CN116974217B - 工厂生产仿真预测系统和工厂仿真预测方法 - Google Patents
工厂生产仿真预测系统和工厂仿真预测方法 Download PDFInfo
- Publication number
- CN116974217B CN116974217B CN202310979417.6A CN202310979417A CN116974217B CN 116974217 B CN116974217 B CN 116974217B CN 202310979417 A CN202310979417 A CN 202310979417A CN 116974217 B CN116974217 B CN 116974217B
- Authority
- CN
- China
- Prior art keywords
- real
- production
- time data
- factory
- simulation
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 223
- 238000004088 simulation Methods 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012800 visualization Methods 0.000 claims abstract description 13
- 230000002452 interceptive effect Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 17
- 238000007726 management method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 8
- 239000002994 raw material Substances 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000010485 coping Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 6
- 230000003213 activating effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及数字化制造领域，具体涉及一种工厂生产仿真预测系统和工厂仿真预测方法，其仿真预测系统包括工厂数据采集模块，用于采集来自制造执行系统的第一实时数据和真实工厂的第二实时数据；工厂仿真预测模块，用于根据预存储的历史数据集、所述第一实时数据和所述第二实时数据进行生产仿真，得到生产仿真模型，根据预设的生产任务和所述生产仿真模型，得到第三实时数据，以及，根据预训练的仿真预测模型、所述历史数据集和所述第三实时数据，得到生产仿真预测结果；工厂数字孪生模块，用于生成真实工厂对应的三维虚拟工厂，以及进行交互式可视化。本申请具有应对实际生产中的复杂性和变动性，并对真实工厂进行实时优化提供数据支撑的效果。
Description
技术领域
本申请涉及数字化制造领域，尤其是涉及一种工厂生产仿真预测系统和工厂仿真预测方法。
背景技术
相关技术中，系统生产仿真一般应用在工厂规划设计阶段和新产品进行产线融入阶段，应用局限性较大。
传统的系统生产仿真通常是离线进行的，不具备实时仿真和预测能力，缺乏实时性。在快速变化的生产环境中，缺乏实时性的仿真结果可能无法及时反映当前的生产状况和变化趋势；另外，传统的仿真方法通常基于静态数据和假设的模型，无法充分考虑实际生产中的复杂性和变动性，预测准确性有限；同时，仿真通常是静态的、单向的仿真，无法与实际生产环境进行交互，并且无法提供实时的优化建议，因此，缺乏交互性和优化能力。这限制了系统生产仿真在实际生产中的应用和效果。
此外，传统的生产排产主要基于理论进行生产计划的排定，灵活性和变动性应对能力较差，如生产计划的变更、紧急订单的插入、设备故障等不可预测的事件可能需要快速响应和调整。
发明内容
本申请的目的是提供一种工厂生产仿真预测系统和工厂仿真预测方法，以解决相关技术中存在的问题。
第一方面，本申请提供的工厂生产仿真预测系统采用如下的技术方案：
一种工厂生产仿真预测系统，包括：
工厂数据采集模块，用于采集来自制造执行系统的第一实时数据和真实工厂的第二实时数据；工厂仿真预测模块，用于根据预存储的历史数据集、所述第一实时数据和所述第二实时数据进行生产仿真，得到生产仿真模型，根据预设的生产任务和所述生产仿真模型，得到第三实时数据，以及，根据预训练的仿真预测模型、所述历史数据集和所述第三实时数据，得到生产仿真预测结果；
工厂数字孪生模块，用于根据所述第一实时数据和所述第二实时数据，生成真实工厂对应的三维虚拟工厂，以及，对所述三维虚拟工厂和所述仿真预测结果进行交互式可视化。
通过采用上述技术方案，获得的第一实时数据和第二实时数据具备实时性，以便后续进行实时仿真和实时预测；
由历史数据集、第一实时数据和第二实时数据共同得到的生产仿真模型，运行后能够及时地反映当前真实工厂的生产状况和变化趋势，继而得到的生产仿真预测结果也具备更高的参考价值，能够更好地应对实际生产中的复杂性和变动性；
通过三维虚拟工厂和仿真预测结果，使用者能够更好地与实际生产环境进行交互，并根据可视化的仿真预测结果，对真实工厂进行实时优化。
可选的，所述第一实时数据包括生产订单实时数据、工艺路线实时数据和库存原料实时数据；
所述第二实时数据包括工序时间实时数据、产能实时数据、设备状态实时数据、物料流动实时数据、人力资源实时数据和质量实时数据；
所述历史数据集包括生产订单历史数据集、工艺路线历史数据集、库存原料历史数据集、工序时间历史数据集、产能历史数据集、设备状态历史数据集、物料流动历史数据集、人力资源历史数据集、生产订单历史和质量历史数据集。
通过采用上述技术方案，采集到了全面的生产数据，后续不仅能够得到与真实工厂相似度更高的虚拟工厂，并且得到的预测结果也更加准确。
可选的，所述仿真预测模型为LSTM网络模型，得到所述生产仿真预测结果的步骤包括：
S101、具体为根据所述历史数据集，得到前一时刻的生产状态参数ht-1和前一时刻的细胞状态Ct-1，根据所述第一实时数据和所述第二实时数据，得到当前时刻的生产输入参数xt；
S102、根据所述前一时刻的生产状态参数ht-1、所述当前时刻的生产输入参数xt、遗忘门权重Wf、遗忘门偏置量bf和激活函数，得到遗忘门向量ft；
S103、根据所述前一时刻的生产状态参数ht-1、所述当前时刻的生产输入参数xt、输入门权重Wi、输入门偏置量bi和激活函数，得到输入门向量it；
S104、根据所述前一时刻的生产状态参数ht-1、所述当前时刻的生产输入参数xt、输入门权重WC、输入门偏置量bC和tanh函数，得到当前时刻的候选细胞状态Ct～；
S105、根据所述遗忘门向量ft、所述输入门向量it、所述候选细胞状态Ct～和所述前一时刻的细胞状态Ct-1，得到当前时刻的细胞状态Ct；
S106、根据所述前一时刻的生产状态参数ht-1、所述当前时刻的生产输入参数xt、输出门权重Wo、输入门偏置量bo和激活函数，得到输出门向量ot；
S107、根据所述输出门向量ot、所述当前时刻的细胞状态Ct和tanh函数，得到当前时刻的生产状态参数ht；
S108、输出所述当前时刻的生产状态参数ht作为所述生产仿真预测结果并存储所述生产状态参数ht至所述历史数据集。
通过采用上述技术方案，预训练的LSTM网络模型自动学习了来自复杂的历史数据集中的模式，并应用这些模式以及当前的实时生产数据，对未来生产状况进行准确地预测，能够应对实际生产环境中存在的不确定性问题和复杂性问题。
可选的，所述LSTM网络模型的训练步骤包括：
S201、运行所述生产仿真模型，收集模拟生产过程中产生的第四实时数据；
S202、对所述第四实时数据进行预处理，得到第五实时数据；
S203、将所述第五实时数据和所述历史数据集输入所述LSTM网络模型；
S204、所述LSTM网络模型迭代至预设次数后停止迭代。
通过采用上述技术方案，最终得到的LSTM网络模型由历史数据和仿真数据共同训练得到，精确性和鲁棒性都较高。
可选的，所述生产仿真包括工艺规划仿真、资源管理仿真、容量仿真、效益仿真、生产需求仿真和生产计划排产仿真，所述生产预测包括工艺规划预测、资源管理预测、容量预测、效益预测、生产需求预测和生产计划排产预测。
通过采用上述技术方案，能够对真实工厂进行全面地预测，以便根据预测结果，及时调整生产状态。
可选的，所述交互式可视化包括生产过程可视化、三维工艺交互、预测性维护、质量分析报表、生产分析报表和风险管理报表。
通过采用上述技术方案，提高了系统的交互性，同时，也便于使用者及时对真实工厂的生产情况进行优化。
可选的，所述工厂仿真预测模块和所述工厂数字孪生模块之间、所述制造执行系统和所述工厂数字孪生模块之间均采用Socket-TCP通信协议；
所述工厂仿真预测模块与真实工厂的控制器、传感器、数据采集硬件之间采用OPC通信协议。
通过采用上述技术方案，Socket提供了一种通用的编程接口，可以在不同的操作系统和编程语言中使用，并且可以灵活地处理各种通信需求，灵活性好，可以通过确认、重传和超时等机制来保证数据的可靠传输，可以应对网络不稳定或丢包等情况，尤其在搭配使用TCP协议后，可以利用其可靠性和流量控制机制来保证数据的安全和有效传输，并且，Socket通信可以提供较低的延迟和较高的响应速度，满足实时数据传输的需求。
可选的，还包括工厂数据库，所述工厂仿真预测模块通过ODBC接口将所述生产仿真预测结果传输至所述工厂数据库，所述工厂数字孪生模块通过访问所述工厂数据库获取JSON格式的所述生产仿真预测结果。
通过采用上述技术方案，实现了工厂数字孪生模块的前后端分离，将复杂的数据处理和读取筛选工作交由后端程序完成，为前端页面统一开发接口函数，使得服务更加稳定，通过工厂数据库，避免数字孪生模块接收JSON格式的数据时进行二次解析、浪费资源。
第二方面，本申请提供的工厂生产仿真预测系统的工厂仿真预测方法采用如下的技术方案：
一种工厂生产仿真预测系统的工厂仿真预测方法，应用于第一方面中的任一一项所述的工厂生产仿真预测系统，包括：
采集来自制造执行系统的第一实时数据和真实工厂的第二实时数据；
根据预存储的历史数据集、所述第一实时数据和所述第二实时数据进行生产仿真，得到生产仿真模型，根据预设的生产任务和所述生产仿真模型，得到第三实时数据，以及，根据预训练的仿真预测模型、所述历史数据集和所述第三实时数据，得到生产仿真预测结果；
根据所述第一实时数据和所述第二实时数据，生成真实工厂对应的三维虚拟工厂，以及，对所述三维虚拟工厂和所述仿真预测结果进行交互式可视化。
综上所述，本申请包括以下至少一种有益技术效果：
获得的第一实时数据和第二实时数据具备实时性，以便后续进行实时仿真和实时预测；
由历史数据集、第一实时数据和第二实时数据共同得到的生产仿真模型，运行后能够及时地反映当前真实工厂的生产状况和变化趋势，继而得到的生产仿真预测结果也具备更高的参考价值，能够更好地应对实际生产中的复杂性和变动性；
通过三维虚拟工厂和仿真预测结果，使用者能够更好地与实际生产环境进行交互，并根据可视化的仿真预测结果，对真实工厂进行实时优化。
附图说明
图1是本申请中工厂生产仿真预测系统的实施例的第一结构框图；
图2是本申请中工厂生产仿真预测系统的实施例的第一流程示意图；
图3是本申请中工厂生产仿真预测系统的实施例的第二流程示意图。
具体实施方式
以下结合图1-图3，对本申请作进一步详细说明。
参照图1，一种工厂生产仿真预测系统的实施例，包括：
工厂数据采集模块，用于采集来自制造执行系统的第一实时数据和真实工厂的第二实时数据；本实施例中，所述第一实时数据包括生产订单实时数据、工艺路线实时数据和库存原料实时数据；
所述第二实时数据包括工序时间实时数据、产能实时数据、设备状态实时数据、物料流动实时数据、人力资源实时数据和质量实时数据；
所述历史数据集包括生产订单历史数据集、工艺路线历史数据集、库存原料历史数据集、工序时间历史数据集、产能历史数据集、设备状态历史数据集、物料流动历史数据集、人力资源历史数据集、生产订单历史和质量历史数据集；
采用本实施方式，获得的第一实时数据和第二实时数据具备实时性，以便后续进行实时仿真和实时预测，并且能够采集到全面的生产数据，后续不仅能够得到与真实工厂相似度更高的虚拟工厂，并且得到的预测结果也更加准确。
工厂仿真预测模块，用于根据预存储的历史数据集、所述第一实时数据和所述第二实时数据进行生产仿真，得到生产仿真模型，根据预设的生产任务和所述生产仿真模型，得到第三实时数据，以及，根据预训练的仿真预测模型、所述历史数据集和所述第三实时数据，得到生产仿真预测结果；
采用本实施方式，由历史数据集、第一实时数据和第二实时数据共同得到的生产仿真模型，运行后能够及时地反映当前真实工厂的生产状况和变化趋势，继而得到的生产仿真预测结果也具备更高的参考价值，能够更好地应对实际生产中的复杂性和变动性；
本实施例中，参照图2，所述仿真预测模型为LSTM网络模型，得到所述生产仿真预测结果的步骤包括：
S101、获取生产仿真模型的当前输入，具体为根据所述历史数据集，得到前一时刻的生产状态参数ht-1和前一时刻的细胞状态Ct-1，根据所述第一实时数据和所述第二实时数据，得到当前时刻的生产输入参数xt；
S102、计算生产仿真模型当前输入的遗忘范围，具体为根据所述前一时刻的生产状态参数ht-1、所述当前时刻的生产输入参数xt、遗忘门权重Wf、遗忘门偏置量bf和激活函数，得到遗忘门向量ft；
S103、计算生产仿真模型当前输入的存放范围，具体为根据所述前一时刻的生产状态参数ht-1、所述当前时刻的生产输入参数xt、输入门权重Wi、输入门偏置量bi和激活函数，得到输入门向量it；
S104、创建生产仿真模型的候选细胞状态，具体为根据所述前一时刻的生产状态参数ht-1、所述当前时刻的生产输入参数xt、输入门权重WC、输入门偏置量bC和tanh函数，得到当前时刻的候选细胞状态Ct～；
S105、更新生产仿真模型的当前细胞状态，具体为根据所述遗忘门向量ft、所述输入门向量it、所述候选细胞状态Ct～和所述前一时刻的细胞状态Ct-1，得到当前时刻的细胞状态Ct；
S106、计算生产仿真模型的输出范围，具体为根据所述前一时刻的生产状态参数ht-1、所述当前时刻的生产输入参数xt、输出门权重Wo、输入门偏置量bo和激活函数，得到输出门向量ot；
S107、计算生产仿真模型的仿真预测结果，具体为根据所述输出门向量ot、所述当前时刻的细胞状态Ct和tanh函数，得到当前时刻的生产状态参数ht；
S108、输出并存储仿真预测结果，具体为输出所述当前时刻的生产状态参数ht作为所述生产仿真预测结果并存储所述生产状态参数ht至所述历史数据集；
采用本实施方式，预训练的LSTM网络模型自动学习了来自复杂的历史数据集中的模式，并应用这些模式以及当前的实时生产数据，对未来生产状况进行准确地预测，能够应对实际生产环境中存在的不确定性问题和复杂性问题；
同时，参照图3，所述LSTM网络模型的训练步骤包括：
S201、生产仿真模型训练数据获取，具体为运行所述生产仿真模型，收集模拟生产过程中产生的第四实时数据；
S202、生产仿真模型训练数据预处理，具体为对所述第四实时数据进行预处理，得到第五实时数据；
S203、训练生产仿真模型，具体为将所述第五实时数据和所述历史数据集输入所述LSTM网络模型；
S204、生产仿真模型训练完成，具体为所述LSTM网络模型迭代至预设次数后停止迭代；采用本实施方式，最终得到的LSTM网络模型由历史数据和仿真数据共同训练得到，精确性和鲁棒性都较高；
另外，本实施例中，所述生产仿真包括工艺规划仿真、资源管理仿真、容量仿真、效益仿真、生产需求仿真和生产计划排产仿真，所述生产预测包括工艺规划预测、资源管理预测、容量预测、效益预测、生产需求预测和生产计划排产预测，
采用本实施方式，能够对真实工厂进行全面地预测，以便根据预测结果，及时调整生产状态。
工厂数字孪生模块，用于根据所述第一实时数据和所述第二实时数据，生成真实工厂对应的三维虚拟工厂，以及，对所述三维虚拟工厂和所述仿真预测结果进行交互式可视化，本实施例中，所述交互式可视化包括生产过程可视化、三维工艺交互、预测性维护、质量分析报表、生产分析报表和风险管理报表；
采用本实施方式，通过三维虚拟工厂和仿真预测结果，使用者能够更好地与实际生产环境进行交互，并根据可视化的仿真预测结果，对真实工厂进行实时优化，同时，丰富的交互式可视化类型，提高了系统的交互性，同时，也便于使用者及时对真实工厂的生产情况进行优化；同时，本实施例中，所述工厂仿真预测模块和所述工厂数字孪生模块之间、所述制造执行系统和所述工厂数字孪生模块之间均采用Socket-TCP通信协议，所述工厂仿真预测模块与真实工厂的控制器、传感器、数据采集硬件之间采用OPC通信协议；
采用本实施方式，由Socket提供了一种通用的编程接口，可以在不同的操作系统和编程语言中使用，并且可以灵活地处理各种通信需求，灵活性好，可以通过确认、重传和超时等机制来保证数据的可靠传输，可以应对网络不稳定或丢包等情况，尤其在搭配使用TCP协议后，可以利用其可靠性和流量控制机制来保证数据的安全和有效传输，并且，Socket通信可以提供较低的延迟和较高的响应速度，满足实时数据传输的需求；
最后，本实施例还包括工厂数据库，所述工厂仿真预测模块通过ODBC接口将所述生产仿真预测结果传输至所述工厂数据库，所述工厂数字孪生模块通过访问所述工厂数据库获取JSON格式的所述生产仿真预测结果；
采用本实施方式，实现了工厂数字孪生模块的前后端分离，将复杂的数据处理和读取筛选工作交由后端程序完成，为前端页面统一开发接口函数，使得服务更加稳定，通过工厂数据库，避免数字孪生模块接收JSON格式的数据时进行二次解析、浪费资源。
本申请实施例的实施原理为：
采集来自制造执行系统的生产订单实时数据、工艺路线实时数据和库存原料实时数据等第一实时数据，以及，工序时间实时数据、产能实时数据、设备状态实时数据、物料流动实时数据、人力资源实时数据和质量实时数据等第二实时数据，并读取生产订单历史数据集、工艺路线历史数据集、库存原料历史数据集、工序时间历史数据集、产能历史数据集、设备状态历史数据集、物料流动历史数据集、人力资源历史数据集、生产订单历史和质量历史数据集等历史数据；
根据预存储的历史数据集、所述第一实时数据和所述第二实时数据进行生产仿真，得到真实工厂的生产仿真模型；
根据预设的生产任务，运行生产仿真模型，得到第三实时数据；
根据预训练的LSTM模型、所述历史数据集和所述第三实时数据，得到生产仿真预测结果；与虚拟工厂进行交互，根据生产仿真预测结果对生产仿真模型和真实工厂的运行状况进行优化。
同时，本申请还公开一种工厂生产仿真预测系统的工厂仿真预测方法的实施方式。
一种工厂生产仿真预测系统的工厂仿真预测方法，应用于上述工厂生产仿真预测系统的实施例，包括：
采集来自制造执行系统的第一实时数据和真实工厂的第二实时数据；
根据预存储的历史数据集、所述第一实时数据和所述第二实时数据进行生产仿真，得到生产仿真模型，根据预设的生产任务和所述生产仿真模型，得到第三实时数据，以及，根据预训练的仿真预测模型、所述历史数据集和所述第三实时数据，得到生产仿真预测结果；
根据所述第一实时数据和所述第二实时数据，生成真实工厂对应的三维虚拟工厂，以及，对所述三维虚拟工厂和所述仿真预测结果进行交互式可视化。
本具体实施方式的实施例均为本申请的较佳实施例，并非依此限制本申请的保护范围，其中相同的零部件用相同的附图标记表示。故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (8)
1.一种工厂生产仿真预测系统，其特征在于，包括：
工厂数据采集模块，用于采集来自制造执行系统的第一实时数据和真实工厂的第二实时数据；
工厂仿真预测模块，用于根据预存储的历史数据集、所述第一实时数据和所述第二实时数据进行生产仿真，得到生产仿真模型，根据预设的生产任务和所述生产仿真模型，得到第三实时数据，以及，根据预训练的仿真预测模型、所述历史数据集和所述第三实时数据，得到生产仿真预测结果；
工厂数字孪生模块，用于根据所述第一实时数据和所述第二实时数据，生成真实工厂对应的三维虚拟工厂，以及，对所述三维虚拟工厂和所述仿真预测结果进行交互式可视化；
所述仿真预测模型为LSTM网络模型，得到所述生产仿真预测结果的步骤包括：
S101、根据所述历史数据集，得到前一时刻的生产状态参数ht-1和前一时刻的细胞状态Ct-1，根据所述第一实时数据和所述第二实时数据，得到当前时刻的生产输入参数xt；
S102、根据所述前一时刻的生产状态参数ht-1、所述当前时刻的生产输入参数xt、遗忘门权重Wf、遗忘门偏置量bf和激活函数，得到遗忘门向量ft；
S103、根据所述前一时刻的生产状态参数ht-1、所述当前时刻的生产输入参数xt、输入门权重Wi、输入门偏置量bi和激活函数，得到输入门向量it；
S104、根据所述前一时刻的生产状态参数ht-1、所述当前时刻的生产输入参数xt、输入门权重WC、输入门偏置量bC和tanh函数，得到当前时刻的候选细胞状态Ct~；
S105、根据所述遗忘门向量ft、所述输入门向量it、所述候选细胞状态Ct~和所述前一时刻的细胞状态Ct-1，得到当前时刻的细胞状态Ct；
S106、根据所述前一时刻的生产状态参数ht-1、所述当前时刻的生产输入参数xt、输出门权重Wo、输入门偏置量bo和激活函数，得到输出门向量ot；
S107、根据所述输出门向量ot、所述当前时刻的细胞状态Ct和tanh函数，得到当前时刻的生产状态参数ht；
S108、输出所述当前时刻的生产状态参数ht作为所述生产仿真预测结果并存储所述生产状态参数ht至所述历史数据集。
2.根据权利要求1所述的一种工厂生产仿真预测系统，其特征在于：
所述第一实时数据包括生产订单实时数据、工艺路线实时数据和库存原料实时数据；
所述第二实时数据包括工序时间实时数据、产能实时数据、设备状态实时数据、物料流动实时数据、人力资源实时数据和质量实时数据；
所述历史数据集包括生产订单历史数据集、工艺路线历史数据集、库存原料历史数据集、工序时间历史数据集、产能历史数据集、设备状态历史数据集、物料流动历史数据集、人力资源历史数据集、生产订单历史和质量历史数据集。
3.根据权利要求1所述的一种工厂生产仿真预测系统，其特征在于，所述LSTM网络模型的训练步骤包括：
S201、运行所述生产仿真模型，收集模拟生产过程中产生的第四实时数据；
S202、对所述第四实时数据进行预处理，得到第五实时数据；
S203、将所述第五实时数据和所述历史数据集输入所述LSTM网络模型；
S204、所述LSTM网络模型迭代至预设次数后停止迭代。
4.根据权利要求2所述的一种工厂生产仿真预测系统，其特征在于：
所述生产仿真包括工艺规划仿真、资源管理仿真、容量仿真、效益仿真、生产需求仿真和生产计划排产仿真，生产预测包括工艺规划预测、资源管理预测、容量预测、效益预测、生产需求预测和生产计划排产预测。
5.根据权利要求1所述的一种工厂生产仿真预测系统，其特征在于：
所述交互式可视化包括生产过程可视化、三维工艺交互、预测性维护、质量分析报表、生产分析报表和风险管理报表。
6.根据权利要求1所述的一种工厂生产仿真预测系统，其特征在于：
所述工厂仿真预测模块和所述工厂数字孪生模块之间、所述制造执行系统和所述工厂数字孪生模块之间均采用Socket-TCP通信协议；
所述工厂仿真预测模块与真实工厂的控制器、传感器、数据采集硬件之间采用OPC通信协议。
7.根据权利要求1或6所述的一种工厂生产仿真预测系统，其特征在于：
还包括工厂数据库，所述工厂仿真预测模块通过ODBC接口将所述生产仿真预测结果传输至所述工厂数据库，所述工厂数字孪生模块通过访问所述工厂数据库获取JSON格式的所述生产仿真预测结果。
8.一种工厂生产仿真预测系统的工厂仿真预测方法，应用于权利要求1-7中的任一一项所述的工厂生产仿真预测系统，其特征在于，包括：
采集来自制造执行系统的第一实时数据和真实工厂的第二实时数据；
根据预存储的历史数据集、所述第一实时数据和所述第二实时数据进行生产仿真，得到生产仿真模型，根据预设的生产任务和所述生产仿真模型，得到第三实时数据，以及，根据预训练的仿真预测模型、所述历史数据集和所述第三实时数据，得到生产仿真预测结果；
根据所述第一实时数据和所述第二实时数据，生成真实工厂对应的三维虚拟工厂，以及，对所述三维虚拟工厂和所述仿真预测结果进行交互式可视化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310979417.6A CN116974217B (zh) | 2023-08-05 | 2023-08-05 | 工厂生产仿真预测系统和工厂仿真预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310979417.6A CN116974217B (zh) | 2023-08-05 | 2023-08-05 | 工厂生产仿真预测系统和工厂仿真预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116974217A CN116974217A (zh) | 2023-10-31 |
| CN116974217B true CN116974217B (zh) | 2024-02-20 |
Family
ID=88471203
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310979417.6A Active CN116974217B (zh) | 2023-08-05 | 2023-08-05 | 工厂生产仿真预测系统和工厂仿真预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116974217B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117369308B (zh) * | 2023-11-20 | 2024-04-23 | 合肥中科深谷科技发展有限公司 | 基于数字孪生的机器人硬件在环实时仿真控制系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114373352A (zh) * | 2021-12-20 | 2022-04-19 | 北京科技大学 | 一种选矿厂磨矿分级系统检测与控制虚拟仿真实训系统 |
| CN115204491A (zh) * | 2022-07-13 | 2022-10-18 | 温州大学 | 基于数字孪生与lstm的生产线工况预测方法及系统 |
| CN115270642A (zh) * | 2022-08-29 | 2022-11-01 | 郑州英集动力科技有限公司 | 基于数字孪生的植物工厂智能管理系统 |
| CN115394143A (zh) * | 2022-08-30 | 2022-11-25 | 广东顺德宙思信息科技有限公司 | 一种基于数字孪生的虚拟仿真教育系统及其交互方法 |
| CN115774963A (zh) * | 2022-12-08 | 2023-03-10 | 昆明理工大学 | 一种实时工厂环境影响评估方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190317459A1 (en) * | 2018-04-13 | 2019-10-17 | Honeywell International Inc. | Predictive reactor effluent air cooler maintenance |
-
2023
- 2023-08-05 CN CN202310979417.6A patent/CN116974217B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114373352A (zh) * | 2021-12-20 | 2022-04-19 | 北京科技大学 | 一种选矿厂磨矿分级系统检测与控制虚拟仿真实训系统 |
| CN115204491A (zh) * | 2022-07-13 | 2022-10-18 | 温州大学 | 基于数字孪生与lstm的生产线工况预测方法及系统 |
| CN115270642A (zh) * | 2022-08-29 | 2022-11-01 | 郑州英集动力科技有限公司 | 基于数字孪生的植物工厂智能管理系统 |
| CN115394143A (zh) * | 2022-08-30 | 2022-11-25 | 广东顺德宙思信息科技有限公司 | 一种基于数字孪生的虚拟仿真教育系统及其交互方法 |
| CN115774963A (zh) * | 2022-12-08 | 2023-03-10 | 昆明理工大学 | 一种实时工厂环境影响评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116974217A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR100532804B1 (ko) | 산업용 플랜트의 자동 운영 방법 | |
| DE69635162T2 (de) | Hybride steuerungsarchitektur mit mehreren agenten | |
| CN116974217B (zh) | 工厂生产仿真预测系统和工厂仿真预测方法 | |
| CN100380382C (zh) | 用于工业自动化系统的工程方法和工程系统 | |
| EP0852759A1 (de) | Entwurfsverfahren für die anlagentechnik und rechnergestütztes projektierungssystem zur verwendung bei diesem verfahren | |
| CN101872166A (zh) | 利用部件特定的消耗数据的过程仿真 | |
| US20220066409A1 (en) | Method and system for generating an artificial intelligence model | |
| CN111722539B (zh) | 一种基于时间自动机的数字孪生制造单元行为建模方法 | |
| CN116485576A (zh) | 一种航空制造业知源大脑数据智能制造管理平台 | |
| TWI676148B (zh) | 整合ｉｃｔ服務供裝與虛實資源監控之系統 | |
| US11294356B2 (en) | Production control system | |
| CN101539772A (zh) | 产品生命周期管理方法及设备 | |
| US20110288668A1 (en) | Manufacturing Management Using Tool Operating Data | |
| Latif et al. | A simulation algorithm of a digital twin for manual assembly process | |
| Latif et al. | A case study of digital twin for a manufacturing process involving human interactions | |
| CN109791481A (zh) | 应用开发环境提供系统、应用开发环境提供方法、信息处理装置及计算机可读取的非易失性的存储介质 | |
| WO2023129164A1 (en) | Digital twin sequential and temporal learning and explaining | |
| US20220277119A1 (en) | A System and Method for Generating a Holistic Digital Twin | |
| CN109547448B (zh) | 基于路径名称及双标识机制确定的双系统数据通用匹配方法 | |
| Chu et al. | Collaborative manufacturing of aircraft structural parts based on machining features and software agents | |
| Li et al. | Mechanical design paradigm based on ACP method in parallel manufacturing | |
| KR101304312B1 (ko) | 제조 실행 시스템 및 이를 위한 기록매체 | |
| Turgay et al. | Digital Twin Based Flexible Manufacturing System Modelling with Fuzzy Approach | |
| Binder et al. | Utilizing an enterprise architecture framework for model-based industrial systems engineering | |
| Ottjes et al. | Design and control of multi-AGV systems: reuse of simulation software |
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 |