基于数字孪生的复杂产品装配过程管控方法与应用

胡 兴，刘检华，庄存波+，武 颖，张 雷,2，熊 辉

(1.北京理工大学 机械与车辆学院 数字化制造研究所，北京 100081；2.天津商业大学 机械工程学院，天津 300134)

0 引言

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，如卫星、导弹、火箭等[1]。复杂产品的装配属于产品研发生产工作的后端，是保证复杂产品质量可靠性和交付任务最重要的环节之一，因此实现复杂产品装配过程的精细化实时管控，从而提高装配生产效率和装配质量，具有重要的工程意义[2-3]。

复杂产品装配是典型的离散型装配，具有以手工装配方式为主、面向订单生产、零部件种类和数量繁多、涉及专业领域广、注重可追溯性等特点[4]。需要指出的是，复杂产品的装配过程是一个反复试验、不断尝试的过程，其具有随机性，生产节拍不明显，还具有装调周期长(有些甚至达到10个月)、装配工艺不稳定、返工返修多等特点[5]。复杂产品装配过程管控，是为完整采集装配过程数据、提高装配质量和效率而展开的针对装配过程的管理与控制。

为实现复杂产品的装配过程管控，国内外学者针对装配过程数据采集与管理、装配过程可视化监控、装配质量管控等进行了研究。装配过程数据的采集和管理是实现装配过程管控的前提，Zhang等[6]开发了基于无线射频识别(Radio Frequency IDentification, RFID)的智能看板，实现了准时制模式下的数据实时采集和过程监控；万峰等[7]提出基于工作流模型的复杂产品装配数据采集和管理方法，该方法主要实现了异构数据的存取和组织、装配数据采集表格的动态定制，以及技术问题处理数据的细粒度管理等功能；阮斯洁等[8]从粒度、周期和版本3个维度分析了复杂产品装配工艺数据的动态演变特性，提出一种多维度的装配工艺数据管理技术，实现了工艺信息演变过程的完整记录和跟踪。在装配过程可视化监控方面，Zhang等[9]在研究过程中引入且融合了实时数据，然后采用层次时间着色Petri网对车间进行建模，从而对车间实时状态进行动态展示；叶剑辉等[10]基于装配工艺流程对复杂产品装配车间的现场监控技术进行研究，建立了基于工艺流的车间现场监控模型；赵浩然等[11]通过研究虚拟车间几何建模、车间实时数据管理、车间多层次三维可视化监控和车间状态看板构建方法等关键技术，提出一种基于实时信息的生产车间三维可视化实时监控方法和实时数据驱动的虚拟车间运行模式。针对产品质量管控，传统方法以事后检验为主，一般通过事后问题界定、相关因素排查测量、关键因素分析确定、影响因子控制改进等步骤解决质量问题[12]。北京理工大学的Weng等[13]针对航空航天复杂产品提出基于装配业务流程的质量管控方法，利用多级嵌套流程的数据采集模型和基于工位布局的质量数据监控方法实现了对质量数据的追溯；Massimo等[14]为了控制持续制造产品的质量稳定性，提出一种基于无监督训练阶段的神经网络质量控制系统，通过一种简化的模糊自适应共振理论神经算法实现了对产品质量的管控。

以上研究成果虽然推动了复杂产品装配过程管控的研究，但是在装配过程监控的实时性和全面性、装配过程运行状态预测与分析等方面仍然存在一些问题，尤其是实时性问题和基于虚实融合的运行状态预测没有得到有效解决。近年来，作为智能制造的使能技术之一，数字孪生技术为实现信息物理系统(Cyber-Physical Systems, CPS)的虚实融合提供了新的思路、方法和实施路径，已经得到了国内外学者的广泛关注[15]。

数字孪生车间是数字孪生技术在产品制造阶段的具体应用，旨在通过物理车间与虚拟车间的双向真实映射和实时交互，使车间生产和管控达到最优。为解决复杂产品装配过程管控的实时性、全面性和前瞻性等问题，在数字孪生车间研究方面，Zhuang等[16]提出基于数字孪生的复杂产品装配过程智能管控方法，构建了相应的体系框架及其实施流程，阐述了该体系框架中涉及的装配大数据管理、车间运行状态预测和智能迭代优化等关键实现技术；陶飞等[17-19]提出数字孪生车间(digital twin workshop)的概念，并详细阐释了数字孪生车间的系统结构、特点、运行机制及其实现所需的关键技术等，在此基础上提出数字孪生五维模型，构建了基于数字孪生的复杂产品环形设计框架；柳林燕等[20]构建了基于数字孪生的车间生产过程数字孪生系统，同时阐述了车间生产过程关键要素数字孪生建模与实现、基于OPC统一架构(OLE for Process Control Unified Architecture, OPC-UA)的车间生产过程物理实体数据获取以及车间生产运行实时映射3项关键技术，并在某生产车间进行了应用验证。综上所述，尽管国内外学者在数字孪生车间的体系架构、可视化监控和质量控制等方面已取得一系列研究成果，但是针对复杂产品装配过程管控仍存在以下问题亟待解决：①装配过程数据通常有数量巨大、种类繁多、中间状态数据多等特点，难以有效采集与管理，因此当前研究在利用数字孪生技术实现复杂产品装配过程监控的实时性和全面性方面仍然不足；②目前针对装配过程的建模和数据分析已有不少研究成果，但是面向数字孪生车间的复杂产品装配过程运行状态的预测和分析仍缺少有效的解决方法。

针对以上问题，本文以卫星等航天复杂产品装配过程为具体研究对象，提出一种基于数字孪生的复杂产品装配过程管控方法；构建了复杂产品装配数字孪生模型，基于工作流模型实现了装配过程数据的实时采集与管理，利用实时数据驱动实现了数字孪生车间的同步运行；通过联合应用灰色Markov预测模型、T-K统计控制图和关联规则算法，实现了对复杂产品装配过程中小样本量质量数据的实时预测与分析。在上述研究基础上，构建了基于数字孪生的复杂产品装配过程管控系统，并在某卫星装配车间进行了应用验证。

1 基于数字孪生的复杂产品装配过程管控的实现流程

基于数字孪生的复杂产品装配过程管控的关键技术主要包括基于工作流模型的复杂产品装配过程数据采集与融合、复杂产品装配过程的多源异构数据融合、基于实时数据的数字孪生车间同步运行，以及基于CPS的复杂产品装配过程质量预测、分析与控制。

以装配过程质量管控为例，六西格玛方法已成为目前应用最广的改善企业质量流程管理的技术，并形成了成熟的DMAIC(define，measure，analyze，improve，control)五步循环的实施流程：D表示定义，主要明确质量问题、管理目标和流程；M表示测量，用于找出关键评价指标，并建立用于衡量/测量质量问题的流程步骤；A表示分析，对已评估出来的导致问题产生的原因进行进一步分析；I表示改进，用于优化解决方案并确认该方案能够满足或超过项目质量改进目标；C表示控制，确保过程一旦完成能继续保持下去，而不会返回到先前的状态。

参考六西格玛质量管理方法的思想，在考虑复杂产品装配过程质量管控的实时性、全面性、准确性和预见性等需求的基础上，提出一种基于数字孪生的复杂产品装配过程质量管控方法，并将其实施过程定义为CFMPAD六步循环，如图1所示，具体包括采集C(collect)、融合F(fuse)、映射M(mapping)、预测P(predict)、分析A(analysis)和执行D(do)。其中，可用于映射的可视化模型、可用于计算的质量预测和分析模型共同组成了装配过程质量管控数字孪生模型。

(1)采集 通过人机交互、硬件采集终端、条码、传感器、射频识别等各种数据获取方式采集复杂产品装配过程中动态产生的质量数据，包括与装配质量有关的检测数据、实做物料数据、工序完工数据、传感数据和车间多媒体数据等。

(2)融合 通过数据清洗、数据统一建模、数据时空对准等方法对装配过程中实时采集的多源异构质量数据(尤其是多源传感数据)进行预处理和分析，为后续的质量状态同步映射、预测、分析与反馈控制提供可信的数据和信息。

(3)映射 通过三维模型重构、二维数据展示、过程模拟等方式使数字孪生可视化模型与物理装配过程的同步运行，实现对复杂产品装配过程质量状态的全面实时可视化监控。

(4)预测 基于实时数据和实时数据，通过大数据模型、数理模型或两者的融合模型来预测产品质量。本文主要包括两方面：①根据质量特性值的设计要求判断预测得到的数据是否为异常数据；②根据历史质量数据和预测质量数据绘制质量特性值的波动曲线，判断当前装配工序是否受控。

(5)分析 分析会影响当前质量数据的人、机、料、法、环、测等因素，判断这些影响因素中哪些是造成质量异常的原因，从而追溯到异常质量数据的具体诱发原因。

(6)执行 基于数字空间的映射、预测和分析结果，一方面对复杂产品装配过程中的潜在异常进行预警，并提醒相关人员通过调整相关工艺的执行参数等方式来避免异常的发生；另一方面对装配过程中已经出现的质量问题进行报警，并辅助相关人员快速处理该问题。

通过所提的基于数字孪生的装配过程管控方法及其实现流程，能够实现对复杂产品装配过程质量状态的同步映射(可视)、在线预测(可测)和反馈控制(可控)。在可视层面，包括全面监控复杂产品装配过程的质量状态、实时洞察装配过程中的产品工艺状态等；在可测层面，包括在线预测装配过程质量特性值和装配工序状态、快速追溯质量异常原因等；在可控层面，包括控制复杂产品装配过程的工艺执行参数、快速处理装配过程的质量问题等。

2 关键实现技术

2.1 复杂产品装配过程管控数字孪生模型的构建

为了在数字空间完整准确地描述复杂产品装配过程管控流程，需要从多个维度和多个尺度进行描述。多维度主要包括可视化模型、计算模型和数据模型，分别实现装配过程状态的同步映射、预测分析和数据管理；多尺度主要包括产品、装配工序和装配车间等不同的层次粒度，通过建立各尺度模型间的关联关系，并对可视化模型、计算模型和数据模型进行融合，形成装配过程管控数字孪生模型。技术路线如图2所示。

数据模型主要实现基于物料清单(Bill of Material, BOM)的产品装配过程数据层次化管理，以及基于工作流的产品装配过程数据采集与组织，然后分别以产品状态数据、产品装配工序过程数据、装配车间运行状态数据作为映射，构建装配过程可视化模型，其主要包括产品工艺状态和质量状态、装配工序状态、制造资源状态和环境状态等数据。计算模型则包括基于灰色Markov的产品质量特性值预测模型、基于T-K统计控制图的装配工序状态预测模型和关联规则算法的车间运行状态预测模型，通过联合应用计算模型可以实时预测和分析复杂产品装配过程数据。

2.2 基于工作流模型的复杂产品装配过程数据的采集

在复杂产品装配过程中会产生海量装配过程数据，这些装配数据描述了装配过程中的各类信息，装配过程管控主要针对装配过程数据展开。装配过程数据主要包括生产物流数据、生产人员数据、机器设备数据、实做工时数据、生产进度数据和生产质量数据等，基于这些数据，可以在虚拟车间中模拟装配进程，对质量问题进行预测和快速追溯，因此实时数据的采集是装配过程管控的前提。

装配过程数据数量大、种类多，而且采集方式各异。目前装配过程数据大部分靠人机交互进行采集和记录，操作人员或检验人员在装配过程中根据采集要求输入相关的数据或者进行电子签署，如工序完工数据、物料使用数据等[21]。另外，有些装配数据的采集是基于硬件的，包括数字化测量仪器、信息存储标签和质量数据采集终端等。数字化测量仪器主要包括电子游标卡尺、力矩扳手等仪器工具，这些工具采集到的信息可以直接上传至计算机终端；信息存储标签包括传统条码和RFID标签；数据采集终端包括平板、相机以及其他数据采集装备。这类方法的特点是可以通过硬件直接将装配数据采集存储到软件系统中[22]。随着数字化管理系统在各制造企业中的普及，装配过程数据在各应用系统中分布存储，因此系统间的数据交互采集通常需要利用数据接口完成。

本文通过上述方式完整采集装配过程数据，以装配过程数据库作为数据集群对实时数据进行结构化存储，并结合装配工艺流程及装配节点来存储数据间的关联，全面准确地采集和管理装配过程数据，为后续装配过程质量管控可视化模型和计算模型的建立提供数据支撑。

复杂产品装配过程多以流程为主组织生产，通过工作流对总装过程进行建模可以全面准确地描述整个装配过程的各类信息，实现数据采集的全流程性。本文将数据采集流程作为子流程嵌入装配流程和日作业计划执行过程，建立了如图3所示的基于流程的装配过程数据采集模型，该模型按以下三阶段构建：

(1)装配流程图生成阶段 ①定义装配工艺流程图，复杂产品装配过程由一系列装配活动组成，将这些装配活动定义为装配流程节点，再由多个流程节点通过连接线以串、并行两种方式初步生成装配工艺流程图；②加载流程节点信息，在工艺设计阶段，工艺师为每个节点加载基本信息、工艺卡、BOM清单、质量检验信息和工艺简图、三维装配动画等其他信息。

(2)装配流程实例化阶段 ①在生产调度阶段，车间调度员将产品的装配工艺流程图与其所属的装配计划/任务进行关联，将装配工艺流程初步实例化为具体的车间实际装配流程；②在现场装配阶段，装配组长将上一步实例化的装配流程节点与作业日期、装配工位和日作业计划节点进行关联，进一步实例化装配流程。这一阶段完成了装配工艺流程图到实际装配流程图的实例化映射，即将工艺流程图中的流程节点均转化为实例化装配流程节点。

(3)流程融合阶段 将数据采集流程作为子流程嵌入装配流程执行过程，构建基于流程的装配过程数据采集模型。在该模型中，装配现场数据采集流程由多个数据采集节点组成，与对应的实例化装配流程节点一一关联，最终使装配流程节点与装配工序一一对应，同时该节点包含有执行该工序所需的所有信息。

2.3 复杂产品装配过程的多源异构数据融合

复杂产品装配过程数据融合包括数据融合和物理融合。数据融合即数据间的集成，是单一数据源的生成过程。物理装配线采集的实时数据往往是多源异构数据，通常无法直接与虚拟数据集成，需根据以下3个特点进行处理：①同一性，装配过程数据包括三维模型数据及存储于关系型数据库的结构化数据等多类型数据，这些数据往往呈现显著的多源异构性，需定义通用的工程数据格式；②规范性，存储于不同平台的装配数据通常也以不同的方式访问，要实现这些数据之间的实时交互，需在满足通信质量、物理安全、信息安全等要求的前提下，在各系统中建立相应的接口和标准通信协议；③可溯源性，在利用各种算法和工具进行数据融合的过程中，必须保证数据之间的逻辑关系不变，即在任意节点的网络设备上，都能通过逻辑关联访问数字孪生模型中与其相关的其他任意数据。物理融合则指装配数据与物理实体的互联，主要包括两方面：①物理装配过程与其数字孪生模型同步运行，为保证虚拟装配线能够真实、同步、完全地映射物理装配线，需使模型与实际对象在物理、行为、规则等层面数据保持动态一致性；②装配过程数据与装配流程融合，从基于工作流的数据管理思想出发，将装配流程节点与产生的装配数据一一关联。基于此，构建航天产品装配过程多源异构数据融合的技术路线，如图4所示。

针对复杂产品装配过程中动态实时采集的多源异构数据，通过定义不同的检测和处理规则，构建多层级数据过滤器，选择使数据原始信息损失最小的多级过滤器组合对数据进行过滤和清洗。随后，基于本体论构建所定义数据的多维度语境和相应的度量值，并在数据集成中间件中转换为全局数据模型，实现对结构化、半结构化和非结构化装配数据的统一建模。然后通过泰勒展开法、最小二乘法、内推外插法、曲线拟合法等手段进行时序对准，建立以时空为索引的时空数据模型。最后面向车间人/机/料/法/环的特定数据分析需求，采用卡尔曼滤波法、主成分分析法、多元回归算法、逐步回归算法等对数据进行关联分析，并对具体关联数据进行聚类、挖掘、演化和融合。

2.4 基于实时数据数字孪生车间的同步运行

本节基于Sim3D视景仿真图形渲染引擎，通过3D车间可视化和UI数据可视化对车间要素进行建模并布置场景，建立融合数据和孪生模型间的映射关系，从三维全过程和二维全要素状态两方面综合反映装配车间的运行情况，实现对物理装配车间的可视化同步运行。本文主要通过建立车间多级电子监控看板对二维全要素状态进行监控，其在实时数据驱动下更新相关数据和统计信息，如任务进度信息、物料使用情况、工序完成情况、环境状态等。对于三维全过程监控，主要基于所构建的车间数字孪生体可视化模型，分别对车间物料流转、产品工艺状态变化、设备运行和人物动作进行虚实同步映射，形成装配车间运行过程的数字化镜像，如图5所示。具体步骤如下：

(1)车间物料流转映射 包括产品在车间内和工位间的流转运输过程，物料和产品在车间数字孪生模型中的物流按照装配工艺流程来控制。车间事件则根据产品和物料的实时位置生成，并作为决策点规则整合至车间运行逻辑模型，在与对应的三维几何模型关联后，对实时更新的位置信息进行插值处理，进而拟合出连续的物流过程，实现实时位置数据驱动的车间物料流转同步映射。同时，根据相应的调度算法实时修改生产调度规则，辅助现场操作人员进行决策。

(2)产品工艺状态变化映射 即产品模型在不同装配工艺阶段的实时动态展示。一方面根据工艺流程、工序完成情况和物料使用情况等数据确定正在进行的工序和装配进度，并在工序完成后将产品的三维模型转换为相应工艺阶段的模型。另一方面，根据所采集的检测数据或工艺过程数据(如插装压力、形变、位移等数据)，通过产品模型修正或重构、状态更新、数据可视等方式对工艺状态进行实时展示，从而实时更新产品装配线的运行状态。

(3)设备运行映射 根据装配设备模型的父子关系，将装配设备运行动作转化为设备子节点的旋转和平移变换动作。装配设备的启动和停止信号分别作为设备监控的开始和结束，再通过各级节点的动作数据控制父节点模型带动子节点模型同步运动，依次进行，直至终端节点。针对复杂装配设备的动作，通过建立位姿变换矩阵，根据各级子节点模型自身的位姿确定图形变换中的位姿转换矩阵；针对装配设备的运行状态，将所采集的设备运行参数映射在设备三维模型上，并结合相应的装配设备状态参数指标对装配设备的运行状态进行分级，从而量化装配设备的运行状态，可视化显示装配设备状态的变化趋势，并对出现的异常情况进行报警。

(4)人物动作映射 建立抽象的人体关键骨骼，将其作为连杆构建人物三维模型，然后对人物骨骼的铰接关系进行绑定约束，模拟人物模型的运动机能，最后使用实时数据，根据状态转移算法驱动状态机运行，从而驱动模型本体与人物的，运行动作同步。

2.5 基于CPS的复杂产品装配过程质量预测、分析与控制

在复杂产品装配过程中，有关质量异常的情况：①产品质量数据异常，此为显性的质量隐患问题，如果产品装配质量数据异常，则意味着装配过程出现质量问题；②产品质量数据正常但是装配系统已经不受控，此为隐性的质量隐患问题，如果装配系统不受控，则虽然目前装配阶段尚未出现质量数据异常，但是在后续装配过程中出现质量异常的可能性会很大。考虑到这两种质量异常情况，复杂产品装配质量预测与分析模型的建立流程如图6所示。

首先，在车间中采集最新的质量数据，根据车间历史质量数据和最新质量数据，利用灰色Markov方法预测质量数据未来状态的数值。若预测值异常，则说明当前装配过程已出现质量异常，触发质量异常原因追溯流程；若预测值正常，则继续进行后续验证流程。其中，灰色预测指针对灰色系统而做出的预测，若某个系统中的部分信息已知而部分信息未知，则可通过灰色预测方法对系统的未知信息进行预测[23]；灰色Markov方法采用Markov方法修正灰色预测的残差值，可以提高灰色预测的准确度[24]。在复杂产品装配过程中产生的质量数据虽然看起来是随机的，但是实际上是与时间有关且有序的，可以采用灰色预测方法对其未来状态进行预测。

然后，根据灰色Markov方法的预测结果和历史质量数据数值，按不同批次选取观测样本，根据样本数据建立T-K统计控制图，观察质量样本数据均值和标准差的数值变化，以此预测下一时刻装配系统是否在可控范围内。若预测到装配系统不受控，则说明在后续装配过程中极有可能出现质量异常情况，触发质量异常原因追溯流程；若预测到装配系统受控，且存在新完工的产品，则重复上述流程直至不再产生新完工产品。其中，T-K控制图是一种对样本量要求不高的方法，通过计算每批样本数据的T和K统计量，并观察其是否各自相互独立且服从相同的分布，来监测样本数据的均值和标准差[25]。

当触发质量异常原因追溯流程时，需要根据5M1E分析装配车间中可能会对质量数据产生影响的因素，将这些因素的具体数值与质量数据的数值及装配系统的状态构成一个项目集，利用关联规则算法挖掘出与质量数据异常、装配系统不受控有关的强关联规则，通过这些强关联规则追溯与质量异常有关的影响因素，最后将其存储至质量问题处理知识库中。其中，关联规则算法用于挖掘复杂数据背后的相关关系，经典的关联规则算法是R.Agrawal于1994年提出的Apriori算法，在后续模型应用过程中也选用Apriori算法进行系统实现。Apriori算法主要致力于筛选事务数据集中所有大于或等于最小支持度的项集，然后根据出现最多的项集生成关联规则，并按照最小置信度进行筛选，最后得到强关联规则[26]。

3 系统实现与验证

本文采用Microsoft.Net Framework 3.5/AJAX技术，利用Microsoft Visual Studio 2008软件，并结合Unity3D，开发了基于数字孪生的复杂产品装配过程管控系统，主要包括装配过程数据采集与管理模块，装配过程可视化监控模块，装配过程质量预测、分析与控制模块3部分。

(1)装配过程数据采集与管理模块

装配过程数据采集的功能主要有采集装配流程执行数据、采集日作业计划执行数据、采集和管理装配过程物料动态数据。装配过程数据采集与管理模块主要对装配过程数据进行全面地实时采集和管理，同时为装配过程可视化监控模块和装配过程质量预测、分析与控制模块提供数据支持。以某航天器产品为例，其装配过程数据的实时采集主要基于工作流模型开展，包括基于嵌入式系统的装配设备数据采集、基于条码技术的人员/物料数据采集和基于RFID技术的物流数据采集等。在数据采集功能中，装配人员根据日作业计划下的主辅线任务，在相关联的节点工艺信息(包括工艺卡、物料清单、检验表格、工艺简图、三维工艺动画等)引导下进行装配操作，并严格按照装配过程中的相关要求实施数据采集。另外，装配人员还需采集工序完工和实做工时(如图7)、检验测量(如图8)、视频图像等装配流程执行数据。图9所示为装配流程节点工艺信息集成展示和执行数据采集界面。在采集实做物料数据过程中，操作人员需根据BOM等工艺文件选择物料，确认身份后扫描物料对应的条码，然后开始装配操作。物料数量、状态等物料使用信息部分由系统自动记录，部分由操作人员填报，最后根据上述数据生成物料实做信息。

(2)装配过程可视化监控模块

该模块中分别针对车间物料流转、产品工艺状态变化、设备运行和人物动作进行虚实同步映射，并生成关键数据状态看板，从而实现装配过程可视化。

1)车间层 通过车间总体可视化模型监控装配车间的整体布局和装配物流路径。该模块中分别针对车间物料流转、产品工艺状态变化、设备运行和人物动作进行虚实同步映射，并生成关键数据状态看板，从而实现装配过程可视化。

2)工位层 通过工位的可视化模型观测到该工位的详细属性和状态信息，针对重要工位，可以观测到其设备状态。

3)产品层 按照工艺流程查看具体信息，即可通过产品的可视化模型关联到该产品的装配工艺流程、完成情况、目前的所属状态、配套清单和固定配套关系等具体信息。

4)关键数据状态看板 通过装配过程数据监控看板，分别对车间级、工位级关键数据进行实时监控。

将上述运行模式采集到的实时数据用于驱动可视化模型同步运行，从而实时映射物理车间的运行过程，并展示车间各要素的实时状态信息，对装配过程进行可视化监控。

装配过程可视化监控页面包括装配车间布局图和工位属性展示两个区域，通过装配车间布局图可以监控到装配车间的真实布局以及自动导引小车(Automated Guided Vehicle, AGV)的实时运行轨迹，还可以通过饼状图监控到每个工位已经完工的产品数量及所占比例，装配车间布局图也是虚拟车间的一种展现方式。点击车间布局图的每个工位，可以在工位属性区域监控到当前工位名称、工位状态、所属部门、正在处理的装配任务、日作业计划信息、当前工位正在监控的质量数据和质量数据的最新数值，图10所示为某卫星装配车间基于三维模型的工位属性查看页面。

(3)装配过程质量预测、分析与控制模块

该模块主要包括装配过程质量信息管理、装配车间状态监控、质量问题处理单和质量问题强关联规则。针对前文提到的具体产品，其装配过程质量信息管理界面如图11所示。在该界面中，操作人员通过点击相应工位图元查看车间内各工位相关的详细质量数据，包括其所属型号、所属产品、所属批次、质量数据上下限值、质量数据采集时间，以及质量数据历史采集数值和质量数据预测数值，其中预测值背景为红色表示预测数值异常。另外，通过点击相应按钮可以看到当前车间重点监控的质量数据历史批次的数值，以及当前批次的已有质量数据数值和预测质量数据数值；还可以观察到各批次质量数据的均值、标准差、T统计量和K统计量，勾选不同批次的数据，点击查看报表，可以查看对应数据的T-K统计图，从而观察当前装配车间的状态是否受控，若某批次的T/K统计量超出上下限值，质量管控系统则会自动生成质量异常记录。

在质量问题处理知识库中自动生成质量异常记录后，工艺师和检验员登录到质量问题处理知识库模块，在产品结构树中选择产品的型号和组部件，便可在页面右侧的质量问题处理单页面查看到质量异常详细记录，如图12所示。通过质量问题分类可以判断每条记录归属于已有质量数据、预测质量数据还是装配系统状态，勾选质量异常记录，可以添加对异常记录的原因分析、处理结果、处理工艺师和处理检验员等信息。

工艺师或检验员在处理质量异常记录时，可以切换到质量异常强关联规则页面，选择具体的产品型号、质量数据、支持度、置信度等条件查看质量异常强关联规则(如图13)，对质量异常记录的处理方式提供参考意见。质量异常强关联规则列表包括导致质量数据异常的车间资源组合，这些强关联规则通过质量管控模型运算得到，以excel的格式导入质量问题处理知识库。

目前，该系统的相关功能模块已在航天某所正式上线运行，取得了很好的应用效果。例如：①目前该系统已经推广应用到全型号，全面实现基于流程的总装过程数据采集和管理、总装车间动态实时可视化监控等；②电子化数据的采集比例已经覆盖超过80%左右的装配业务，数据统计和追溯时间在5 s以内，现场物料配送效率提升了40%以上，需求响应速度由原来的1.5 h缩短到0.5 h，推动了装配数据的可靠传递、快速统计和可追溯性；③物理车间与车间数字孪生体之间的状态同步延迟在3 s以内，关键制造资源的监控覆盖率达到90%以上。

4 结束语

本文以实现装配过程数据的有效组织管理、减少复杂产品装配车间质量问题的发生频率、提高装配过程管控的智能化水平为目的，提出一种基于数字孪生的复杂产品装配过程管控方法。同时，利用数字孪生进行装配过程管控，建立了数字孪生装配车间模型，提高了装配数据采集和反馈的效率，解决了传统管控方法实时性差的问题；基于实时数据驱动实现了数字孪生车间发同步运行；采用灰色Markov模型和T-K控制图的方法，实现了对质量数据数值的预测和对装配系统状态的预测，解决了质量数据样本量小、预测难的问题；采用关联规则分析的方法挖掘出与质量数据异常以及装配系统不受控有关的强关联规则，作为质量预警的依据，解决了质量异常原因繁杂、难以追溯的问题。基于上述研究，最终开发出复杂产品装配过程管控系统，并在某卫星装配车间进行了工程应用，验证了装配过程管控数字孪生模型的实现过程，同时为复杂产品装配过程管控提供了一种新的途径。

如何利用数字孪生实现装配过程管控是当前国内外的研究热点之一，作为典型应用场景，卫星等航天复杂产品装配过程管控目前还有很多亟需解决的工程技术难题，后续将继续深入研究装配过程管控中的预测和决策环节，以及更加精准和智能的装配车间运行状态在线预测与决策方法，以实现更加智能化的装配过程管控。