基于神经网络模型的数字孪生生产线管理研究

摘要：数字孪生技术可以为企业提供数据支持，加速新产品的开发和上市，提升企业的竞争力和市场占有率。对车间生产线进行建模和仿真，可以分析不同生产参数对生产效率和产量的影响，优化生产计划和调度策略，提高生产线的运行效率和经济性。该文结合神经网络模型和数字孪生技术进行生产线管理，以期能够有效降低生产线扰动的危害，提升企业的生产能力和竞争优势。

关键词：数字孪生；神经网络；生产线管理

doi：10.3969/J.ISSN.1672-7274.2024.07.002

中图分类号：TP 18 文献标志码：A 文章编码：1672-7274（2024）07-000-03

Research on Digital Twin Production Line Management

Based on Neural Network Models

LING Yuzhi， YANG Haokun， ZHANG Dongliang

（CNOOC Information Technology Co.， Ltd. Shenzhen Branch， Shenzhen 518000， China）

Abstract： Digital twin technology can provide data support for enterprises， accelerate the development and launch of new products， and enhance their competitiveness and market share. Modeling and simulation of workshop production lines can analyze the impact of different production parameters on production efficiency and output， optimize production plans and scheduling strategies， and improve the operational efficiency and economy of production lines. The article combines neural network models and digital twin technology for production line management， aiming to effectively reduce the harm of production line disturbances， enhance the production capacity and competitive advantage of enterprises.

Keywords： digital twin; neural networks; production line management

1 研究背景

智能制造业的快速发展标志着制造业正向着更智能、更高效的方向迈进。它利用信息技术、自动化技术和智能化技术，提升生产效率、产品质量和生产灵活性。数字化转型是智能制造的核心，其通过数字化工具和技术，实现生产数据的实时监控、分析和优化，从而提高生产效率和资源利用率。数字孪生将实体世界和虚拟世界相结合，通过数字化建模、仿真和数据分析，实现对物理系统的精确模拟和预测，从而优化生产过程，提高生产效率，降低成本和风险。数字孪生技术不仅可以帮助企业优化生产流程和产品设计，还可以在产品生命周期的各个阶段提供数据支持，加速新产品的开发和上市，提升企业竞争力。因此，智能制造业的发展与数字孪生技术的应用密切相关，二者共同推动着制造业的数字化转型和智能化升级[1]。

生产线扰动是制造业面临的常见挑战之一，它可能由于设备故障、原材料变化、人为操作等因素引起，对生产效率和产品质量造成不利影响。这种扰动可能导致生产延误、产量下降、产品质量不稳定等问题，进而影响企业的竞争力和盈利能力。传统的生产线管理往往依赖于人工经验和规则制定，难以及时、准确地应对扰动带来的挑战。利用神经网络模型和数字孪生技术进行生产线管理可以有效应对这些挑战。神经网络模型能够通过对大量历史数据的学习和训练，发现生产线中的潜在规律和关联，从而预测和识别可能出现的扰动情况。数字孪生技术可以建立生产线的数字化模型，并与实际生产线实时同步，通过模拟仿真和数据分析，快速发现和定位生产线中的问题和风险，提前采取相应的调整和优化措施。

2 生产线数字孪生模型研究

数字孪生技术是通过数字化建模和仿真，在虚拟环境中精确模拟实际车间的运行情况和生产过程。数字孪生技术不仅可以帮助识别潜在的扰动源，还可以评估不同扰动对生产线的影响程度，为制定应对策略提供数据支持。此外，数字孪生模型还可以用于模拟各种场景下的生产过程，评估不同调度方案或生产优化措施的效果，帮助优化生产线的运行方式，提高生产效率和产品质量。采用数字孪生对车间进行建模需要遵循一系列的步骤和思路。首先是收集车间相关数据，包括生产设备、工艺流程、物料流动、环境参数等。这些数据可以通过传感器、监控系统、生产记录等方式获取。其次是对数据进行清洗、处理和整合，确保数据的准确性和完整性，为建模提供可靠的基础。接着要选择合适的建模方法和工具，例如物理建模、统计建模、机器学习等，根据车间特点和需求确定适用的建模技术。在建模过程中，需要考虑车间的各个方面，包括生产设备的运行状态、工艺流程的执行情况、物料的运输路径等，以全面模拟车间的运行情况。建模过程中还需考虑时间、空间和资源等因素，确保模型能够准确反映实际车间的运行状态。建立数字孪生模型后，就可以进行模拟和仿真实验，对不同情况下的生产过程进行模拟，评估生产线的稳定性和效率。通过模拟实验，可以发现潜在的问题和风险，优化生产过程和调整生产策略，提高生产效率和产品质量。最后，持续更新和优化数字孪生模型。根据实际生产数据和反馈信息，不断完善模型的准确性和可靠性，保持模型与实际车间的一致性[2]。

本文采用Modelica对车间生产线进行建模。Modelica是一种用于建立动态系统模型的开放式、面向对象的建模语言。使用Modelica可以对车间生产线进行建模，从而进行仿真和分析。对生产线进行建模的部分代码如下所示。

within ModelicaByExample.Components;

package WorkshopExample

// 定义车间生产线模型

model Workshop

// 参数定义

parameter Real capacity = 100 "车间生产能力";

// 输入定义

input Real demand "需求量";

// 输出定义

output Real production "实际生产量";

// 定义传送带模型

Modelica.Blocks.Sources.SineWave sineWave（amplitude=1， freqHz=0.1）;

Modelica.Blocks.Continuous.Integrator integrator（k=1）;

// 定义机器1模型

Modelica.Blocks.Sources.SineWave sineWave1（amplitude=1， freqHz=0.1）;

Modelica.Blocks.Continuous.Integrator integrator1（k=1）;

// 定义机器2模型

Modelica.Blocks.Sources.SineWave sineWave2（amplitude=1， freqHz=0.1）;

Modelica.Blocks.Continuous.Integrator integrator2（k=1）;

equation

// 生产量等于生产能力和需求量中较小的一个

production = min（capacity， demand）;

// 传送带模型方程

connect（sineWave.y， integrator.u）;

connect（integrator.y， integrator1.u）;

// 机器1模型方程

connect（sineWave1.y， integrator1.u）;

connect（integrator1.y， integrator2.u）;

3 基于神经网络模型的生产线扰动识

别算法研究

在构建生产线扰动识别算法时，可以根据对生产线扰动各项因素的分析，构建特征库，见图1。

图1 生产线扰动特征集

在此基础上，可基于卷积神经网络，构建生产线扰动识别算法。卷积神经网络的核心思想是通过卷积层和池化层来提取图像中的特征，并通过全连接层进行分类或回归。在卷积层中，通过卷积操作对输入图像进行特征提取，利用卷积核与输入图像进行逐点相乘和求和操作，可得到特征图。而池化层则通过对特征图进行降采样，减少参数数量，提高模型的稳定性和泛化能力，见图2。

在对车间运行数据进行批量采集后，首先需要进行预处理，包括数据清洗、去除异常值、填充缺失值等操作，以确保数据质量和完整性。随后，针对车间生产过程中的各种参数和指标，可以进行特征提取，将原始数据转换为具有代表性的特征向量。接下来，可利用这些特征数据建立车间的数字孪生模型。数字孪生模型是对实际车间运行情况的数字化仿真模型。在建立数字孪生模型时，需要考虑车间的各种参数和指标，将其纳入模型中，并进行有效的建模和描述。对数字孪生模型的特征进行提取，可以得到车间的扰动特征[3]。

为验证该算法的有效性，本文构建了验证方案，具体如图3所示。

图3 车间扰动识别验证方案

如图3所示，首先，搭建扰动识别实验平台需要准备相应的传感器和数据采集设备，以采集刀加工过程中三坐标轴的力和振动信号。其次，针对采集到的生产线加工数据，进行状态特征提取。例如，可以计算力和振动信号的均值、方差、频谱分布等统计特征，或者通过时域和频域分析提取更复杂的特征。这些特征将构建成特征矩阵，作为输入数据供后续的扰动识别模型使用。再次，将提取的状态特征输入到卷积神经网络中进行扰动识别。最后，根据扰动识别的结果，对车间数字孪生模型进行更新和优化。这包括更新模型中的参数和状态信息，以反映生产线实际运行过程中的变化和扰动情况。通过不断更新数字孪生模型，提高模型的准确性和适应性，为车间的实时监控和管理提供更可靠的支持。以后面刀温度计算模型为例，其预测效果以及数字孪生模型的建模效果如图4所示。

图4 识别效果

4 结束语

搭建扰动识别实验平台，采集生产线加工过程中的数据，进行状态特征提取，然后利用卷积神经网络模型进行扰动识别，并根据识别结果更新车间数字孪生模型，可以实现对车间生产过程的智能化监控和管理，提高生产效率和运行稳定性。

参考文献

[1] 张颖伟，高鸿瑞，张鼎森．基于多智能体的数字孪生及其在工业中应用的综述[J]．控制与决策，2023，38（8）：2168-2182．

[2] 杜晓东，曾四鸣，刘科研．基于云模型的配电网运行画像数字孪生构建方法[J]．电力系统保护与控制，2022，1（50）：78-83．

[3] 成珂阳，李琦．深度学习用于连续太赫兹同轴数字全息重建[J]．中国激光，2023，50（17）：89-92．

作者简介：凌宇志（1993—），男，汉族，广东湛江人，中级工程师，本科，研究方向为三维数字孪生。

杨昊坤（1996—），男，汉族，湖北武汉人，中级工程师，硕士研究生，研究方向为三维数字孪生。

张栋梁（1997—），男，汉族，湖北黄石人，中级工程师，本科，研究方向为三维数字孪生。