技术新讯 > 计算推算,计数设备的制造及其应用技术 > 生产线数字孪生虚实一致性机理模型构建方法及系统  >  正文

生产线数字孪生虚实一致性机理模型构建方法及系统

  • 国知局
  • 2024-08-05 12:07:46

本发明属于数字孪生,具体涉及一种生产线数字孪生虚实一致性机理模型构建方法及系统。

背景技术:

1、生产线作为制造业的重要组成部分,其智能化是实现智能制造的必由之路。数字孪生技术作为实现智能化生产的关键技术,对物理产线进行高度真实地刻画和模拟,不断积累物理产线的实时数据,真实记录物理产线的运行过程,进行分析、预测和决策。数字孪生机理模型是数字孪生应用的核心组成,通过对生产线的各个环节和工序进行建模,实现对生产过程中涉及的包括生产设备、工艺流程在内的各种因素和变量的数字化表达,从而为产线的设计优化、调度排产、生产工艺验证、生产要素优化、设备健康管理等应用提供有效支持。

2、由于生产线的生产过程通常较为复杂、设备众多且设备间耦合关系复杂、涉及多个工序和设备的协同作业,使得数字孪生机理模型的建模和仿真变得复杂和困难。此外,在数字孪生信息物理交互过程中,产线的运行状态可能会发生变化,包括设备的状态、生产参数以及环境条件的变化等,而传统机理模型往往是基于假设工况建立的,无法与物理产线保持一致,模型的准确性和时效性不足,影响了数字孪生系统的应用效果。

技术实现思路

1、针对现有技术的上述不足,本发明提供一种生产线数字孪生虚实一致性机理模型构建方法及系统,以解决上述技术问题。

2、第一方面,本发明提供一种生产线数字孪生虚实一致性机理模型构建方法,包括:

3、在边缘层获取生产线的运行数据,并从机理模型库获取与所述生产线匹配的产线机理要素元模型;

4、在交互层对所述运行数据进行秩序化处理,得到产线运行数据;对所述产线机理要素元模型进行机理模型化处理,得到产线机理模型组件;将所述产线运行数据和所述产线机理模型组件上传至云端;

5、在云端基于所述产线机理模型组件构建生产线数字孪生机理模型,挖掘所述产线运行数据中的关键参数,并基于所述关键参数对所述生产线数字孪生机理模型进行一致性检验和校正。

6、在一个可选的实施方式中,在边缘层获取生产线的运行数据,并从机理模型库获取与所述生产线匹配的产线机理要素元模型,包括:

7、通过生产线的设备内部检测元件、传感器、plc、工控机和rfid采集生产线的运行数据;

8、获取生产线的设备类型,并基于所述设备类型从领域专家客户端或机理模型库查询匹配的产线机理要素元模型,所述产线机理要素元模型包括环境要素元模型和设备要素元模型。

9、在一个可选的实施方式中,在交互层对所述运行数据进行秩序化处理,得到产线运行数据;对所述产线机理要素元模型进行机理模型化处理,得到产线机理模型组件;将所述产线运行数据和所述产线机理模型组件上传至云端,包括:

10、对所述运行数据进行数据清洗、数据集成、数据规约和数据变换;

11、对获取的机理要素元模型进行机理模型化处理,包括模型简化、模型组装和模型融合,得到产线机理模型组件。

12、在一个可选的实施方式中,在云端基于所述产线机理模型组件构建生产线数字孪生机理模型,包括:

13、利用建模语言和建模软件对产线机理模型组件从几何、物理、行为、规则的维度进行机理模型数学方程化描述,得到生产线数字孪生机理模型。

14、在一个可选的实施方式中,挖掘所述产线运行数据中的关键参数,包括:

15、设置重要参数,所述重要参数包括关键操作变量、关键工艺参数和物理特性;

16、利用深度置信网络无监督学习模型从产线运行数据中提取隐形特征;

17、将重要参数和隐形特征整合为初始参数集合;

18、利用采样算法对初始参数集合进行随机采样,并基于采样数据生成样本点;

19、利用样本点对应的运行数据值训练代理模型,利用敏感性分析方法获取每个样本点对所述代理模型的隐形参数的敏感度;

20、筛选出敏感度达到设定的敏感度阈值的目标样本点,并将目标样本点对应的初始参数集合中的参数项设置为关键参数;

21、根据关键参数的敏感度为关键参数设置权重。

22、在一个可选的实施方式中,基于所述关键参数对所述生产线数字孪生机理模型进行一致性检验和校正的方法,包括:

23、将关键参数划分为静态参数和动态参数,所述静态参数指在一段时间内保持不变的数据,所述动态参数指在时间维度上变化的数据;

24、从产线运行数据中提取与关键参数对应的第一参数数据,从生产线数字孪生机理模型提取与关键参数对应的第二参数数据;

25、比对第一参数数据与第二参数数据的一致性,若两者的差异值在设定的误差范围内则判定所述生产线数字孪生机理模型通过一致性检验;

26、若第一参数数据与第二参数数据的差异值不在设定的误差范围内,则基于所述第一参数数据对所述生产线数字孪生机理模型进行校正。

27、在一个可选的实施方式中,比对第一参数数据与第二参数数据的一致性的方法包括:

28、分别对第一参数数据和第二参数数据进行指标正向化处理和归一化处理;

29、通过参数估计法、假设检验法或非参数方法获取静态参数的差异值,通过时域分析法、频域分析法和时频域分析法获取动态参数的差异值。

30、在一个可选的实施方式中,基于所述第一参数数据对所述生产线数字孪生机理模型进行校正的方法,包括:

31、利用校正算法,基于所述第一参数数据对所述生产线数字孪生机理模型的参数进行校正。

32、第二方面,本发明提供一种生产线数字孪生虚实一致性机理模型构建系统,包括:

33、边缘层模块,用于在边缘层获取生产线的运行数据,并从机理模型库获取与所述生产线匹配的产线机理要素元模型;

34、交互层模块,用于在交互层对所述运行数据进行秩序化处理,得到产线运行数据;对所述产线机理要素元模型进行机理模型化处理,得到产线机理模型组件;将所述产线运行数据和所述产线机理模型组件上传至云端;

35、云端模块,用于在云端基于所述产线机理模型组件构建生产线数字孪生机理模型,挖掘所述产线运行数据中的关键参数,并基于所述关键参数对所述生产线数字孪生机理模型进行一致性检验和校正。

36、在一个可选的实施方式中,所述边缘层模块包括:

37、数据采集单元,用于通过生产线的设备内部检测元件、传感器、plc、工控机和rfid采集生产线的运行数据;

38、元模型获取单元,用于获取生产线的设备类型,并基于所述设备类型从领域专家客户端或机理模型库查询匹配的产线机理要素元模型,所述产线机理要素元模型包括环境要素元模型和设备要素元模型。

39、本发明的有益效果在于,本发明提供的生产线数字孪生虚实一致性机理模型构建方法及系统,构建生产线的云-边缘协同机理建模机制,厘清云-边缘协同机理,实现云端高效复杂计算和边缘端数据信息实时获取的协调统一,以满足生产线机理建模高实时性和高准确性的要求,解决了生产线中设备众多、设备耦合关系复杂以及系统功能多样导致的机理建模过程中的计算能力和实时能力不协调的问题;分析了产线机理构成要素,构建了生产线各元素的机理模型组件,实现了生产线各元素“几何-物理-行为-规则”多维度机理模型的数学方程化描述,构建了设备、人员和环境等在内的生产线数字孪生机理模型,实现了生产线生产过程运行机理的精准刻画,解决了生产线中因设备众多、设备耦合关系复杂导致的机理模型构建困难和生产过程机理描述不准确的问题;设计了机理模型一致性检验及校正相关基础数据的敏感性分析方法,实现了对一致性检验关键因素的筛选,按照数据时间变化特性分别制定了静态参数数据和动态参数数据的一致性检验流程,保证了产线数字孪生机理模型的虚实一致性检验的效率和可行性;根据一致性检验结果,明确了模型校正范围,从参数的可测量性角度将校正参数分为实测模型参数和非实测模型参数,针对实测模型参数,给出了替换方法和校正流程进行校正;针对非实测模型参数,通过选取校正参数、构建目标函数、设计了校正算法进行了校正,有效保证了机理模型一致性校正的全面性和准确性;构建了生产线数字孪生虚实一致性机理模型,实现了对物理产线包括生产设备、工艺流程在内的各种因素和变量的高度准确刻画和表达,为产线的设计优化、调度排产、生产工艺验证、生产要素优化、设备健康管理等应用提供有效支持。

40、此外,本发明设计原理可靠,结构简单,具有非常广泛的应用前景。

本文地址:https://www.jishuxx.com/zhuanli/20240802/261185.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。