一种基于数字孪生的智能制造优化系统

本发明涉及智能制造，尤其是涉及一种基于数字孪生的智能制造优化系统。

背景技术：

1、随着物联网、大数据、云计算、人工智能等新一代信息技术的不断发展，为智能制造的实时监控、预测和优化提供了新的技术手段。其中，数字孪生技术作为新一代信息技术的重要应用之一，可以实时采集物理对象的运行数据，构建高精度、高可靠性的数字模型，并通过仿真分析、智能优化等手段，对制造过程进行实时监控、预测和优化，从而提高制造效率、降低制造成本、提升产品质量。

2、然而，在预测和优化方面，数字孪生技术在智能制造过程中的应用仍存在一些不足。目前基于数字孪生技术的物理产线故障预测需要同时采集物理产线运行数据和虚拟产线运行数据来进行故障预测，这意味着需要按照设定的生产方案运行物理产线才能进行故障预测，是在物理产线运行过程中的故障预测方法，进而产生了物理产线运行过程中的产线生产方案优化方法。这样的产线生产方案优化具有较强的实时性，然而，如果设定的生产方案会导致物理产线发生故障，在故障发生前引发故障的因素已然开始对物理产线造成损害，即便在物理产线运行时能够对故障进行准确的预测并及时调整生产方案也无法修复这些损害。但是，如果在物理产线运行之前就能够给出一个较好的生产方案，使得物理产线按照该生产方案运行时发生故障的可能性最低，就能够在一定程度上解决上述问题，并推动智能制造的进一步发展。

技术实现思路

1、针对现有技术中的缺陷，本发明提供一种基于数字孪生的智能制造优化系统。

2、为了实现上述目的，本发明提供了一种基于数字孪生的智能制造优化系统，所述系统包括：

3、物理对象数据采集装置，所述物理对象数据采集装置用于采集物理产线数据，所述物理产线数据包括孪生构建数据、历史产线数据和生产方案；

4、数字孪生产线构建模块，所述数字孪生产线构建模块用于根据所述孪生构建数据构建数字孪生产线；

5、仿真分析模块，所述仿真分析模块利用所述数字孪生产线对所述生产方案进行仿真分析，进而得到最佳制造方案；

6、所述仿真分析模块中包含一种优化生产方案的计算机存储介质，所述一种优化生产方案的计算机存储介质中存储有一种计算机程序，所述计算机程序运行时执行如下步骤：

7、调用所述历史产线数据，并根据所述历史产线数据建立故障预测模型；

8、根据所述生产方案对所述数字孪生产线进行仿真运行，同时获取所述数字孪生产线仿真运行时的孪生运行数据；

9、使用所述孪生运行数据和所述故障预测模型获取所述最佳制造方案；

10、反馈调整模块，所述反馈调整模块用于输出所述最佳制造方案用以调整物理产线的生产过程。

11、本发明能在不干扰物理产线运行的情况下评估最佳生产方案，降低物理产线运行时发生故障的概率，提高了生产效率，降低了试错成本和风险。

12、可选地，所述物理对象数据采集模块包括：

13、基础数据采集单元，所述基础数据采集单元用于采集待处理产线数据；

14、预处理单元，所述预处理单元用于对所述待处理产线数据进行预处理，得到所述物理产线数据；

15、数据储存单元，所述数据储存单元用于储存所述物理产线数据。

16、进一步的，通过物理对象数据采集模块获取物理产线数据能够为构建数字孪生产线和故障预测模型提供数据支撑，进而得到最佳生产方案以实现智能制造优化。

17、可选地，所述待处理产线数据包括待处理孪生构建数据、待处理历史产线数据和待处理生产方案。

18、可选地，所述历史产线数据包括历史量化数据和历史非量化数据，所述历史量化数据包括历史产线运行温度、历史产线输出电压、历史产线输出电流、历史产线振动频率、历史产线振动幅度、历史产线生产效率、历史环境温度、历史环境湿度和历史环境气压，所述历史非量化数据包括历史产线振动波形图和故障类型；

19、所述调用所述历史产线数据，并根据所述历史产线数据建立故障预测模型包括如下步骤：

20、选择出不同所述故障类型对应的所述历史产线振动波形图作为故障振动波形图模板，进而构建故障振动波形图模板集；

21、使用波形相似计算策略计算所述历史产线振动波形图与所述故障振动波形图模板的波形一致性评分；

22、以所述历史量化数据、所述故障类型和所述波形一致性评分为基础，使用指标去耦策略获取多个非耦合故障预测指标，进而建立故障预测集；

23、使用bp神经网络构建原始故障预测模型，并使用所述故障预测集完成对所述原始故障预测模型的训练，得到所述故障预测模型。

24、进一步的，通过计算波形一致性评分来将历史非量化数据量化，进而使用指标去耦策略获取多个非耦合故障预测指标以提取原始数据中的显著特征以降低数据量，进而提升bp神经网络的训练速度和降低输出层的复杂性，在保证故障预测准确性和可靠性的同时提高故障预测效率。

25、可选地，所述使用波形相似计算策略计算所述历史产线振动波形图与所述故障振动波形图模板的波形一致性评分包括如下步骤：

26、计算所述历史产线振动波形图与所述故障振动波形图模板之间的点级同构性和图级同构性；

27、对所述点级同构性和所述图级同构性进行融合计算，得到波形全局同构性；

28、利用全连接神经网络和限制函数对所述波形全局同构性进行降维和限制，得到所述波形一致性评分。

29、进一步的，波形一致性评分不仅从整体上考虑了历史产线振动波形图与故障振动波形图之间的相似程度，而且考虑了它们之间节点的差异性，具有较高的准确性和可靠性，有利于提高故障预测的确性和可靠性。

30、可选地，所述波形全局同构性满足如下关系：

31、

32、其中，为所述波形全局同构性，为所述历史产线振动波形图和所述故障振动波形图模板的点级同构性，和分别为所述历史产线振动波形图和所述故障振动波形图模板的点级同构性计算向量，t表示进行转置操作，为所述历史产线振动波形图和所述故障振动波形图模板的图级同构性，和分别为所述历史产线振动波形图和所述故障振动波形图模板的图级同构性计算向量，为权重张量，l为超参数，为权重向量，[ ]表示拼接操作，为偏差向量，tanh为激活函数。

33、可选地，所述以所述历史量化数据、所述故障类型和所述波形一致性评分为基础，使用指标去耦策略获取多个非耦合故障预测指标，进而建立故障预测集包括如下步骤：

34、对所述历史量化数据和所述波形一致性评分进行归一化处理，得到归一化耦合故障预测指标数据，进而建立归一化耦合故障预测指标数据集；

35、利用所述归一化耦合故障预测指标数据集计算各个耦合故障预测指标之间的相关性得分；

36、使用所述相关性得分建立指标相关性矩阵，计算所述指标相关性矩阵的特征值和特征向量，并将所述特征值按照从大到小的顺序排列组成特征值序列；

37、根据所述特征值序列和特征向量获取多个非耦合故障预测指标；

38、依据所述归一化耦合故障预测指标数据集计算非耦合故障预测指标，进而结合所述故障类型建立所述故障预测集。

39、进一步的，使用指标去耦策略获取多个非耦合故障预测指标能够在保留原始数据信息的同时消除数据之间的关联性和降低数据量，并能够提升bp神经网络的训练速度和降低输出层的复杂性，在保证故障预测准确性和可靠性的同时提高故障预测效率。

40、可选地，所述非耦合故障预测指标满足如下关系：

41、

42、其中，为第k个所述非耦合故障预测指标，m为所述非耦合故障预测指标的数量且，，为所述特征值序列中第k个特征值，n为所述特征值序列中特征值的数量，为所述特征值序列中第个特征值，为任意一组归一化耦合故障预测指标数据，为可调阈值，为与对应的特征向量。

43、可选地，所述使用所述孪生运行数据和所述故障预测模型获取所述最佳制造方案包括如下步骤：

44、根据各个所述生产方案对应的孪生运行数据，使用所述故障预测模型预测所述故障类型；

45、将所述故障类型为无故障的生产方案作为所述最佳制造方案传输至所述反馈调整模块。

46、进一步的，将故障类型为无故障的生产方案作为最佳制造方案传输至反馈调整模块，并通过反馈调整模块输出进而使物理产线按照最佳制造方案运行使物理产线发生故障的可能性最低，提高了生产效率，降低了试错成本和风险。