CN117952377A - 一种数字孪生的离散制造车间同步演化方法、设备及介质 - Google Patents
一种数字孪生的离散制造车间同步演化方法、设备及介质 Download PDFInfo
- Publication number
- CN117952377A CN117952377A CN202410169871.XA CN202410169871A CN117952377A CN 117952377 A CN117952377 A CN 117952377A CN 202410169871 A CN202410169871 A CN 202410169871A CN 117952377 A CN117952377 A CN 117952377A
- Authority
- CN
- China
- Prior art keywords
- model
- digital twin
- data
- performance degradation
- production scheduling
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 280
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000015556 catabolic process Effects 0.000 claims abstract description 127
- 238000006731 degradation reaction Methods 0.000 claims abstract description 127
- 238000012512 characterization method Methods 0.000 claims description 66
- 238000012549 training Methods 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000593 degrading effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种数字孪生的离散制造车间同步演化方法、设备及介质，属于数字孪生的技术领域。方法包括：获取离散制造车间的传感器数据和车间数据；其中，传感器数据包括传感器实时数据和传感器历史数据；基于传感器数据和车间数据构建生产调度性能退化的数字孪生模型；构建CNN‑LSTM模型，并基于CNN‑LSTM模型更新和矫正生产调度性能退化的数字孪生模型，以获取数字孪生同步演化模型；基于数字孪生同步演化模型和传感器实时数据预测离散制造车间的生产调度。本申请通过上述方法能够在一定程度上准确、高效地预测离散制造车间的生产调度。
Description
技术领域
本申请涉及数字孪生的技术领域，尤其涉及一种数字孪生的离散制造车间同步演化方法、设备及介质。
背景技术
离散制造是指产品的生产过程通常被分解成很多加工任务来完成。数字孪生技术是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。
数字孪生技术为生产调度分析提供了有力工具(数字孪生模型)。在离散制造车间生产过程可以通过数字孪生模型进行实时观察、分析、控制和生产调度预测，但由于离散制造车间物理车间存在不确定事件、生产制造要素退化以及物理车间的异常干扰，会导致数字孪生模型与物理车间的性能出现偏差，影响生产调度预测的准确性。
因此，如何准确、高效地预测离散制造车间的生产调度成为一个亟待解决的问题。
发明内容
本申请实施例提供了一种数字孪生的离散制造车间同步演化方法、设备及介质，用以解决如下技术问题：如何准确、高效地预测离散制造车间的生产调度。
第一方面，本申请实施例提供了一种数字孪生的离散制造车间同步演化方法，其特征在于，方法包括：获取离散制造车间的传感器数据和车间数据；其中，传感器数据包括传感器实时数据和传感器历史数据；基于传感器数据和车间数据构建生产调度性能退化的数字孪生模型；其中，生产调度性能退化的数字孪生模型包括生产调度性能退化的通用表征模型和生产调度性能退化的特异性表征模型；构建CNN-LSTM模型，并基于CNN-LSTM模型更新和矫正生产调度性能退化的数字孪生模型，以获取数字孪生同步演化模型；基于数字孪生同步演化模型和传感器实时数据预测离散制造车间的生产调度。
在本申请的一种实现方式中，基于传感器数据和车间数据构建生产调度性能退化的数字孪生模型，具体包括：基于传感器数据、车间数据和预设的基准构建生产调度性能退化的通用表征模型；其中，生产调度性能退化的通用表征模型用于体现离散制造车间性能退化的一般规律；基于传感器数据、车间数据构建生产调度性能退化的特异性表征模型；其中，生产调度性能退化的特异性表征模型用于体现离散制造车间性能退化的差异性特征；基于生产调度性能退化的通用表征模型和生产调度性能退化的特异性表征模型构建生产调度性能退化的数字孪生模型。
在本申请的一种实现方式中，基于传感器数据、车间数据和预设的基准构建生产调度性能退化的通用表征模型，具体包括：获取离散制造车间的性能下降指标和基准；其中，性能下降指标包括生产进度、生产能力和能源消耗；构建生产调度性能退化的通用表征模型，通用表征模型由下列公式表示：
其中，DIk为退化指标，k为时刻，为第k时刻生产调度性能退化的通用表征模型的性能指标，yk＝f(x；k)为第k时刻生产调度性能退化的通用表征模型的基准，ε为修正系数。
在本申请的一种实现方式中，基于传感器数据、车间数据构建生产调度性能退化的特异性表征模型，具体包括：获取离散制造车间的性能模型参数、测量系统不确定度和性能状态退化不确定度；构建生产调度性能退化的特异性表征模型，特异性表征模型由下列公式表示：
其中，F(·)为生产调度性能退化的特异性表征模型，Θ为离散制造车间的性能模型参数，ψ为离散制造车间的测量系统不确定度，Ω为离散制造车间的性能状态退化不确定度。
在本申请的一种实现方式中，构建CNN-LSTM模型，并基于CNN-LSTM模型更新和矫正生产调度性能退化的数字孪生模型，以获取数字孪生同步演化模型，具体包括：构建CNN模型和LSTM模型，并整合CNN模型和LSTM模型，以获取初步CNN-LSTM模型；添加预设的注意力机制至初步CNN-LSTM模型，以获取CNN-LSTM模型；基于CNN-LSTM模型更新和矫正生产调度性能退化的数字孪生模型，以获取数字孪生同步演化模型。
在本申请的一种实现方式中，构建CNN模型和LSTM模型，并整合CNN模型和LSTM模型，以获取CNN-LSTM模型，具体包括：构建CNN模型，并构建初始LSTM模型；添加预设的门结构至初始LSTM模型，以获取LSTM模型；其中，门结构包括输入门、遗忘门和输出门，门结构由下列公式表示：
it＝σ(Wi×[ht-1,xt]+bi)
ft＝σ(Wf×[ht-1,xt]+bf)
ot＝σ(Wo×[ht-1,xt]+bo)
其中，it为输入门、ft为遗忘门、ot为输出门，xt为输入序列，ht-1为上一时刻的状态记忆量，σ为激活函数，W为权重矩阵，b为偏置系数；整合LSTM模型和CNN模型，以构建CNN-LSTM模型。
在本申请的一种实现方式中，基于CNN-LSTM模型更新和矫正生产调度性能退化的数字孪生模型，以获取数字孪生同步演化模型，具体包括：基于预设的特征提取算法处理离散制造车间的传感器数据，以获取数字孪生同步演化模型的训练数据集；基于训练数据集训练生产调度性能退化的数字孪生模型，以获取第一数字孪生模型；根据离散制造车间传感器实时数据判断第一数字孪生模型是否触发预设的更新条件；若是，基于CNN-LSTM模型更新和矫正第一数字孪生模型，以获取第二数字孪生模型；根据离散制造车间传感器实时数据判断第二数字孪生模型是否触发预设的更新条件；若是，基于CNN-LSTM模型更新和矫正第二数字孪生模型，以获取第三数字孪生模型；重复上述步骤，以获取数字孪生同步演化模型。
在本申请的一种实现方式中，基于预设的特征提取算法处理离散制造车间的传感器数据，以获取数字孪生同步演化模型的训练数据集，具体包括：获取多个传感器的传感器数据并加以标记，以获取多个第一数据集；整合多个第一数据集，以获取第二数据集；去除第二数据集内重复和破损的传感器数据，以获取第三数据集；基于预设的特征提取条件提取第三数据集内的传感器数据，以获取训练数据集。
第二方面，本申请实施例还提供了一种数字孪生的离散制造车间同步演化设备，其特征在于，设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：获取离散制造车间的传感器数据和车间数据；其中，传感器数据包括传感器实时数据和传感器历史数据；基于传感器数据和车间数据构建生产调度性能退化的数字孪生模型；其中，生产调度性能退化的数字孪生模型包括生产调度性能退化的通用表征模型和生产调度性能退化的特异性表征模型；构建CNN-LSTM模型，并基于CNN-LSTM模型更新和矫正生产调度性能退化的数字孪生模型，以获取数字孪生同步演化模型；基于数字孪生同步演化模型和传感器实时数据预测离散制造车间的生产调度。
第三方面，本申请实施例还提供了一种数字孪生的离散制造车间同步演化的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，计算机可执行指令设置为：获取离散制造车间的传感器数据和车间数据；其中，传感器数据包括传感器实时数据和传感器历史数据；基于传感器数据和车间数据构建生产调度性能退化的数字孪生模型；其中，生产调度性能退化的数字孪生模型包括生产调度性能退化的通用表征模型和生产调度性能退化的特异性表征模型；构建CNN-LSTM模型，并基于CNN-LSTM模型更新和矫正生产调度性能退化的数字孪生模型，以获取数字孪生同步演化模型；基于数字孪生同步演化模型和传感器实时数据预测离散制造车间的生产调度。
本申请实施例提供的一种数字孪生的离散制造车间同步演化方法、设备及介质，通过获取离散制造车间的传感器数据，能够构建离散制造车间的生产模型和获取生产调度性能退化的数字孪生模型训练所需的训练集；通过对比传感器数据和预测值，不断调整生产调度性能退化的数字孪生模型，从而获取数字孪生同步演化模型，能够在一定程度上保证数字孪生模型与离散制造车间的关联度，通过数字孪生同步演化模型和离散制造车间的实时数据，能够预测离散制造车间的生产进度，从而对离散制造车间进行生产调度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的一种数字孪生的离散制造车间同步演化方法流程图；
图2为本申请实施例提供的一种数字孪生的离散制造车间同步演化的流程示意图；
图3为本申请实施例提供的一种数字孪生的离散制造车间同步演化设备内部结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了一种数字孪生的离散制造车间同步演化方法、设备及介质，用以解决如下技术问题：如何准确、高效地预测离散制造车间的生产调度。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种数字孪生的离散制造车间同步演化流程图。如图1所示，本申请实施例提供的一种数字孪生的离散制造车间同步演化方法，具体包括以下步骤：
步骤101、获取离散制造车间的传感器数据和车间数据；其中，传感器数据包括传感器实时数据和传感器历史数据。
为了对离散制造车间的生产调度进行预测，需要构建离散制造车间的物理模型，即需要离散制造车间内的各项数据。通过在离散制造车间设置各种传感器实时获取并存储离散制造车间的各项数据，包括生产设备的功率、温度、压力等数据。
传感器实时数据为在离散制造车间获取到的实时数据，在实际操作过程中，通常设置为一天内的数据为传感器实时数据。
传感器历史数据为在离散制造车间获取到历史数据，在实际操作过程中，通过设置距离采集时间超过一天的数据为传感器历史数据。
传感器的设置可通过设置多种方式进行，传感器的设置应以离散制造车间的实际生产状况设置，在具体的事例中：
通过射频识别收集物料和车间生产管理的状态和流动数据。
使用超宽带设备获取车间生产管理的传输状态数据，每个单元的可靠的覆盖范围为4米x4米x4米。带有超宽带标签的自动导引车通过与超宽带接收器实时通信来定位。
通过以太网或串行端口收集离散制造车间内加工设备的实时运行和状态数据，采集方式和接口类型根据设备类型而定。
车间数据包括离散制造车间的规格、经纬度等信息，可通过离散制造车间建造时的图纸或实地测量获取。
步骤102、基于传感器数据和车间数据构建生产调度性能退化的数字孪生模型；其中，生产调度性能退化的数字孪生模型包括生产调度性能退化的通用表征模型和生产调度性能退化的特异性表征模型。
生产调度包括离散制造车间的生产进度、生产能力和能源消耗。
通过传感器数据和车间数据即可搭建基于离散制造车间的数字模型，通过该数字模型即可对离散制造车间进行生产调度的预测，但是因为离散制造车间在实际工作过程中会随着时间导致生产性能退化，且在实际工作过程中会遇到各种突发状态，上述因素将会影响生产调度预测的精确度，因此构建的数字模型为生产调度性能退化的数字孪生模型。
该生产调度性能退化的数字孪生模型包括生产调度性能退化的通用表征模型和生产调度性能退化的特异性表征模型，生产调度性能退化的通用表征模型用于体现离散制造车间性能退化的一般规律，生产调度性能退化的特异性表征模型用于体现离散制造车间性能退化的差异性特征。
构建过程如下：
步骤a1、基于传感器数据、车间数据和预设的基准构建生产调度性能退化的通用表征模型。
首先需要确定离散制造车间的性能下降指标和基准。其中，性能下降指标包括生产进度、生产能力和能源消耗的指标，通过离散制造车间的设备数据、离散制造车间的规格、离散制造车间的工作安排等数据即可获取；
构建生产调度性能退化的通用表征模型，通用表征模型由下列公式表示：
其中，DIk为退化指标，k为时刻，为第k时刻生产调度性能退化的通用表征模型的性能指标，yk＝f(x；k)为第k时刻生产调度性能退化的通用表征模型的基准，ε为修正系数。
因为离散制造车间的性能退化，如果不对生产调度退化的通用表征模型进行同步演化，那么该模型与离散制造车间的实际运行状况之间将会存在偏差，且偏差会随着时间的运行越来越大。则通过分析DIk的变化趋势，即可得到离散制造车间的性能退化状态。
步骤a2、基于传感器数据、车间数据构建生产调度性能退化的特异性表征模型。
获取离散制造车间的性能模型参数、测量系统不确定度和性能状态退化不确定度。
由于离散制造车间的性能指标具有多样性和差异性，离散制造车间在实际运行过程中存在各种误差(传感器设备的误差、超带宽设备的采集误差)，离散制造车间可能发生设备故障或运行条件发生变化等不确定性因素。
所以为了分析性能指标的不同之处，需要对离散制造车间性能退化产生的不确定性进行描述。不确定性主要包括离散制造车间性能退化过程中测量系统、模型参数和退化状态的不确定性。
构建生产调度性能退化的特异性表征模型，特异性表征模型由下列公式表示：
其中，F(·)为生产调度性能退化的特异性表征模型，Θ为离散制造车间的性能模型参数，ψ为离散制造车间的测量系统不确定度，Ω为离散制造车间的性能状态退化不确定度。
在具体事例中，Θ包括性能模型的类型(生产进度、生产能力和能源消耗)，性能模型的结构，性能模型的参数(生产调度性能退化的特异性表征模型的神经元数、dropout率、最大epoch数、学习率和batch大小)；Ψ包括传感器设备的采集误差；Ω包括设备故障和运行条件变化的不确定性。
步骤a3、在获取了生产调度性能退化的通用表征模型和生产调度性能退化的特异性表征模型后，可基于生产调度性能退化的通用表征模型和生产调度性能退化的特异性表征模型构建生产调度性能退化的数字孪生模型。
步骤103、构建CNN-LSTM模型，并基于CNN-LSTM模型更新和矫正生产调度性能退化的数字孪生模型，以获取数字孪生同步演化模型。
首先需要分别构建CNN模型和初始LSTM模型，CNN模型和LSTM模型的构建为现有技术，在此不作赘述。
在构建了初始LSTM模型后，因为初始LSTM模型为循环神经网络的一种，且循环神经网络存在长期依赖和梯度消失的问题，所以需要在初始LSTM模型的基础上添加门结构，以获取LSTM模型；其中，门结构包括输入门、遗忘门和输出门，门结构由下列公式表示：
it＝σ(Wi×[ht-1,xt]+bi)
ft＝σ(Wf×[ht-1,xt]+bf)
ot＝σ(Wo×[ht-1,xt]+bo)
其中，it为输入门、ft为遗忘门、ot为输出门，xt为输入序列，ht-1为上一时刻的状态记忆量，σ为激活函数，W为权重矩阵，b为偏置系数。
进一步地，在构建了初步CNN-LSTM模型后，考虑到由于CNN和LSTM无法充分地提取多维特征之间的关系，因此引入了注意力(Attention)机制。注意力机制是一种用于优化编解码器结构模型的机制。通过构建注意力机制，在历史样本和动态样本之间从CNN和LSTM中选择基础学习器，来提高基础学习器的学习能力。
通过引入注意力机制，初步CNN-LSTM模型可以更准确地捕捉数据集中的关键模式和变化规律，进而提高生产调度的预测、调控和优化能力。这对提高训练过程的准确性至关重要。通过为每个输入元素分配不同的权重参数，注意力机制可以更多地关注与输入元素相关的部分，从而抑制其他无用信息。
因此，应添加注意力机制至初步CNN-LSTM模型，即添加预设的注意力机制至初步CNN-LSTM模型，以获取CNN-LSTM模型。
需要说明的是，注意力机制的作用是根据输入数据的不同部分对其进行加权，以便更好地捕捉重要的信息。
在CNN-LSTM模型中，注意力机制可以通过以下步骤实现：
步骤b1、对输入的数据进行卷积操作，以提取输入的数据的特征；
步骤b2、对卷积结果进行池化操作，以减少数据维度；
步骤b3、将池化结果输入到LSTM层中，学习时间序列特征；
步骤b4、在LSTM层中加入注意力机制，计算输入数据各部分的权重；
步骤b5、根据权重调整LSTM层的输出，以提高模型的性能。
进一步的，基于CNN-LSTM模型更新和矫正生产调度性能退化的数字孪生模型，以获取数字孪生同步演化模型。
基于预设的特征提取算法处理离散制造车间的传感器数据，以获取数字孪生同步演化模型的训练数据集。
特征提取算法用于处理离散制造车间内的传感器数据，以使多种传感器数据整合为统一格式，以便CNN-LSTM模型使用。
具体包括以下步骤：
步骤c1、获取多个传感器的传感器数据并加以标记，以获取多个第一数据集。
通过标记不同传感器的传感器数据，以确定传感器数据对应离散制造车间的位置、时间和设备，使得每个传感器数据都对应具体时间、具体设备、具体数据。
步骤c2、整合多个第一数据集，以获取第二数据集。
每个传感器的数据整合起来归为第一数据集，因为多个传感器的覆盖范围会发生重叠，所以需要整合多个第一数据集为第二数据集，以筛选其中重叠部分的数据。
步骤c3、去除第二数据集内重复和破损的传感器数据，以获取第三数据集。
通过扫描和筛选第二数据集，去除其中重复的数据，该重复数据为同一时间下同一设备的同一类型数据，若重复的数据仅数值不同，则取其平均值。经过筛选后的第二数据集即为第三数据集。
步骤c4、基于预设的特征提取条件提取第三数据集内的传感器数据，以获取训练数据集。
通过确定提取条件提取第三数据集内的数据，将第三数据集内的数据转换为统一格式的数据，以此获取训练数据集。
进一步地，在确定了CNN-LSTM模型后，即可基于CNN-LSTM模型更新和矫正生产调度性能退化的数字孪生模型，以获取数字孪生同步演化模型。
参照图2，以具体演化过程为例，具体包括以下步骤：
步骤d1、基于训练数据集训练生产调度性能退化的数字孪生模型，以获取第一数字孪生模型。
图2中映射阶段的物理车间即为初始状态下的离散制造车间，通过将训练数据集带入生产性能退化的数字孪生模型，即可获取第一数字孪生模型，即数字孪生模型A，数字孪生模型A对应的状态为状态a。
步骤d2、根据离散制造车间传感器实时数据判断第一数字孪生模型是否触发预设的更新条件。
随着离散制造车间的运行，离散制造车间的性能退化，导致实际状态变为状态b，此时判断状态a与状态b之间的误差，若误差大于预设的误差阈值，则触发预设的更新条件。
需要说明的是，该预设的更新条件可为固定时间，例如每10天满足一次更新条件。该预设的更新条件可为初步孪生模型的预测正确率，例如通过对比同一组离散制造车间的真实数据和初步孪生模型预测的数据之间的误差，若误差大于预设的误差阈值，则满足更新条件。
步骤d3、若是，基于CNN-LSTM模型更新和矫正第一数字孪生模型，以获取第二数字孪生模型。
参考步骤d2中的事例，触发更新条件，则基于CNN-LSTM模型更新和矫正第一数字孪生模型，以获取第二数字孪生模型，即数字孪生模型B，使得数字孪生模型B适配现实离散制造车间，即感知阶段的物理车间。
步骤d4、根据离散制造车间传感器实时数据判断第二数字孪生模型是否触发预设的更新条件。
参考上述步骤，可根据状态b与状态c判断第二数字孪生模型是否需要更新。
步骤d5、若是，基于CNN-LSTM模型更新和矫正第二数字孪生模型，以获取第三数字孪生模型。
参考上述步骤，将第二数字孪生模型更新为第三数字孪生模型。
步骤d6、重复上述步骤，以获取数字孪生同步演化模型。
通过重复判断和更新，即可实现数字孪生模型的同步演化，即获取数字孪生同步演化模型。
步骤104、基于数字孪生同步演化模型和传感器实时数据预测离散制造车间的生产调度。
在构建了数字孪生同步演化模型后，即可根据离散制造车间的实时数据对离散制造车间的生产调度进行预测。
以上为本申请提出的方法实施例。基于同样的发明构思，本申请实施例还提供了一种数字孪生的离散制造车间同步演化设备，其结构如图3所示。
图3为本申请实施例提供的一种数字孪生的离散制造车间同步演化设备内部结构示意图。如图3所示，设备包括：
至少一个处理器301；以及，与至少一个处理器通信连接的存储器302；其中，存储器302存储有可被至少一个处理器执行的指令，指令被至少一个处理器301执行，以使至少一个处理器301能够：获取离散制造车间的传感器数据和车间数据；其中，传感器数据包括传感器实时数据和传感器历史数据；基于传感器数据和车间数据构建生产调度性能退化的数字孪生模型；其中，生产调度性能退化的数字孪生模型包括生产调度性能退化的通用表征模型和生产调度性能退化的特异性表征模型；构建CNN-LSTM模型，并基于CNN-LSTM模型更新和矫正生产调度性能退化的数字孪生模型，以获取数字孪生同步演化模型；基于数字孪生同步演化模型和传感器实时数据预测离散制造车间的生产调度。
本申请的一些实施例提供的对应于图1的一种数字孪生的离散制造车间同步演化的非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令设置为：获取离散制造车间的传感器数据和车间数据；其中，传感器数据包括传感器实时数据和传感器历史数据；基于传感器数据和车间数据构建生产调度性能退化的数字孪生模型；其中，生产调度性能退化的数字孪生模型包括生产调度性能退化的通用表征模型和生产调度性能退化的特异性表征模型；构建CNN-LSTM模型，并基于CNN-LSTM模型更新和矫正生产调度性能退化的数字孪生模型，以获取数字孪生同步演化模型；基于数字孪生同步演化模型和传感器实时数据预测离散制造车间的生产调度。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于物联网设备和介质实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的系统和介质与方法是一一对应的，因此，系统和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述系统和介质的有益技术效果。
本领域内的技术人员应明白，本申请的实施例可提供方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框，以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者还是包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所做的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种数字孪生的离散制造车间同步演化方法，其特征在于，所述方法包括：
获取离散制造车间的传感器数据和车间数据；其中，所述传感器数据包括传感器实时数据和传感器历史数据；
基于所述传感器数据和所述车间数据构建生产调度性能退化的数字孪生模型；其中，所述生产调度性能退化的数字孪生模型包括生产调度性能退化的通用表征模型和生产调度性能退化的特异性表征模型；
构建CNN-LSTM模型，并基于所述CNN-LSTM模型更新和矫正所述生产调度性能退化的数字孪生模型，以获取数字孪生同步演化模型；
基于所述数字孪生同步演化模型和所述传感器实时数据预测所述离散制造车间的生产调度。
2.根据权利要求1所述的一种数字孪生的离散制造车间同步演化方法，其特征在于，基于所述传感器数据和所述车间数据构建生产调度性能退化的数字孪生模型，具体包括：
基于所述传感器数据、所述车间数据和预设的基准构建所述生产调度性能退化的通用表征模型；其中，所述生产调度性能退化的通用表征模型用于体现所述离散制造车间性能退化的一般规律；
基于所述传感器数据、所述车间数据构建所述生产调度性能退化的特异性表征模型；其中，所述生产调度性能退化的特异性表征模型用于体现所述离散制造车间性能退化的差异性特征；
基于所述生产调度性能退化的通用表征模型和生产调度性能退化的特异性表征模型构建所述生产调度性能退化的数字孪生模型。
3.根据权利要求2所述的一种数字孪生的离散制造车间同步演化方法，其特征在于，基于所述传感器数据、所述车间数据和预设的基准构建所述生产调度性能退化的通用表征模型，具体包括：
获取所述离散制造车间的性能下降指标和基准；其中，所述性能下降指标包括生产进度、生产能力和能源消耗；
构建所述生产调度性能退化的通用表征模型，所述通用表征模型由下列公式表示：
其中，所述DIk为退化指标，所述k为时刻，所述为第k时刻生产调度性能退化的通用表征模型的性能指标，所述yk＝f(x；k)为第k时刻生产调度性能退化的通用表征模型的基准，所述ε为修正系数。
4.根据权利要求2所述的一种数字孪生的离散制造车间同步演化方法，其特征在于，基于所述传感器数据、所述车间数据构建所述生产调度性能退化的特异性表征模型，具体包括：
获取所述离散制造车间的性能模型参数、测量系统不确定度和性能状态退化不确定度；
构建所述生产调度性能退化的特异性表征模型，所述特异性表征模型由下列公式表示：
其中，F(·)为所述生产调度性能退化的特异性表征模型，所述Θ为所述离散制造车间的性能模型参数，所述ψ为所述离散制造车间的测量系统不确定度，Ω为所述离散制造车间的性能状态退化不确定度。
5.根据权利要求1所述的一种数字孪生的离散制造车间同步演化方法，其特征在于，构建CNN-LSTM模型，并基于所述CNN-LSTM模型更新和矫正所述生产调度性能退化的数字孪生模型，以获取数字孪生同步演化模型，具体包括：
构建CNN模型和LSTM模型，并整合所述CNN模型和LSTM模型，以获取初步CNN-LSTM模型；
添加预设的注意力机制至所述初步CNN-LSTM模型，以获取所述CNN-LSTM模型；
基于所述CNN-LSTM模型更新和矫正所述生产调度性能退化的数字孪生模型，以获取数字孪生同步演化模型。
6.根据权利要求5所述的一种数字孪生的离散制造车间同步演化方法，其特征在于，构建CNN模型和LSTM模型，并整合所述CNN模型和LSTM模型，以获取CNN-LSTM模型，具体包括：
构建CNN模型，并构建初始LSTM模型；
添加预设的门结构至所述初始LSTM模型，以获取LSTM模型；其中，所述门结构包括输入门、遗忘门和输出门，所述门结构由下列公式表示：
it＝σ(Wi×[ht-1,xt]+bi)
ft＝σ(Wf×[ht-1,xt]+bf)
ot＝σ(Wo×[ht-1,xt]+bo)
其中，所述it为输入门、所述ft为遗忘门、所述ot为输出门，所述xt为输入序列，所述ht-1为上一时刻的状态记忆量，所述σ为激活函数，所述W为权重矩阵，所述b为偏置系数；
整合所述LSTM模型和所述CNN模型，以构建所述CNN-LSTM模型。
7.根据权利要求5所述的一种数字孪生的离散制造车间同步演化方法，其特征在于，基于所述CNN-LSTM模型更新和矫正所述生产调度性能退化的数字孪生模型，以获取数字孪生同步演化模型，具体包括：
基于预设的特征提取算法处理所述离散制造车间的传感器数据，以获取所述数字孪生同步演化模型的训练数据集；
基于所述训练数据集训练所述生产调度性能退化的数字孪生模型，以获取第一数字孪生模型；
根据所述离散制造车间传感器实时数据判断所述第一数字孪生模型是否触发预设的更新条件；
若是，基于所述CNN-LSTM模型更新和矫正所述第一数字孪生模型，以获取第二数字孪生模型；
根据所述离散制造车间传感器实时数据判断所述第二数字孪生模型是否触发预设的更新条件；
若是，基于所述CNN-LSTM模型更新和矫正所述第二数字孪生模型，以获取第三数字孪生模型；
重复上述步骤，以获取数字孪生同步演化模型。
8.根据权利要求7所述的一种数字孪生的离散制造车间同步演化方法，其特征在于，基于预设的特征提取算法处理所述离散制造车间的传感器数据，以获取所述数字孪生同步演化模型的训练数据集，具体包括：
获取多个传感器的传感器数据并加以标记，以获取多个第一数据集；
整合所述多个第一数据集，以获取第二数据集；
去除所述第二数据集内重复和破损的传感器数据，以获取第三数据集；
基于预设的特征提取条件提取所述第三数据集内的传感器数据，以获取所述训练数据集。
9.一种数字孪生的离散制造车间同步演化设备，其特征在于，所述设备包括：
至少一个处理器；
以及，与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取离散制造车间的传感器数据和车间数据；其中，所述传感器数据包括传感器实时数据和传感器历史数据；
基于所述传感器数据和所述车间数据构建生产调度性能退化的数字孪生模型；其中，所述生产调度性能退化的数字孪生模型包括生产调度性能退化的通用表征模型和生产调度性能退化的特异性表征模型；
构建CNN-LSTM模型，并基于所述CNN-LSTM模型更新和矫正所述生产调度性能退化的数字孪生模型，以获取数字孪生同步演化模型；
基于所述数字孪生同步演化模型和所述传感器实时数据预测所述离散制造车间的生产调度。
10.一种数字孪生的离散制造车间同步演化的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：
获取离散制造车间的传感器数据和车间数据；其中，所述传感器数据包括传感器实时数据和传感器历史数据；
基于所述传感器数据和所述车间数据构建生产调度性能退化的数字孪生模型；其中，所述生产调度性能退化的数字孪生模型包括生产调度性能退化的通用表征模型和生产调度性能退化的特异性表征模型；
构建CNN-LSTM模型，并基于所述CNN-LSTM模型更新和矫正所述生产调度性能退化的数字孪生模型，以获取数字孪生同步演化模型；
基于所述数字孪生同步演化模型和所述传感器实时数据预测所述离散制造车间的生产调度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410169871.XA CN117952377A (zh) | 2024-02-06 | 2024-02-06 | 一种数字孪生的离散制造车间同步演化方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410169871.XA CN117952377A (zh) | 2024-02-06 | 2024-02-06 | 一种数字孪生的离散制造车间同步演化方法、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117952377A true CN117952377A (zh) | 2024-04-30 |
Family
ID=90794435
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410169871.XA Pending CN117952377A (zh) | 2024-02-06 | 2024-02-06 | 一种数字孪生的离散制造车间同步演化方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117952377A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118192479A (zh) * | 2024-05-17 | 2024-06-14 | 南京微思软件有限公司 | 基于数据采集的工厂车间数字孪生模型校正方法及系统 |
-
2024
- 2024-02-06 CN CN202410169871.XA patent/CN117952377A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118192479A (zh) * | 2024-05-17 | 2024-06-14 | 南京微思软件有限公司 | 基于数据采集的工厂车间数字孪生模型校正方法及系统 |
| CN118192479B (zh) * | 2024-05-17 | 2024-07-26 | 南京微思软件有限公司 | 基于数据采集的工厂车间数字孪生模型校正方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101917006B1 (ko) | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 | |
| CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
| CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
| CN113807951B (zh) | 一种基于深度学习的交易数据趋势预测方法和系统 | |
| CN109116444B (zh) | 基于PCA-kNN的空气质量模式PM2.5预报方法 | |
| US20200250584A1 (en) | Modeling method for smart prognostics and health management system and computer program product thereof | |
| Ungermann et al. | Data analytics for manufacturing systems–a data-driven approach for process optimization | |
| AU2016201794B1 (en) | Analyzing equipment degradation for maintaining equipment | |
| CN113632025B (zh) | 用于评估工业环境中的能量消耗的方法、系统和计算机程序产品 | |
| CN117608241B (zh) | 数控机床数字孪生模型的更新方法、系统、装置及介质 | |
| CN117952377A (zh) | 一种数字孪生的离散制造车间同步演化方法、设备及介质 | |
| CN117829318A (zh) | 一种基于大模型算法的数字孪生系统 | |
| CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
| CN111680407A (zh) | 一种基于高斯混合模型的卫星健康评估方法 | |
| CN118246368B (zh) | 负离子浓度控制方法、装置、设备及存储介质 | |
| CN110543869A (zh) | 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质 | |
| CN115238583B (zh) | 一种支持增量日志的业务流程剩余时间预测方法与系统 | |
| CN118012479B (zh) | 一种基于预估方式的数字孪生实时更新方法、介质及系统 | |
| Marei et al. | CNC Machining Centre Thermal Error Prediction from Temperature Sensors Using Autoencoder-Augmented Long Short Term Memory Networks | |
| CN118213997B (zh) | 一种基于ahp-灰色模糊算法的城市电网负荷预测方法 | |
| CN118566770B (zh) | 电池系统健康状态值的估算方法及系统 | |
| CN118820686A (zh) | 基于空间划分和静态加权的交通流量预测方法 | |
| CN116342077B (zh) | 一种适用于数据缺失场站的新能源功率迁移学习预测方法 | |
| CN110110814B (zh) | 基于连续MapReduce的分布并行PCA过程监测建模方法 | |
| CN118861718A (zh) | 一种铝电解槽况的分类评级模型构建方法、设备及介质 |
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 |