CN115685896B - 一种基于数字孪生技术的工业控制方法和系统 - Google Patents

Abstract

本发明涉及一种基于数字孪生技术的工业控制方法和系统，所述方法包括：步骤S1：构建数字孪生模型；步骤S2：对数字孪生模型和现场工业设备作双向映射以达到稳定同步；步骤S3：实时监测现场工业设备和数字孪生模型，基于环境参数对现场工业设备作生产过程控制。本发明使虚拟场景中的孪生系统与现实生产过程无缝融合，实现对工业控制系统进行快速、实时和高效的控制，并最终提高了生产工作的效率和工作生产过程的安全性。

Description

一种基于数字孪生技术的工业控制方法和系统

【技术领域】

本发明属于工业控制技术领域，尤其涉及一种基于数字孪生技术的工业控制方法和系统。

【背景技术】

数字孪生近年来成为了研究的热点，它指的是与物理对象高度一致的仿真模型。其充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。发挥连接物理世界和信息世界的桥梁和纽带作用。其目标在于精准映射现实空间的物理信息，呈现给管理者进行相关决策。数字孪生会同化所采集的实时数据，从而在模型建立后还能实时保持与物理对象的一致性。这使得数字孪生系统可以在虚拟环境中对更贴合真实状态的孪生对象进行仿真测试，获得更有现实指导意义的仿真结果。

“智能工厂”和“智能制造”是“工业4.0”项目的主要两大主题，分别是研究智能化生产系统过程，以及网络化分布式生产设施的实现。涉及企业生产物流管理、人机互动以及工业生产过程控制应用等。随着物联网、大数据和云计算技术的日臻成熟，促进了现代复杂机械产品的装配生产向数字化、网联化和智能化的方向发展。工业仿真软件从单纯的CAD(计算机辅助设计)、CAE(计算机辅助工程)、已经在逐步融合3D、虚拟现实、大数据、云计算、人工智能等新技术，软件与工业实际应用结合更紧密，数字孪生控制技术与传统的数字化产线集成一体化已经是国内外智能工厂的发展趋势，继而催生了物理信息融合、数字孪生技术与制造业的深度融合。对数字孪生的研究可以推动物联网技术、人工智能、虚拟现实技术甚至传感器技术的发展。数字孪生作为一种可以实现装备装配过程物理域和信息域智能互联与交互融合的潜在有效途径，近期受到了国内外专家的高度关注。

实际上，数字孪生模型会根据实时采集的动态交互数据在全生命周期内与物理对象持一致，并根据物理系统的运行需求对其反馈优化控制信号；可以看出，数字孪生技术或者说数字孪生模型具有高动态性和强交互性，他和具体的工业生产系统及其产品密切相关，在工业生产系统环境或者工业产品发生变化时，其数字孪生模型需要重新搭建，使其“很难实现”；此外，关于数字孪生模型的抽象和稳定同步方面的研究也都尚未成熟和推广使用，影响了数字孪生技术的发展同时还严重影响生产效率；为了解决该问题，本发明提出一种基于数字孪生技术的工业控制方法和系统，能够使虚拟场景中的孪生系统与现实生产过程无缝融合，实现对工业控制系统进行快速、实时和高效的控制，并最终提高了生产工作效率和工作生产过程的安全性。

【发明内容】

为了解决现有技术中的上述问题，本发明提出了一种基于数字孪生技术的工业控制方法和系统，所述方法包含：

步骤S1：构建数字孪生模型；

步骤S2：对数字孪生模型和现场工业设备作双向映射以达到稳定同步；

步骤S3：实时监测现场工业设备和数字孪生模型，基于环境参数对现场工业设备作生产过程控制。

进一步的，所述步骤S1具体包括；

步骤S11：获取产品生产请求；所述产品生产请求包括产品编号及其产品参数；

步骤S12：基于所述产品生产请求获取对应的生产过程；所述生产过程包括一个或多个具有时间先后顺序的生产工序；

步骤S13：按照生产过程中生产工序的顺序拼接生产工序对应的工序模型以构成数字孪生模型；

步骤S14：确定生产工序中的重要工序序列；所述重要工序序列中包含一个或多个连续的生产工序；

步骤S15：基于现场工业设备类型对数字孪生模型中的工序进行选型以参数化所述数字孪生模型；具体为：基于现场工业设备类型及其参数先对重要工序序列选型，然后对剩余工序做选型；通过拼接重要工序序列和剩余工序得到经过选型的数字孪生模型；所述选型是为工序选择工业设备的类型及其参数，使得经过选型的数字孪生模型在进行仿真后能达到运行目标和约束条件。

进一步的，生产现场包括一个或多个工序，每个工序对应一个工序模型。

进一步的，所述运行目标包括时间、设备消耗、开销和/或用工中的一个或多个的组合。

进一步的，通过人工标注的方式确定重要工序序列。

一种基于数字孪生技术的工业控制系统，其特征在于，包括：现场传感器、控制服务器、工业设备；其中：所述现场传感器用于检测现场的环境参数，生成包含环境参数的感应信号发送给控制服务器；

所述控制服务器用于执行所述的基于数字孪生技术的工业控制方法；

所述基于数字孪生技术的工业控制方法；

所述工业设备用于完成生产现场中的工序，并根据控制服务器发送的控制参数对所述生产过程中的工业设备参数进行调节。

进一步的，所述工业设备包括数控车床、工业机器人、机械臂、加工设备、运行轨道、工装设备和/或供料设备。

一种处理器，其特征在于，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现所述的基于数字孪生技术的工业控制方法。

一种计算机可读存储介质，其特征在于，包括程序，当其在计算机上运行时，使得计算机执行所述的基于数字孪生技术的工业控制方法。

一种物联网服务器，其特征在于，所述物联网服务器被配置为执行所述的基于数字孪生技术的工业控制方法。

本发明的有益效果包括：

(1)基于工序作生产过程的抽象，将生产过程分解为对各阶段中间产品的不断输入和输出，使得生产过程能够方便灵活拆分，针对不同的现场的数字孪生模型的设置变成了参数化和实例化过程，大大提高了对应的设置数字孪生模型的动态可配置性；同时，在数字孪生模型同步运行过程中，通过基于工序的距离、差分距离、差异化的差分距离的计算，不需要亲临现场就准确定位异常位置；

(2)圈定重要工序序列来抓住生产过程的重点，从多个重点工序序列出发打破生产过程顺序，根据重要工序占比来确定重要工序序列对应的子运行条件和子约束条件，找到全局最优选型结果及其对应的数字孪生模型，为工业控制效率的提高提供了良好基础；

(3)基于独立设备、两个或多设备组合的联合模拟方式对孪生模型和现场工业设备做双向映射，结合k个工业设备组的局部优化稳定同步，通过最小k达到最小误差容忍，快速实现全生产过程中现场的生产过程和数字孪生模型稳定同步。

【附图说明】

此处所说明的附图是用来提供对本发明的进一步理解，构成本申请的一部分，但并不构成对本发明的不当限定，在附图中：

图1为本发明提供的基于数字孪生技术的工业控制方法示意图。

【具体实施方式】

下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定；

本发明提供一种基于数字孪生技术的工业控制方法和系统，能够使虚拟场景中的孪生系统与现实生产过程无缝融合，实现对工业控制系统进行快速、实时和高效的控制，并最终提高了生产工作效率和工作生产过程的安全性；如附图1所示，所述基于数字孪生技术的工业控制方法，具体包括如下步骤：

步骤S1：构建数字孪生模型；

步骤S11：获取产品生产请求；所述产品生产请求包括产品编号及其产品参数；

步骤S12：基于所述产品生产请求获取对应的生产过程；所述生产过程包括一个或多个具有时间先后顺序的生产工序；

步骤S13：按照生产过程中生产工序的顺序拼接生产工序对应的工序模型以构成数字孪生模型；

步骤S14：确定生产工序中的重要工序序列；所述重要工序序列中包含一个或多个连续的生产工序；

优选的：通过人工标注的方式确定重要工序序列；当然也可以通过累加生产工序中的特定参数的重要度的方式来确定重要工序序列；其中的特定参数及其重要度为根据经验设置的预设值；例如：特定参数为生产开销、时间等；

每个生产工序能够由一个或多种类型的工业设备完成；基于工序做生产过程的抽象，将生产过程分解为对各阶段产品的不断输入和输出，使得生产过程能够方便灵活拆，针对不同的现场的数字孪生模型的设置变成了参数化和实例化过程，大大提高了对应的设置数字孪生模型的动态可配置性；对于每个生产现场来说，其拥有的工业设备类型、版本等可能都存在着相同或者不同的差异，但是只要工业设备能够完成一个工序就能够被用来对工序做参数化实例化、也就是说，后期只需要对这些工业设备进行连接就能形成有效的、适合当前产品生产的生产现场，而将工序进行类似的拼接就能得到匹配现场的数字孪生模型；对于每个生产现场来说，其拥有的工业设备类型、版本等可能都存在着相同或者不同的差异，需要对这些工业设备进行拼接才能形成有效的、适合当前现场情况的数字孪生模型；现有技术中工业设备的实例化、参数化往往是对独立的生产工序进行的或者是基于整个生产过程的顺序依次进行，这就必然会造成个点的最优以及局部最优的结果；另一方面，现场情况不同，拥有的工业设备及其现状也是不同的，对所有的类型及其参数作全局仿真必然是不现实的；而实际上只要在工业设备有限的情况下，通过提前圈定重要工序序列就能够抓住生产过程的重点，从多个点出发打破生产过程顺序，找到和产品生产顺序无关的全局最优参数化结果及其对应的数字孪生模型，为工业控制效率的提高提供良好基础；

步骤S15：基于现场工业设备类型对数字孪生模型中的工序进行选型以参数化所述数字孪生模型；具体为：基于现场工业设备类型及其参数先对重要工序序列选型，然后对剩余工序做选型；所述选型是为工序选择工业设备的类型及其参数，使得经过选型的数字孪生模型在进行仿真后能达到运行目标和约束条件；

优选的：所述运行目标包括时间、设备消耗、开销、用工等一个或多个的组合；

所述步骤S15具体包括如下步骤：

步骤S151：获取一未处理重要工序序列作为当前重要工序序列；

优选的：获取未处理重要工序序列中工序序列的重要度最高者作为当前重要工序序列；

优选的：重要工序序列中存在或者不存在重复的工序；

步骤S152：确定子运行目标和子约束条件；具体为：确定重要工序序列中的工序个数，根据工序个数占总工序个数的占比确定子运行目标和子约束条件，使得子运行目标和运行目标，子约束条件和约束条件之间的关系符合所述占比关系；例如：当约束条件是用工时，将用工乘以占比就得到的和子约束条件对应的用工；优化目标为时间时，用将时间乘以占比就得到的和子约束条件对应的时间；当优化目标包含多个要素时，用加和或乘积的方式来计算所述占比；工序是存在很大的差异性的，本发明提出根据重要工序占比来确定子运行条件和子约束条件，充分考虑工序的差异性特点，为提供全局最优选型提供良好的支撑；

步骤S153：针对重要工序序列中的每个工序，依次在工序对应的现场工业设备类型集合中选择工业设备类型及其参数，计算经过选择后的重要工序序列的是否满足子约束条件；如果是，则将所选择的工业类型及其参数序列作为待选设备序列；从所述多个待选设备序列中选择最满足优化目标的工业设备类型及其参数序列作为选型结果；工业设备类型集合是工业现场中已经可以投入生产使用的工业设备；

优选的：当现场没有工业设备满足子约束条件时，反馈重新购买现场设备；或拆散所述重要工序序列；

步骤S154：剩余工序做选型；具体为：对剩余工序做最优选型，通过工业设备类型及参数的选择使得独立的剩余工序的在满足约束条件的情况下最满足运行目标；这里的约束条件和运行目标都是总的约束条件和运行目标；

一种可替换的方式是，将最优选型换为针对剩余工序的最常用选型方式、甚至最差选型方式；

步骤S155：通过拼接重要工序序列和剩余工序对应的工序模型得到经过选型的数字孪生模型，也就是参数化的数字孪生模型；运行所述经过参数化的数字孪生模型，在不满足约束条件的情况下通过改变剩余工序中工业设备参数和/或类型，使得数字孪生模型在满足约束条件的情况下，满足运行目标；

优选的：所述改变为和步骤S154中的选型方向相反的改变；也就是和最优选型相反方向的选择；

步骤S2：对数字孪生模型和生产现场工业设备作双向映射以达到稳定同步；拼接后的孪生设备模型从理论上来说能够和现场设备之间达到完全的同步，但在实际生产过程中，不仅工业设备自身会随着时间环境而变化，更重要的是设备和设备之间在不同的工序组合后极大可能会发生不可忽视的不稳定变化，本发明通过基于独立工业设备、两个或多工业设备组合的联合模拟方式对孪生模型和现场工业设备做双向映射，快速而稳定的实现全生产过程的数字孪生模型同步；

所述步骤S2具体包括如下步骤：

步骤S21：根据数字孪生模型的参数设置配置生产现场中的每个工业设备以及工业设备之间的连接关系以搭建生产现场；

步骤S22：针对每个独立的工业设备，通过环境参数调整使得工业设备和数字孪生模型之间达到稳定同步；具体为：获取一个未处理的工业设备；启动所述未处理工业设备加工合格的输入中间产品，以得到合格的输出中间产品，记录和所述未处理工业设备相关的现场环境参数；对数字孪生模型作仿真并记录所述未处理工业设备对应的工序模型的孪生环境参数；调整所述工序模型的工业设备参数以使得现场环境参数和孪生环境参数相一致；这里调整的对象主要是设备参数或设备控制参数；需要注意的是，此时工序模型中工业设备类型不再做调整的而和所述未处理的工业设备设置为一致；重复上述处理直到所有工业设备均处理完毕；可以看出正是因为发现即使将工序模型设置为和现场工业设备的参数一致，也不能保障环境参数是一致的，这是因为现场工业设备是实际物理设备而随着时间变化必然发生改变；而在进行比较的对象是生产过程中误差不断累计到具体的一个工序时的环境参数比较，而非让一个独立工业设备或者单独工序模型运行进行一致性调整；这样的调整才和实际的情况相符合，更具有实际应用价值；

优选的：在调整过程中，需要保障运行目标和约束条件是满足的；

步骤S23：实际运行生产现场和数字孪生模型，计算两者之间的产品误差，如果所述误差大于最大误差容忍，则进入步骤S24；否则，若误差小于等于最小误差容忍，则进入步骤S27；若所述误差小于等于最大误差容忍且大于最小误差容忍，则进入步骤S26；

优选的：最大误差容忍和最小误差容忍都是预设值；

步骤S24：针对每两个连续的工业设备构成的工业设备组，通过环境参数调整使得工业设备组和数字孪生模型之间达到稳定同步；具体为：获取一个未处理的工业设备组；所述工业设备组包括两个在工序上为先后关系的两个工业设备；启动所述未处理工业设备组加工合格的输入中间产品，以得到合格的输出中间产品，记录和所述未处理工业设备相关的现场环境参数；对数字孪生模型做仿真并记录所述处理工业设备对应的工序模型的孪生环境参数；调整所述工业设备组对应的工序模型的工业设备组参数以使得现场环境参数和孪生环境参数相一致；

其中：工业设备组参数包括工业设备参数或控制参数，还包括工业设备之间的连接关系；

步骤S22和步骤S24中的调整可以为双向调整，也就是说调整的对象包括现场环境参数和孪生环境参数，调整对象包括工业设备及其连接关系本身，还包括工序模型及其连接关系，这里的一致是相同或者是差距在一定范围内；

可以看到，环境参数分为现场环境参数和孪生环境参数；而从而环境参数本身来说，其包括现场传感器能够检测到的所有参数类型；其中包括对工业设备进行控制的参数；环境参数包括生产人员数据、工业设备数据(例如：用于工业设备的控制参数、连接参数、过程参数、中间产品参数等)、生产环境数据、工装工具数据、生产过程数据、生产进度数据、生产质量数据(例如：产品质量数据、中间产品质量数据等)、逆向问题数据等；

步骤S25：实际运行生产现场和数字孪生模型，计算两者之间的产品误差，如果所述误差大于最大误差容忍，则返回步骤S22；否则，如果所述误差小于等于最大误差容忍且大于最小误差容忍，则进入步骤S26；若误差小于等于最小误差容忍，则进入步骤S27；

经过考虑连接关系的调整后如果误差仍然较大，需要重新返回步骤S22做再次基础调整，当然返回的次数可以做一定的限制；超过一定的次数后可以请求人工反馈调整；对于误差的区间划分也可以更加灵活，上面三区间划分方式是指一种示例方式；

优选的：所述每两个工业设备为在工序上相邻的两个工业设备；

步骤S26：针对每k个工业设备构成的k工业设备组，通过环境参数调整使得k工业设备组和数字孪生模型之间达到稳定同步；实际运行生产现场和数字孪生模型，计算两者之间的产品误差，如果所述产品误差增加，则作回滚操作以取消最近一次同步稳定过程中对环境参数所作的调整；否则，如果误差不变或减小，则换一个k工业设备组并重新执行步骤S26；在上述步骤执行过程中，若发现减小后的产品误差小于等于最小误差容忍，则进入步骤S27；若在当前k值时，进行的针对所有k工业设备组和/或数字孪生模型的调整均不能使得产品误差继续降低且产品误差仍然大于最小误差容忍，则增加k值后返回步骤S26；若增加后的k值已经大于最大k值，则人工反馈后进入步骤S27；

k工业设备组中任一个工业设备发生变化，则是一个新的k工业设备组；在上述调整中需要尝试所有的这；当然k工业设备组还是指k个在工序上存在连续的先后关系的k个工业设备；例如：(DV1，DV2，DV3)->DV4构成一个k＝4的工业设备组，其中DV1，DV2，DV3均是并行执行，而他们和DV4之间是连续的先后关系；他们共同构成了一个可调整的4工业设备组；

优选的：k的初始值等于3；最大k值是所有工业设备的个数；

也就是说，通过从独立工业设备和工业设备组出发作数字孪生模型的基本稳定同步，提高了同步稳定效率，通过双向的环境参数调整使得k个工业设备组达到局部优化稳定同步，通过最小k达到最小误差容忍，提高了同步稳定的效率；

可替换的：若增加后的k值已经大于最最大k值，也就是输，通过在k个工业设备组合之间进行联动调整已经无法继续优化，可以选择返回步骤S22尝试放弃当前局部优化路径而选择新的路径寻求更优解；

可替换的：所述最大k值等于所有工业设备的个数的开平方值；k值的增加会非线性的增加稳定同步的效率，从而大大的降低优化的效率，无限的增加k值显然是不合理的；

步骤S27：确定双向映射完毕达到稳定同步；上述用于批改的误差是产品误差，当然也可以是任何评价两者之间是否达到稳定同步的指标；

步骤S3：实时监测现场工业设备和数字孪生模型，基于监测得到的环境参数对现场工业设备作生产过程控制；

所述基于环境参数对现场工业设备作生产过程控制，具体为：当发生时异常时，基于数字孪生模型定位异常位置；

优选的：所述异常是产品不合格或生产故障；

所述步骤S3，具体包括如下步骤：

步骤S31：实时监测现场工业设备和数字孪生模型以获取环境参数；

步骤S32：按照工序的执行顺序，获取一个未处理工序u；

步骤S33：针对未处理工序u，计算现场工业设备和数字孪生模型的工序模型的环境参数之间的距离D_u；

优选的：所述距离为欧氏距离；

步骤S34：判断是否所有工序均处理完毕，如果是，则进入步骤S35，否则，返回步骤S32；

步骤S35：基于距离序列(D_u)计算差分距离SD_u序列(SD_u)；其中：SD_u＝D_u-D_u-1；SD₁＝D₁-0；

步骤S36：获取差分距离序列(SD_u)中的最大值对应的工序编号mu；确定最大值对应的工序编号mu为异常工序；当然，在确定异常工序后，可以基于mu对应工序模型和环境参数继续对故障类型等做进一步的分析；

优选的：当最大值不是差分距离SD_u序列中的显著值时，也就是说，该最大值和其他数值之间不存在明显差异时，可以进一步的增加或者变化差分距离的计算来尝试找到显著的差分距离；

此时，可替换的：

基于距离序列(D_u)计算差分距离序列(SD_u)；其中：SD_u＝(D_u-D_u-1)+(D_u-D_u-2)；SD₁＝2*(D₁-0)；SD₂＝(D₂-D₁)+(D₂-0)；

进一步的，可替换的：

基于距离序列(D_u)计算差分距离序列(SD_u)；其中：SD_u＝(D_u+1-D_u)+(D_u-D_u-1)；SD₁＝(D₂-D₁)+D₁；

步骤S37：对异常工序作工业控制；例如：异常排查、故障再现等；

在数字孪生模型同步运行过程中，通过距离、差分距离、差异化的差分距离的仿真计算方式，不需要亲临现场就准确定位异常位置；

基于相同的发明构思,本发明还提供了一种基于数字孪生技术的工业控制系统,所述系统包括：现场传感器、控制服务器、工业设备；其中：所述现场传感器用于检测现场的环境参数，生成包含环境参数的感应信号发送给控制服务器；其中：所述环境参数包括生产人员数据、工业设备数据、工装工具数据、生产过程数据、生产进度数据、生产质量数据、逆向问题数据等；

所述控制服务器用于执行所述基于数字孪生技术的工业控制方法；

所述工业设备用于完成生产现场中的工序，并根据控制服务器发送的控制参数对所述生产过程中的工业设备参数进行调节；其中：所述工业设备包括数控车床、工业机器人、机械臂、加工设备、运行轨道、工装设备、供料设备等；

优选的：所述工业设备为一个或者多个；

术语数控车床、工业机器人、机械臂、加工设备、运行轨道、工装设备、供料设备包涵用于处理数据的所有种类的装置、设备和机器，举例包括可编程处理器、计算机、片上系统、或者上述中的多个或其组合。所述装置能够包括专用逻辑电路，例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。除了硬件，所述装置还可以包括代码，创建用于所述计算机程序的执行环境，例如，构成处理器固件、协议栈、数据库管理系统、操作系统、跨平台运行环境、虚拟机或上述一个或多个的组合的代码。该装置和执行环境可以实现各种不同计算模型基础设施，诸如web服务、分布式计算、和网格计算基础设施。

计算机程序(也被称为程序、软件、软件应用、脚本或代码)能够以编程语言的任何形式来撰写，包括汇编或解释语言、说明或过程性语言，且其可以以任何形式部署，包括作为单机程序或者作为模块、组件、子例程、对象或适于在计算环境中使用的其他单元。计算机程序可以但不必与文件系统中的文件相对应。程序能够存储在保持其他程序或数据(例如存储在标记语言文档中的一个或多个脚本)的文件的一部分中，在专用于所述程序的单个文件中，或者在多个协同文件中(例如，存储一个或多个模块、子例程或代码部分的文件)。计算机程序可以部署为在一个计算机上或位于一个站点或跨多个站点分布且由通信网络互连的多个计算机上执行。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (9)

1.一种基于数字孪生技术的工业控制方法，其特征在于，所述方法包含：

步骤S1：构建数字孪生模型；

步骤S2：对数字孪生模型和现场工业设备作双向映射以达到稳定同步；

步骤S3：实时监测现场工业设备和数字孪生模型，基于环境参数对现场工业设备作生产过程控制；

所述步骤S1具体包括；

步骤S11：获取产品生产请求；所述产品生产请求包括产品编号及其产品参数；

步骤S12：基于所述产品生产请求获取对应的生产过程；所述生产过程包括一个或多个具有时间先后顺序的生产工序；

步骤S13：按照生产过程中生产工序的顺序拼接生产工序对应的工序模型以构成数字孪生模型；

步骤S14：确定生产工序中的重要工序序列；所述重要工序序列中包含一个或多个连续的生产工序；

步骤S15：基于现场工业设备类型对数字孪生模型中的工序进行选型以参数化所述数字孪生模型；具体为：基于现场工业设备类型及其参数先对重要工序序列选型，然后对剩余工序做选型；通过拼接重要工序序列和剩余工序得到经过选型的数字孪生模型；所述选型是为工序选择工业设备的类型及其参数，使得经过选型的数字孪生模型在进行仿真后能达到运行目标和约束条件。

2.根据权利要求1所述的基于数字孪生技术的工业控制方法，其特征在于，生产现场包括一个或多个工序，每个工序对应一个工序模型。

3.根据权利要求2所述的基于数字孪生技术的工业控制方法，其特征在于，所述运行目标包括时间、设备消耗、开销和/或用工中的一个或多个的组合。

4.根据权利要求3所述的基于数字孪生技术的工业控制方法，其特征在于，通过人工标注的方式确定重要工序序列。

5.一种基于数字孪生技术的工业控制系统，其特征在于，包括：现场传感器、控制服务器、工业设备；其中：所述现场传感器用于检测现场的环境参数，生成包含环境参数的感应信号发送给控制服务器；

所述控制服务器用于执行权利要求1-4中任一项所述的基于数字孪生技术的工业控制方法；

所述工业设备用于完成生产现场中的工序，并根据控制服务器发送的控制参数对所述生产过程中的工业设备参数进行调节。

6.根据权利要求5所述的基于数字孪生技术的工业控制系统，其特征在于，所述工业设备包括数控车床、工业机器人、机械臂、加工设备、运行轨道、工装设备和/或供料设备。

7.一种处理器，其特征在于，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现权利要求1-4中任一项所述的基于数字孪生技术的工业控制方法。

8.一种计算机可读存储介质，其特征在于，包括程序，当其在计算机上运行时，使得计算机执行如权利要求1-4中任一项所述的基于数字孪生技术的工业控制方法。

9.一种物联网服务器，其特征在于，所述物联网服务器被配置为执行如权利要求1-4中任一项所述的基于数字孪生技术的工业控制方法。

Images