的不同组合关系来反映不同的工序功能与属性；

步骤1.3：以工序与元素为基础，构建生产线的形式化表征；用工序流的模式将工序组织起来，再辅以不同的独立元素，利用不同的工序组织形式来确定生产线的组织形式，确定生产线的属性、相互关系；

步骤1.4：结合元素、工序、生产线三个尺度模型，构建车间尺度的整体框架，保证车间内部逻辑的一致性与功能之间的独立性；

步骤2：多维度数字孪生模型构建；

从几何、物理、行为、规则四个层面建模。基于模型的定义(MBD)技术是以机械设备的几何模型为基础，将工艺信息、物理信息、编号属性信息等信息附着于几何模型之上，实现模型的轻量化与高效化。借鉴于MBD方法的思路，提出一种基于工艺过程定义(Bill ofProcess，BOP)的数字孪生模型建模技术，以几何模型作为基础，对于工艺过程信息、产品物理信息等涉及物理模型、行为模型、规则模型的信息在几何模型上完成附着，虚拟映射的形式化描述为：

V＝M+P+B+I；

PΔBΔI→M；

依据多尺度建模阶段建立的不同的粒度的模型可以形成基于不同粒度数据的数据节点。数据节点的建立首先需要确定在不同层级节点所需要涵盖的数据与信息，然后再完成不同节点间节点流的建立，明确节点间的组成逻辑与组成关系；

步骤2.1：基于多尺度模型进行数据节点的确立，主要是基于元素、工序模型来建立基础的数据节点，确定与不同类型要素、工序相匹配的数据节点以及独立控制作用的数据节点；

步骤2.2：依据构建的数据节点特征，将数据节点的演化过程类比为树的生长过程，确定数据节点的演化逻辑；

步骤2.3：考虑基于多源信息融合理论，根据通用的物理信息融合框架建立三级数据融合模式，结合多尺度模型，形成在工序层级实现元数据融合，在生产线层级实现特征级数据融合，在车间层级实现决策级数据融合的三级数据融合模式，完成多尺度多维度模型的融合。

2.如权利要求1所述的一种面向装配车间的数字孪生模型的构建方法，其特征在于，步骤1.1的具体方法为：

采集设备包括装配现场的视频监控设备、RFID采集设备、异构传感器，采集设备采用开启、关闭与异常三种状态量来反映其自身的状态；表征如下：

SEC_j＝{ETC_id,EC_type,CEC_st}

EC_type＝{1,2,3，4}

CEC_st＝{-1,0,1}

式中SEC_j表示第j个采集设备，ETC_id表示该采集设备在生产车间内的唯一编号，EC_type表示该采集设备具体设备类别，其中1表示视频监控设备，2表示RFID采集设备，3表示异构传感器，4表示其他采集设备；CEC_st表示该采集设备当前的运行状态，其中-1表示异常状态，0表示关闭状态，1表示启动状态；

物流设备主要包括生产现场的AGV与传送带，其主要功能是实现物料的传递与运输；物流设备需要按照一定的节拍进行物料、半成品、成品的传递，如下表征

C_l＝{C_AGV,C_con,C_el}

其中C_AGV表示AGV,C_con表示传送带，C_el表示其他的物流设备；

AGV包含平面上的平移和旋转动作，同时其本体上方还具有各种移载功能，其数据信息包括AGV的空间位置数据、移栽动作信号、AGV状态信号、传送带的起停信号；在元素层级进行形式化表征如下：

SEW_j＝{ETW_id,EW_type,CEW_st,SW}

EW_type＝{1,2,3}

CEW_st＝{-1,0,1,2}

其中，式中SEW_j表示第j个物流设备，ETW_id表示该物流设备在生产车间内的唯一编号，EW_type表示该物流设备具体设备类别，其中1表示AGV，2表示传送带，3表示其他物流设备；CEW_st表示该物流设备当前的运行状态，其中-1表示异常状态，0表示关闭状态，1表示工作状态，2表示等待状态；SW表示AGV与传送带的位置信息集；

装配设备包括生产现场使用的离子风枪、除尘枪、裂纹探照灯，表征为：

SEZ_j＝{ETZ_id,CEZ_st,FZ}

CEZ_st＝{-1,0,1}

其中，式中SEZ_j表示第j个装配设备，ETZ_id表示该装备设备在生产车间内的唯一编号，CEZ_st表示该装备设备当前的运行状态，其中-1表示异常状态，0表示关闭状态，1表示占用状态；FZ表示AGV与传送带的功能信息集；

设备之间的关系定义为以下四种情况，包括竞争关系、无关系、合并关系三种情况。

R_SE(m,n)∈{-1，0，1}

R_SE(m,n)表示第m,n种设备间的关系，其中R_SE(m,n)＝-1表示m,n之间为竞争关系，R_SE(m,n)＝0表示m,n之间无关系，R_SE(m,n)＝1表示m,n之间为合并关系；

仓储空间、装配空间、物流空间都是空间类集合的子集，其基本特征相似，只是其功能特征有差异；空间的基本特征包括其状态、功能、位置信息，状态包括空闲状态、占用状态以及异常状态；功能定义为仓储、生产、运输三种功能，位置信息由三维坐标所确定；

SEK_j＝{ETK_id,SK_st,EK_type,FK，SK}

S_st＝{-1,0,1}

式中其中，式中SEK_j表示第j个独立空间，SK_st表示该设备当前的运行状态，其中SK_st＝-1表示空间的异常状态，SK_st＝0表示空间的空闲状态，SK_st＝1表示空间的使用状态；FK表示具体空间的功能集,SK表示位置信息。

3.如权利要求1所述的一种面向装配车间的数字孪生模型的构建方法，其特征在于，步骤1.2的表征为：

OT_j＝{PN_j,N,ST}；

PN_j＝{(x,y),x∈N,y∈R}；

N＝{1,2,…,6}；

ST＝{1，2，3，4}.

式中OT_j表示第j个工序，对于生产线的进行统一的工序编号后的所推出；PN_j是一个二元组表示第j所包含元素的种类与数量，N表示元素的种类，1—6分别表示采集设备、物流设备、装配设备、操作员、仓储空间、生产空间；ST表示工序实现的工序的分类，1到4分别表示准备类、检测类、操作类与清理类；

同时由于工序由多种元素组合而成，其实现不同功能必然由不同元素按照工序逻辑进行组合而成，；将元素组合逻辑进行形式化表达如下：

R_P(p,q)∈[-1,0,1,2].

式中：R_P为工序内元素间的逻辑关系矩阵，m表示操作人员，n表示设备，R_P(p,q)＝-1表示操作员与相应设备之间存在竞争关系，表示在有两位及以上的操作员同时选择一台设备时的关系，处于竞争关系即矩阵某列必然会存在两个及以上的-1值，对于此种情况，需要建立优先级矩阵划分优先级；R_P(p,q)＝0表示该操作员与设备无关系，即不会在此工位使用该设备，R_P(p,q)＝1表示操作员与设备的依附关系，即操作员在本工位完全占有使用该设备，R_P(p,q)＝2表示操作员合作使用设备。

4.如权利要求1所述的一种面向装配车间的数字孪生模型的构建方法，其特征在于，步骤1.3中的工序流建模为：

式中：MOF_i表示车间中的第i条工序流，每个工序流包含K种工序，OT_i,k为工序流中的第k种工序，R_OT为工序之间依据功能的逻辑关系矩阵，矩阵元素×表示工位间无关系、

表示并行关系，→表示串行关系。

Images