知识驱动的飞机大修数字孪生车间主动管控方法

常 笑，贾晓亮

(西北工业大学 机电学院，陕西 西安 710072)

0 引言

飞机大修(aircraft overhaul)是对飞机开展的等级最高、技术最复杂的全面修理，是保证飞机使用可靠性的重要环节[1-2]。飞机大修按照规定的大修周期对飞机进行全面分解，按照修理要求更换零部件、修复不符合要求的零部件，主要包括接收、拆解、检测、修理、装配、调试和试飞等过程，以使飞机在大修之后的技术状态和功能达到或基本达到其原有标准[3-4]。随着行业竞争日益加剧、产品需求日趋复杂、维修业务盈利比重提升等环境的变化，飞机大修企业面临飞机交付期更短、可靠性要求更高、飞机品种变化更频繁等压力，飞机大修车间越来越重视提升自身的管控服务能力和品质，以吸引和保有客户，同时提高飞机大修效率，为企业创造更大的经济效益，传统的飞机大修车间迫切需要转型升级，向智能制造发展。飞机作为典型的复杂装配体，其大修车间是典型的离散制造车间，具有多变和不确定的特性，加上日益突出的多品种、变批量和高度复杂的生产特点，对飞机大修车间生产管控提出了更高的要求[5]。在智能制造背景下，飞机大修车间面临的挑战主要表现在：①飞机大修过程的高度复杂特性及其动态多变的生产环境，使飞机大修过程中产生的实时数据呈现出海量、多源和异构的特点，但由于缺乏实时可靠的信息获取手段和数据交互方式，飞机大修车间的信息孤岛问题严重，导致车间运行的透明化、可视化程度较低，制约了车间管控效率；②飞机大修过程中的任务变更、资源调整、环境扰动等大大增加了对飞机大修过程管控的难度；③面对飞机大修车间运行生产、物流配送、资源配置等的实时决策能力较弱，如何根据实时采集的车间数据进行分析、预测和调控，也是当前飞机大修车间实现管控智能化面临的一个挑战[6]。因此，利用先进的运营模式、信息技术和科学方法，加强飞机大修车间对复杂、不确定事件的响应能力，实现飞机大修车间实时化、透明化、智能化的主动管控模式已经成为飞机大修企业亟待解决的问题之一[7]。

近年来，基于先进的运营模式和信息技术的飞机大修车间管控方法备受关注，国内外许多学者也对此进行了研究和实践。马晓乐等[8]通过对历史飞机大修进度数据进行统计分析，采用专家评估法建立网络图计算模型，来模拟分析飞机大修网络图的内在规律，为实际飞机大修进度制定和网络图优化提供参考依据；Samaranayake等[9]针对航空维修总装阶段的生产进度和控制问题，提出Unitary Structuring模型，该模型综合了关键路径方法、生产活动控制和物料需求计划技术，并应用于B737飞机大修总装阶段；汤新民[10]开发了民用航空发动机辅助维修系统，该系统具有飞机发动机的维修分解装配序列规划、维修工作流时间分析和维修车间服务能力评价等功能，降低了不确定因素对维修过程的影响。现有研究成果和方法虽然在一定程度上提高了飞机大修车间的运行效率，但是仍然存在车间信息反馈滞后的问题，因为飞机大修车间运行管控采用传统的“推式”，缺少对问题的事前控制，所以无法实时、透明、智能地对飞机大修车间进行主动管控。

数字孪生(digital twin)的出现，实现了物理世界和虚拟世界的交互与融合，为车间运行主动管控模式提供了必要的保障和支撑。数字孪生概念起源于21世纪初期，由美国的Grieves教授首次提出，是物理空间、虚拟空间及其之间交互3部分的有机结合[11]。数字孪生以数字化方式创建物理实体的虚拟模型，借助数据模拟物理空间在现实环境中的行为，通过虚实交互反馈、数据融合分析、决策迭代优化等手段，为物理空间增加或扩展新的能力。随着信息技术的发展，数字孪生得到了越来越多的关注。在车间生产管控领域，Zhuang等[12]提出一种基于数字孪生的复杂产品装配过程的智能生产管理和控制框架，给出了装配车间数字孪生模型的构建方法，并结合数字孪生和大数据提出一种预测机制，从而实现对装配车间的管理和控制；陶飞等[13]将数字孪生引入生产车间，提出一种未来车间运行的新模式——数字孪生车间，包括物理车间、虚拟车间、车间服务系统和车间孪生数据4部分，介绍了其组成和运行机制等，系统地探讨了实现数字孪生车间信息物理融合的基础理论和关键技术，为构建数字孪生车间提供了指导；武颖等[14]针对复杂产品装配过程中质量管控时效性差、缺乏预测性等问题，提出基于数字孪生技术的复杂产品装配过程质量管控方法，在此基础上利用Markov方法预测质量数据的未来状态。上述开拓性工作推动了对数字孪生车间的理解和实施。然而，作为车间运行管控重要资产的知识，现有研究却较少用其来支持数字孪生车间的构建和运行，以使数字孪生车间具有自组织/自调节/自学习等属性。因此，如何结合知识和数字孪生车间对飞机大修车间进行主动管控，仍需进一步研究。

本文结合飞机大修车间运行的特点，针对飞机大修车间中的数据实时准确感知、对运行状态进行预测分析以及自主调控的管控需求，提出知识驱动的飞机大修数字孪生车间主动管控方法，设计和讨论了实现主动管控方法的框架和关键技术，通过分析和预测飞机大修车间的运行状态，实现车间性能的持续优化，将传统的“推式”被动管控方式改变为实时化、透明化、智能化的主动管控方式。

1 知识驱动的飞机大修数字孪生车间主动管控方法分析

随着信息时代的到来，姚锡凡等[15]提出一种新的制造范式——主动制造，通过深度分析制造过程中的数据挖掘有价值的信息、知识或事件，自主地做出决策行动。在此基础上，提出一种知识驱动的飞机大修数字孪生车间的主动管控方法，其中知识驱动是指运用车间运行中的生产过程几何或非几何信息，获取和集成生产过程中的经验、案例、规则等多种描述形式的知识，通过这些知识有效地支持车间管控人员构建虚拟车间并设计生产管控方案[16]。利用数字孪生车间能够全面感知飞机大修过程中的数据，得到飞机大修车间未来一段时间的运行指标，并结合知识驱动的分析方法(如关联规则)来理解和预测车间运行趋势(如机器故障、返工、瓶颈班组等现象)，达到事前分析未来时刻的车间运行性能(如生产工期、维修效率)的目的。在飞机大修车间运行性能和当前飞机大修车间状态预测分析的驱动下，自主对飞机大修车间资源配置和优化方案进行决策，从而实现对飞机大修车间主动管控[17]。

按上述定义，形成了利用知识驱动的方式实现飞机大修数字孪生车间主动管控方法的新思路，如图1所示。首先基于数字孪生技术，通过对飞机大修物理车间进行感知配置，全面感知车间状态参数、计划执行情况等运行参数，以及生产工期、资源利用率等性能指标；然后通过知识获取与挖掘手段获取生产工期、维修效率等车间性能在机器故障、返工、瓶颈班组等事件影响下的演化规则，结合虚拟车间对物理车间未来性能指标的模拟结果，提前预测飞机大修车间的运行性能；最后根据决策方法，借助知识库中的知识为飞机大修车间运行提供管控支持，以实现对飞机大修车间运行的主动管控[18]。以上思路形成了知识驱动的“感知+预测+优化”数字孪生车间管控的主动模式。

2 知识驱动飞机大修数字孪生车间的主动管控框架体系

通过对“感知+预测+优化”主动管控方法的探讨可知，为了解决飞机大修车间的运行和管控问题，需要实现对飞机大修车间信息的全面感知、车间运行的主动分析与预测以及车间运行性能的动态优化。然而，飞机大修具有“多品种、小批量”的特点，属于典型的离散事件系统，给大修车间生产管控带来了困难，主要表现为工艺关系复杂、生产计划和调度具有高灵活性、事后控制造成的资源效率较低等。为了改善飞机大修车间的运作效率，适应市场需求，本文结合数字孪生和知识管理技术，提出一种面向飞机大修数字孪生车间运行的知识驱动主动管控框架(如图2)，该框架主要由飞机大修物理车间(Physical aircraft overhaul Shop-Floor, PSF)、交互层、飞机大修虚拟车间(Virtual aircraft overhaul Shop-Floor, VSF)、知识空间(Knowledge Space, KS)和飞机大修过程主动管控服务(Aircraft Overhaul Process proactive Management and Control Service, AOP-MCS)5部分构成。在飞机大修物理车间数据感知的基础上，通过构建虚拟车间对飞机大修过程进行全面分析。同时，以数字孪生数据为基础，采用现有知识管理技术对运行结果进行理解和分析，实现飞机大修工艺控制与优化、车间资源管理与优化、车间物流调度优化等主动管控服务，使飞机大修车间高效运行。

2.1 飞机大修物理车间

PSF是现有物理实体的集合，主要包括维修设备、感知设备和待修零部件。PSF涵盖了拆解、清洗、检测评估、修复和装配等作业，通过PSF资源(如人员、设备、物料等)操作规划完成一系列工艺流程，并实时采集大修过程中产生的数据。飞机大修车间资源分为制造系统(零部件、工人、夹具等)和物料搬运系统(自动导引小车(Automated Guided Vehicle, AGV)、存储设施、物料等)两大类，通过在PSF内配置各类传感器和无线网络，对设备/零件进行智能化改造，能够促进制造系统、物料系统、待修零部件等异构要素之间互联互通。在此基础上，来自上级AOP-MCS的生产决策也可以由智能资源准确地接收和执行，例如，每个飞机大修班组应该分配哪些任务，分配哪个小车来移动完成的零部件等，从而使整个飞机大修过程协同运行，以便于控制过程中的不利影响，同时将所采集的实时数据通过通讯接口同步映射到VSF。PSF接收AOP-MCS发出的任务指令，执行飞机零部件的大修任务。

2.2 飞机大修虚拟车间

VSF是对物理车间的真实映射，其用多层级的模型构建，即资源级别(如设备、工人)、单元级别(一个班组或产线)和车间级别。构建多层级模型结构后，在几何和逻辑两方面进一步添加关键属性。在几何方面，VSF由飞机大修车间元素的几何模型组成，常用的工具包括SolidWorks，CATIA(computer aided tri-dimensional interface application)，Pro/E，NX等；在逻辑方面，不仅包括设备行为(即工人的行为、设备的操作和手推车的移动等)，还包括不同元素之间的操作机制或关联规则，可以使用多种工具来建模VSF的运行逻辑，如Texnomatix，FlexSim, Quest。几何模型保证了VSF的可观察性，逻辑模型保证了VSF能够与实际情况相匹配，真实地模拟PSF的状态和运行。VSF通过感知当前Tn时刻的PSF运行状态，然后模拟并预测Tn+1时刻的PSF状态，最后将仿真结果上传给上级AOP-MCS，来理解和评估飞机大修过程，从而优化相应的执行方案，以主动控制Tn+1时刻PSF的大修过程，为实现主动管控奠定了基础[19]。

2.3 交互层

交互层在飞机大修过程中连接PSF和VSF，因此通过通讯传输可以进一步对飞机大修过程进行迭代优化和实时控制。交互层有通信连接模块和孪生数据处理模块两个主要功能模块，如图2所示。

通信连接模块提供了连接PSF和VSF的桥梁，以实现物理车间实时数据和虚拟车间仿真数据的交互。工业通信协议和网络系统不仅传输VSF的实时仿真数据，还可以实时采集和传输PSF的大修过程数据[20]。目前，随着传感器网络、无线网络和自动化技术的飞速发展，作为广泛应用的代表性通信技术的物联网技术已被证明能够满足飞机大修车间的制造要求[21]，从而确保孪生数据的无缝连接和低延迟传输。

数据处理模块为各种类型数据提供了预处理、集成、分析之类的操作，可以对所采集的数据进行噪声消除、缩减、清理和结构化。采集的原始数据经过预处理成为支持车间运行决策的孪生数据，孪生数据是飞机大修过程中产生的数据的集合，包括在PSF中修理任务过程中产生的修理班组的工作状态信息、零部件的质量信息等实时数据，以及在VSF中产生的仿真数据，这些孪生数据存储在交互层中用于支持上层AOP-MCS。

2.4 知识空间

知识空间是飞机大修数字孪生车间的大脑，通过整合飞机大修车间管控知识库和基于知识的策略集成了各类知识(如算法、模型、规则等)，为飞机大修数字孪生车间提供了管控策略，如物流小车的任务分配和路径规划。知识空间主要包括知识获取、知识存储和基于知识的策略。

在知识获取阶段，本文采用基于智能算法挖掘的方法和基于人机交互手动获取的方法来获取知识。前一种方法通过Apriori、模糊集等发现数据中的知识；后一种方法根据专家系统、专业书籍、标准手册、历史案例等途径获取信息后，由专业人员分析处理得到可供参考的知识。这些知识不但能够帮助VSF快速建模，而且能够帮助PSF做出更多的决策方案。面对所获取的大量知识，需要进行整理存储以提高知识的价值。

在知识储存阶段，首先在知识库平台(Teamcenter)中建立知识库的层次结构，为每一个库对象添加用于标识和信息检索的分类属性，按照一定分类标准将获取的知识保存在知识库中，或者通过人工分析、输入的方式为知识建立个性化定制的个案。然后，通过综合获取的各种知识建立飞机大修车间管控知识库。其中，针对不同类别的知识采用不同的表达方式，例如案例类、模型类知识采用面向对象的表示方法进行存储和表达，规则类知识则用产生式表示法。另外，采用可扩展标记语言(eXtensible Markup Language, XML)对知识表达的语法和数据结构进行标准化定义。

基于知识的策略是应对不同飞机大修车间中的问题，赋予AOP-MCS实时识别、精准预测、快速决策和动态优化的能力。基于知识的策略采用推拉结合的应用方式，用户可以根据实际需求检索和查询所需的知识，例如用户通过检索存储的相关模型来支持VSF构建；同时，在飞机大修流程中，知识空间还可以根据业务情景，通过所建立的决策模型提供知识(如资源配置规则)对飞机大修过程进行分析和优化。

2.5 飞机大修过程主动管控服务

AOP-MCS指在飞机大修数字孪生车间和知识空间共同支撑下，实现飞机大修工艺控制与优化、车间资源管理与优化、车间物流调度优化、飞机大修过程监控、车间备件管理与优化等功能。在构建AOP-MCS时，一方面需要与虚/实空间中的模型和实体进行业务关联，不仅能够接受由PSF和VSF发出的需求信息，还能通过发布指令来控制飞机大修数字孪生车间的运行；另一方面，需要与知识空间进行交互，借助现有知识为飞机大修过程提供决策支持，从而支持飞机大修过程的优化运行。

3 知识驱动飞机大修数字孪生车间的主动管控关键技术

3.1 飞机大修物理车间的智能资源配置

目前，以多传感器、无线射频识别(Radio Frequency IDentification, RFID)和无线网络等为代表的物联网技术在车间内得到了广泛应用，促进了车间内“人—机—物”的互联互通。飞机大修物理车间通过各类感知设备为大修资源进行唯一身份认定并读取附着的相关信息，实现大修实时数据的感知与采集。其中，感知设备主要采用RFID和智能传感器，对大修资源(如待修零部件、修理设备、人员)进行智能感知配置，不仅使大修资源具有动态感知飞机大修车间环境的能力，还可以与其他资源进行交互和协作工作[22]，如图3所示。

(1)智能待修零部件配置 对每个待修零部件配备RFID标签，以实时跟踪零部件的大修进度和状态。RFID标签中存储有零部件ID、订单编号、工序信息、交货期、当前位置等基本信息，是零部件身份的唯一标识。零部件标签上的信息可以通过每个工位上的RFID读写器，也可以由修理人员用手持设备进行修改或读取。

(2)智能车间设备配置 为车间设备配置智能传感器(包括位置、振动、温度等)和RFID，用于实时感知和采集设备与环境状态。例如，智能传感器可以将设备的工作状态和任务情况反映到应用服务系统，避免任务在一定区域内发生积累。作为车间设备身份的唯一标识，RFID标签可以反馈状态信息(完好、故障、工作、空闲等)。需要指出，每个车间设备会配备RFID读写器，用于及时自动感应RFID标签，自动判断零部件进入、停留、离开工位等不同的状态。另外，每个车间设备还配备执行器和控制器来接收控制指令，实现上层系统对飞机大修过程的控制。

(3)工作人员感知配备 每名机器操作人员配有RFID员工卡，其个人基本信息(姓名、序号、等级等)和状态信息(在岗、缺席、工作、空闲等)会录入到RFID标签中用于识别和追踪，当工作人员将员工卡放在固定式读写器上感应成功后，可以确认相应的工作内容，即显示需要加工缓冲区中的哪个工件。另外，工作人员通过配置的手持RFID获取零部件和设备信息，这些信息可以指导操作人员进行生产作业。

最后，通过MTConnext，AutomationML，OPC UA等通讯协议与车间资源建立连接，结合已配置的智能资源和无线传感网络，实现物理车间中人—机—物等异构生产要素的全互联和融合。

3.2 飞机大修虚拟车间的建模与仿真

飞机大修车间涉及的人员、设备、物料等多样且逻辑关系复杂，要实现VSF对PSF的准确映射，不仅需要各个车间资源数字孪生模型的支持，还需要对车间资源数字孪生模型进行统一管理。本文基于“根—茎—叶”3层结构对车间资源数字孪生模型进行管理，采用层次式结构组织车间资源模型，建立模型间父子嵌套关系并描述子节点在父节点坐标系中的空间位置[23]，然后对叶节点进行“几何—逻辑”多维度建模，根据层次组合模型最终建立与PSF相对应的VSF。

本文从高保真角度出发，提出车间资源数字孪生“几何—逻辑”高保真建模方法[24-26]。根据PSF中的各类实体，对数字孪生模型从几何和逻辑两个维度进行建模，几何模型包括PSF中的工作人员、修理设备、存储设施等的3D模型以及零部件结构关系等，可以通过3D建模软件(如NX，CATIA，Pro/E)构建，而且为准确反映物理空间的真实几何状态，采用基于模型定义[27]的技术完整描述几何模型；逻辑模型保证了数字孪生模型与车间资源实体在行为、状态、操作等方面的一致性，如设备的正常工作状态、停机状态，人员的不同动作、姿势，产品的不同属性等，为实现物理空间到虚拟空间的忠实映射，在Tecnomatix Plant Simulation，FlexSim等软件中定义了考虑行为、规则、约束等因素的逻辑模型。将几何模型和逻辑模型结合，形成一个车间资源数字孪生模型。广东工业大学Zhang等[28]研究了基于Demo 3D的车间快速布局设计方法，通过定义机床设备、自动化产线、人员等模型库并拖动相关参考模型，快速建立生产线数字孪生模型。本文基于上述思路，在飞机大修车间管控知识库中储存和定义具有模块化和动态可扩展的、涵盖“几何—逻辑”属性参数的车间资源数字孪生模型，封装形成可调用的参考模型。其中，通过直接调用参考模型不仅可以满足不同业务流程的建模需求，还可以定义参考模型的相关属性，从而快速建立个性化的车间资源数字孪生模型。

为了便于管理车间资源数字孪生模型，本文采用树形结构表示飞机大修车间内各资源数字孪生模型和模型组成部分间的逻辑关系。根据飞机大修车间的结构，将VSF划分为物流模型、工装模型、人员模型、储存模型、设备模型和车间环境模型6个模块，每个模块按照层级关系细分为不同的飞机大修车间资源数字孪生模型(如图4)，每个层次的模块属性包括模型间的关联关系和父子嵌套的属性信息。在叶节点(车间数字孪生模型)的建模基础上，根据子节点在父节点坐标系中的空间位置依次组合，在车间中表现为根据车间的真实情况对车间资源数字孪生模型进行布局，最终建立虚拟车间。

在VSF建模基础上，为进一步建立PSF和VSF的实时映射并实现飞机大修虚拟车间的同步仿真，结合已配置的RFID、无线传感网络等对车间内动态变化的生产数据、设备运行数据等信息进行整合和集成，数据经过网关通讯协议转换后，以工业串口、Wifi、蓝牙等形式发送给虚拟车间，虚拟车间通过数据传输引擎识别和处理所接收的数据，即可将物理空间中的实体状态、大修进度、扰动异常等实时数据准确同步至VSF[17,29]。在VSF中对PSF实体、大修过程等进行真实还原建模和同步仿真，为“感知+预测+优化”的飞机大修车间主动管控模式提供支撑。

3.3 飞机大修车间管控知识库的构建

飞机大修车间管控知识指在飞机大修活动中，大修车间生产、管理活动中的有效信息经过过滤、加工提炼和综合分析得到的有价值的各类知识，是飞机大修车间运行过程管控重要的参考依据。飞机大修车间管控知识在飞机大修车间运行过程中被不断收集和积累，飞机大修车间管控知识库分为两类：①由技术原理、专家经验、最佳的实践经验累积形成的专业知识，包括案例和3.2节所提模型等显性知识；②通过对飞机生命周期数据和飞机大修过程数据进行数据挖掘和知识发现而产生的优化规则(如人员配置规则、物料配送规则、班组调配规则)，这些优化规则能够根据服务需求直接调用，用于支持调度优化、资源控制等服务，其在飞机大修车间运行过程中会不断形成并迭代更新。

所开发的飞机大修车间管控知识库用于集成各类知识，具有连续不断的知识积累和知识导航能力。飞机大修车间管控知识库运用混合知识表示模型，可以对实例、规则、模型进行表示和封装，从而有效管理飞机大修车间管控知识[30]。

图5所示为飞机大修车间管控知识库的构建过程。首先，基于飞机大修资源(如机床、操作员等)和飞机产品中的感知设备(如RFID标签)，以及以太网、Wifi、蓝牙、现场总线等标准通信协议，在飞机大修车间中能够准确、完整地采集和传输实时数据或历史数据。然后，采用ETL(extract transform load)技术对飞机大修车间的实时数据进行清洗和预处理，将分散、零乱、标准不统一的数据整合在一起。其中，数据清洗主要是去除或修补源数据中缺失、错误、重复的数据。对于有缺失的数据(如数据名称、属性不相匹配)，使用一个平均值来填补空缺项；对于错误信息(如数据格式不正确等)，采用结构化查询语言(Structured Query Language, SQL)进行语句查询，统一修正后进行抽取；对于重复数据(如两条数据完全相同的信息)，则以时间戳为准则保留最新数据。经过数据清洗、处理、抽取后，将模型、规则等显性知识进行分类整理，存储到知识库。为了避免知识表达的随意性并使知识库具有高度的可扩展性，利用XML技术得到面向对象的表示法、产生式表示法等知识表达方法[31]；或者用预处理后的数据作为训练集，通过数据挖掘方法从数据层提取合适的原始数据并从中发现知识，这些方法包括FP-Growth、粗糙集理论、支持向量机(Support Vector Machine, SVM)、随机森林和Apriori等。最后对知识进行评估和更正，将合理的知识存储在飞机大修车间管控知识库中。飞机大修车间管控知识库通过知识重用、知识匹配等人机交互应用方式支持车间主动管控服务，飞机大修数字孪生车间则为知识库提供及时、连续的数据支持，从而挖掘出更精准的知识。

图6所示为利用数据挖掘方法对资源配置优化规则类知识进行积累的过程[30-32]。如图6a所示，首先使用ETL工具，将飞机大修过程中感知的工具基本信息(如类型、编号)、大修工具能力信息等数据导入数据仓库；其次，通过SQL组件将处理后的数据转换为可用的格式，即数据集；最后，将数据集作为训练集，通过构建频繁模式树(Frequent Pattern tree, FP-tree)并挖掘FP-tree上的频繁模式，得到数据集内蕴含的关联规则。图6b所示为从实际车间数据生成的资源配置优化规则示例，学习到的规则可以重新用于飞机大修车间的资源配置优化。

3.4 基于知识的飞机大修车间主动优化策略

基于知识的飞机大修车间主动优化策略指在飞机大修管控知识库中，根据飞机大修过程的实时需求恰当地运用知识，支持主动分析与智能优化的能力。即采用智能算法(如神经网络)驱动飞机大修管控知识库中的相关知识，来解决车间运行问题或理解、预测和优化车间性能。

基于知识的飞机大修车间主动优化策略如图7所示。首先，通过实时采集的Tn时刻的运行数据，利用VSF对未来Tn+1时刻的仿真结果，结合基于模糊神经网络等建立的演化规则，预测未来一段时间的车间运行趋势或者发现生产系统中的异常和瓶颈资源；然后，根据异常和瓶颈资源的分析结果，利用大修车间管控知识库中匹配的知识(如人员调度规则、仓库调度规则等)，通过预先建立的决策模型解决有关问题或者实现运行目标，来优化PSF在Tn+1时刻的运行状态，并通过执行模块将管控指令下发到PSF中，以调控飞机大修过程的实际运行。

4 系统的实现与验证

某飞机大修车间承担了多种飞机零部件的大修工作，具备非标设备设计制造、焊接无损检测等多种生产能力。为了提高信息化管理能力，该零部件大修车间初步引进了一些数据感知设备，但是目前其管控方法仍然无法满足日益增长的生产需求。由于飞机产品具有典型的多品种、小批量的特点，其大修过程复杂、周期长、工作效率低，飞机大修流程环节多且大修过程和状态不透明，导致无法准确找到零部件大修车间的动态瓶颈班组，使得资源利用率普遍较低，时常发生交付延误的情况。这一系列问题给飞机大修车间的管控带来了较大的挑战，亟需主动管控车间运行的瓶颈问题，保证车间的运行效率。

针对以上问题，以飞机零部件大修车间为对象，根据本文所提方法设计并开发了飞机大修主动控制服务系统，以方便管理人员掌握大修过程中各环节的状态，及时发现瓶颈班组，进而主动管控大修过程。飞机大修主动控制服务系统基于Visual studio 2015和Mockplus原型系统软件进行开发，服务系统向管理人员提供所有的修理数据以供精准决策，向车间工人提供基本的指令信息和资源信息以追求更高效的修理操作。本文基于FactoryCAD和Tecnomatix Plant Simulation软件构建飞机大修虚拟车间，并基于Teamcenter知识库捕获和存储知识。如图8所示，实现主动管控需要5个构建模块，包括飞机零部件大修物理车间、飞机零部件大修虚拟车间、车间服务系统、飞机大修车间管控知识库和基于知识的飞机大修车间主动管控策略。

(1)数字孪生车间的构建

该飞机零部件大修物理车间下设10个班组，包括1个故障检测班组和9个修理班组，故障检测班组负责检测所有进入车间的零部件，并将零部件下发到对应的修理班组；修理班组负责修理具体的故障任务。首先，利用感知设备为车间内的产品、维修设备、工作人员等物理实体进行智能感知配置，如图9c所示，以AGV小车为例，配置RFID标签用于识别资源的基本信息和配送任务，配置执行器用于识别和执行上层应用服务的控制指令，配置传感器用于感知AGV小车自身状态和环境。

虚拟车间是飞机零部件大修物理车间的完整映射，在车间运行中根据实时数据可以提前或实时模拟大修过程。利用参考模型对车间内的物理实体进行建模，以AGV小车为例，通过实时感知AGV小车的运行数据，对其物理属性、状态等参数进行定义(如图9d)，形成“几何—逻辑”车间资源数字孪生模型。然后，系统通过重用飞机大修车间管控知识库中的车间资源数字孪生模型，采用Plant Simulation软件建立飞机大修虚拟车间(如图9b)，虚拟车间能够对飞机大修过程进行仿真和性能分析，为飞机大修车间运行管控提供仿真验证环境。

(2)飞机大修过程瓶颈班组的主动识别及优化

利用所建立的飞机大修虚拟车间进行仿真能够快速、透明地分析车间运行状态，虚拟仿真结果可以提前测试未来一段时间内车间运行的性能，从而帮助飞机大修车间主动识别和预测瓶颈班组，提前发现车间运行中可能出现的瓶颈问题。在该案例中，瓶颈班组的动态预测策略采用的是基于模糊神经网络的动态预测模型，根据飞机大修数字孪生车间内实时采集的各班组返工率、缺勤率、班组利用率、班组任务完成情况、任务量等运行参数，预测模型能够动态预测和识别车间的瓶颈问题，当瓶颈指数曲线波动较大时，标志着该班组越容易成为大修车间的瓶颈，从而提前发现瓶颈班组，并将发现的瓶颈问题上传到主动管控服务系统请求优化服务，如图10a所示，飞机大修车间动态瓶颈识别和预测应用的调用界面如图10b所示。然后，在飞机大修车间的运行状态下，采用决策模型可以根据当前生产状态特征选择最佳的资源配置优化规则。图11所示为基于资源配置优化规则类知识的飞机大修数字孪生车间运行优化过程。本文采用深度强化学习(Deep Reinforcement Learning, DRL)解决飞机大修车间资源配置优化问题[33]。以飞机大修车间的实时状态为输入，包括任务数量、实时机器状态等，输出当前应使用的资源配置优化规则，目的是在充分考虑实时信息的情况下找到最短完工时间，以提高大修车间的效率。当大修车间的运行状态需要优化时，将当前大修车间的生产状态输入决策模型，便能快速得到适用于当前生产状态的最佳调度规则，从而实时指导车间生产过程，调控飞机大修过程。

目前，本文基于飞机大修数字孪生车间的概念理论，分别在飞机大修虚拟车间的模型构建、车间运行瓶颈班组识别系统的实现、车间动态优化系统的搭建方面进行了研究。该系统目前应用在飞机零部件大修车间管控中，带来如下优势：①所构建的数字孪生车间系统能够预测瓶颈班组，提前判断车间的运行状态，并动态优化车间运行，进一步缩短了飞机的大修周期；②车间资源的利用率更加均衡，缩短了每个工序之间的平均等待时间；③由于提高了资源的平均利用率，平均等待时间下降，车间的产出量有所增加，降低了单位维修资源的使用成本，进一步降低了车间的运行成本。

5 结束语

数字孪生是连接物理空间和虚拟空间的最佳纽带，利用数字孪生技术能够改善车间运营状况，实现飞机大修过程的主动控制和持续改进。针对当前飞机大修车间运行管控中面临感知能力不足、决策实时性差、动态响应能力不足等问题，本文提出一种基于数字孪生的“感知+预测+优化”的车间主动管控模式，使大修过程管控实时化、透明化和智能化，实现了飞机大修车间的优化运行。根据主动管控模式设计了一种知识驱动飞机大修数字孪生车间运行主动管控的实现框架，重点讨论了飞机大修物理车间智能资源配置、飞机大修虚拟车间建模与仿真技术、大修车间管控知识库构建和基于知识的主动管控策略等关键技术，并结合飞机零部件大修车间运行瓶颈识别与优化案例对所提方法的实施应用进行了说明，验证了方法的可行性。

作为一项探索性研究，本文着重从体系架构、实现框架和实现思路的角度对所提新方法及其关键技术体系进行了阐述和探讨。后续工作将进一步完善和优化知识驱动的飞机大修数字孪生车间主动管控理论框架，主要集中在以下方面：①基于群智感知与物联网(Internet of Things，IoT)的物理车间与飞机大修虚拟车间实时同步和忠实映射方法的研究；②知识驱动的飞机大修车间高保真、高精度的多尺度数字孪生模型建模方法的研究；③开发更加合理的智能决策模型，研究基于数字孪生的飞机大修过程性能分析与优化方法。