一种基于数字孪生的智慧工厂管控方法及系统 |
|||||||
| 申请号 | CN202311868973.2 | 申请日 | 2023-12-28 | 公开(公告)号 | CN117991731A | 公开(公告)日 | 2024-05-07 |
| 申请人 | 安徽同新源科技有限公司; | 发明人 | 梅杰; 程成; | ||||
| 摘要 | 本 发明 公开了一种基于数字孪生的智慧工厂管控方法及系统，涉及数字孪生工厂控制技术领域，解决了 现有技术 中数字孪生模型往往只用于简单的数据映射和状态监测，缺乏对异常情况的预警和及时处理，一旦出现异常，会影响生产目标，造成生产逾期的技术问题；本发明模型构建模 块 基于运行信息和运行指数，构建目标厂区的数字孪生模型；通过 传感器 实时采集目标工厂的运行信息至数字孪生模型中，数字孪生模型输出运行指数；将运行指数与对应 阈值 进行比较，判断是否异常；是，则智能终端模块显示运行异常，并采取措施；否，则智能终端显示运行正常；实现对目标工厂的实时监测和及时预警，有助于提前识别潜在问题，并及时处理，优化生产过程。 | ||||||
| 权利要求 | 1.一种基于数字孪生的智慧工厂管控系统，其特征在于，包括模型构建模块，以及与之相连接的数据采集模块和智能控制模块； |
||||||
| 说明书全文 | 一种基于数字孪生的智慧工厂管控方法及系统技术领域[0001] 本发明属于数字孪生工厂控制领域，具体是一种基于数字孪生的智慧工厂管控方法及系统。 背景技术[0002] 随着科技的快速发展，智能制造和智慧工厂成为了当今制造业的重要发展方向。 [0003] 传统的工厂控制系统往往受到物理空间和设备的限制，无法实现全局优化和实时调整；为了解决这一问题，智慧工厂控制系统应运而生，它利用先进的技术，如数字孪生、大数据、人工智能等，实现了工厂的智能化、高效化、自动化的控制和管理；然而，现有的智慧工厂控制系统在应用数字孪生技术方面仍存在一些问题；数字孪生模型往往只用于简单的数据映射和状态监测，缺乏对异常情况的预警和及时处理，一旦出现异常，会影响生产目标，造成生产逾期现象。 [0004] 因此，本发明提出了一种基于数字孪生的智慧工厂管控方法及系统。 发明内容[0005] 本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了一种基于数字孪生的智慧工厂管控方法及系统，用于解决现有技术中数字孪生模型往往只用于简单的数据映射和状态监测，缺乏对异常情况的预警和及时处理，一旦出现异常，会影响生产目标，造成生产逾期的技术问题。 [0007] 模型构建模块：从历史数据中提取目标工厂的运行信息，并分析运行指数；基于运行信息与运行指数构建目标工厂的数字孪生模型；其中，运行信息包括环境信息、设备运行信息和生产运行信息；运行指数包括设备运行指数和生产运行指数； [0008] 智能控制模块：通过传感器实时采集目标工厂的运行信息，并传输至数字孪生模型中；数字孪生模型输出运行指数，判断运行指数是否异常；是，则显示运行异常，智能终端模块给出解决方案；否，则显示运行正常，智能终端模块不做处理；其中，运行异常包括设备运行故障和生产运行异常。 [0009] 优选的，所述从历史数据中提取目标工厂的运行信息，包括： [0010] 从历史数据中提取若干组设备运行信息；基于若干组设备运行信息提取对应的环境信息；基于设备运行信息和环境信息提取对应的生产运行信息；其中，设备运行信息包括：温度、电流和电压；环境信息包括温度、湿度和光照；生产运行信息包括生产效率和良品率。 [0011] 本发明从历史数据中提取设备运行信息、环境信息以及生产运行信息，且为一一对应关系；构成日常工厂生产的数据序列，为后续目标工厂数字孪生模型的建立提供了更加真实的训练数据，保障数字孪生模型建立的准确性。 [0012] 优选的，所述设备运行指数，包括： [0013] 基于设备运行信息，通过公式Qj＝Σ(α×Tij+β×Aij+γ×Vij)计算得到设备运行指数Qj；其中，i表示处理周期，i＝0，1，…，N，j表示设备编号，j＝0，1，…，M，且N、M为正整数，Tij表示温度均值，Aij表示电流均值，Vij表示电压均值；α、β、γ为权重系数，取值均大于0。 [0014] 本发明基于设备运行信息分析设备运行指数，可以及时反映设备的运行状态和性能，有利于及时发现问题并采取相应的措施；且该公式使用的是客观的物理量，如温度、电流和电压的均值，以及权重系数，这些都可以通过测量和计算得到，避免了主观评价的干扰，还可用于不同类型的设备分析。 [0015] 优选的，所述生产运行指数，包括： [0016] 基于生产效率和良品率，通过公式ZP＝δ×LP+η×RP计算得到生产运行指数；其中，P表示监测节点，LP表示生产效率，RP表示良品率；δ、η为权重系数，且均大于0。 [0017] 优选的，所述基于运行信息与运行指数构建目标工厂的数字孪生模型，包括： [0019] 步骤二：通过CAD模型构建设备3D模型；根据平面图设备的安置位置，将设备3D模型放置在目标厂区的框架模型中； [0020] 步骤三：将运行信息作为标准输入数据，运行指数作为标准输出数据，对目标厂区的框架模型进行训练；训练得到目标工厂的数字孪生模型。 [0021] 本发明通过从数据库中提取的平面图构建框架模型，再结合CAD模型构建设备3D模型，并放置在目标厂区的框架模型中，实现厂区与设备的集成，且通过将运行信息作为标准输入数据，运行指数作为标准输出数据对目标厂区的框架模型进行训练；训练得到目标工厂的数字孪生模型，真实地反映实际工厂的生产情况，方便查看和管理整个工厂的运行状态。 [0022] 优选的，所述判断运行指数是否异常，包括： [0023] 将设备运行指数与设备运行指数阈值比较，判断设备运行指数是否超过设备运行指数阈值；是，则显示设备运行故障；否，则显示设备运行正常； [0024] 将生产运行指数与生产运行指数阈值比较，判断生产指数是否超过生产运行指数阈值；是，则显示生产运行正常；否，则显示生产运行异常。 [0025] 优选的，所述设备运行指数阈值，包括： [0026] 从历史数据中提取若干设备异常信息，并按照异常类型进行划分为k组，且每组为不同异常类型包括若干个处理周期，对每组地异常信息进行均值处理，通过公式S＝ΣQk/(P+1)计算得到设备运行指数阈值S；其中，k＝0，1，…，P；Qk为异常运行指数，Qk＝α×Tk+β×Ak+γ×Vk；Tk表示温度均值，Ak表示电流均值，Vk表示电压阈值； [0027] 需要说明的是，异常类型包括温度异常、电流异常、电压异常、温度电流异常、温度电压异常、电流电压异常，以及温度电流电压均异常； [0028] 本发明第二方面提供了一种基于数字孪生的智慧工厂管控方法，其特征在于，包括以下步骤： [0029] 步骤一：基于运行信息，以及运行指数，构建目标厂区的数字孪生模型； [0030] 步骤二：通过传感器实时采集目标工厂的运行信息至数字孪生模型中，数字孪生模型输出运行指数； [0031] 步骤三：将运行指数与对应阈值进行比较，判断是否异常；是，则智能终端模块显示运行异常，并采取措施；否，则智能终端显示运行正常。 [0032] 与现有技术相比，本发明的有益效果是： [0033] 1.本发明从历史数据中提取设备异常信息，并按照异常类型进行划分，计算各异常类型对应的异常运行指数；基于各异常运行指数，综合分析得到设备运行指数阈值；通过计算各异常类型对应的异常运行指数，可以对设备的异常状态进行量化评估；且综合考虑了设备在各种异常类型下的运行情况，得到的设备运行指数阈值更具代表性和参考价值；通过设置设备运行指数阈值，可以实现对设备运行状态的预警；及时发现并处理问题，避免设备故障对生产造成影响。 [0034] 2.本发明基于运行信息，以及运行指数，构建目标厂区的数字孪生模型；通过传感器实时采集目标工厂的运行信息至数字孪生模型中，数字孪生模型输出运行指数；将运行指数与对应阈值进行比较，判断是否异常；是，则智能终端模块显示运行异常，并采取措施；否，则智能终端显示运行正常；通过构建目标厂区的数字孪生模型，可以真实地模拟目标工厂的实际运行情况，同时基于传感器实时采集的运行信息，可以准确地输出运行指数，从而实现对目标工厂的及时预警和处理，有助于提前识别潜在问题并优化生产过程。 附图说明 [0035] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。 [0036] 图1为本发明的系统原理框图； [0037] 图2为本发明的方法流程框图。 具体实施方式[0038] 下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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它实施例，都属于本发明保护的范围。 [0039] 请参阅图1‑图2，本发明第一方面实施例提供了一种基于数字孪生的智慧工厂管控系统，包括模型构建模块，以及与之相连接的数据采集模块和智能控制模块； [0040] 模型构建模块从历史数据中提取目标工厂的运行信息，并分析运行指数；基于运行信息与运行指数构建目标工厂的数字孪生模型；其中，运行信息包括环境信息、设备运行信息和生产运行信息；运行指数包括设备运行指数和生产运行指数； [0041] 具体地，从历史数据中提取若干组设备运行信息；基于若干组设备运行信息提取对应的环境信息；基于设备运行信息和环境信息提取对应的生产运行信息；其中，设备运行信息包括：温度、电流和电压；环境信息包括温度、湿度和光照；生产运行信息包括生产效率和良品率。 [0042] 基于运行信息和运行指数构建目标厂区的数字孪生模型，构建步骤如下： [0043] 步骤一：从数据库中提取目标厂区的平面图；通过平面图构建目标厂区的框架模型； [0044] 步骤二：通过CAD模型构建设备3D模型；根据平面图设备的安置位置，将设备3D模型放置在目标厂区的框架模型中； [0045] 步骤三：将运行信息作为标准输入数据，运行指数作为标准输出数据，对目标厂区的框架模型进行训练；训练得到目标工厂的数字孪生模型。 [0046] 其中，设备运行指数计算方式如下： [0047] 基于设备信息，通过公式Qj＝Σ(α×Tij+β×Aij+γ×Vij)计算得到设备运行指数Qj；其中，i表示处理周期，i＝0，1，…，N，j表示设备编号，j＝0，1，…，M，且N、M为正整数，Tij表示温度均值，Aij表示电流均值，Vij表示电压均值；α、β、γ为权重系数，取值均大于0。 [0048] 例如：某一个电池生产工厂，设置有温度传感器、电流传感器和电压传感器，来获取设备信息；其中，假设每条产线设置2个设备进行生产，信息的处理周期设置为1min，且1min内采集5组设备信息；以下对某一条产线设备的第一个处理周期进行分析； [0049] 设备0：温度(54，58，51，62，65)℃；电流(207，213，312，334，345)A；电压(223，225，233，235，249)V； [0050] 设备1：温度(68，65，71，78，84)℃；电流(389，368，421，435，458)A；电压(410，428，394，416，510)； [0051] 假设权重系数α＝0.4，β＝0.3，γ＝0.3； [0052] 根据公式Qj＝α×Tij+β×Aij+γ×Vij，可以计算每个设备的运行指数Qj： [0053] 设备0：T10＝(54+58+51+62+65)/5＝58℃；A10＝(207+213+312+334+345)/5＝282.2A；V10＝(223+225+233+235+249)/5＝335.4V； [0054] Q0＝0.4×58+0.3×282.2+0.3×233＝177.76； [0055] 设备1：T11＝(68+65+71+78+84)/5＝73.2℃；A11＝(323+345+421+410+385)/5＝394.2A；V11＝(410+428+394+416+510)/5＝431.6V； [0056] Q1＝0.4×73.2+0.3×394.2+0.3×431.6＝277.02； [0057] 根据计算结果，设备0的运行指数为177.76，设备2的运行指数为277.02。 [0058] 通过运行指数的计算方法，可分析设备运行指数阈值，包括： [0059] 从历史数据中提取若干设备异常信息，并按照异常类型进行划分为k组，且每组为不同异常类型包括若干个处理周期，对每组地异常信息进行均值处理，通过公式S＝ΣQk/(P+1)计算得到设备运行指数阈值S；其中，k＝0，1，…，P；Qk为异常运行指数，Qk＝α×Tk+β×Ak+γ×Vk；Tk表示温度均值，Ak表示电流均值，Vk表示电压阈值； [0060] 需要说明的是，异常类型包括温度异常、电流异常、电压异常、温度电流异常、温度电压异常、电流电压异常，以及温度电流电压均异常。 [0061] 例如：假设从历史数据中提取若干组不同异常类型的异常设备信息，其中，温度异常组标记为0，电流异常组标记为1、电压异常组标记为2、温度电流异常组标记为3、温度电压异常组标记为4、电流电压异常组标记为5，以及温度电流电压均异常标记为6；温度阈值为50‑70℃，电流阈值为200‑310A，电压阈值为200‑310V；权重系数α＝0.4，β＝0.3，γ＝0.3； [0062] 假设计算得到温度异常组：T0＝85℃，A0＝260A，V0＝250V；则Q0＝0.4×85+0.3×260+0.3×250＝187； [0063] 电流异常组：T1＝60℃，A1＝375A，V1＝264V；则Q1＝0.4×60+0.3×375+0.3×264＝215.7； [0064] 电压异常组：T2＝62℃，A2＝275A，V2＝332V；则Q2＝0.4×62+0.3×275+0.3×332＝206.9； [0065] 温度电流异常组：T3＝95℃，A3＝412A，V3＝306V；则Q3＝0.4×95+0.3×412+0.3×306＝253.4； [0066] 温度电压异常组：T4＝103℃，A4＝276A，V4＝462V；则Q4＝0.4×103+0.3×276+0.3×462＝262.6； [0067] 电流电压异常组：T5＝61℃，A5＝396A，V5＝427V；则Q4＝0.4×61+0.3×396+0.3×427＝271.3； [0068] 温度电流电压均异常组：T6＝105℃，A6＝415A，V6＝512V；则Q6＝0.4×105+0.3×415+0.3×512＝320.1； [0069] 综上，S＝ΣQk/7＝(187+215.7+206.9+253.4+262.6+271.3+320.1)/7＝245.29，即设备运行指数阈值为245.29。 [0070] 其中，生产运行指数，包括： [0071] 基于生产效率和良品率，通过公式ZP＝δ×LP+η×RP计算得到生产异常指数；其中，P表示监测节点，LP表示生产效率，RP表示良品率；δ、η为权重系数，且均大于0； [0072] 需要说明的是，处理周期为生产周期的任意节点，即生产周期的二分之一或者三分之一，等等，生产效率和良品率均由开始生产到监测节点之间生产的产量计算得到。 [0073] 例如，假设某一条生产线，生产周期为10h，预计生产1000个电池，在生产周期的二分之一处，生产了450个电池；其中，生产的电池中质量良有250个，提取该节点的生产效率和良品率；生产效率LP＝450/5/100＝0.9，良品率RP＝250/450/100＝0.5；其中，δ＝0.5，η＝0.5； [0074] 通过公式ZP＝δ×LP+η×RP＝0.5×0.9+0.5×0.5＝0.7，计算得到生产运行指数为0.7。 [0075] 智能控制模块通过传感器实时采集目标工厂的运行信息，并传输至数字孪生模型中，输出运行指数；其中，将设备运行指数Qj与设备运行指数阈值S比较，判断设备运行指数Qj是否超过设备运行指数阈值S；是，则显示设备运行故障；否，则显示设备运行正常；将生产运行指数ZP与生产运行指数阈值比较，判断生产指数是否超过生产运行指数阈值；是，则显示生产运行正常；否，则显示生产运行异常。 [0076] 例如：基于上述实施例，某一条产线的两台设备的运行指数分别为Q0＝177.76，Q1＝277.02，S＝245.29；通过比较可知，设备0运行正常，设备1运行故障； [0077] 基于上述实施例，ZP＝0.7；若生产运行指数预设阈值为1，则生产运行异常；若生产运行指数预设阈值为0.5，则生产运行正常。 [0078] 当设备运行故障或生产运行故障时，智能终端模块通知管理人员对设备进行维修或者调整生产策略。 [0079] 例如：基于上述实施例，生产运行指数ZP＝0.7，且生产运行指数预设阈值为1，则生产运行异常；管理人员调整生产速度为V＝(1000‑450)/5＝110件/h，并加强对产品质量的把控，通过调控环境条件，使得适宜电池生产，以及对员工进行定期的培训，提高员工的技能和操作水平，以确保能够按照要求进行操作。 [0080] 上述公式中的部分数据是去除量纲取其数值计算，公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式；公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。 [0081] 以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。 |
||||||
QQ群二维码
意见反馈
意见反馈