WO2020007016A1 - 一种基于数字孪生的智能车间自治生产过程动态联动控制方法 - Google Patents

一种基于数字孪生的智能车间自治生产过程动态联动控制方法 Download PDF

Info

Publication number
WO2020007016A1
WO2020007016A1 PCT/CN2018/125834 CN2018125834W WO2020007016A1 WO 2020007016 A1 WO2020007016 A1 WO 2020007016A1 CN 2018125834 W CN2018125834 W CN 2018125834W WO 2020007016 A1 WO2020007016 A1 WO 2020007016A1
Authority
WO
WIPO (PCT)
Prior art keywords
real
workpiece
intelligent workshop
workshop
digital twin
Prior art date
Application number
PCT/CN2018/125834
Other languages
English (en)
French (fr)
Inventor
丁凯
吕景祥
雷景媛
史合
惠记庄
叶敏
曹学鹏
朱雅光
朱斌
张富强
Original Assignee
长安大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 长安大学 filed Critical 长安大学
Publication of WO2020007016A1 publication Critical patent/WO2020007016A1/zh

Links

Images

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]
    • G05B19/41865—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 job scheduling, process planning, material flow
    • 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
    • G05B2219/32015—Optimize, process management, optimize production line
    • 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]

Definitions

  • the invention relates to the field of intelligent manufacturing, in particular to a dynamic linkage control method for an autonomous production process of an intelligent workshop based on digital twins.
  • Intelligent manufacturing has become a hot topic at home and abroad. Strategic planning such as German Industry 4.0, American Industrial Internet, and Made in China 2025 have listed intelligent manufacturing as an important topic. The implementation of intelligent manufacturing depends not only on the development of advanced manufacturing technologies, but also on the application of emerging information technologies. In an intelligent manufacturing environment, an enterprise's manufacturing workshop should have good production flexibility, autonomy, and production process control capabilities to meet individual customer needs.
  • Emerging information technologies provide a technical basis for autonomous production operations in manufacturing workshops.
  • the manufacturing Internet of Things technology has established the ubiquitous interconnection and interoperability of people (operators), machines (processing machine tools, transport trolleys, etc.) and objects (work in progress, auxiliary tools, etc.) in the workshop, so that each physical entity can be identified, tracked, Communicable and interactive; digital twin technology builds the closed-loop logic of "situation awareness-simulation calculation-collaborative decision-production execution" in the workshop, and realizes the transparency of the workshop production process through real-time interoperation between information space data / models and physical space entities , Efficiency and autonomy.
  • the overall implementation effect has not reached the requirements for efficient and dynamic production process control of intelligent workshops.
  • the purpose of the present invention is to provide a method for dynamic linkage control of an autonomous production process in a smart workshop based on digital twins, aiming at the problems of implementation and application, by real-time synchronization between the smart workshop entity in the physical space and the digital twin model in the information space. Linkage, to realize the dynamic linkage control of the intelligent workshop autonomous production process.
  • a method for dynamic linkage control of an autonomous production process in an intelligent workshop based on digital twins includes the following steps:
  • the two-way data transmission channel in step (2) uses the AutomationML protocol as the data transmission protocol between the intelligent workshop entity and the digital twin model.
  • the uploaded real-time data and the issued production instructions are in compliance with the AutomationML protocol.
  • the value of the progress deviation in the actual production and running process in step (4) is calculated according to the following formula:
  • ⁇ T represents the progress deviation value in the actual production process of the workpiece
  • P j .St and P j .Ft represent the start time and end time of the jth process in the workpiece production plan, respectively;
  • P j .ast and P j .aft respectively represent the actual start time and actual end time of the j-th process collected by the RFID reader of the IoT device in the workshop;
  • M represents the total number of machining operations completed by the workpiece at the current time t.
  • N i represents the total number of processing steps that the workpiece has actually completed at the current time t.
  • the machine tool task scheduling algorithm in step (4) is modeled by a hidden Markov model method, and the implementation steps are as follows:
  • Step 1 Use the forward learning algorithm to learn the historical data of the workpiece processing to obtain the hidden Markov model parameters for machine tool task scheduling, including: the state transition probability matrix between processing steps, and the mapping between the processing steps and the machine tool Associated probability matrix
  • Step 2 According to the established hidden Markov model, the processing sequence of the workpiece completed at the current time t and the real-time running status of all processing machine tools in the current intelligent workshop are used as model inputs to solve;
  • Step 3 Use the viterbi algorithm to recursively output the optimal machine task scheduling sequence, which is the sequence with the highest probability of occurrence, and further determine the machine number where the next process of the workpiece at the current time t is located.
  • the present invention has the following beneficial effects:
  • the invention establishes the virtual-real mapping relationship between the intelligent workshop entity and the digital twin model, and realizes the real-time upload of the production process data of the intelligent workshop, the digital twin model simulation data or the real-time release of production instructions through the two-way data transmission channel.
  • the machine tool task instructions are calculated by the machine task scheduling algorithm. Through the synchronous linkage, the dynamic linkage control of the intelligent workshop autonomous production process is realized.
  • FIG. 1 is an implementation flowchart of a dynamic linkage control method for an autonomous production process of an intelligent workshop based on digital twins;
  • Figure 2 is a schematic diagram of a machine tool task scheduling algorithm model
  • Figure 3 is a complete virtual-real map of the digital twin model to the physical workshop.
  • FIG. 1 The execution flowchart of a method for dynamic linkage control of an autonomous production process of an intelligent workshop based on digital twins according to the present invention is shown in FIG. 1 and includes the following steps:
  • Intelligent workshop operation status data (including workpiece status data, machine status / task data, AGV logistics trolley work data, operator task data, etc.) pass through the The channel is synchronized to the digital twin model in real time, and the digital twin model calls various algorithms to solve the calculation results or decision instructions sent to the intelligent workshop entity through this channel to realize the virtual-real linkage;
  • the algorithm takes data such as workpiece processing route, real-time position of the workpiece, and real-time running status of the machine tool as input. among them:
  • ⁇ T represents the progress deviation value in the actual production process of the workpiece
  • P j .St and P j .Ft represent the start time and end time of the jth process in the workpiece production plan, respectively;
  • P j .ast and P j .aft respectively represent the actual start time and actual end time of the j-th process collected by the RFID reader of the IoT device in the workshop;
  • M represents the total number of machining operations completed by the workpiece at the current time t.
  • N i represents the total number of processing steps that the workpiece has actually completed at the current time t.
  • Step 1 Use the forward learning algorithm to learn the historical data of the workpiece processing to obtain the hidden Markov model parameters for machine tool task scheduling, including: the state transition probability matrix between processing steps, and the mapping between the processing steps and the machine tool Associated probability matrix
  • Step 2 According to the established hidden Markov model, the processing sequence of the workpiece at the current time t and the real-time running status (free or occupied) of all processing machine tools in the current intelligent workshop are used as model inputs to solve;
  • Step 3 Use the viterbi algorithm to recursively output the optimal machine task scheduling sequence, which is the sequence with the highest probability of occurrence, and further determine the machine tool number where the next process of the workpiece at the current time t;
  • this workshop has three CNC machining centers (machine tools 1, machine tools 2, machine tools 3), two robot arms, one AGV transport trolley, and workpiece 1 2.
  • Workpiece 2 executes production tasks in this intelligent workshop.
  • a corresponding digital twin model is established, which is a complete virtual-real mapping of the physical workshop;
  • the digital twin model calls the production schedule deviation calculation module to calculate the schedule deviation between the actual production process and the planned production process, where: the planned completion time of the third process of workpiece 1 is 5 minutes, and the real-time data deviation calculation reflects the actual process The completion time is 6min, 20s, which is 1min 20s later than planned.
  • the digital twin model feeds back the deviation value to the corresponding machine tool, and issues an instruction to speed up the progress;
  • the digital twin model calls the machine tool task scheduling algorithm module, and uses the production schedule deviation value as an input condition to simulate and calculate the optimal machine tool to execute the next process as machine tool 3. Processing on this machine can convert workpiece 1 to the fourth process. The completion time is reduced by 1min to 20s to 2min, so that the overall processing progress of workpiece 1 is consistent with the planned processing progress, and delays are avoided.
  • the digital twin model sends real-time production instructions such as "the fourth process of workpiece 1 is processed by machine tool 3", "AGV transport trolley transports workpiece 1 from machine tool 1 to machine tool 3 and clamps it" and other production instructions to machine tool 3 and AGV transport trolley. Further, the machine tool 3 and the AGV transport cart execute the corresponding production instructions.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

一种基于数字孪生的智能车间自治生产过程动态联动控制方法，包括：(1)构建智能车间实体在信息空间中的数字孪生模型，并建立实体与模型之间的虚实映射关系；(2)建立双向数据传输通道，实现虚实联动；(3)采集制造资源的实时状态数据，上传至数字孪生模型并更新；(4)对智能车间运行状态进行实时仿真，并调用算法预测机床任务编排序列最优解和执行下一道工序的机床编号（1, 2, 3）；(5)对最优解进行解析，并以生产指令的形式通过双向数据传输通道下达至智能车间中的各制造资源实体；(6)循环(3)～(5)步骤，直至工件（1, 2）所有工序加工完成。通过同步联动，实现了智能车间自治生产过程的动态联动控制。

Description

一种基于数字孪生的智能车间自治生产过程动态联动控制方法 技术领域
本发明涉及智能制造领域，特别涉及一种基于数字孪生的智能车间自治生产过程动态联动控制方法。
背景技术
智能制造已成为目前国内外研究的热点，德国工业4.0、美国工业互联网、中国制造2025等战略规划都将智能制造列为了重要主题。智能制造的实施不仅依赖于先进制造技术的发展，同时也依赖于新兴信息技术的应用。在智能制造环境下，企业制造车间应具有较好的生产柔性、自治性以及生产过程管控能力，以满足个性化客户需求。
新兴信息技术(如物联网、数字孪生等)为制造车间自治化生产运行提供了技术基础。例如，制造物联网技术搭建了车间人(操作者)、机(加工机床、运输小车等)、物(在制品、辅助工具等)的泛在互联互通，实现各个物理实体可识别、可跟踪、可通讯交互；数字孪生技术构建了车间“情境感知-仿真计算-协同决策-生产执行”的闭环逻辑，通过信息空间数据/模型与物理空间实体之间的实时互操作，实现车间生产过程透明化、高效化和自治化。然而，目前较为缺乏将上述新兴信息技术进行综合应用的案例，总体实施效果未达到对智能车间进行高效、动态生产过程管控的要求。
发明内容
本发明的目的在于针对以上实施应用的问题，提供一种基于数字孪生的智能车间自治生产过程动态联动控制方法，通过物理空间中的智能车间实体与信息空间中的数字孪生模型之间的实时同步联动，实现智能车间自治生产过程的 动态联动控制。
为实现上述目的，本发明的技术方案是：
一种基于数字孪生的智能车间自治生产过程动态联动控制方法，包括以下步骤：
(1)构建智能车间实体在信息空间中的数字孪生模型，并建立实体与模型之间的虚实映射关系；
(2)建立虚实联动的双向数据传输通道，智能车间运行状态数据通过该通道实时同步至数字孪生模型，而数字孪生模型调用各类算法求解的计算结果或决策指令通过该通道下达至智能车间实体，实现虚实联动；
(3)通过车间物联网采集工件在智能车间中流转时的制造资源的实时状态数据，通过双向数据传输通道上传至数字孪生模型并更新；
(4)在数字孪生模型中对智能车间运行状态进行实时仿真，计算实际生产运行过程中的进度偏差，并调用机床任务编排算法预测确定执行工件下一道工序的加工机床编号，生成机床任务编排序列最优解；
(5)对机床任务编排序列最优解进行语义解析，并以生产指令的形式通过双向数据传输通道下达至制造资源实体，制造资源实体按照给定的指令执行相应的动作；
(6)循环(3)～(5)步骤，直至工件所有工序加工完成。
作为本发明的进一步改进，步骤(2)中的双向数据传输通道，采用AutomationML协议作为智能车间实体与数字孪生模型之间的数据传输协议，上传的实时数据与下达的生产指令均符合AutomationML协议。
作为本发明的进一步改进，步骤(4)中的实际生产运行过程中的进度偏差，其值按照以下公式计算：
Figure PCTCN2018125834-appb-000001
式中：
ΔT表示工件实际生产过程中的进度偏差值；
P j.St和P j.Ft分别表示工件生产计划中第j道工序的开始时间和结束时间；
P j.ast和P j.aft分别表示由车间物联网设备RFID读写器采集的第j道工序的实际开始时间和实际结束时间；
M表示当前时间t下工件已完成的加工工序总数。M值由以下判断准则来确定：if(t≤P m+1.St∧t≥(P m.Dt+P m.St)),then M＝m；
N i表示当前时间t下工件实际完成的加工工序总数。N值由以下判断准则来确定：if(t≤P n+1.ast∧t≥P n.aft),then N＝n。
作为本发明的进一步改进，步骤(4)中的机床任务编排算法，采用隐马尔可夫模型方法进行建模，其实施步骤如下：
步骤一：采用前向学习算法对工件加工历史数据进行学习，得出用于机床任务编排的隐马尔可夫模型参数，包括：加工工序之间的状态转移概率矩阵、加工工序与机床之间映射关联的概率矩阵；
步骤二：依据所建立的隐马尔可夫模型，将当前时间t下工件已经完成的加工工序序列、当前智能车间所有加工机床的实时运行状态作为模型输入进行求解；
步骤三：采用viterbi算法递推输出最优的机床任务编排序列，该序列是发生概率最大的序列，进一步确定当前时刻t下工件的下一道工序加工所在的机床编号。
与现有技术相比，本发明具有以下有益效果：
本发明建立了智能车间实体与数字孪生模型之间的虚实映射关系，通过双 向数据传输通道，实现了智能车间生产过程数据的实时上传、数字孪生模型仿真数据或生产指令的实时下达，生产指令中的机床任务指令通过机床任务编排算法解算而得。通过同步联动，实现了智能车间自治生产过程的动态联动控制。
附图说明
图1是基于数字孪生的智能车间自治生产过程动态联动控制方法的执行流程图；
图2是机床任务编排算法模型的原理图；
图3是数字孪生模型是对物理车间的完整虚实映射图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。此处所说明的附图是本申请的一部分，用来对本发明进行进一步解释，但并不构成对本发明的限定。
本发明一种基于数字孪生的智能车间自治生产过程动态联动控制方法的执行流程图如图1所示，包括以下步骤：
(1)构建智能车间实体在信息空间中的数字孪生模型，并建立实体与模型之间的虚实映射关系，即：
Figure PCTCN2018125834-appb-000002
其中，PJS表示物理空间中的智能车间实体，VJS表示信息空间中的数字孪生模型，
Figure PCTCN2018125834-appb-000003
表示PJS与VJS两者之间的虚实映射关系；
(2)建立虚实联动的双向数据传输通道，并采用AutomationML数据传输协议，智能车间运行状态数据(包括工件状态数据、机床状态/任务数据、AGV物流小车工作数据、操作者任务数据等)通过该通道实时同步至数字孪生模型，而数字孪生模型调用各类算法求解出的计算结果或决策指令通过该通道下达至智能车间实体，实现虚实联动；
(3)通过物联网采集工件在智能车间中流转时的实时位置、到达/离开该位 置的时间以及加工机床、运输小车等制造资源的工作状态数据，上述信息通过双向数据传输通道上传至数字孪生模型；
(4)在数字孪生模型中对智能车间运行状态进行实时仿真，计算实际生产运行过程中的进度偏差，并调用机床任务编排算法预测确定执行工件下一道工序的加工机床编号，生成机床任务编排序列最优解。该算法以工件加工工艺路线、工件实时位置、机床实时运行状态等数据作为输入。其中：
(4-1)所述的实际生产运行过程中的进度偏差值按照以下公式计算：
Figure PCTCN2018125834-appb-000004
式中：
ΔT表示工件实际生产过程中的进度偏差值；
P j.St和P j.Ft分别表示工件生产计划中第j道工序的开始时间和结束时间；
P j.ast和P j.aft分别表示由车间物联网设备RFID读写器采集的第j道工序的实际开始时间和实际结束时间；
M表示当前时间t下工件已完成的加工工序总数。M值由以下判断准则来确定：if(t≤P m+1.St∧t≥(P m.Dt+P m.St)),then M＝m；
N i表示当前时间t下工件实际完成的加工工序总数。N值由以下判断准则来确定：if(t≤P n+1.ast∧t≥P n.aft),then N＝n。
(4-2)所述的机床任务编排算法，采用隐马尔可夫模型方法进行建模，其原理如图2所示，具体实施步骤如下：
步骤一：采用前向学习算法对工件加工历史数据进行学习，得出用于机床任务编排的隐马尔可夫模型参数，包括：加工工序之间的状态转移概率矩阵、加工工序与机床之间映射关联的概率矩阵；
步骤二：依据所建立的隐马尔可夫模型，将当前时间t下工件已经完成的加 工工序序列、当前智能车间所有加工机床的实时运行状态(空闲或占用)作为模型输入进行求解；
步骤三：采用viterbi算法递推输出最优的机床任务编排序列，该序列是发生概率最大的序列，进一步确定当前时刻t下工件的下一道工序加工所在的机床编号；
(5)对机床任务编排序列最优解进行AutomationML语义解析，并以生产指令的形式通过双向数据传输通道下达至工件、加工机床、运输小车等制造资源实体，制造资源实体按照给定的指令执行相应的动作；
(6)循环(3)～(5)步骤，直至工件所有加工工序完成。
通过上述步骤，实现对智能车间自治生产过程的实时监控、仿真、任务编排，进一步实现对智能车间自治生产过程的动态联动控制。
如图3所示，以某航空零部件的智能制造车间为例，该车间有3台数控加工中心(机床1、机床2、机床3)，2台机械臂，1台AGV运输小车，工件1、工件2在该智能车间内执行生产任务。首先根据该车间的物理布局，建立相应的数字孪生模型，该数字孪生模型是对物理车间的完整虚实映射；
通过已配置的RFID、传感器等物联网设备采集智能车间中的实时生产过程数据，并通过双向数据传输通道、AutomationML协议上传至数字孪生模型。根据实时数据获知工件1已进行到第三道工序，工件2已进行到第五道工序；
数字孪生模型调用生产进度偏差计算模块计算实际生产过程与计划生产过程之间的进度偏差，其中：工件1的第三道工序的计划完成时间为5min，而根据实时数据偏差计算反映出该工序实际完成时间为6min 20s，比计划延迟了1min 20s，数字孪生模型将该偏差值反馈至对应的机床，下达加快进度的指令；
同时，数字孪生模型调用机床任务编排算法模块，并将生产进度偏差值作 为输入条件，仿真计算出执行下一道工序的最优机床为机床3，在该机床上加工可将工件1第四道工序的完工时间压缩1min 20s～2min，从而实现工件1整体加工进度与计划加工进度保持一致，避免拖期现象的发生。计算结束后，数字孪生模型实时地将“工件1的第四道工序由机床3加工”、“AGV运输小车将工件1从机床1运输至机床3并装夹”等生产指令发送至机床3和AGV运输小车。进一步地，机床3和AGV运输小车执行相应的生产指令。
以上实施例仅用于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说明，所属领域的普通技术人员依然可以对本发明的具体实施方案进行修改或者等同替换，而这些并未脱离本发明精神和范围的任何修改或者等同替换，其均在申请待批的本发明的权利要求保护范围之内。

Claims (4)

  1. 一种基于数字孪生的智能车间自治生产过程动态联动控制方法，其特征在于，包括以下步骤：
    (1)构建智能车间实体在信息空间中的数字孪生模型，并建立实体与模型之间的虚实映射关系；
    (2)建立虚实联动的双向数据传输通道，智能车间运行状态数据通过该通道实时同步至数字孪生模型，而数字孪生模型调用各类算法求解的计算结果或决策指令通过该通道下达至智能车间实体，实现虚实联动；
    (3)通过车间物联网采集工件在智能车间中流转时的制造资源的实时状态数据，通过双向数据传输通道上传至数字孪生模型并更新；
    (4)在数字孪生模型中对智能车间运行状态进行实时仿真，计算实际生产运行过程中的进度偏差，并调用机床任务编排算法预测确定执行工件下一道工序的加工机床编号，生成机床任务编排序列最优解；
    (5)对机床任务编排序列最优解进行语义解析，并以生产指令的形式通过双向数据传输通道下达至制造资源实体，制造资源实体按照给定的指令执行相应的动作；
    (6)循环(3)～(5)步骤，直至工件所有工序加工完成。
  2. 根据权利要求1所述的基于数字孪生的智能车间自治生产过程动态联动控制方法，其特征在于，步骤(2)中的双向数据传输通道，采用AutomationML协议作为智能车间实体与数字孪生模型之间的数据传输协议，上传的实时数据与下达的生产指令均符合AutomationML协议。
  3. 根据权利要求1所述的基于数字孪生的智能车间自治生产过程动态联动控制方法，其特征在于，步骤(4)中的实际生产运行过程中的进度偏差，其值按照以下公式计算：
    Figure PCTCN2018125834-appb-100001
    式中：
    ΔT表示工件实际生产过程中的进度偏差值；
    P j.St和P j.Ft分别表示工件生产计划中第j道工序的开始时间和结束时间；
    P j.ast和P j.aft分别表示由车间物联网设备RFID读写器采集的第j道工序的实际开始时间和实际结束时间；
    M表示当前时间t下工件已完成的加工工序总数；M值由以下判断准则来确定：if(t≤P m+1.St^t≥(P m.Dt+P m.St)),then M＝m；
    N i表示当前时间t下工件实际完成的加工工序总数；N值由以下判断准则来确定：if(t≤P n+1.ast^t≥P n.aft),then N＝n。
  4. 根据权利要求1所述的基于数字孪生的智能车间自治生产过程动态联动控制方法，其特征在于，步骤(4)中的机床任务编排算法，采用隐马尔可夫模型方法进行建模，其实施步骤如下：
    步骤一：采用前向学习算法对工件加工历史数据进行学习，得出用于机床任务编排的隐马尔可夫模型参数，包括：加工工序之间的状态转移概率矩阵、加工工序与机床之间映射关联的概率矩阵；
    步骤二：依据所建立的隐马尔可夫模型，将当前时间t下工件已经完成的加工工序序列、当前智能车间所有加工机床的实时运行状态作为模型输入进行求解；
    步骤三：采用viterbi算法递推输出最优的机床任务编排序列，该序列是发生概率最大的序列，进一步确定当前时刻t下工件的下一道工序加工所在的机床编号。
PCT/CN2018/125834 2018-07-05 2018-12-29 一种基于数字孪生的智能车间自治生产过程动态联动控制方法 WO2020007016A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810731107.1 2018-07-05
CN201810731107.1A CN108919760B (zh) 2018-07-05 2018-07-05 一种基于数字孪生的智能车间自治生产过程动态联动控制方法

Publications (1)

Publication Number Publication Date
WO2020007016A1 true WO2020007016A1 (zh) 2020-01-09

Family

ID=64425682

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/125834 WO2020007016A1 (zh) 2018-07-05 2018-12-29 一种基于数字孪生的智能车间自治生产过程动态联动控制方法

Country Status (2)

Country Link
CN (1) CN108919760B (zh)
WO (1) WO2020007016A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111251304A (zh) * 2020-03-12 2020-06-09 广东博智林机器人有限公司 一种机器人控制系统和方法
CN111461459A (zh) * 2020-04-24 2020-07-28 温州大学乐清工业研究院 断路器数字制造孪生车间的动态重调度预测方法及系统
CN112427624A (zh) * 2020-11-04 2021-03-02 中国科学院重庆绿色智能技术研究院 一种基于数字孪生的铸锻双控成型系统及参数优化方法
CN112462696A (zh) * 2020-08-18 2021-03-09 江苏大学 一种智能制造车间数字孪生模型构建方法与系统
CN112926764A (zh) * 2021-01-21 2021-06-08 北京理工大学 一种产品质量性能预测方法和装置
CN112947294A (zh) * 2021-02-22 2021-06-11 长春汽车工业高等专科学校 一种基于数字孪生的汽车装配车间监控仿真系统
CN113064351A (zh) * 2021-03-26 2021-07-02 京东数字科技控股股份有限公司 数字孪生模型构建方法、装置、存储介质及电子设备
CN113364625A (zh) * 2021-06-08 2021-09-07 广东利元亨智能装备股份有限公司 一种数据传输方法、中间传输设备及存储介质
CN114706338A (zh) * 2022-04-20 2022-07-05 北京金石视觉数字科技有限公司 一种基于数字孪生模型的交互控制方法及系统
CN115351524A (zh) * 2022-08-30 2022-11-18 北京航空航天大学 一种数字孪生多层级模型组装方法
CN117973634A (zh) * 2024-03-27 2024-05-03 无锡云数工业技术有限公司 一种制造运营管理的优化控制方法及系统

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108919760B (zh) * 2018-07-05 2020-01-24 长安大学 一种基于数字孪生的智能车间自治生产过程动态联动控制方法
CN109885397B (zh) * 2019-01-15 2023-04-07 长安大学 一种边缘计算环境中时延优化的负载任务迁移算法
CN110222353A (zh) * 2019-03-12 2019-09-10 上海大学 一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法
CN109978395B (zh) * 2019-03-29 2022-12-13 长安大学 一种智能车间加工任务自治分配模型的创成方法
US10921794B2 (en) 2019-04-10 2021-02-16 Guangdong University Of Technology Parallel control method based on multi-period differential sampling and digital twinning technologies
JP6959956B2 (ja) * 2019-04-10 2021-11-05 日鉄ソリューションズ株式会社 情報処理装置、情報処理方法及びプログラム
CN109991918B (zh) * 2019-04-10 2019-11-12 广东工业大学 基于多周期差分采样和数字孪生技术的平行控制方法
JP7239106B2 (ja) * 2019-04-22 2023-03-14 株式会社ジェイテクト サイバーフィジカルプロダクションシステム型生産システム
CN110120957B (zh) * 2019-06-03 2019-12-06 浙江鹏信信息科技股份有限公司 一种基于智能评分机制的安全处置数字孪生方法及系统
EP3751370A1 (en) * 2019-06-14 2020-12-16 General Electric Company Additive manufacturing-coupled digital twin ecosystem based on multi-variant distribution model of performance
CN110728870A (zh) * 2019-09-09 2020-01-24 上海同一迅阳科技有限公司 Mes仿真教学系统、计算机设备及计算机存储介质
CN112955836A (zh) * 2019-09-27 2021-06-11 法国圣戈班玻璃厂 用于利用集成的数字映像弯曲玻璃板的自动化的生产工艺和生产系统
CN110674078B (zh) * 2019-10-08 2020-11-10 北京航空航天大学 一种数字孪生系统复杂任务异构多核并行高效求解方法和系统
CN110865607A (zh) * 2019-11-07 2020-03-06 天津大学 一种基于数字孪生的五轴数控机床控制方法
CN111026063B (zh) * 2019-12-25 2023-10-03 南方科技大学 数字孪生体构建方法、装置、计算机设备及存储介质
CN111210184B (zh) * 2020-01-15 2024-04-26 北京航空航天大学 一种数字孪生车间物料准时配送方法及系统
CN111308975A (zh) * 2020-02-28 2020-06-19 南京航空航天大学 基于数字孪生技术的智能制造系统孪生智能体构建系统及方法
CN111230887B (zh) * 2020-03-10 2021-01-26 合肥学院 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法
CN111459062B (zh) * 2020-04-01 2021-04-06 浙江大学 虚实共用的复杂信息物理产品数字孪生控制逻辑生成方法
CN111722539B (zh) * 2020-06-03 2021-05-28 西安交通大学 一种基于时间自动机的数字孪生制造单元行为建模方法
WO2022000286A1 (zh) * 2020-06-30 2022-01-06 西门子股份公司 一种生产系统的控制方法及其装置
CN112016737B (zh) * 2020-08-05 2022-03-22 东北大学秦皇岛分校 一种基于数字孪生的复杂产品装配车间管控方法
CN112508337A (zh) * 2020-11-09 2021-03-16 西安交通大学 一种基于智图云谱的孪生制造车间系统设备社群重构方法
CN112632778B (zh) * 2020-12-22 2023-07-18 达闼机器人股份有限公司 数字孪生模型的运行方法、装置和电子设备
CN112859739B (zh) * 2021-01-15 2022-07-01 天津商业大学 一种数字孪生驱动的多轴数控机床轮廓误差抑制方法
CN112507573A (zh) * 2021-02-09 2021-03-16 东北大学 一种基于数字孪生的热连轧轧制过程监控预警方法
CN113126583B (zh) * 2021-04-23 2022-02-11 北自所(北京)科技发展股份有限公司 一种数字孪生纺织成套装备实时交互控制方法及系统
CN113204411A (zh) * 2021-06-08 2021-08-03 广东利元亨智能装备股份有限公司 一种数据处理方法、中间处理设备及存储介质
CN113741419A (zh) * 2021-07-26 2021-12-03 魏小兰 Agv作业辅助方法及装置
CN113741442B (zh) * 2021-08-25 2022-08-02 中国矿业大学 一种基于数字孪生驱动的单轨吊车自动驾驶系统及方法
CN113867288B (zh) * 2021-09-29 2022-05-17 广东工业大学 一种即插即用手机线快速设计及换线方法
CN115972303B (zh) * 2022-06-28 2023-09-19 盐城工学院 一种基于数字孪生的全自动裁断机协同系统、介质及终端
CN115373290B (zh) * 2022-10-27 2023-01-24 极晨智道信息技术(北京)有限公司 一种基于数字孪生的数字化车间仿真方法与系统
CN116882070B (zh) * 2023-09-01 2023-11-14 中汽研汽车工业工程(天津)有限公司 一种面向整车制造的工业数字孪生管理系统
CN117032088B (zh) * 2023-09-01 2024-04-09 广东思豪内高压科技有限公司 基于高精密内高压成型系统的智能伺服控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1776554A (zh) * 2005-10-20 2006-05-24 同济大学 基于遗传算法的可重组生产线调度方法
CN104504540A (zh) * 2015-01-13 2015-04-08 郑州航空工业管理学院 基于多阶段智能优化算法的动态柔性作业车间调度控制方法
CN107861478A (zh) * 2017-10-17 2018-03-30 广东工业大学 一种智能车间平行控制方法及系统
CN107870600A (zh) * 2017-10-17 2018-04-03 广东工业大学 一种智能车间透明监控方法及系统
CN108107841A (zh) * 2017-12-26 2018-06-01 山东大学 一种数控机床数字孪生建模方法
WO2018111368A1 (en) * 2016-12-15 2018-06-21 Siemens Aktiengesellschaft Configuration and parameterization of energy control system
CN108919760A (zh) * 2018-07-05 2018-11-30 长安大学 一种基于数字孪生的智能车间自治生产过程动态联动控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1776554A (zh) * 2005-10-20 2006-05-24 同济大学 基于遗传算法的可重组生产线调度方法
CN104504540A (zh) * 2015-01-13 2015-04-08 郑州航空工业管理学院 基于多阶段智能优化算法的动态柔性作业车间调度控制方法
WO2018111368A1 (en) * 2016-12-15 2018-06-21 Siemens Aktiengesellschaft Configuration and parameterization of energy control system
CN107861478A (zh) * 2017-10-17 2018-03-30 广东工业大学 一种智能车间平行控制方法及系统
CN107870600A (zh) * 2017-10-17 2018-04-03 广东工业大学 一种智能车间透明监控方法及系统
CN108107841A (zh) * 2017-12-26 2018-06-01 山东大学 一种数控机床数字孪生建模方法
CN108919760A (zh) * 2018-07-05 2018-11-30 长安大学 一种基于数字孪生的智能车间自治生产过程动态联动控制方法

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111251304A (zh) * 2020-03-12 2020-06-09 广东博智林机器人有限公司 一种机器人控制系统和方法
CN111461459A (zh) * 2020-04-24 2020-07-28 温州大学乐清工业研究院 断路器数字制造孪生车间的动态重调度预测方法及系统
CN112462696A (zh) * 2020-08-18 2021-03-09 江苏大学 一种智能制造车间数字孪生模型构建方法与系统
CN112427624B (zh) * 2020-11-04 2021-11-09 中国科学院重庆绿色智能技术研究院 一种基于数字孪生的铸锻双控成型系统及参数优化方法
CN112427624A (zh) * 2020-11-04 2021-03-02 中国科学院重庆绿色智能技术研究院 一种基于数字孪生的铸锻双控成型系统及参数优化方法
CN112926764A (zh) * 2021-01-21 2021-06-08 北京理工大学 一种产品质量性能预测方法和装置
CN112926764B (zh) * 2021-01-21 2023-05-30 北京理工大学 一种产品质量性能预测方法和装置
CN112947294A (zh) * 2021-02-22 2021-06-11 长春汽车工业高等专科学校 一种基于数字孪生的汽车装配车间监控仿真系统
CN112947294B (zh) * 2021-02-22 2023-10-20 长春汽车工业高等专科学校 一种基于数字孪生的汽车装配车间监控仿真系统
CN113064351A (zh) * 2021-03-26 2021-07-02 京东数字科技控股股份有限公司 数字孪生模型构建方法、装置、存储介质及电子设备
CN113364625A (zh) * 2021-06-08 2021-09-07 广东利元亨智能装备股份有限公司 一种数据传输方法、中间传输设备及存储介质
CN113364625B (zh) * 2021-06-08 2022-08-16 广东利元亨智能装备股份有限公司 一种数据传输方法、中间传输设备及存储介质
CN114706338A (zh) * 2022-04-20 2022-07-05 北京金石视觉数字科技有限公司 一种基于数字孪生模型的交互控制方法及系统
CN114706338B (zh) * 2022-04-20 2023-01-31 北京金石视觉数字科技有限公司 一种基于数字孪生模型的交互控制方法及系统
CN115351524A (zh) * 2022-08-30 2022-11-18 北京航空航天大学 一种数字孪生多层级模型组装方法
CN115351524B (zh) * 2022-08-30 2023-09-19 北京航空航天大学 一种数字孪生多层级模型组装方法
CN117973634A (zh) * 2024-03-27 2024-05-03 无锡云数工业技术有限公司 一种制造运营管理的优化控制方法及系统
CN117973634B (zh) * 2024-03-27 2024-05-31 无锡云数工业技术有限公司 一种制造运营管理的优化控制方法及系统

Also Published As

Publication number Publication date
CN108919760B (zh) 2020-01-24
CN108919760A (zh) 2018-11-30

Similar Documents

Publication Publication Date Title
WO2020007016A1 (zh) 一种基于数字孪生的智能车间自治生产过程动态联动控制方法
CN111061232A (zh) 基于数字孪生的生产线设计与优化方法
US11119470B2 (en) Industrial robot process cloud system and working method thereof
CN110704974A (zh) 基于数字孪生驱动的工艺模型的建模与使用方法
WO2015096511A1 (zh) 飞机结构件智能数控加工编程系统及方法
Riazi et al. Energy optimization of multi-robot systems
WO2019076231A1 (zh) 一种电子产品生产线虚拟换产方法
Ojstersek et al. Use of simulation software environments for the purpose of production optimization
Shi et al. A cognitive digital twins framework for human-robot collaboration
Qin et al. Research and application of key technologies of edge computing for industrial robots
CN111538308B (zh) 柔性换产生产线制造执行系统生产队列构建方法及系统
CN113642236A (zh) 一种面向多学科的数字孪生图网络建模方法
CN111352398A (zh) 智能精密加工单元
Ivanov et al. Increasing productivity of connecting rods machining
CN111562773B (zh) 一种制造执行系统与产线一体化虚拟调试的方法及系统
Zheng et al. KBE-based stamping process paths generated for automobile panels
CN116009419A (zh) 复杂装备制造过程虚拟重构与仿真运行方法及系统
Zhang et al. A model-driven dynamic synchronization mechanism of lifecycle business activity for complicated and customized products
Lefranc Review of trends in manufacturing systems based on industry 4.0: the opportunities
Azizi et al. Applications of control engineering in industry 4.0: utilizing internet of things to design an agent based control architecture for smart material handling system
Prioli et al. Collaborative robot based architecture to train flexible automated disassembly systems for critical materials
CN108544508B (zh) 基于自主学习的机器人自动编程方法及系统
Schmid et al. Tacit knowledge based acquisition of verified machining data
Xiao et al. Digital-Twin-Assisted Optimization of Intelligent Manufacturing Flexible Production Line with Automated Guided Vehicle
Erdős et al. Visual servo guided cyber-physical robotic assembly cell

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18925527

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18925527

Country of ref document: EP

Kind code of ref document: A1