CN115470685A - 一种基于数字孪生体系的大米供应链优化模型构建方法 - Google Patents

Abstract

本发明提出一种基于数字孪生体系的大米供应链优化模型构建方法，用于粮食供应链优化。本发明方法使用Unity3D建模软件构建全供应链仿真模型，结合控制台和工业互联网标识解析二级节点数据平台建立数字孪生体系的大米供应链虚拟仿真平台；在仿真平台上设置增量式PID算法模型，以使得碾米机中的大米数量动态保持在设置的预期值，防止碾米机发生堵塞；在仿真平台上设置粒子群算法模型，求解在约束范围内达到最大运米效率时各环节的调控速度，以提高大米供应链生产效率，同时解决在大米供应链数字孪生系统故障状态时的大米生命周期预测问题。本发明方法可推广至实际生产线及相关数字孪生系统，提高工业生产的智能化和生产效率。

Description

一种基于数字孪生体系的大米供应链优化模型构建方法

技术领域

本发明涉及粮食供应链优化技术领域，还涉及互联网通信、计算机仿真、深度学习等技术领域，具体涉及一种基于数字孪生体系的大米供应链优化模型构建方法。

背景技术

随着科技发展，数字孪生作为实现信息物理融合的有效手段，能够利用逼真刻画物理实体的数字孪生模型、蕴含物理实体有效信息的数字孪生数据和虚实闭环交互机制，通过虚实联合求解，从而在一定程度上突破物理实体相关功能受到的时间、空间、成本和安全等约束，进而丰富和优化物理实体的相关功能，并提升其应用价值。目前，数字孪生已在制造、农业、航空航天、交通、医疗、电力等多个领域开展相应的实践工作，受到了广泛关注与高度重视。

现在生产制造业面临着快速变化的市场环境，因此制造业工厂在其全生命周期已经面临着很多挑战。数字孪生已经被证明是一种可行的方法，用来集成制造业的物理世界和信息世界，并有效地支撑企业实现智能制造战略目标。在制造业领域从企业实体层面去分析和研究，探索数字孪生工厂在制造型企业的全生命周期各阶段的构建方法和应用研究，包括规划，生产控制，优化等各阶段的数字孪生工厂模型框架和数字孪生工厂构建方法，以及应用技术和实例分析，都是值得展开的研究领域。

粮食加工业衔接粮食生产和消费，是我国粮食产业的重要组成部分。大米亦称水稻，是稻谷经清理、砻谷、碾米、成品整理等工序后制成的食物。大米是中国大部分地区人民的主要食品。大米供应链在食品供应链中具有典型性，因此选择大米供应链为研究对象。就传统的大米加工行业，具有信息化与智能化不足、管控成本较高、安全隐患监测困难等特点，并且现有的大米加工生产线的信息化和智能化程度偏低，难以实现生产线全要素信息的感知、获取及进一步优化。现有的大米供应链分为收购、运输、加工、仓储、包装、销售六个环节，加工环节是供应链的核心阶段，细化为原粮仓储、原粮运输、原粮加工、成米运输四个环节，在原粮加工环节由于原粮运输量控制不当，会出现碾米机中原粮堵塞问题，并且原粮运输传送带和成米运输传送带速度会直接影响各节点的运米量以及全供应链的生产效率。对此，需要构建大米供应链虚拟仿真平台，引入传统算法和智能算法对其进行调控，从而解决大米供应链加工环节中产生堵塞及生产效率问题。

发明内容

本发明针对目前存在的大米供应链加工环节中产生堵塞、和生产效率以及数字孪生系统中供应链生命周期的预测问题，设计了一种基于数字孪生体系的大米供应链优化模型构建方法，构建大米供应链Unity3D虚拟仿真平台，将其与现实物理设备进行交互构成数字孪生系统，使用大米供应链Unity3D虚拟仿真平台嵌入的两种算法模型，解决加工环节中碾米机堵塞问题，以及供应链中生产效率问题，当物理空间和通信出现故障时，以解决大米供应链数字孪生系统故障状态时的生命周期的预测问题。

本发明的一种基于数字孪生体系的大米供应链优化模型构建方法，包括如下步骤：

步骤一：根据大米供应链实物模型使用Unity3D建模软件对全供应链进行仿真模型构建，并建立数字孪生体系的大米供应链虚拟仿真平台；

所述虚拟仿真平台包括大米供应链的仿真模型，控制台，以及工业互联网标识解析二级节点数据平台；其中控制台用于显示所述仿真模型的运转中产生的业务数据。

步骤二：在仿真平台上设置增量式PID(比例-积分-微分)算法模型，用于防止碾米机发生堵塞；

所述增量式PID算法模型将碾米机大米数量作为被控对象，该算法模型包括五个环节，构成闭环反馈系统，五个环节依次是：增量式PID算法、转换机构、工业互联网标识解析二级节点数据平台A、执行机构与被控对象、工业互联网标识解析二级节点数据平台B。所述增量式PID算法模型将仿真模型中的碾米机大米数量作为被控对象，通过在原粮仓出口、碾米机入口、碾米机出口和成米仓入口设置的计数传感器计算各节点的大米数量，设置系统稳定运行时的碾米机大米数量为预期值，将供应链实时运行中碾米机的大米数量作为反馈值，以工业互联网标识解析二级节点作为数据采集媒介，在每个采样周期调整PID输出以及原粮仓喷米阀门速度v_阀、原粮运输传送带速度v_原传。

步骤三：在仿真平台上设置粒子群算法模型，以提高大米供应链生产效率，解决在大米供应链数字孪生系统故障状态时的大米生命周期预测问题。通过增量式PID算法模型使得碾米机环节达到平稳运行后，构建成米运输效率v_成仓与v_阀、v_原传、成米运输传送带速度v_成传的数学关系式，然后使用粒子群算法模型求解在约束范围内达到最大运米效率时各环节的调控速度v_成仓、v_阀、v_原传。

所述的步骤一，包括：(1.1)在构建碾米机的喷米阀门仿真模型时，以小球模型代替稻谷，以小球的个数代替稻谷的质量，为小球模型添加刚体组件使具有重力，以模仿稻谷喷射下落过程，通过时间间隔克隆小球模型实现阀门调速效果。在构建传送带运输模型时，在斜面传送时，取消小球的重力属性，以模拟实物传送带模型中的挡板效果。(1.2)在模型中的原粮仓出口、碾米机入口、碾米机出口和成米粮仓入口设置触发器当作计数传感器，当大米经过触发器时以累加的方式进行计数，通过计数和作差计算出大米数量，并显示在控制台界面中。

所述的步骤二，增量式PID算法模型的实现包括如下：

(2.1)预先设置原粮仓喷米阀门速度v_阀上下限、原粮运输传送带速度v_原传上下限、采样周期T、碾米机中大米数量预期值r、以及PID控制器的比例系数K_p、积分系数K_i、微分系数K_d；设置v_阀、v_原传和成米运输传送带v_成传的初始值。

(2.2)增量式PID算法环节中，通过设定的采样周期T从工业互联网标识解析二级节点数据平台B环节获取仿真模型中碾米机中本次输出的大米数量y(k)，计算出本次采集的误差e(k)，e(k)＝r-y(k)，与保存的上次误差e(k-1)和上上次的误差e(k-2)，共三个输入量经过增量式PID计算得到Δu(k)如下：

Δu(k)＝u(k)-u(k-1)＝K_p·(e(k)-e(k-1))+K_i·e(k)+K_d·(e(k)-2·e(k-1)+e(k-2))

将保存的上一次PID输出的u(k-1)加上增量Δu(k)得到本次控制周期的PID输出u(k)；将u(k)实时传送至转换机构环节。

(2.3)转换机构环节中，转换机构中构建原粮仓喷米阀门速度v_阀、原粮运输传送带速度v_原传、碾米机进米数量m_进米、原粮运输传送带大米数量m_原传和原粮运输传送带长度l_原传之间的数学关系，从工业互联网标识解析二级节点数据平台B环节获取本次采样的m_进米和m_原传，结合u(k)，以及v_阀、v_原传的上下限，计算本次v_阀、v_原传的调整量；在工业互联网标识解析二级节点数据平台A环节，将本次调控的v_阀、v_原传存储至标识编码中，实时上传至工业互联网标识解析二级节点数据平台中。

(2.4)在执行机构与被控对象环节中，在工业互联网标识解析二级节点数据平台A环节后，控制台从工业互联网标识解析二级节点数据平台获取的v_阀和v_原传，并实时传送至原粮仓阀门和原粮运输传送带两个执行机构，从而调控被控对象即碾米机中的大米数量。

(2.5)通过(2.1)～(2.4)不断地闭环调控，使得碾米机中的大米数量动态保持在设置的预期值，防止碾米机发生堵塞。

所述的步骤三在碾米机中的大米保持稳定和成米运输传送带铺满成米时，构建全供应链中各环节速度关于成米运输传送带运米效率的数学关系式。具体地，将v_成仓作为因变量，v_阀、v_原传和v_成传作为自变量，采集单位时间内四个变量的组数据，进行三元非线性回归拟合，得到如下关系式：

v_成仓＝a+b·v_阀+c·v² _原传+d·v³ _成传

其中，a、b、c、d为拟合参数。

所述的步骤三，使用粒子群算法模型优化各环节的调控速度，包括：

(3.1)设置v_阀、v_原传和v_原传的约束范围；

(3.2)将一组v_阀、v_原传和v_原传作为一个粒子，在约束范围内随机生成粒子群；

(3.3)粒子群进行迭代，每次迭代更新粒子的速度和位置，利用所述数学关系式计算粒子对应的v_成仓，作为适应度值，求解在约束范围内最优v_成仓对应的三个调节速度v_阀、v_原传和v_原传，并生成粒子群算法迭代次数和适应度值的曲线，通过曲线对v_成仓的精确度进行调整。

在数字孪生体系的大米供应链虚拟仿真平台上，对增量式PID算法模型和粒子群算法模型进行仿真实验。使用增量式PID算法模型可使得碾米机内大米数量达到平稳运行，可以将增量式PID算法模型的输出应用至大米供应链实际生产线中，从而提升实际生产线的智能化程度。对粒子群算法模型实验验证的基础上，同样可以将粒子群算法模型的输出应用至大米供应链实际生产线中，提高供应链生产效率。

使用粒子群算法模型应用到大米供应链数字孪生系统中，利用非线性回归拟合的数学关系式进行成米运输效率的预测。当供应链实物端设备发生故障，或者与孪生系统通信发生中断或网络延迟时，数字孪生虚拟端无法接收实物端的指令，此时运用拟合的数学关系式可以预测出不同运米效率下对应的阀门速度、原粮运输传送带速度及成米运输传送带速度的范围，进而进行各环节速度的调控，解决了大米供应链数字孪生系统故障状态时的生命周期预测问题。

本发明方法与现有技术相比，具有以下优势和积极效果：

(1)本发明方法构建的大米供应链Unity3D仿真模型，与现有技术相比，现有仿真模型构建均采用动画驱动对模型进行运转控制，不具有物理实体效果。而本发明结合Unity3D中物体的物理属性，采用程序控制供应链运转，在传送带运输环节，由于Unity3D中球体具有重力属性，在斜面传送过程中重力导致球体下滑以至于不能模拟实际传送带的匀速运输。本发明在斜面传送时使用程序控制将重力属性取消，模拟实物传送带模型中的挡板效果。基于此种模型构建方法，在模拟斜面挡板传送时，在不采用动画驱动的前提下均可采用此建模方式。采用本发明构建的仿真模型更易于找到传送速度与运输量之间的关系，利于仿真平台上算法模型的使用。

(2)本发明方法中使用工业互联网标识解析二级节点数据平台作为数据传输媒介。由于Unity3D中使用C#语言进行开发，此种语言在绘图及算法方面具有局限性。而工业互联网标识解析二级节点数据平台对各种开发语言均具有兼容性，且此平台对数据的传输速率高、保护性强，将供应链仿真模型运转中产生的数据信息通过此媒介传送至更兼容算法算力的开发语言中进行研究分析，使系统更具智能化。

(3)本发明方法设计了增量式PID算法模型解决碾米机中大米堵塞问题。在算法层面，增量式PID算法的输出应为执行机构的输入值，即原粮仓阀门即将调节的速度值，但是由于大米供应链仿真模型中的原粮运输传送带为一个滞后环节，调节量到被控对象之间具有时间滞后性，所以设计了转换机构环节，此环节构建了粮仓阀门速度、原粮运输传送带速度、原粮运输传送带大米数量、碾米机进米数量和原粮运输传送带之间的数学关系，根据PID算法环节的输出结合构建的数学关系计算出此次阀门速度和原粮运输传送带速度的调整量。通过构建的转换机构，极大程度上解决了系统的滞后性。在应用层面，使用PID算法原理简单、实现方便，是一种能够满足大多数实际需要的基本控制器，基于此算法模型，通过仿真实验对其进行验证，可以将其应用至大米供应链实际生产线中，从而提升实际生产线智能化程度。

(4)本发明方法设计了粒子群算法模型提高大米供应链生产效率以及解决在大米供应链数字孪生系统故障状态时的大米生命周期预测问题。在构建成米运输效率与阀门速度、原粮运输传送带速度、成米运输传送带的数学关系时，由于系统误差较大且四者之间具有不确定性，因此采集大量组数据对其进行三元非线性回归深度学习拟合其数学关系，根据拟合的数学关系使用粒子群算法求解出在约束范围内最优的运米效率。可将拟合的数学关系运用至供应链数字孪生系统中进行预测，当供应链实物端设备发生故障或孪生系统通信发生中断及网络延迟时，孪生虚拟端无法接收实物端的指令，此时虚拟端运用拟合得关系式可以预测出不同运米效率下对应的阀门速度、原粮运输传送带速度及成米运输传送带速度的大致范围，进而进行调整，解决了大米供应链数字孪生系统故障状态时的生命周期预测问题。本发明方法可推广至实际生产线及相关数字孪生模型，提高工业生产的智能化和生产效率。

附图说明

图1为本发明方法构建的大米供应链虚拟仿真平台示意图；

图2为本发明方法设置的增量式PID算法模型的闭环反馈系统图；

图3为本发明方法采用的增量式PID算法模型的运转流程图；

图4为本发明方法采用的粒子群算法模型的运转流程图。

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，下面结合实例对本发明作进一步的详细和深入描述。

本发明提出一种基于数字孪生体系的大米供应链优化模型构建方法，以大米供应链实物仿真模型为参考，使用Unity3D建模软件，从几何、物理、行为、规则、约束等维度，形成覆盖关键设备形状、尺寸、位置、运行状态、物理参数等多科学、多物理量和概率化的仿真模型。本发明方法结合供应链中的原粮存储、运输、加工、入库环节，以实物设备为参考使用Unity3D建模软件对供应链全过程进行虚拟仿真平台构建，并使用虚拟仿真平台对供应链进行分析和研究，优化改进供应链加工环节。本发明方法将传统控制算法和现代控制算法及深度学习模型运用于虚拟仿真平台中，提供了两种算法模型用于解决加工环节中碾米机堵塞问题，以及供应链中生产效率和在大米供应链数字孪生系统故障状态时的生命周期的预测问题，并通过实验和仿真测试验证了其可靠性。最终将其推广至生产加工业以及相关数字孪生业领域，从而推进我国工业领域的智能化进程。

本发明实施例实现的基于数字孪生体系的大米供应链优化模型构建方法，分如下三个步骤说明。

步骤一：根据大米供应链实物模型使用Unity3D软件对全供应链进行仿真平台构建。

本发明实施例搭建的大米供应链Unity3D仿真平台如图1所示，包括如下步骤101～104。

步骤101：首先构建碾米机的喷米阀门仿真模型，以小球模型代替稻谷，以小球的个数代替稻谷的质量，为小球模型添加刚体组件使其具有重力模仿稻谷喷射下落过程，通过时间间隔克隆小球模型实现阀门调速效果。其次构建传送运输模型，供应链实物模型在斜面传送时采用挡板以匀速运行的方式将稻谷运输至碾米机，在Unity3D构建其模型时，由于小球具有重力效果，在斜面传送时由于重力的分力会导致其下滑，在设定速度的前提下不能按照预期到达指定位置。因此构建传送模型时，在斜面部分取消使用小球的重力以代替实物模型中的挡板，如图1中原粮运输传送带和成米运输传送带斜面的箭头所示，在两传送带斜面部分小球不具有重力效果，此建模方式更易于找到传送速度与运输量之间的关系。

步骤102：在上述仿真模型建立的基础上，设计控制台界面控制供应链虚拟仿真平台的运转，如图1中控制台部分所示，控制台界面显示的三个速度数据可实时控制供应链运转。并且相关供应链仿真模型运转中产生的业务信息可实时显示在控制台界面中。

步骤103：在供应链仿真模型中的原粮仓出口、碾米机入口、碾米机出口和成米粮仓入口设置触发器当作计数传感器，具体位置如图1供应链模型中小箭头位置所示，当大米经过触发器时以累加的方式进行计数，通过计数和作差可计算出各节点和环节的大米数量，并将其数值显示在控制台界面中。

步骤104：设计通信接口和标识编码与工业互联网标识解析二级节点数据平台进行通信，将流通数据存储在标识编码中，Unity3D仿真模型平台通过查询和上传的方式与整个系统进行互联互通。

至此，构建了包括大米供应链的仿真模型，控制台，以及工业互联网标识解析二级节点数据平台的虚拟仿真平台，如图1所示。

步骤二：采用增量式PID(比例-积分-微分)算法模型防止碾米机发生堵塞。

本发明设计了第一种算法模型—增量式PID算法模型来解决加工环节中碾米机堵塞问题。由于供应链仿真模型的加工环节中碾米机的加工效率基本固定，因此原粮仓阀门速度、原粮运输传送带速度和成米运输传送带的速度参数将影响供应链环节的整体效率，各个参数的控制需要优化算法来优化控制。本发明的仿真平台上设置增量式PID算法模型，将Unity3D大米供应链仿真模型中碾米机大米数量作为被控对象，通过在原粮仓出口、碾米机入口、碾米机出口和成米仓入口设置的计数传感器计算各节点的大米数量，设置系统稳定运行时的碾米机大米数量为预期值，将供应链实时运行中碾米机的大米量作为反馈值以工业互联网标识解析二级节点作为数据采集媒介传送至增量式PID算法环节。增量式PID算法环节使用WinForm窗口界面实时绘制PID曲线，根据反馈值和预期值之间的误差结合PID算法计算出当前的算法输出量，结合传送带长度、速度和不同速度下传送带的运米量以及喷米阀门速度构建数学关系作为转换机构计算出原粮仓阀门速度和原粮运输传送带速度所需改变的数值，将数值再通过工业互联网标识解析二级节点数据平台实时传送至虚拟仿真模型端的执行机构，通过不断的迭代优化，使得碾米机中的大米数量保持动态平衡，各个环节平滑运行，防止碾米机堵塞现象的发生，从而达到最优控制。

本发明实施例实现的增量式PID算法模型共包括五个环节，环节顺序依次是增量式PID算法环节、转换机构环节、工业互联网标识解析二级节点数据平台A环节、执行机构与被控对象环节、工业互联网标识解析二级节点数据平台B环节，五个环节构成闭环反馈系统，如图2所示。

本发明实施例构建的增量式PID算法模型的具体流程如图3所示，包括如下步骤201～205。本算法模型涉及到如下物理量和公式。

r—系统的输入值，即碾米机中大米数量设定的预期值；

y(k)—Unity3D模型中碾米机中大米数量输出值并反馈至算法环节，y(k)＝m_碾米机；

u(k)—增量式PID算法的输出值；

u(k-1)—增量式PID算法上一次的输出值；

Δu(k)＝u(k)-u(k-1)—增量式PID算法输出值的增量；

K_p、K_i、K_d—分别为比例系数、积分系数、微分系数；

e(k)＝r-y(k)—第k次采集的系统误差；

e(k-1)—第k-1次采集的系统误差；

e(k-2)—第k-2次采集的系统误差；

T—增量式PID算法的采样周期；

v_阀—原粮仓喷米阀门速度；

m_原仓—原粮仓出米数量，由计数传感器1得到；

l_原传—原粮运输传送带长度；

v_原传—原粮运输传送带速度；

m_原传＝m_原仓-m_进米—供应链运行中原粮运输传送带大米数量，由计数传感器1和2作差得到；

m_进米—碾米机进米数量，由计数传感器2得到；

m_碾米机＝m_进米-m_出米—碾米机中大米数量，由计数传感器2和3作差得到；

m_出米—碾米机出米数量，由计数传感器3得到。

传统PID算法公式如公式(1)所示，分别包括比例、积分、微分三个环节，将其离散化得到公式(2)。

其中，T_d、T_i分别表示传统PID算法中微分系数、积分系数；e(t)表示t时刻的系统误差。

通过当前PID算法输出量与上一次输出量作差得到增量式PID算法公式(3)，可以看出输出的增量只与近三次的误差以及三个系数有关。

Δu(k)＝u(k)-u(k-1)＝K_p·(e(k)-e(k-1))+K_i·e(k)+K_d·(e(k)-2·e(k-1)+e(k-2))(3)

步骤201：如图3所示，在系统运行前首先在增量式PID算法环节设置原粮仓喷米阀门速度上下限、原粮运输传送带速度上下限、采样周期T以及比例系数K_p、积分系数K_i、微分系数K_d和碾米机中大米数量预期值r。

步骤202：启动系统运行，在图3的控制台界面，为阀门速度v_阀和原粮运输传送带速度v_原传设置初始值，并为成米运输传送带v_成传设置合适的速度。在供应链模型运转的过程中，通过原粮仓出口、碾米机入口和碾米机出口的传感器计算原粮仓出米数量m_原仓、碾米机进米数量m_进米、碾米机出米数量m_出米、碾米机中大米数量m_碾米机以及原粮运输传送带大米数量m_原传，并将上述数据实时显示在控制台界面上。在工业互联网标识解析二级节点数据平台二环节中，将原粮运输传送带大米数量m_原传、碾米机进米数量m_进米和碾米机中大米数量m_碾米机三个数据存储至标识编码内实时上传至工业互联网标识解析二级节点数据平台。

步骤203：如图3增量式PID算法环节所示，本环节根据采样周期T在工业互联网标识解析二级节点数据平台二环节中获取原粮运输传送带大米数量m_原传、碾米机进米数量m_进米和碾米机中大米数量m_碾米机。其中原粮运输传送带大米数量m_原传和碾米机进米数量m_进米用作于转换结构中的计算参数。系统通过设定的采样周期T获取本次的m_碾米机，计算出本次的误差e(k)，通过保存上次误差e(k-1)和上上次的误差e(k-2)，三个输入量经过增量式PID计算得到Δu(k)，如公式(3)所示。系统中还保存了上一次PID输出的u(k-1)，u(k-1)加上增量Δu(k)即为本次控制周期的PID输出u(k)。通过调节K_p、K_i、K_d三个系数，使用WinForm窗口界面根据采样周期采集的m_碾米机绘制调整PID曲线。

步骤204：如图3所示转换机构环节，从步骤203得到增量式PID算法的输出u(k)作为输入值，根据构建的v_阀、v_原传、m_原传、m_进米和l_原传之间的数学关系，同时结合v_阀和v_原传设置的上下限约束计算出此次v_阀、v_原传的调整量，在工业互联网标识解析二级节点数据平台A环节中将转换机构环节计算出本次调控的v_阀和v_原传存储至标识编码中，实时上传至工业互联网标识解析二级节点数据平台中。

由于大米供应链仿真模型中的原粮运输传送带为一个滞后环节，调节量到被控对象之间具有时间滞后性，所以设计了转换机构环节。本环节首先构建v_阀、v_原传、m_原传、m_进米和l_原传之间的数学关系，m_原传和m_进米由工业互联网标识解析二级节点数据平台B环节得到，结合PID环节输出的u(k)及构建的数学关系计算出此次v_阀、v_原传的调整量。

工业互联网标识解析二级节点数据平台A环节中，使用工业互联网标识解析二级节点数据平台作为数据传输媒介，当转换机构环节计算出本次调控的v_阀和v_原传后，将两个数据分别存储至标识编码中，通过通信接口实时上传至标识解析数据平台中。

步骤205：如图3所示的执行机构与被控对象环节中，控制台由通信接口从工业互联网标识解析二级节点数据平台实时获取转换机构环节输出的原粮仓阀门速度v_阀和原粮运输传送速度v_原传，显示在控制台界面上，并实时传送至原粮仓阀门和原粮运输传送带两个执行机构，调控原粮仓阀门和原粮运输传送带，从而调控被控对象，即碾米机中的大米数量。

上述步骤201～205为增量式PID算法模型的一个循环周期，通过不断地闭环调控使得碾米机中的大米数量动态保持在设置的预期值，以防碾米机发生堵塞。在步骤203中，增量式PID算法环节通过采样周期获取每次系统输出的碾米机大米数量，采用WinForm窗口绘制PID曲线，通过观察曲线变化实时调整比例、微分、积分三个参数使控制达到最优。基于第一种算法模型，通过仿真实验对其进行验证，可以将其应用至大米供应链实际生产线中，从而提升其智能化程度。

步骤三：采用粒子群算法模型提高大米供应链生产效率以及解决在大米供应链数字孪生系统故障状态时的大米生命周期预测问题。本发明在仿真平台设置第二种算法模型—粒子群算法模型，用于解决供应链中生产效率以及在大米供应链数字孪生系统故障状态时的生命周期预测问题。

粒子群算法模型基于第一种算法模型中碾米机环节平稳运行的基础上进行建立。当碾米机环节达到平稳运行时，粮仓阀门速度和原粮运输传送带速度将稳定在一个极小的幅度范围内。根据各环节构建的数学关系并以成米粮仓为目标点，使用粒子群优化算法不断迭代求解，直至计算出达到最大运米效率时各环节的调控速度。基于第二种算法模型，在实验验证的基础上同样可以将其应用至大米供应链实际生产线中，提高供应链生产效率。进而将其应用到大米供应链数字孪生系统中，当供应链实物端设备发生故障或孪生系统通信发生中断及网络延迟时，孪生虚拟端无法接收实物端的指令，此时虚拟端运用此算法可以预测出不同运米效率下对应的阀门速度、原粮运输传送带速度及成米运输传送带速度的大致范围，进而进行调整，解决了大米供应链数字孪生系统故障状态时的生命周期预测问题。

本发明实施例使用粒子群算法模型优化各环节调控速度的具体流程如图4所示，具体包括如下步骤301～305。首先，说明粒子群算法模型涉及到的物理量，如下：

v_成传—成米运输传送带速度；

m_成仓—成米粮仓进米数量，由计数传感器4得到；

v_成仓—成米运输传送带运米效率；

N—粒子群的规模；i—粒子序号，i＝1,2,...,N；

D—粒子的维度；d—粒子维度序号，d＝1,2...,D；本发明实施例中维度包括v_阀、v_原传和v_成传；

k—迭代次数；w—惯性权重；c₁—个体学习因子；c₂—群体学习因子；

r₁,r₂—区间[0,1]内的随机数，增加搜索的随机性；

v^k _id—粒子i在第k次迭代中第d维的速度向量；

x^k _id—粒子i在第k次迭代中第d维的位置向量；

p^k _id,pbest—粒子i在第k次迭代中第d维的历史最优位置，即在第k次迭代后，第i个粒子搜索得到的局部最优解；

p^k _d,gbest—群体在第k次迭代中第d维的历史最优位置，即在第k次迭代后，整个粒子群体中的全局最优解。

步骤301：首先构建本模型中的数学关系。此模型的核心即成米运输传送带的运米效率v_成仓，它是一个关于通过全供应链中各环节速度计算在单位时间内大米入库量的公式。为了更具严谨性，给模型添加约束，在碾米机内部的大米保持稳定，即第一种算法模型中使用增量式PID算法构建的稳定状态，和成米运输传送带铺满成米时，为本模型构建数学关系，此时的原粮仓阀门速度v_阀和原粮运输传送带速度v_原传会在很小的范围内进行波动。

步骤302：在设置好约束后进行数据采集，取十秒为单位时间，将单位时间内的大米运输量m_成仓，即v_成仓作为因变量，v_阀、v_原传和v_成传作为自变量，将四个变量作为一组数据集，采集大量的单位时间内的组数据，将数据进行三元非线性回归拟合，可采用深度学习训练拟合，大体拟合出一个关系式，如公式(4)所示，后期根据各项指标准则对数学关系式进行完善。

v_成仓＝a+b·v_阀+c·v² _原传+d·v³ _成传 (4)

其中，a、b、c、d为拟合参数。

步骤303：通过步骤302中构建的数学关系，使用粒子群算法求取在约束范围内最优的运米效率以及对应最优的三个自变量的值。首先对阀门速度、原粮运输传送带速度和成米运输传送带速度进行范围约束，即粒子群算法中的位置限制。由于阀门速度和原粮运输传送带速度建立在模型一中的稳态运转下，二者的约束会在很小的范围内浮动，对成米运输传送带速度v_成传进行合理的范围约束。此场景中具有三个自变量，因此粒子维度为三维，在约束下随机生成大量随机解，即粒子群的规模。在图4所示参数设置界面环节设置合理的迭代次数k、惯性权重w、学习因子c₁和c₂、速度限制、随机数r₁和r₂和优化停止准则，使用粒子群算法公式(5)和(6)求取在约束范围内最优的运米效率以及对应最优的三个调节速度v_阀、v_原传和v_原传，在粒子群迭代中，根据拟合的公式(4)可以获得粒子对应的成米运输效率v_成仓作为适应度值。并生成粒子群算法迭代次数和适应度值的曲线，通过曲线数据对v_成仓的精确度进行调整。

v^k+1 _id＝w·v^k _id+c₁·r₁·(p^k _id,pbest-x^k _id)+c₂·r₂·(p^k _d,gbest-x^k _id) (5)

x^k+1 _id＝x^k _id+v^k+1 _id (6)

粒子的速度和位置是核心属性，速度表示粒子下一步迭代时移动的方向和距离，位置是所求解问题的一个解。在速度更新公式(5)中，第一部分为惯性部分，由惯性权重和粒子的自身速度构成，表示粒子对先前自身运动状态的信任。第二部分为认知部分，表示粒子本身的思考，即粒子自身经验的部分，为粒子当前位置以自身历史最优位置之间的方向和距离。第三部分为社会部分，表示粒子之间的信息共享，来源于群体中其他优秀粒子的经验，为粒子当前位置与历史最优位置之间的方向和距离。

最后，通过迭代得到运米效率时各环节的调控速度，将所得调控速度应用在大米供应链仿真平台中，进行验证后，同样可以将其应用至大米供应链实际生产线中，提高供应链生产效率。进而将其应用到大米供应链数字孪生系统中，将非线性回归拟合得数学关系式运用至供应链数字孪生系统中进行预测。

当供应链实物端设备发生故障或孪生系统通信发生中断及网络延迟时，孪生虚拟端无法接收实物端的指令，此时虚拟端运用拟合的关系式可以预测出不同运米效率下对应的阀门速度、原粮运输传送带速度及成米运输传送带速度的大致范围，进而进行调整，解决了大米供应链数字孪生系统故障状态时的生命周期预测问题。

Claims (9)

1.一种基于数字孪生体系的大米供应链优化模型构建方法，其特征在于，包括：

步骤一：根据大米供应链实物模型使用Unity3D软件对全供应链进行仿真平台构建，并建立数字孪生体系的大米供应链虚拟仿真平台；

所述虚拟仿真平台包括大米供应链的仿真模型，控制台，以及工业互联网标识解析二级节点数据平台；其中控制台用于显示所述仿真模型的运转中产生的业务数据；

步骤二：在仿真平台上设置增量式PID算法模型，用于防止碾米机发生堵塞；

所述增量式PID算法模型包括五个环节：增量式PID算法、转换机构、工业互联网标识解析二级节点数据平台A、执行机构与被控对象、工业互联网标识解析二级节点数据平台B；五个环节构成闭环反馈系统；所述增量式PID算法模型将仿真模型中的碾米机大米数量作为被控对象，通过在原粮仓出口、碾米机入口、碾米机出口和成米仓入口设置的计数传感器计算各节点的大米数量，设置系统稳定运行时的碾米机大米数量为预期值，将供应链实时运行中碾米机的大米数量作为反馈值，以工业互联网标识解析二级节点作为数据采集媒介，在每个采样周期调整PID输出以及原粮仓喷米阀门速度v_阀、原粮运输传送带速度v_原传；PID表示比例-积分-微分；

步骤三：在仿真平台上设置粒子群算法模型；通过增量式PID算法模型使得碾米机环节达到平稳运行后，构建成米运输效率v_成仓与v_阀、v_原传、成米运输传送带速度v_成传的数学关系式，然后使用粒子群算法模型求解在约束范围内达到最大运米效率时各环节的调控速度。

2.根据权利要求1所述的方法，其特征在于，所述的步骤一中，构建大米供应链的数字孪生仿真平台，包括：

(1.1)构建碾米机的喷米阀门仿真模型时，以小球模型代替稻谷，以小球的个数代替稻谷的质量，为小球模型添加刚体组件使具有重力，以模仿稻谷喷射下落过程，通过时间间隔克隆小球模型实现阀门调速效果；在构建传送带运输模型时，在斜面传送时，取消小球的重力属性，以模拟实物传送带模型中的挡板效果；

(1.2)在仿真模型中的原粮仓出口、碾米机入口、碾米机出口和成米粮仓入口设置触发器当作计数传感器，当大米经过触发器时以累加的方式进行计数，通过计数和作差计算出大米数量，并显示在控制台界面中。

3.根据权利要求1所述的方法，其特征在于，所述的步骤一中，在控制台上设计通信接口和标识编码，与工业互联网标识解析二级节点数据平台进行通信，流通数据将存储在标识编码中。

4.根据权利要求1或2所述的方法，其特征在于，所述的步骤二中，增量式PID算法模型的实现如下：

(2.1)预先设置原粮仓喷米阀门速度v_阀上下限、原粮运输传送带速度v_原传上下限、采样周期T、碾米机中大米数量预期值r以及PID控制器的比例系数K_p、积分系数K_i、微分系数K_d；设置v_阀、v_原传和成米运输传送带v_成传的初始值；

(2.2)在工业互联网标识解析二级节点数据平台B环节获取碾米机中大米数量m_碾米机、碾米机进米数量m_进米以及原粮运输传送带大米数量m_原传，实时上传至工业互联网标识解析二级节点数据平台；在增量式PID算法环节，通过设定的采样周期T从工业互联网标识解析二级节点数据平台实时获取本次仿真模型中碾米机中大米数量y(k)＝m_碾米机，计算出本次采集的误差e(k)，e(k)＝r-y(k)，与保存的上次误差e(k-1)和上上次的误差e(k-2)，共三个输入量经过增量式PID计算得到Δu(k)，如下：

Δu(k)＝u(k)-u(k-1)＝K_p·(e(k)-e(k-1))+K_i·e(k)+K_d·(e(k)-2·e(k-1)+e(k-2))

其中，k表示第k次，K_p、K_i、K_d分别为比例系数、积分系数、微分系数；

将保存的上一次PID输出的u(k-1)加上增量Δu(k)，得到本次控制周期的PID输出u(k)；

(2.3)转换机构环节中，转换机构中构建原粮仓喷米阀门速度v_阀、原粮运输传送带速度v_原传、碾米机进米数量m_进米、原粮运输传送带大米数量m_原传和原粮运输传送带长度l_原传之间的数学关系，从工业互联网标识解析二级节点数据平台获取本次采样的m_进米和m_原传，结合u(k)，以及v_阀、v_原传的上下限，计算本次调控的v_阀和v_原传；在工业互联网标识解析二级节点数据平台A环节，将本次调控的v_阀和v_原传存储至标识编码中，实时上传至工业互联网标识解析二级节点数据平台中；

(2.4)在工业互联网标识解析二级节点数据平台A环节后，在执行机构与被控对象环节中，控制台从工业互联网标识解析二级节点数据平台获取的v_阀和v_原传，并实时传送至仿真模型中的原粮仓阀门和原粮运输传送带两个执行机构，从而调控被控对象即碾米机中的大米数量；

(2.5)通过(2.1)～(2.4)不断地闭环调控，使得碾米机中的大米数量动态保持在设置的预期值，防止碾米机发生堵塞。

5.根据权利要求4所述的方法，其特征在于，所述的(2.2)中，在工业互联网标识解析二级节点数据平台B环节中，通过仿真模型中的原粮仓出口、碾米机入口和碾米机出口的传感器得到的大米数量，计算原粮仓出米数量m_原仓、碾米机进米数量m_进米、碾米机出米数量m_出米、碾米机中大米数量m_碾米机以及原粮运输传送带大米数量m_原传，将m_原传、m_进米和m_碾米机存储至标识编码内，实时上传至工业互联网标识解析二级节点数据平台。

6.根据权利要求4所述的方法，其特征在于，所述的(2.2)中，增量式PID算法环节获取每次采样周期中的碾米机中大米数量，绘制PID曲线，通过观察曲线变化实时调整比例、微分、积分三个参数，对输出值u(k)进行优化调控。

7.根据权利要求1所述的方法，其特征在于，所述的步骤三中，在碾米机中的大米保持稳定和成米运输传送带铺满成米时，构建全供应链中各环节速度关于成米运输传送带运米效率的数学关系式；

具体地，将v_成仓作为因变量，v_阀、v_原传和v_成传作为自变量，采集单位时间内四个变量的组数据，进行三元非线性回归拟合，得到如下关系式：

v_成仓＝a+b·v_阀+c·v² _原传+d·v³ _成传

其中，a、b、c、d为拟合参数。

8.根据权利要求1或7所述的方法，其特征在于，所述的步骤三中，使用粒子群算法模型优化各环节的调控速度，包括：

(3.1)设置v_阀、v_原传和v_原传的约束范围；

(3.2)将一组v_阀、v_原传和v_原传作为一个粒子，在约束范围内随机生成粒子群；

(3.3)粒子群进行迭代，每次迭代更新粒子的速度和位置，利用所述数学关系式计算粒子对应的v_成仓，作为适应度值，求解在约束范围内最优v_成仓对应的三个调节速度v_阀、v_原传和v_原传，并生成粒子群算法迭代次数和适应度值的曲线，通过曲线对v_成仓的精确度进行调整。

9.根据权利要求1或7所述的方法，其特征在于，所述的步骤三中，使用粒子群算法模型应用到实际大米供应链的数字孪生系统中，当实物端设备发生故障，或者与数字孪生虚拟端的通信发生中断或延迟时，数字孪生虚拟端无法接收实物端的指令，此时使用所述的数学关系式预测不同运米效率下对应的v_阀、v_原传和v_成传的范围，进行各环节速度的调控。

Images