CN115965154A - 一种基于知识图谱的数字孪生机械加工过程调度方法 - Google Patents

Abstract

本发明公开了一种基于知识图谱的数字孪生机械加工过程调度方法，包括以下步骤：获取智能车间制造过程数据库，并进行实体和实体关系的提取，构建与物理车间实体一一对应的知识图谱；对物理车间进行孪生建模，获得对应的虚拟车间，并从知识图谱中获取调度数据对虚拟车间进行模拟仿真和预测；当实际结果与预测结果不一致时，对调度数据进行优化调整，并对知识图谱进行更新；基于更新后的知识图谱，获取新的调度数据对物理车间进行优化控制。本发明对物理车间进行孪生建模，获得对应的虚拟车间，实现了数字孪生车间的高保真建模，在多品种、小批量的制造领域中，精准映射出加工过程的状态，有利于后续进行制造过程的调度优化。

Description

一种基于知识图谱的数字孪生机械加工过程调度方法

技术领域

本发明属于计算机集成制造技术领域，特别是涉及一种基于知识图谱的数字孪生机械加工过程调度方法。

背景技术

随着先进信息技术(如物联网、云计算、CPS、数字孪生、大数据)的快速发展，大大缩短了生产周期。同时，消费者对多样化、个性化的消费产品的需求不断增加，使得新产品变得更加复杂化。复杂产品指客户需求复杂、产品组成复杂、产品技术复杂、制造过程复杂、项目管理复杂的一类产品。复杂产品生产车间主要是基于客户定制的多品种、小批量的生产制造模式。然而，多品种、小批量产品的实际加工时间只占生产周期的一小部分，剩下的大部分时间都浪费在等待加工、储存、搬运和运输上了。因此，车间调度方案直接影响生产周期，影响着产品的生产成本和企业的竞争力。

车间调度方案的执行，受制于生产准备情况、物料和资源可用性、检验、人员等。人员、设备、物料等维度的扰动将影响车间生产计划的执行，致使车间生产中断。扰动的发生会导致企业的服务、质量、价格波动变化。

车间作为制造系统的核心单元，是工件生产组装和数据传递变换的交汇中心，涵盖了工件信息、加工数据、物流管理、生产调度、资源信息等多维异构信息。机械加工过程早已从单目标、单学科优化转向多目标、多学科设计优化(Multidisciplinary DesignOptimization，MDO)。因此需要更加高效的调度处理手段来提高车间对的反应与处理能力，实现生产活动的高效运转。

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，其瓶颈之一是如何实现制造的物理世界和信息世界之间的交互与共融。数字孪生在2003年提出，随着不断发展，其定义演变为集成多物理、多尺度、多学科属性，具有实时性、虚实同步、高保真度等特性，可以实现虚实交互的技术。其应用也演变到了制造业的各个领域。2017年，陶飞教授基于数字孪生(DigitalTwin)，提出了数字孪生车间(DigitalTwinWorkshop)的概念，阐述了数字孪生车间的系统组成、运行机制、特点、关键技术等。数字孪生是实现制造过程虚实交互共融的关键技术，可将物理对象以数字化方式在虚拟空间呈现，模拟其在现实环境中的行为特征。

对于传统工艺，虚拟车间的功能有限，往往依赖于物理车间，缺乏自主性和进化性。物理车间和虚拟车间之间的一致性和同步性很难保证。更重要的是，这个过程通常侧重于从实体获得的数据的收集、存储、测试、处理和控制，而忽略了模型和信息系统产生的模拟、优化、预测和验证的数据，特别是物理和虚拟车间两者的融合数据。在这种情况下，通常会存在计划与实际生产不一致、资源配置不合理、生产控制不准确等一系列问题。

数字孪生技术的关键是建立一个可以实现实体模型高度映射的虚拟模型，但是现有的数字孪生体系中大多关注于大的系统框架的研究，缺乏对应的数据支撑。

综上所述，亟需提出一种基于知识图谱的数字孪生机械加工过程调度方法，实现对机械加工过程的调度优化。

发明内容

本发明的目的是提供一种基于知识图谱的数字孪生机械加工过程调度方法，利用数字孪生技术实现物理车间与虚拟车间的交互过程，着力于解决复杂产品制造过程困难，同时消除扰动对制造过程的影响；通过建立数字孪生调度模型，实现人员、机器、物料等的合理利用；通过知识图谱技术融合多维数据，实时观察机械加工状态做出控制决策，实现动态调整，解决现有加工不能充分反映产品的实际加工状态、缺乏虚实互动的问题。

为实现上述目的，本发明提供了一种基于知识图谱的数字孪生机械加工过程调度方法，包括以下步骤：

获取智能车间制造过程数据库，并进行实体和实体关系的提取，构建与物理车间实体一一对应的知识图谱；

对所述物理车间进行孪生建模，获得对应的虚拟车间，并从所述知识图谱中获取调度数据对所述虚拟车间进行模拟仿真和预测；

当实际结果与预测结果不一致时，对调度数据进行优化调整，并对所述知识图谱进行更新；

基于更新后的知识图谱，获取新的调度数据对物理车间进行优化控制。

可选地，获取智能车间制造过程数据库的过程包括：采集加工过程中物理车间的各个单元间的数据，获取物理车间实体概念中的属性、约束条件以及制造概念之间的层次关系，构建多层级的知识体系，对抽象的知识、属性和关联关系进行定义，转化为现实数据，形成智能车间制造过程数据库；

其中，所述物理车间包括物流单元、制造单元、仓储单元以及线边库缓冲区。

可选地，所述加工过程所用的时间包括：待加工件的转移时间、待加工队列中的等待时间、机床准备时间、加工时间和待转移时间。

可选地，构建与物理车间实体一一对应的知识图谱的过程包括：构建实体信息提取模型，利用已标注好实体和实体之间关系的数据对所述实体信息提取模型进行训练；基于训练后的实体信息提取模型，对智能车间制造过程数据库进行实体和实体关系的提取，获得与物理车间实体一一对应的知识图谱。

可选地，所述知识图谱采用图结构的存储方式，将包含物流信息、制造信息、仓储信息、线边库信息以及以上信息在时间尺度上的关联关系进行存储，并在虚拟车间进行数据的处理与反馈。

可选地，对调度目标进行优化调整的过程包括：基于优化算法库，确定目标函数和约束条件，对模拟仿真过程中的调度数据进行优化调整；其中，所述调度数据包括加工顺序和加工开始时间。

可选地，对所述知识图谱进行更新的过程包括：优化调整完成后，更新所述知识图谱中节点间的关系和对应的节点信息。

可选地，所述优化算法库包括但不限于启发式算法、遗传算法和图神经网络。

本发明的技术效果为：

本发明对物理车间进行孪生建模，获得对应的虚拟车间，实现了数字孪生车间的高保真建模，在多品种、小批量的制造领域中，精准映射出加工过程的状态，有利于后续进行制造过程的调度优化。

本发明对虚拟车间进行预测，当实际结果与预测结果不一致时，基于算法库对调度数据进行优化调整，并对知识图谱进行更新，基于更新后的知识图谱，获取新的调度数据对物理车间进行优化控制。本发明中的物理车间与虚拟车间一一对应，利用知识图谱中的虚拟节点实时收集数据并为算法库提供了数据支撑，并且结合了设备实际状态生成调度方案，保证了调度方案的性能指标(如避免工件拖期、降低完成时间等)满足业务要求。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例中的机械加工过程的控制架构图；

图2为本发明实施例中的更新虚拟车间调度数据的方法流程图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一

如图1-2所示，本实施例中提供一种基于知识图谱的数字孪生机械加工过程调度方法，具体方法为：基于知识图谱的数字孪生系统收集物理车间产生的数据，利用真实数据构建知识图谱，即使用图结构的存储方式，将包含物流信息、制造信息、仓储信息、线边库信息以及它们在时间尺度上的关联关系进行存储；然后，通过虚拟车间中的算法库的优化、预测算法对知识图谱进行作业的顺序、开始时间等进行调整；最后将调度决策反馈输出，对物理车间进行优化控制。

物理车间

物理车间是生产系统的一个客观实体集，所涉及的物理对象既包括了物理实体，也包括了实体内部及互相之间存在的各类运行逻辑、生产流程等已存在的逻辑规则。从不同的功能区分，可以划分为物流单元、制造单元、仓储单元以及线边库缓冲区等。

在时间的尺度上对车间运行过程中产生的信息进行采集、感知、处理和传输，如图1所示，加工过程所用时间可以分为五块，待加工件的转移时间、待加工队列中的等待时间、机床准备时间、加工时间、待转移时间，如此循环。在这个过程中可以通过信息物理系统收集各单元间的数据，明确车间实体概念中的属性、约束条件，以及制造概念之间的层次关系。从实际角度出发，构建多层级的知识体系，对抽象的知识、属性、关联关系等信息进行定义、组织、管理，将它们转化为现实数据，最终形成智能车间制造过程数据库。采用基于机器学习的实体抽取方法，以使用自然语言处理模型为基础，构建实体信息提取模型，通过一定规模已标注好实体和实体之间关系的语料数据对实体信息提取模型进行训练。基于训练好的实体信息提取模型，完成相应实体和实体关系的提取。构建与物理实体一一对应的知识图谱(knowledgegraph)。

虚拟车间

基于数字孪生的知识图谱构建。采用自底向上的构建方法，即首先对车间实体进行归纳组织，形成调度的底层概念，逐步向上抽象，形成上层概念，可以基于调度现有模型生成数据模式。在这个过程中可以通过信息物理系统收集各单元间的数据，明确车间实体概念中的属性、约束条件，以及制造概念之间的层次关系。从实际角度出发，构建多层级的知识体系，对抽象的知识、属性、关联关系等信息进行定义、组织、管理，将它们转化为现实数据，最终形成智能车间制造过程数据库。采用基于机器学习的实体抽取方法，以使用自然语言处理模型为基础，通过对一定规模已标注好实体和实体之间关系的语料数据进行训练。基于训练好的模型，完成相应实体和实体关系的提取。构建与物理实体一一对应的知识图谱。

基于知识图谱的数字孪生系统收集物理车间产生的多维异构的实时数据，利用真实数据构建知识图谱，即使用图结构的存储方式，将包含物流信息、制造信息、仓储信息、线边库信息以及它们在时间尺度上的关联关系进行存储。知识图谱是由三元组组成的语义网络，三元组的表达形式一般为“头节点-边-尾节点”，对应于事实为“实体-关系-实体”或者“实体-属性-属性值”。节点对应的实体是所有真实世界存在事物的理论概念，如制造设备、运输设备、加工工件等，并包含设备的加工时间、运输时间、所在位置等信息，边对应的关系是实体之间、概念之间的语义关系，关系可以将所有分散的事物通过关联关系组成一张网络。

作为大规模语义网络，多层次知识图谱可以将柔性作业车间调度过程中涉及的资源和工序信息进行形式化表达，这种表达方式更加容易实现知识的获取和交互，从而针对性地为车间调度策略生成提供数据支持。根据知识图谱中包含的操作对应于物理车间加工关系，在虚拟层形成一个虚拟的加工系统，通过虚拟物流单元、虚拟制造单元、虚拟仓储单元、虚拟缓冲区将物理车间的加工过程系统地、准确地进行还原并绘制出来。

获取到调度数据后，对虚拟单元进行模拟仿真，并依据物理车间制造规律(例如先到先加工等)、人工经验、以及预测算法对仿真模型进行预测；当发生车间扰动(插单等)导致实际结果与预期结果不相符时，采用优化算法(例如遗传算法、强化学习等)，对仿真时的作业指令如各项作业顺序、作业开始时间进行调整；优化调整完成后，更新知识图谱中节点间的关系(加工顺序等)和对应的节点信息(加工开始时间等)；最后通过更新后的知识图谱，产生新的调度决策反馈输出，对物理车间进行优化控制。

可实施的，所述知识图谱是收集物理车间产生的多维异构的实时数据，利用真实数据构建知识图谱，即使用图结构的存储方式，将包含物流信息、制造信息、仓储信息、线边库信息以及它们在时间尺度上的关联关系进行存储，并在虚拟车间进行数据的相关处理与反馈。

可实施的，所述算法库具体实施步骤如下：首先利用现有经验进行知识建模，依据知识图谱的模式进行调度业务抽象和业务建模，主要是实体定义、关系定义、属性定义；然后进行数据采集并输入，并利用知识图谱中存储的实体信息数据进行模拟仿真和预测车间运行趋势，与实际运行情况进行对比；当出现扰动导致二者结果不一样时，进行数学建模，对调度目标进行优化分析，优化算法库包含启发式算法、遗传算法、图神经网络等。

本实施例将实现数字孪生车间的高保真建模，在多品种、小批量的制造领域中，精准映射出加工过程的状态，有利于后续进行制造过程的调度优化。

实施例二

本实施例涉及一种基于知识图谱的数字孪生机械加工过程调度方法，该方法包括物理车间数据采集、基于数字孪生的知识图谱构建、基于算法库的作业调整与反馈3个步骤。

假设的离散制造车间调度问题详细描述如下：有n个独立工作J＝{J1，J2，…，Jn}和M台机器M＝{M1，M2，…，Mm}。工作Ji有r道工序O＝{Oi1，Oi2，…，Oir}。具体实施方式如下：

步骤1：物理车间数据采集：

在离散车间作业情况下，工件的加工在一台机床上完成某一工件的某一道工序的加工时，其需转移到下一台机床上进行下一道工序的加工，直至完成所有工序的加工，生产控制的目标就是在这整个生产周期过程中工件完成时间与计划时间保持一致。但是在实际生产环境下，因为离散制造的多资源及间断式的转移生产带来的多变性，导致实际完工时间与计划时间很难保持一致，增加了车间管理成本。为此，基于工件物理实体的传递过程，对工件的加工时间进行如图1所示的划分。利用传感器、移动终端、网络环境等对这些实体间的时间信息进行采集、处理和传输。针对所加工的工件，需要采集转移时间、等待加工时间、机床准备时间、加工时间、等待转移时间等时间数据；在不同的单元采集数据各不相同，例如物流单元：位置、数量、时间戳等，制造单元：工艺流程、加工时间等。

步骤2：基于数字孪生的知识图谱构建：

采用自底向上的构建方法，即首先对车间实体进行归纳组织，形成调度的底层概念，逐步向上抽象，形成上层概念，可以基于调度现有模型生成数据模式。在这个过程中可以通过信息物理系统收集各单元间的数据，明确车间实体概念中的属性、约束条件，以及制造概念之间的层次关系。从实际角度出发，构建多层级的知识体系，对抽象的知识、属性、关联关系等信息进行定义、组织、管理，将它们转化为现实数据，最终形成智能车间制造过程数据库。采用基于机器学习的实体抽取方法，以使用自然语言处理模型为基础，通过对一定规模已标注好实体和实体之间关系的语料数据进行训练。基于训练好的模型，完成相应实体和实体关系的提取。构建与物理实体一一对应的知识图谱。

在车间工序计划已制定，机床设备已确定的情况下，工件加工流程图，工件的传递过程主要经过待加工队列、机床、待转移队列。工件待加工队列依次经过机床加工，待工件完成加工后进行转移至下一道工序所在机床的待加工队列。于是从待加工队列到转移构成了工件在一台设备以及设备间的完整流程时间。如图1所示，将这些信息与虚拟单元进行映射，利用知识图谱中的虚拟节点承载收集到的实时数据，便于对算法库提供数据支撑。例如，对工件的加工标准时间可由以下关系得到：

t_p＝f(α|β|γ)

其中，α为机床、工器具等相关因素，如机床型号、机床功率、刀具直径、刀具材料等；β为工件相关因素，如工件材料、硬度、待加工特征(平面，曲面，型腔，孔，槽…)、走刀路线、切削参数(转速，线速度，背吃刀量，切削宽度)等；γ为动态干扰因素，如机器故障、操作失误、工件返工、实际工时偏差、设备刀具摩擦损耗、工人效率变化等。

因此可以将机床、工器具、工件属性、相关干扰因素建立为知识图谱节点，然后通过算法库对机加工标准时间t_p进行推算和预测。

步骤3：基于算法库的作业调整与反馈：

作业调整具体实施方式如下：首先建立数学模型，当发生车间扰动导致与预期不相符时，建立在多个约束条件g下的多个优化目标(f₁，f₂，...，f_n)的作业调度数学模型，例如最小化最大完工时间、最小化生产成本和平衡设备负荷等目标，具体表示如下：

a.目标函数

opt F_t＝opt f_t(f₁，f₂，...，f_n)＝opt f(α，β，γ，t)

式中F_t总体优化目标，f_t为各优化目标间的关系，优化各影响因素(α，β，γ，t)之间的关系，(α，β，γ)分别为不同方面的影响因素，例如机床、物料、缓冲区WIP等。例如最小化最大完工时间表达如下，

f₁＝min C_max＝min(max(C_i))

b.约束条件

g_cons(α，β，γ，t)≤0，cons＝1，2，...，l

式中g表示约束条件，l表示约束条件总数。例如

第一个式子确保每个工件的每道工序只能在一台机器上加工；后两个式子表示每个工件的每道工序前后只与一道工序相连；

通过算法库中的优化算法，如遗传算法等根据生产实际情况，从知识图谱中获取数据，并确定目标函数和约束条件，然后通过遗传算法进行寻优，最后更新知识图谱中的节点信息，在知识图谱的支撑下，进一步更新虚拟车间的模型信息，实现虚拟模型迭代，流程图如图2所示，对所述问题进行优化处理，优化调整完成后，更新知识图谱中节点间的关系(加工顺序等)和对应的节点信息(加工开始时间等)；最后通过更新后的知识图谱，产生新的调度决策反馈输出，对物理车间进行优化控制。

综上所述，本实施例公开了一种基于知识图谱的数字孪生机械加工过程调度方法，该方法包括数字孪生模型构建、基于知识图谱的数字孪生模型关系建立、调度方案生成三个步骤。本实施例能够结合设备实际状态生成的调度方案，保证调度方案的性能指标(如避免工件拖期、降低完成时间等)满足业务要求。

以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种基于知识图谱的数字孪生机械加工过程调度方法，其特征在于，包括以下步骤：

获取智能车间制造过程数据库，并进行实体和实体关系的提取，构建与物理车间实体一一对应的知识图谱；

对所述物理车间进行孪生建模，获得对应的虚拟车间，并从所述知识图谱中获取调度数据对所述虚拟车间进行模拟仿真和预测；

当实际结果与预测结果不一致时，对调度数据进行优化调整，并对所述知识图谱进行更新；

基于更新后的知识图谱，获取新的调度数据对物理车间进行优化控制。

2.根据权利要求1所述的基于知识图谱的数字孪生机械加工过程调度方法，其特征在于，

获取智能车间制造过程数据库的过程包括：采集加工过程中物理车间的各个单元间的数据，获取物理车间实体概念中的属性、约束条件以及制造概念之间的层次关系，构建多层级的知识体系，对抽象的知识、属性和关联关系进行定义，转化为现实数据，形成智能车间制造过程数据库；

其中，所述物理车间包括物流单元、制造单元、仓储单元以及线边库缓冲区。

3.根据权利要求2所述的基于知识图谱的数字孪生机械加工过程调度方法，其特征在于，

所述加工过程所用的时间包括：待加工件的转移时间、待加工队列中的等待时间、机床准备时间、加工时间和待转移时间。

4.根据权利要求1所述的基于知识图谱的数字孪生机械加工过程调度方法，其特征在于，

构建与物理车间实体一一对应的知识图谱的过程包括：构建实体信息提取模型，利用已标注好实体和实体之间关系的数据对所述实体信息提取模型进行训练；基于训练后的实体信息提取模型，对智能车间制造过程数据库进行实体和实体关系的提取，获得与物理车间实体一一对应的知识图谱。

5.根据权利要求4所述的基于知识图谱的数字孪生机械加工过程调度方法，其特征在于，

所述知识图谱采用图结构的存储方式，将包含物流信息、制造信息、仓储信息、线边库信息以及以上信息在时间尺度上的关联关系进行存储，并在虚拟车间进行数据的处理与反馈。

6.根据权利要求1所述的基于知识图谱的数字孪生机械加工过程调度方法，其特征在于，

对调度目标进行优化调整的过程包括：基于优化算法库，确定目标函数和约束条件，对模拟仿真过程中的调度数据进行优化调整；其中，所述调度数据包括加工顺序和加工开始时间。

7.根据权利要求6所述的基于知识图谱的数字孪生机械加工过程调度方法，其特征在于，

对所述知识图谱进行更新的过程包括：优化调整完成后，更新所述知识图谱中节点间的关系和对应的节点信息。

8.根据权利要求6所述的基于知识图谱的数字孪生机械加工过程调度方法，其特征在于，

所述优化算法库包括但不限于启发式算法、遗传算法和图神经网络。

Images