一种离散制造车间数字孪生模型自适应动态更新方法

1.本发明涉及车间数字化技术领域，主要涉及一种离散制造车间数字孪生模型自适应动态更新方法。


背景技术：

2.随着“工业4.0”和智能制造的兴起，物联网、大数据和人工智能等新的技术手段和工具不断涌现，这些新技术和工具助力传统制造业的转型升级，以此来推动制造业的高质量发展。智能化技术的应用对传统离散机械产品生产车间的改造升级也提出了新的要求。数字孪生是近几年智能制造的新兴技术，也是智能制造落地应用的手段之一。数字孪生制造车间作为一种车间运行新模式，已经在制造业中兴起并逐步探索应用，准确的孪生模型修正是完成车间数字孪生建设的重要保证。
3.当前对于车间数字孪生的研究仍处于初步探索阶段。数字孪生制造车间作为物理世界与信息世界交互与共融，以及制造活动的执行基础，需要在车间数据的驱动下，达到车间生产和管控最优。然而，在数字孪生应用中，孪生模型随着时间的推移会出现精度下降的现象，导致模型出现不准确的问题，影响车间管控的效率和精确性。实际上，如何对数字孪生制造车间的模型进行动态自适应更新，即在孪生模型精度误差显著增加时，进行模型修正，纠正模型偏差具有挑战性。保证孪生模型的准确性将直接影响数字孪生建设精度，进而影响车间数字孪生建设的效果。
4.数字孪生作为实现物理与信息融合的一种有效手段，将其应用到离散制造车间中，以孪生数据为驱动，融合物理模型与虚拟模型，完成“虚实映射，以虚控实”的迭代优化。数字孪生技术是指利用数字技术对物理实体对象的特征、行为、形成过程和性能进行描述和建模，在虚拟空间中存在一个与物理空间中的物理实体对象完全一样的数字镜像，使得产品和生产系统的数字空间模型和物理空间模型处于实时交互中，使二者能够及时地掌握彼此的动态变化并实时地做出响应。数字孪生模型(以下简称“孪生模型”)是指与物理实体模型在几何参数和性能参数一模一样的数字化模型；在产品运行阶段，孪生模型可与其实际物理实体形成实时动态的联动。可试验孪生模型是指无需驱动物理实体就可以通过孪生模型进行反复测试与实验以验证物理实体的功能与性能。为了达到能在运行阶段与物理实体的功能和性能一致，在设计阶段必须能完成孪生模型的可试验性，也就是在生产前就能验证物理实体的几何尺寸、功能与性能。然而，在数字孪生制造车间建设过程中，随着时间的推移孪生模型的精度会出现降低的现象，影响车间管控的效果，如果不对孪生模型进行及时的修正，可能会出现错误的方案指令，显著降低车间运行效率。经过对目前已有的相关专利和论文进行研究发现，目前孪生模型虽然在可视化、控制逻辑一致和数据实时交互方面有一些进展，但在离散制造车间的数字孪生领域，往往还是停留在孪生模型构建阶段，且缺乏考虑应用中孪生模型的适应性问题，导致物理车间数字孪生建设中孪生模型应用效果差的问题。
5.综上所述，提出一种面向数字孪生制造车间的模型动态自适应修正方法，对于保
证孪生模型应用中的精度，提高车间数字孪生建设效果，提升制造水平，重塑竞争优势具有重要意义。


技术实现要素：

6.发明目的：针对上述背景技术中存在的问题，本发明提供了一种离散制造车间数字孪生模型自适应动态更新方法，围绕孪生模型精度误差模型构建，孪生模型更新机制条件建立，再到孪生模型修正的路线，对孪生模型进行动态自适应修正。在孪生模型精度误差构建中，首先需要确定优先进行修正的孪生模型的性能指标，将平方损失函数作为性能指标选择的判断依据，完成性能指标的选取。其次，基于mann-kendall的偏差趋势分析方法对性能指标的精度进行显著性检验，判断性能指标是否需要进行修正。最后，将车间生产数据进行切片后，作为修正依据，以dnn和lstm为基学习器，进行模型训练，采用adaboost集成学习方法，形成强学习器，用强学习器替代不准确的孪生模型中的性能模型即可，完成孪生模型的自适应动态修正，解决现有离散制造车间数字孪生技术应用中存在的孪生模型无法动态修正的技术难题。
7.技术方案：为实现上述目的，本发明采用的技术方案为：
8.一种离散制造车间数字孪生模型自适应动态更新方法，包括以下步骤：
9.步骤s1、通过数字孪生制造车间部署的物联感知设备按时序采集连续多个生产过程的生产数据，选取特征数据集；所述特征数据集包括订单任务数据、当前时刻已完成任务数据、实时生产状态数据和预测时间；同时对虚拟车间进行数据采集，获取特征数据集；
10.步骤s2、将平方损失函数作为性能目标响应误差，并采用最大最小归一方法对目标响应误差进行归一化处理，确认需要优先修正的性能目标；
11.步骤s3、采用基于mann-kendall的偏差趋势分析方法对性能指标的精度进行显著性检验；当精度误差超越预设阈值时，所述数字孪生模型进行自适应更新；
12.步骤s4、基于步骤s3的数字孪生模型更新机制，采用集成学习方法，选择dnn和lstm作为基学习器，对基学习器进行差额对比训练，直到形成强学习器，最后进行数字孪生模型的更新。
13.进一步地，步骤s2中包括响应误差的计算和待修正性能目标的选择两个过程；具体地，
14.步骤s2.1、构建性能目标响应误差函数；用平方损失函数构建目标响应误差如下：
[0015][0016]
其中，表示孪生模型中第i个目标响应的实际值，yi＝f(x；i)表示孪生模型中第i个目标响应的理论值；基于上述目标响应误差函数，完成各个性能目标响应误差的计算；
[0017]
步骤s2.2、选择待修正的性能目标；采用最大最小归一化方法对目标响应误差步骤s2.2、选择待修正的性能目标；采用最大最小归一化方法对目标响应误差进行归一化处理，消除不同量纲的影响；计算方式如下：
[0018][0019]
其中，目标响应对的误差绝对值
△
er
ij
的计算公式为：
[0020]
△
er
ij
＝|er
i-erj|
[0021]
i和j分别表示目标响应对中包含的不同目标响应；进一步明确各个目标响应对误差差值所占比例，即目标响应对的分项系数w
ij
，计算公式如下：
[0022][0023]
n表示目标响应的总数；w
ij
的值越大，则表示第i和j个目标的响应误差越大，需要修正的优先级越高。
[0024]
进一步地，所述步骤s3中基于mann-kendall的偏差趋势分析方法具体包括：
[0025]
步骤s3.1、获得数字孪生模型的测试精度变化；计算方式包括：
[0026][0027]
其中，表示t时刻的第i个指标的实际值；f(x；i；t)表示t时刻的第i个指标在数字孪生模型下的理论值；第t 1时刻模型测试精度为ta
it 1
，则数字孪生模型的测试精度为：
[0028][0029]
第i个指标的一个完整的数字孪生模型测试精度变化表示为：
[0030][0031]
步骤s3.2、采用mann-kendall趋势检验方法检验数字孪生模型测试精度
△
tai的趋势变化情况；当数字孪生模型测试精度呈现下降趋势时，触发数字孪生模型更新机制；具体地，mann-kendall趋势检验的公式为：
[0032][0033][0034]
其中t为数字孪生模型测试精度序列中数值的个数，当si》0时，表示精度变化向上变化；当si《0时，表示精度变化向下变化；当t》10时，使用zi统计量，并计算si的方差，计算公式如下：
[0035]
[0036][0037]
其中var(si)表示si的方差，g表示结组数，t
j*
表示第j*结组中数值的个数；zi表示检验统计量；当z《0时，表示
△
tai随着时间在递减变化，孪生模型精度呈现上升趋势；当z》0时，则说明
△
tai随着时间在递增变化，孪生模型精度呈现下降趋势，此时触发数字孪生模型更新机制。
[0038]
进一步地，步骤s4中数字孪生模型进行自适应更新的具体步骤包括：
[0039]
步骤s4.1、adaboost权重函数更新；采用时间加权方法对权重函数进行更新，具体如下：
[0040]
ω
t
＝exp(-ηt)(t＝1,2,
…
,t；η∈[0,0.99])
[0041]
其中t表示数据获取的时刻，即t时刻获取的数据批号；当数据批次依次增加时，t增大，数据越新，重要性越强；
[0042]
步骤s4.2、更新样本的迭代加权机制；adaboost-dnn-lstm算法对基学习器的训练迭代过程中的样本权重更新机制具体如下：
[0043][0044][0045][0046]
其中，u表示adaboost-dnn-lstm的总迭代次数，m
*
表示总样本数；表示第i
*
个样本的第u 1迭代的权重，是用于控制样本权重调整方向的参数；ξ为模型误差的阈值，当误差超过阈值时，增大该类样本权重，反之则减少样本权重；
[0047]
步骤s4.3、确定基学习器权重αu；用αu表示第u个基学习器的投票权重，由dnn、lstm基学习器在数据集上的精度误差εu所决定，采用以下计算公式：
[0048][0049]
[0050]
其中表示第i
*
个输入的样本，表示生产进度的实际值，表示第u个基学习器的生产进度预测值，表示第u个基学习器dnn的生产进度预测值，表示第u个基学习器lstm的生产进度预测值；
[0051]
步骤s4.4、基学习器集成；将训练好的基学习器按照投票权重进行集成，获得最终的强学习器adaboost-dnn-lstm，集成公式如下：
[0052][0053]
最终用强学习器更新原有的数字孪生模型中的性能模型，完成动态自适应修正。
[0054]
进一步地，步骤s1中所述数字孪生制造车间包括虚拟产线、物理产线、仿真模型、逻辑模型和数据模型；所述虚拟产线通过仿真模型、逻辑模型、数据模型与物理产线相连接，仿真模型与逻辑模型连接，逻辑模型连接数据模型；所述虚拟产线是物理产线在数字空间里的数字映射；所述仿真模型是支持虚拟产线以实际产线状态运行的人工智能算法；所述逻辑模型是物理产线实际进行生产的运行逻辑。
[0055]
进一步地，所述虚拟产线包括虚拟生产设备、虚拟输送设备、虚拟监控设备和其他虚拟设备；虚拟生产设备、虚拟输送设备、虚拟监控设备和其他虚拟设备均分别逻辑模型和数据模型相连接；所述物理产线包括生产设备、输送设备、监控设备和其他设备；生产设备、输送设备、监控设备和其他设备均分别与逻辑模型和数据模型相连接；所述虚拟产线各设备分别对应物理产线上的同名设备；所述传感器设置在虚拟产线上，分别与生产设备、输送设备、监控设备和其他设备相连接。
[0056]
进一步地，在虚拟产线的运行过程中，虚拟传感器实时采集虚拟生产设备的数据，并将数据传输至产线数据模型服务平台，传感器从产线数据模型服务平台中读取数据并作用于生产设备；生产设备进行生产动作，得到物理产线的数据，并将物理产线的数据传输至产线数据模型服务平台与虚拟产线的数据进行对比，如果生产设备和虚拟生产设备的数据存在差异，则调整虚拟生产设备的路径和位置，使虚拟产线和物理产线的运行结果一致。
[0057]
有益效果：
[0058]
本发明提供的离散制造车间数字孪生模型自适应动态更新方法充分利用海量制造数据中蕴含的知识信息，将adaboost、dnn和lstm进行有效集成，理论方法简单，易实现，极大提升了计算效率，满足自适应更新要求。为离散制造系统数字孪生的精确应用，包括：性能分析、在线决策与优化提供了模型更新方法，对车间生产管控智能化水平的提升具有重要的价值。本发明可以用于指导数字孪生模型构建过程，解决孪生模型随时间变化而出现性能衰减的问题，能够有效提高孪生模型构建精度。
附图说明
[0059]
图1是本发明提供的离散制造车间数字孪生模型自适应动态更新方法原理图；
[0060]
图2是本发明提供的数字孪生模型自适应动态更新方法流程图；
[0061]
图3是本发明实施例中提供的集成adaboost-dnn-lstm算法流程图。
具体实施方式
[0062]
下面结合附图对本发明作更进一步的说明。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
[0063]
本发明提供了一种离散制造车间数字孪生模型自适应动态更新方法，具体包括以下步骤：
[0064]
步骤s1、过数字孪生制造车间部署的物联感知设备按时序采集连续多个生产过程的生产数据，选取特征数据集；所述特征数据集包括订单任务数据、当前时刻已完成任务数据、实时生产状态数据和预测时间；同样对虚拟车间也进行数据采集，获取特征数据集。其中两个特征数据集互相独立采集，且具有相同的类别。
[0065]
数字孪生车间的数据来源多样，不同来源的数据在编码方式、数据格式、应用特征等方面不尽相同，不同制造要素数据在形式、语义、标识上也存在显著差异。数字孪生制造车间包括虚拟产线、物理产线、仿真模型、逻辑模型和数据模型；所述虚拟产线通过仿真模型、逻辑模型、数据模型与物理产线相连接，仿真模型与逻辑模型连接，逻辑模型连接数据模型相；所述虚拟产线是物理产线在数字空间里的数字映射；所述仿真模型是支持虚拟产线以实际产线状态运行的人工智能算法；所述逻辑模型是物理产线实际进行生产的运行逻辑。
[0066]
虚拟产线包括虚拟生产设备、虚拟输送设备、虚拟监控设备和其他虚拟设备；虚拟生产设备、虚拟输送设备、虚拟监控设备和其他虚拟设备均分别逻辑模型和数据模型相连接；所述物理产线包括生产设备、输送设备、监控设备和其他设备；生产设备、输送设备、监控设备和其他设备均分别与逻辑模型和数据模型相连接；所述虚拟产线各设备分别对应物理产线上的同名设备；所述传感器设置在虚拟产线上，分别与生产设备、输送设备、监控设备和其他设备相连接。
[0067]
在虚拟产线的运行过程中，虚拟传感器实时采集虚拟生产设备的数据，并将数据传输至产线数据模型服务平台，传感器从产线数据模型服务平台中读取数据并作用于生产设备；生产设备进行生产动作，得到物理产线的数据，并将物理产线的数据传输至产线数据模型服务平台与虚拟产线的数据进行对比，如果生产设备和虚拟生产设备的数据存在差异，则调整虚拟生产设备的路径和位置，使虚拟产线和物理产线的运行结果一致，实现智能产线可试验数字孪生体的数据交互。
[0068]
步骤s2、将平方损失函数作为性能目标响应误差，并采用最大最小归一方法对目标响应误差进行归一化处理，确认需要优先修正的性能目标；具体地，
[0069]
步骤s2.1、构建性能目标响应误差函数；用平方损失函数构建目标响应误差如下：
[0070][0071]
其中，表示孪生模型中第i个目标响应的实际值，yi＝f(x；i)表示孪生模型中第i个目标响应的理论值；基于上述目标响应误差函数，完成各个性能目标响应误差的计算；
[0072]
步骤s2.2、选择待修正的性能目标；采用最大最小归一化方法对目标响应误差
进行归一化处理，消除不同量纲的影响；计算方式如下：
[0073][0074]
其中，目标响应对的误差绝对值
△
er
ij
的计算公式为：
[0075]
△
er
ij
＝|er
i-erj|
[0076]
i和j分别表示目标响应对中包含的不同目标响应；进一步明确各个目标响应对误差差值所占比例，即目标响应对的分项系数w
ij
，计算公式如下：
[0077][0078]
n表示目标响应的总数；w
ij
的值越大，则表示第i和j个目标的响应误差越大，需要修正的优先级越高。
[0079]
步骤s3、采用基于mann-kendall的偏差趋势分析方法对性能指标的精度进行显著性检验；当精度误差超越预设阈值时，所述数字孪生模型进行自适应更新；具体地，
[0080]
步骤s3.1、获得数字孪生模型的测试精度变化；计算方式包括：
[0081][0082]
其中，表示t时刻的第i个指标的实际值；f(x；i；t)表示t时刻的第i个指标在数字孪生模型下的理论值；第t 1时刻模型测试精度为ta
it 1
，则数字孪生模型的测试精度为：
[0083][0084]
第i个指标的一个完整的数字孪生模型测试精度变化表示为：
[0085][0086]
步骤s3.2、采用mann-kendall趋势检验方法检验数字孪生模型测试精度
△
tai的趋势变化情况；当数字孪生模型测试精度呈现下降趋势时，触发数字孪生模型更新机制；具体地，mann-kendall趋势检验的公式为：
[0087][0088][0089]
其中t为数字孪生模型测试精度序列中数值的个数，当si》0时，表示精度变化向上变化；当si《0时，表示精度变化向下变化；当t》10时，使用zi统计量，并计算si的方差，计算公式如下：
[0090][0091][0092]
其中var(si)表示si的方差，g表示结组数，t
j*
表示第j*结组中数值的个数；zi表示检验统计量；当z《0时，表示
△
tai随着时间在递减变化，孪生模型精度呈现上升趋势；当z》0时，则说明
△
tai随着时间在递增变化，孪生模型精度呈现下降趋势，此时触发数字孪生模型更新机制。
[0093]
步骤s4、基于步骤s3的数字孪生模型更新机制，采用集成学习方法，选择dnn和lstm作为基学习器，对基学习器进行差额对比训练，直到形成强学习器，最后进行数字孪生模型的更新。具体地，
[0094]
步骤s4.1、adaboost权重函数更新；采用时间加权方法对权重函数进行更新，具体如下：
[0095]
ω
t
＝exp(-ηt)(t＝1,2,
…
,t；η∈[0,0.99])
[0096]
其中t表示数据获取的时刻，即t时刻获取的数据批号；当数据批次依次增加时，t增大，数据越新，重要性越强；
[0097]
步骤s4.2、更新样本的迭代加权机制；adaboost-dnn-lstm算法对基学习器的训练迭代过程中的样本权重更新机制具体如下：
[0098][0099][0100][0101]
其中，u表示adaboost-dnn-lstm的总迭代次数，m
*
表示总样本数；表示第i
*
个样本的第u 1迭代的权重，是用于控制样本权重调整方向的参数；ξ为模型误差的阈值，当误差超过阈值时，增大该类样本权重，反之则减少样本权重；
[0102]
步骤s4.3、确定基学习器权重αu；用αu表示第u个基学习器的投票权重，由dnn、lstm基学习器在数据集上的精度误差εu所决定，采用以下计算公式：
[0103]
[0104][0105]
其中表示第i
*
个输入的样本，表示生产进度的实际值，表示第u个基学习器的生产进度预测值，表示第u个基学习器dnn的生产进度预测值，表示第u个基学习器lstm的生产进度预测值；
[0106]
步骤s4.4、基学习器集成；将训练好的基学习器按照投票权重进行集成，获得最终的强学习器adaboost-dnn-lstm，集成公式如下：
[0107][0108]
最终用强学习器更新原有的数字孪生模型中的性能模型，完成动态自适应修正。
[0109]
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。