CN116700199B - 一种基于数字孪生技术的工厂生产控制方法及系统 - Google Patents
一种基于数字孪生技术的工厂生产控制方法及系统 Download PDFInfo
- Publication number
- CN116700199B CN116700199B CN202310993653.3A CN202310993653A CN116700199B CN 116700199 B CN116700199 B CN 116700199B CN 202310993653 A CN202310993653 A CN 202310993653A CN 116700199 B CN116700199 B CN 116700199B
- Authority
- CN
- China
- Prior art keywords
- equipment
- personnel
- information
- early warning
- dangerous
- 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
- 238000005516 engineering process Methods 0.000 title claims abstract description 31
- 238000000195 production control method Methods 0.000 title claims abstract description 25
- 230000033001 locomotion Effects 0.000 claims abstract description 42
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 238000012423 maintenance Methods 0.000 claims description 27
- 230000001149 cognitive effect Effects 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 238000011835 investigation Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 12
- 238000000034 method Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 11
- 238000010276 construction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000013526 transfer learning 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例提供的一种基于数字孪生技术的工厂生产控制方法及系统，属于工厂信息化管理技术领域，通过获取设备信息和人员状态信息，根据设备信息和人员状态信息，选择对应的预设危险区域预测模型和预构建的数字孪生模型，将设备信息输入至对应的预设危险区域预测模型和预构建的数字孪生模型，得出基于当前设备信息的危险区域范围和预警区域范围；将人员状态信息输入至预构建的数字孪生模型，得出基于当前人员状态信息的人员运动轨迹；将危险区域范围、预警区域范围和人员运动轨迹输入预构建的危险预测模型，得到人员的危险预测结果；根据危险预测结果，对人员进行危险预警或改变设备运行状态，以减少或避免工厂生产中安全事故的产生。
Description
技术领域
本发明涉及工厂信息化管理技术领域，特别是涉及一种基于数字孪生技术的工厂生产控制方法及系统。
背景技术
作为工业生产的基本单位，工厂的数字化与智能化水平对工业生产的质量、安全及效率有着重要的影响。同时高速运转的大型工业设备，流动的人员，复杂的作业环境也使得工厂成为企业安全事故的高发地。现有工厂安全管理方法大多依靠固定的标准规范及技术人员的经验知识，缺少能够进行数据融合分析并准确预警安全事故的智能化模型；缺少设备的故障知识库和推理模型来预警故障、诊断故障、决策维修。难以通过收集到的大量设备、人员、环境等数据动态地分析工厂安全状况；工厂生产系统是一个由诸多要素构成的复杂系统，其中多种风险因子交互耦合相互影响。而目前还没有基于实时数据，能够综合考虑设备、人员、环境等多种风险因素的耦合作用的模型。
数字孪生技术的快速发展为解决上述问题提供了新的思路。数字孪生通过数字化的手段来构建一个数字世界中一模一样的实体，以模拟其在现实环境中的行为，并对过去和现在的行为或流程进行动态呈现，有效反映系统运行情况，从而对不可预测的情况进行更加真实和全面的检测。但是，现有的基于数字孪生技术产生的工厂管理系统多是基于生产方面进行的，其目的仅是为了维持工厂高效运转，并未有对安全相关的预警系统。
公开于本申请背景技术部分的信息仅仅旨在加深对本申请的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
基于此，有必要针对目前的工厂数字管理系统所存在的缺少高效安全管理系统的问题，提供一种基于数字孪生技术的工厂生产控制方法及系统。
上述目的通过下述技术方案实现：
本发明第一方面实施例提供了一种基于数字孪生技术的工厂生产控制方法，其包括以下步骤：
获取设备信息和人员状态信息；
根据设备信息和人员状态信息，选择对应的预设危险区域预测模型和预构建的数字孪生模型；
将设备信息输入至对应的预设危险区域预测模型和预构建的数字孪生模型，得出基于当前设备信息的危险区域范围和预警区域范围；将人员状态信息输入至预构建的数字孪生模型，得出基于当前人员状态信息的人员运动轨迹；
将危险区域范围、预警区域范围和人员运动轨迹输入预构建的危险预测模型，得到人员的危险预测结果；
根据危险预测结果，对人员进行危险预警或改变设备运行状态。
在其中一个实施例中，所述预构建的数字孪生模型的构建方式如下：
对目标区域和目标设备进行数据采集，获取目标区域的图像数据、点云数据和视频数据，生成目标区域和目标设备的物理模型，基于得到的物理模型构建数字孪生模型。
在其中一个实施例中，所述设备信息包括设备类型、设备运行状态、设备危险程度和设备历史运行信息。
在其中一个实施例中，所述设备类型至少包括地面设备和空中设备；
基于地面设备得到的危险区域范围和预警区域范围，至少包括地面设备所在区域及其在水平方向上的延伸区域；
基于空中设备得到的危险区域范围和预警区域范围，至少包括空中设备所在区域及其在水平方向上和垂直方向上的延伸区域。
在其中一个实施例中，所述设备类型至少包括静止设备和移动设备；
基于静止设备得到的危险区域范围和预警区域范围，至少包括静止设备所在区域及其延伸区域；
基于移动设备得到的危险区域范围和预警区域范围，至少包括移动设备所在区域、基于移动设备当前运动的预计路径区域及其延伸区域。
在其中一个实施例中，所述人员状态信息至少包括人员工种信息、人员认知信息和人员历史信息。
在其中一个实施例中，对人员进行危险预警包括弱干预预警和强干预预警；改变设备运行状态包括降低设备运行速度、改变设备运行路径和停止设备。
本发明第二方面实施例提供了一种基于数字孪生技术的工厂生产控制系统，包括：
获取模块，所述获取模块用以获取设备信息和人员状态信息；
选择模块，所述选择模块用以根据设备信息和人员状态信息，选择对应的预设危险区域预测模型和预构建的数字孪生模型；
计算模块，所述计算模块用以将设备信息输入至对应的预设危险区域预测模型和预构建的数字孪生模型，得出基于当前设备信息的危险区域范围和预警区域范围；将人员状态信息输入至预构建的数字孪生模型，得出基于当前人员状态信息的人员运动轨迹；
判断模块，所述判断模块用以将危险区域范围、预警区域范围和人员运动轨迹输入预构建的危险预测模型，得到人员的危险预测结果；
执行模块，所述执行模块用以根据危险预测结果，对人员进行危险预警或改变设备运行状态。
本发明第三方面实施例提供了一种计算机设备，包括存储器和处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述实施例中任一项所述的基于数字孪生技术的工厂生产控制方法的步骤。
本发明第四方面实施例提供了一种计算机可读存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述实施例中任一项所述的基于数字孪生技术的工厂生产控制方法的步骤。
本发明的有益效果是：
本发明实施例提供的基于数字孪生技术的工厂生产控制方法及系统，通过获取设备信息和人员状态信息，根据设备信息和人员状态信息，选择对应的预设危险区域预测模型和预构建的数字孪生模型，将设备信息输入至对应的预设危险区域预测模型和预构建的数字孪生模型，得出基于当前设备信息的危险区域范围和预警区域范围；将人员状态信息输入至预构建的数字孪生模型，得出基于当前人员状态信息的人员运动轨迹；将危险区域范围、预警区域范围和人员运动轨迹输入预构建的危险预测模型，得到人员的危险预测结果；根据危险预测结果，对人员进行危险预警或改变设备运行状态，以减少或避免工厂生产中安全事故的产生。
附图说明
图1为本发明一实施例提供的基于数字孪生技术的工厂生产控制方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下通过实施例，并结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本文中为组件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接（联接）。在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
本发明第一方面实施例提供了一种基于数字孪生技术的工厂生产控制方法，其主要用于工厂数字化管理当中的安全预警，其也可以用于其他生产施工环境，例如基建工程类、综合施工类等生产建设安全管理；同时，基于数字孪生技术的工厂生产控制方法也可以与其他生产管理方法同时运行，例如工厂生产效率管理方法、工厂运维管理方法等。
具体的，本发明第一方面实施例提供的基于数字孪生技术的工厂生产控制方法包括以下步骤：
步骤10，获取设备信息和人员状态信息。其中，设备信息可以是预获取，例如对于设备的位置信息、类型信息等，该类信息可以预先获取且不会变更/长期不会变更；设备信息也可以是动态获取，例如设备的运行信息等，该类信息可以通过设备的内置控制器直接调出，例如加工机床的PLC控制器直接同步向外输出设备信息，也可以是通过加装传感器等方式进行获取，例如安装图像/视频采集设备实时获取图像/视频数据，并经过处理后得到设备的相应信息。人员状态信息可以是预获取，例如对于人员的工作种类、身份信息等，该类信息可以预先获取且不会变更/长期不会变更；人员状态信息也可以是动态获取，例如人员的动态位置信息，可以通过在人员身上携带定位设备获取人员的位置信息，也可以通过图像/视频采集设备实时获取人员的位置信息。
步骤20，根据设备信息和人员状态信息，选择对应的预设危险区域预测模型和预构建的数字孪生模型。
步骤30，将设备信息输入至对应的预设危险区域预测模型和预构建的数字孪生模型，得出基于当前设备信息的危险区域范围和预警区域范围；将人员状态信息输入至预构建的数字孪生模型，得出基于当前人员状态信息的人员运动轨迹。
步骤40，将危险区域范围、预警区域范围和人员运动轨迹输入预构建的危险预测模型，得到人员的危险预测结果。
步骤50，根据危险预测结果，对人员进行危险预警或改变设备运行状态。
由此，本发明第一方面实施例提供的基于数字孪生技术的工厂生产控制方法，通过获取设备信息和人员状态信息，将设备信息和人员状态信息输入至对应的预设危险区域预测模型和预构建的数字孪生模型，得到人员的危险预测结果，根据危险预测结果，对人员进行危险预警或改变设备运行状态，以减少或避免工厂生产中安全事故的产生。
在其中一个实施例当中，预构建的数字孪生模型的构建方式如下：
对目标区域和目标设备进行数据采集，获取目标区域的图像数据、点云数据和视频数据，生成目标区域和目标设备的物理模型，基于得到的物理模型构建数字孪生模型。通过数据采集方式获得的物理模型具有动态调整可能，例如设备位置发生变更后，可以通过数据再获取对模型进行局部/全面修正。物理模型也可以通过其他方式获取，例如根据工厂的建设图纸信息，获取到包括工厂固定结构及工作设备的尺寸信息、结构信息；获得设备执行功能信息，根据所述执行功能信息构建设备画像；基于所述设备画像、所述建设图纸信息和所述设备执行功能信息构建数字孪生工厂模型，该方式获得的物理模型，可以通过数据再输入的方式进行模型局部/全面修正。
在其中一个实施例当中，预设危险区域预测模型和预构建的危险预测模型是将目标设备的工作状态、样本人员的动作等信息作为机器学习模型的输入，将样本人员对应的危险情况作为训练目标，训练得到的。其中，目标设备的工作状态、样本人员的动作和样本人员对应的危险情况等信息是已知的，所以可以训练得到危险预测模型。在训练危险预测模型的过程中涉及机器学习中的人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术中至少一种。危险预测模型可以为神经网络模型、逻辑回归模型、线性回归模型、支持向量机(SVM)、Adaboost、XGboost、Transformer-Encoder模型中任一种模型；危险预测模型可以为基于循环神经网络的模型、基于卷积神经网络的模型、基于Transformer-encoder的分类模型中的任一种。
在其中一个实施例当中，设备信息包括设备型号信息、设备名称信息、设备类型信息、设备定位信息、设备厂家信息、设备功能信息、设备运行信息、设备维修信息、设备业务数据信息中的一种或多种，预设危险区域预测模型能够根据上述信息中的一种或多种对设备的危险等级进行判定。例如，基于工厂实际环境，对于设备类型信息，低载荷、低加工强度的加工设备其危险等级要低于高载荷、高加工强度的加工设备；对于设备定位信息，靠近工作区域出入口、人流量密集、处于视野盲区的加工设备其危险等级要高于远离工作区域出入口、人流量密集、处于视野良好区域的加工设备；对于设备运行信息，对长时间运行、满负荷运行的加工设备其危险等级要高于短时间运行、低负荷运行的加工设备。在判断设备的危险等级时，可以根据上述信息当中的一种或任意几种进行判断，当基于两种或两种以上信息进行判断时，可以根据加权求和方法进行判断，例如基于设备类型信息得出的危险评分乘以权重A，基于设备运行信息得出的危险评分乘以权重B，将其二者求和后的到设备的综合危险评分，将多个设备的综合危险评分进行排序或划分排序后，可以得到多个设备的危险等级排序。
进一步的，在其中一个实施例当中，设备维修信息可以包括历史维修次数、历史维修时长、维修间隔时长、维修项目、历史维修人员、历史维修地点中的一种或多种，预设危险区域预测模型能够根据上述信息中的一种或多种对设备的危险等级进行判定。例如，基于工厂实际环境，对于历史维修次数，设备的历史维修次数越多，其基于历史维修次数得到的危险等级越高；对于历史维修时长，设备的历史维修时长越长，其基于历史维修时长得到的危险等级越高；对于维修间隔时长，设备的维修间隔时长越长，其基于维修间隔时长得到的危险等级越高；对于维修项目，对于不同故障，以车床为例，基于主轴故障的维修相应的危险等级，高于基于夹具故障的维修相应的危险等级；对于维修项目，对于同类故障，故障的烈度越高，相应的危险等级越高；对于历史维修人员，初级维修人员的危险等级要高于高级维修人员的危险等级；对于历史维修地点，异地维修的危险等级要高于原地维修的危险等级。在判断设备的危险等级时，可以根据上述信息当中的一种或任意几种进行判断，当基于两种或两种以上信息进行判断时，可以根据加权求和方法进行判断，例如基于历史维修时长得出的危险评分乘以权重C，基于维修间隔时长得出的危险评分乘以权重D，将其二者求和后的到设备基于设备维修信息的单项危险评分，将多种信息的单项危险评分求和后的到设备的综合危险评分，将多个设备的综合危险评分进行排序或划分排序后，可以得到多个设备的危险等级排序。可以理解的是，通过加权求和排序的方式能够得到多个设备的危险等级排序，也可通过其他算法得到多个设备的危险等级排序。
在其中一个实施例当中，设备类型至少包括地面设备和空中设备，基于地面设备得到的危险区域范围和预警区域范围，至少包括地面设备所在区域及其在水平方向上的延伸区域；基于空中设备得到的危险区域范围和预警区域范围，至少包括空中设备所在区域及其在水平方向上和垂直方向上的延伸区域。例如，地面设备包括不具备防护罩的龙门车床，其危险区域范围和预警区域范围包括其所在区域及其所在区域周围的合理延伸区域，该延伸区域为水平方向上的延伸区域，该延伸区域可以根据设备的加工特性确定，如对于龙门车床而言，其所在区域向外延伸5m即为其延伸区域。可以理解的是，对于地面设备，其所在区域为一个立体空间，相应的，其在水平方向上的延伸区域同样为一个立体空间。空中设备包括固定卷扬机，其危险区域范围和预警区域范围包括其所在区域及其所在区域周围的合理延伸区域，该延伸区域为竖直方向上的延伸区域，通常情况下该延伸区域为该设备在竖直方向上的投影扫过的区域，如固定卷扬机的危险区域范围和预警区域范围即为其自身所在的区域及其下方的区域。同样的，对于空中区域而言，其延伸区域还可以包括该设备所在区域在水平方向上的延伸区域，及其沿竖直方向上的延伸区域在水平方向上的延伸区域，如对于水平方向上尺寸为400mm*500mm、安装高度为5m的固定卷扬机，其包含延伸区域在内的危险区域为1.4m*1.5m*5m，其包含延伸区域在内的预警区域为2.4m*2.5m*5m，固定卷扬机位于该危险区域或该延伸区域的顶部中央位置。
在其中一个实施例中，设备类型至少包括静止设备和移动设备；基于静止设备得到的危险区域范围和预警区域范围，至少包括静止设备所在区域及其延伸区域；基于移动设备得到的危险区域范围和预警区域范围，至少包括移动设备所在区域、基于移动设备当前运动的预计路径区域及其延伸区域。例如，固定设备包括不具备防护罩的龙门车床，其危险区域范围和预警区域范围包括其所在区域及其所在区域周围的合理延伸区域，该延伸区域为水平方向上的延伸区域，该延伸区域可以根据设备的加工特性确定，如对于龙门车床而言，其所在区域向外延伸五米即为其延伸区域。可以理解的是，对于地面设备，其所在区域为一个立体空间，相应的，其在水平方向上的延伸区域同样为一个立体空间。移动设备包括AVG运输车，其危险区域范围和预警区域范围包括其所在区域，还包括基于其当前运动状态的预计路径，例如以时速2m/s进行直线运动的AVG运输车，其危险区域范围和预警区域范围为其前方60m的直线路径；其危险区域范围和预警区域范围还包括基于其所在区域及预计路径的延伸区域，该延伸区域的延伸方向垂直或成夹角于其移动方向。
进一步的，对于运动路径明确的移动设备，其可以按照预设时长确定危险区域范围和预警区域范围，例如以移动设备在当前时刻向后10s内的移动路径及其延伸范围为危险区域范围，以移动设备在当前时刻向后10s-20s内的移动路径及其延伸范围为预警区域范围。对于运动路径相对模糊的移动设备，其可以按照预估移动路径和预设时长确定危险区域范围和预警区域范围，例如对于具有多条预设轨迹的AVG运输车，以AVG运输车在当前时刻向后10s内所有可能的移动路径及其延伸范围为危险区域范围，以AVG运输车在当前时刻向后10s-20s内所有可能的移动路径及其延伸范围为预警区域范围。对于运动路径不确定的移动设备，其可以按照预估移动范围和预设时长确定危险区域范围和预警区域范围，例如以移动设备在当前时刻向后10s内可能到达的区域及其延伸范围为危险区域范围，以移动设备在当前时刻向后10s-20s内可能到达的区域及其延伸范围为预警区域范围。
在其中一个实施例当中，人员状态信息至少包括人员工种信息、人员认知信息和人员历史信息。例如，基于工厂实际环境，对于人员工种信息，设备直接操作人员的危险等级要低于巡视人员的危险等级；对于人员认知信息，可以通过安全培训、问卷调查等方式获取，人员认知信息水平较高的人员其危险等级要低于人员认知信息水平较低的危险等级；对于人员历史等级，可以获取人员的操作历史时长、历史事故发生情况等，例如历史发生事故较多的人员其危险等级要高于历史事故发生较少的人员的危险等级。在判断人员的危险等级时，可以根据上述信息当中的一种或任意几种进行判断，当基于两种或两种以上信息进行判断时，可以根据加权求和方法进行判断，例如基于人员工种信息得出的危险评分乘以权重E，基于人员认知信息得出的危险评分乘以权重F，将其二者求和后的到设备基于人员状态信息的综合危险评分，将多个人员的综合危险评分进行排序或划分排序后，可以得到多个人员的危险等级排序，根据多个人员的危险等级排序，可以对人员的运动轨迹预测进行调整。对于危险等级较低的人员，其运动轨迹预测可以基于当前时刻后的较短时间段进行预估，对于危险等级较高的人员，其运动轨迹预测可以基于当前时刻后的较长时间段进行预估；或者，对于危险等级较低的人员，其运动轨迹预测可以基于基本路径向外延伸较小的区域，对于危险等级较高的人员，其运动轨迹预测可以基于基本路径向外延伸较大的区域。可以理解的是，通过加权求和排序的方式能够得到多个人员的危险等级排序，也可通过其他算法得到多个人员的危险等级排序。
在其中一个实施例当中，当人员运动轨迹与设备危险区域范围和预警区域范围发生重合时，对人员进行危险预警，危险预警包括弱干预预警和强干预预警；改变设备运行状态包括降低设备运行速度、改变设备运行路径和停止设备。其中，弱干预预警和强干预预警可以通过现场设备进行，例如通过现场设备发出声信号、光信号或者执行预定动作，也可以通过人员随身携带的设备进行，如人员携带有智能手机、对讲机等；弱干预预警包括语音提醒、视觉提醒、振动提醒等，强干预预警包括现场闸机关闭、隔离桩柱升起，或是提前在人员身上放置提醒设备，发出电刺激讯号等。
在其中一个实施例当中，危险预警类型选择可以根据重合类型进行判断，例如当人员运动轨迹与设备的预警区域范围重合时，对人员进行弱干预预警；当人员运动轨迹与设备的危险区域范围重合时，对人员进行强干预预警。
在其中一个实施例当中，危险预警类型选择可以根据时刻进行判断，例如当人员10s后的运动轨迹与设备危险区域范围和预警区域范围发生重合时，对人员进行弱干预预警；当人员5s后的运动轨迹与设备危险区域范围和预警区域范围发生重合时，对人员进行强干预预警。
在其中一个实施例当中，危险预警类型选择可以根据危险等级进行判断，例如当人员运动轨迹与危险等级较低的设备的危险区域范围和预警区域范围发生重合时，对人员进行弱干预预警；当人员运动轨迹与危险等级较高的设备的危险区域范围和预警区域范围发生重合时，对人员进行强干预预警。
可以理解的是，上述实施例中对于危险预警类型的选择可以根据重合类型、时刻、危险等级等其中一者或任意几者的组合进行。
本发明第二方面实施例提供了一种基于数字孪生技术的工厂生产控制系统，包括：
获取模块，所述获取模块用以获取设备信息和人员状态信息；
选择模块，所述选择模块用以根据设备信息和人员状态信息，选择对应的预设危险区域预测模型和预构建的数字孪生模型；
计算模块，所述计算模块用以将设备信息输入至对应的预设危险区域预测模型和预构建的数字孪生模型，得出基于当前设备信息的危险区域范围和预警区域范围；将人员状态信息输入至预构建的数字孪生模型，得出基于当前人员状态信息的人员运动轨迹；
判断模块，所述判断模块用以将危险区域范围、预警区域范围和人员运动轨迹输入预构建的危险预测模型，得到人员的危险预测结果；
执行模块，所述执行模块用以根据危险预测结果，对人员进行危险预警或改变设备运行状态。
本发明第三方面实施例提供了一种计算机设备，包括存储器和处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述实施例中任一项所述的基于数字孪生技术的工厂生产控制方法的步骤。
本发明第四方面实施例提供了一种计算机可读存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述实施例中任一项所述的基于数字孪生技术的工厂生产控制方法的步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random AccessMemory，SRAM）或动态随机存取存储器（DynamicRandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上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发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于数字孪生技术的工厂生产控制方法，其特征在于，包括以下步骤：
获取设备信息和人员状态信息；
根据设备信息和人员状态信息，选择对应的预设危险区域预测模型和预构建的数字孪生模型；
将设备信息输入至对应的预设危险区域预测模型和预构建的数字孪生模型，得出基于当前设备信息的危险区域范围和预警区域范围；设备信息包括设备型号信息、设备名称信息、设备类型信息、设备定位信息、设备厂家信息、设备功能信息、设备运行信息、设备维修信息、设备业务数据信息；
将人员状态信息输入至预构建的数字孪生模型，得出基于当前人员状态信息的人员运动轨迹；人员状态信息至少包括人员工种信息、人员认知信息和人员历史信息，人员工种信息至少包括设备直接操作人员和巡视人员，人员认知信息通过安全培训或问卷调查获取，人员历史等级通过获取人员的操作历史时长、历史事故发生情况确定；基于人员工种信息、人员认知信息和人员历史信息当中的至少两种进行危险评分并加权求和，得到设备基于人员状态信息的综合危险评分，将多个人员的综合危险评分进行排序或划分排序后，得到多个人员的危险等级排序，根据多个人员的危险等级排序，对人员的运动轨迹预测进行调整；
将危险区域范围、预警区域范围和人员运动轨迹输入预构建的危险预测模型，得到人员的危险预测结果；
根据危险预测结果，对人员进行危险预警或改变设备运行状态；对人员进行危险预警包括弱干预预警和强干预预警；
所述设备信息包括设备类型和设备运行状态，所述设备类型至少包括地面设备；
基于地面设备得到的危险区域范围和预警区域范围，至少包括地面设备所在区域及其在水平方向上的延伸区域；
所述地面设备至少包括移动设备，对于移动路径明确的移动设备，按照预设时长确定危险区域范围和预警区域范围；对于移动路径模糊的移动设备，按照预估移动路径和预设时长确定危险区域范围和预警区域范围；对于移动路径随机的移动设备，照预估移动范围和预设时长确定危险区域范围和预警区域范围。
2.根据权利要求1所述的基于数字孪生技术的工厂生产控制方法，其特征在于，所述预构建的数字孪生模型的构建方式如下：
对目标区域和目标设备进行数据采集，获取目标区域的图像数据、点云数据和视频数据，生成目标区域和目标设备的物理模型，基于得到的物理模型构建数字孪生模型。
3.根据权利要求1所述的基于数字孪生技术的工厂生产控制方法，其特征在于，所述设备信息包括设备危险程度和设备历史运行信息。
4.根据权利要求3所述的基于数字孪生技术的工厂生产控制方法，其特征在于，所述设备类型包括空中设备；
基于空中设备得到的危险区域范围和预警区域范围，至少包括空中设备所在区域及其在水平方向上和垂直方向上的延伸区域。
5.根据权利要求3所述的基于数字孪生技术的工厂生产控制方法，其特征在于，所述设备类型至少包括静止设备和移动设备；
基于静止设备得到的危险区域范围和预警区域范围，至少包括静止设备所在区域及其延伸区域；
基于移动设备得到的危险区域范围和预警区域范围，至少包括移动设备所在区域、基于移动设备当前运动的预计路径区域及其延伸区域。
6.根据权利要求1所述的基于数字孪生技术的工厂生产控制方法，其特征在于，改变设备运行状态包括降低设备运行速度、改变设备运行路径和停止设备。
7.一种基于数字孪生技术的工厂生产控制系统，其特征在于，所述基于数字孪生技术的工厂生产控制系统用以执行如权利要求1至6中任一项所述的基于数字孪生技术的工厂生产控制方法，并包括：
获取模块，所述获取模块用以获取设备信息和人员状态信息；
选择模块，所述选择模块用以根据设备信息和人员状态信息，选择对应的预设危险区域预测模型和预构建的数字孪生模型；
计算模块，所述计算模块用以将设备信息输入至对应的预设危险区域预测模型和预构建的数字孪生模型，得出基于当前设备信息的危险区域范围和预警区域范围；将人员状态信息输入至预构建的数字孪生模型，得出基于当前人员状态信息的人员运动轨迹；
判断模块，所述判断模块用以将危险区域范围、预警区域范围和人员运动轨迹输入预构建的危险预测模型，得到人员的危险预测结果；
执行模块，所述执行模块用以根据危险预测结果，对人员进行危险预警或改变设备运行状态。
8.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述的基于数字孪生技术的工厂生产控制方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述的基于数字孪生技术的工厂生产控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310993653.3A CN116700199B (zh) | 2023-08-09 | 2023-08-09 | 一种基于数字孪生技术的工厂生产控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310993653.3A CN116700199B (zh) | 2023-08-09 | 2023-08-09 | 一种基于数字孪生技术的工厂生产控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116700199A CN116700199A (zh) | 2023-09-05 |
| CN116700199B true CN116700199B (zh) | 2023-10-20 |
Family
ID=87834317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310993653.3A Active CN116700199B (zh) | 2023-08-09 | 2023-08-09 | 一种基于数字孪生技术的工厂生产控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116700199B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103019239A (zh) * | 2012-11-27 | 2013-04-03 | 江苏大学 | 用于喷药移动机器人的轨迹跟踪滑模控制系统和控制方法 |
| CN109108806A (zh) * | 2018-11-20 | 2019-01-01 | 范丹 | 一种汽车外漆修复抛光机 |
| EP3457732A1 (en) * | 2016-05-17 | 2019-03-20 | Sony Corporation | Spectrum management device and method, geographic location database, and subsystem |
| CN114312828A (zh) * | 2021-11-30 | 2022-04-12 | 深圳元戎启行科技有限公司 | 风险管理方法、风险管理平台以及计算机可读存储介质 |
| CN115097790A (zh) * | 2022-06-27 | 2022-09-23 | 北京工业大学 | 一种基于数字孪生技术的车间人员模型重建及安全防护系统 |
| CN115410326A (zh) * | 2022-09-02 | 2022-11-29 | 山东孚岳电气有限公司 | 一种用于变电站的人员定位系统及方法 |
| CN115526056A (zh) * | 2022-10-10 | 2022-12-27 | 久瓴(上海)智能科技有限公司 | 基于数字孪生的流域漫滩救灾方案生成方法、装置及设备 |
| CN115588161A (zh) * | 2022-10-12 | 2023-01-10 | 宁波紫荷科技有限公司 | 一种基于数字孪生技术的数字化系统及其构建方法 |
| CN116033125A (zh) * | 2022-12-29 | 2023-04-28 | 南方电网数字企业科技(广东)有限公司 | 一种高空安全绳智能监控管理系统、方法、设备及介质 |
| CN116090989A (zh) * | 2022-12-30 | 2023-05-09 | 中交四航工程研究院有限公司 | 一种基于数字孪生的暴露试验站管理系统 |
| CN116191662A (zh) * | 2022-12-14 | 2023-05-30 | 国网江苏省电力有限公司电力科学研究院 | 一种基于数字孪生的变电站运维方法 |
| CN116312045A (zh) * | 2022-12-26 | 2023-06-23 | 深圳市昂星科技有限公司 | 一种车辆危险预警方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10417614B2 (en) * | 2016-05-06 | 2019-09-17 | General Electric Company | Controlling aircraft operations and aircraft engine components assignment |
| EP4272641A1 (en) * | 2021-04-30 | 2023-11-08 | Samsung Electronics Co., Ltd. | Electronic device for determining panic disorder, and operation method thereof |
-
2023
- 2023-08-09 CN CN202310993653.3A patent/CN116700199B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103019239A (zh) * | 2012-11-27 | 2013-04-03 | 江苏大学 | 用于喷药移动机器人的轨迹跟踪滑模控制系统和控制方法 |
| EP3457732A1 (en) * | 2016-05-17 | 2019-03-20 | Sony Corporation | Spectrum management device and method, geographic location database, and subsystem |
| CN109108806A (zh) * | 2018-11-20 | 2019-01-01 | 范丹 | 一种汽车外漆修复抛光机 |
| CN114312828A (zh) * | 2021-11-30 | 2022-04-12 | 深圳元戎启行科技有限公司 | 风险管理方法、风险管理平台以及计算机可读存储介质 |
| CN115097790A (zh) * | 2022-06-27 | 2022-09-23 | 北京工业大学 | 一种基于数字孪生技术的车间人员模型重建及安全防护系统 |
| CN115410326A (zh) * | 2022-09-02 | 2022-11-29 | 山东孚岳电气有限公司 | 一种用于变电站的人员定位系统及方法 |
| CN115526056A (zh) * | 2022-10-10 | 2022-12-27 | 久瓴(上海)智能科技有限公司 | 基于数字孪生的流域漫滩救灾方案生成方法、装置及设备 |
| CN115588161A (zh) * | 2022-10-12 | 2023-01-10 | 宁波紫荷科技有限公司 | 一种基于数字孪生技术的数字化系统及其构建方法 |
| CN116191662A (zh) * | 2022-12-14 | 2023-05-30 | 国网江苏省电力有限公司电力科学研究院 | 一种基于数字孪生的变电站运维方法 |
| CN116312045A (zh) * | 2022-12-26 | 2023-06-23 | 深圳市昂星科技有限公司 | 一种车辆危险预警方法及装置 |
| CN116033125A (zh) * | 2022-12-29 | 2023-04-28 | 南方电网数字企业科技(广东)有限公司 | 一种高空安全绳智能监控管理系统、方法、设备及介质 |
| CN116090989A (zh) * | 2022-12-30 | 2023-05-09 | 中交四航工程研究院有限公司 | 一种基于数字孪生的暴露试验站管理系统 |
Non-Patent Citations (2)
| Title |
|---|
| 毛乐琦 ; 周平 ; .计算机视觉测量下仓储物流中起重防碰撞研究.物流技术.2013,(24),全文. * |
| 秦健 ; .基于北斗的铁路施工作业人员和车辆安全预警防护系统方案研究.铁路计算机应用.2017,(09),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116700199A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yu et al. | A COMPARISON OF THE PERFORMANCE OF ANN AND SVM FOR THE PREDICTION OF TRAFFIC ACCIDENT DURATION. | |
| CN111985561A (zh) | 一种智能电表的故障诊断方法、系统及电子装置 | |
| CN110428135A (zh) | 一种综合管廊设备状态监测管理系统 | |
| CN112785458A (zh) | 一种桥梁健康大数据智能管养系统 | |
| CN111694916A (zh) | 浆砌石拱坝自动化监测系统 | |
| CN107679576A (zh) | 车辆的故障监测方法及装置 | |
| CN106251240A (zh) | 基于大数据的输电网络预警方法 | |
| CN116681292B (zh) | 基于深度学习的石化港区安全风险分析及责任划分方法 | |
| WO2021110226A1 (en) | A method of monitoring a production area and a system thereof | |
| CN115562225A (zh) | 工业机器人运维管理方法、装置、计算机设备和存储介质 | |
| Singh et al. | EYE-on-HMI: A Framework for monitoring human machine interfaces in control rooms | |
| CN115393142A (zh) | 智慧园区管理方法及管理平台 | |
| Hu et al. | Intelligent framework for worker-machine safety assessment | |
| CN103942251A (zh) | 基于多种质控方法的高空气象资料入库方法和入库系统 | |
| CN105786635B (zh) | 一种面向故障敏感点动态检测的复杂事件处理系统及方法 | |
| CN105241464A (zh) | 一种吊车轨迹地图快速匹配方法 | |
| Lu et al. | Using cased based reasoning for automated safety risk management in construction industry | |
| CN117789422A (zh) | 一种可燃气体报警控制系统及方法 | |
| CN116700199B (zh) | 一种基于数字孪生技术的工厂生产控制方法及系统 | |
| CN116703004A (zh) | 一种基于预训练模型的水系流域智慧巡护方法和装置 | |
| CN115146878A (zh) | 指挥调度方法、系统、车载设备及计算机可读存储介质 | |
| Fang et al. | Design and Development of Industrial Safety APPs | |
| Krömer et al. | Mining traffic accident features by evolutionary fuzzy rules | |
| CN111598953B (zh) | 一种面向尾矿库的姿态预警方法和系统 | |
| Chavhan et al. | Automatic Waste Segregator Based on IoT & ML Using Keras model and Streamlit |
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 |