基于工業(yè)數(shù)字孿生仿真建模的虛擬工廠業(yè)務(wù)協(xié)同模型研究

姚培福，王建國，譚正洲

(云南銅業(yè)(集團)有限公司，云南 昆明 650051)

0 引言

近年來，隨著分布式傳感器網(wǎng)絡(luò)、邊緣計算、大數(shù)據(jù)挖掘和虛擬可視仿真等新興熱點技術(shù)在制造業(yè)領(lǐng)域的廣泛應(yīng)用[1]，物理實體智慧工廠發(fā)展迅速并呈現(xiàn)出顯著的系統(tǒng)自主感知、實境擴增整體可視、系統(tǒng)重組及自優(yōu)化、經(jīng)驗自主學(xué)習(xí)及進化和人機協(xié)同共存等屬性，是工業(yè)4.0背景下智能制造產(chǎn)業(yè)發(fā)展的主要載體[2]，推動了全球制造業(yè)的智能化跨越式發(fā)展。

隨著物理實體智慧工廠日常運維中產(chǎn)生的數(shù)據(jù)流變量集和控制流變量集等全景信息的日益增多，物理實體智慧工廠在工程實踐中日益凸顯出環(huán)境變量動態(tài)變化實時感知失效、多維因素約束下設(shè)備互聯(lián)與數(shù)字集成失衡和較長周期內(nèi)自主預(yù)測機制缺失等若干缺陷[3]，無法構(gòu)建基于全景數(shù)據(jù)建模與深度關(guān)聯(lián)模型的全要素、全流程、全感知的組織結(jié)構(gòu)和運行邏輯，故構(gòu)建了基于工業(yè)數(shù)字孿生仿真建模的虛擬工廠業(yè)務(wù)協(xié)同模型，并進行了典型環(huán)境下的仿真驗證。

融合考慮物理實體智慧工廠物理空間、數(shù)字空間和虛擬空間之間的耦合關(guān)系，對物理實體智慧虛擬工廠業(yè)務(wù)協(xié)同模型完整生命周期運維邏輯進行目標導(dǎo)向下的任務(wù)分解[4]，引入數(shù)字孿生技術(shù)，構(gòu)建數(shù)據(jù)感知及高效傳輸、融合事件驅(qū)動的虛實映射和基于深度學(xué)習(xí)的虛擬工廠業(yè)務(wù)協(xié)同等3個子模型，實現(xiàn)虛擬工廠業(yè)務(wù)協(xié)同模型多目標最優(yōu)決策。

開展典型應(yīng)用場景下的模型效能仿真驗證，選取以云南銅業(yè)(集團)有限公司下轄某車間為應(yīng)用案例，對模型進行了工程應(yīng)用實踐驗證，結(jié)果表明，虛擬工廠業(yè)務(wù)協(xié)同模型能夠?qū)崟r生成最優(yōu)控制策略，物理實體智慧工廠能夠精準按照數(shù)字孿生系統(tǒng)提供的最優(yōu)控制策略實際運行，可以與數(shù)字孿生系統(tǒng)進行雙向?qū)崟r數(shù)據(jù)交互，為物理實體智慧工廠完整生命周期運維管理提供策略指導(dǎo)。

1 虛擬工廠業(yè)務(wù)協(xié)同模型體系架構(gòu)

虛擬工廠業(yè)務(wù)協(xié)同模型體系架構(gòu)的關(guān)鍵，在于基于虛擬空間生成具有高保真屬性的虛擬實體來模擬物理實體在現(xiàn)實空間的受控行為，并向物理實體反饋相應(yīng)的控制策略信息，以預(yù)測和優(yōu)化物理實體在現(xiàn)實空間的行為趨勢。把物理實體智慧工廠完整生命周期運維邏輯進行目標導(dǎo)向下的任務(wù)分解，著重關(guān)注數(shù)據(jù)感知及高效傳輸、融合事件驅(qū)動的虛實映射和基于深度學(xué)習(xí)的虛擬工廠業(yè)務(wù)協(xié)同等3個耦合子架構(gòu)，構(gòu)建了工業(yè)數(shù)字孿生仿真建模背景下的虛擬工廠業(yè)務(wù)協(xié)同模型體系架構(gòu)，具體如圖1所示。

圖1 基于數(shù)字孿生的虛擬工廠業(yè)務(wù)協(xié)同模型體系架構(gòu)

其中，數(shù)據(jù)感知及高效傳輸子架構(gòu)主要完成工業(yè)數(shù)字孿生完善場景基礎(chǔ)數(shù)據(jù)的感知及高效傳輸工作，實現(xiàn)把物理實體智慧工廠的物理和邏輯組件建模為數(shù)據(jù)對象，利用分布式物聯(lián)網(wǎng)節(jié)點集群實現(xiàn)數(shù)據(jù)對象高效傳輸；融合事件驅(qū)動的虛實映射子架構(gòu)主要建立高度動態(tài)場景下物理實體智慧工廠數(shù)據(jù)模型與孿生模型之間的映射規(guī)則[5]，把現(xiàn)實空間下數(shù)據(jù)模型的動態(tài)變化映射為虛擬空間下的孿生模型時間與空間變化，實現(xiàn)現(xiàn)實空間中的數(shù)據(jù)模型與虛擬空間中的孿生模型同步變動；基于深度學(xué)習(xí)的虛擬工廠業(yè)務(wù)協(xié)同子架構(gòu)主要實現(xiàn)高度動態(tài)屬性下虛擬工廠業(yè)務(wù)流程再造及最優(yōu)控制策略生成，給出基于工業(yè)數(shù)字孿生驅(qū)動的虛擬工廠多目標優(yōu)化調(diào)度策略并反饋給物理實體智慧工廠，形成良性的閉環(huán)反饋機制，從根本上提高物理實體智慧工廠的推理與決策水平。

2 虛擬工廠業(yè)務(wù)協(xié)同模型關(guān)鍵技術(shù)

2.1 數(shù)據(jù)感知及高效傳輸關(guān)鍵技術(shù)

數(shù)據(jù)感知及高效傳輸關(guān)鍵技術(shù)為虛擬工廠業(yè)務(wù)協(xié)同模型提供底層數(shù)據(jù)驅(qū)動來源，一方面解決物理實體智慧工廠中的實體模型及業(yè)務(wù)模型的全景信息感知，為虛擬工廠下的信息模型提供虛擬鏡像依據(jù)；另一方面提供物理實體智慧工廠與虛擬工廠之間的高效數(shù)據(jù)耦合交互通道。物理實體智慧工廠實體模型及業(yè)務(wù)模型具有顯著的多源異構(gòu)與大數(shù)據(jù)屬性，屬于連續(xù)動態(tài)空間下的復(fù)雜數(shù)據(jù)感知及組織問題，引入工業(yè)4.0組件中的資產(chǎn)建模語言AutomationML實現(xiàn)實體模型及業(yè)務(wù)模型的全景感知，引入工業(yè)4.0組件中的高效通信協(xié)議OPC UA實現(xiàn)物理實體智慧工廠與虛擬工廠的雙向?qū)崟r數(shù)據(jù)耦合交互[6]?？紤]到一般性及高效性，把物理實體智慧工廠組件要素劃分為設(shè)備、產(chǎn)線和產(chǎn)品3類，利用AutomationML語言建立形式化描述下的數(shù)據(jù)對象模型，則有

(1)

PES為物理實體智慧工廠；CEij為設(shè)備組件要素集合，包括設(shè)備名稱(SMeg)、設(shè)備編號(SHeg)、設(shè)備狀態(tài)(SZeg)、產(chǎn)線隸屬(CLeg)、維保信息(WBeg)和預(yù)留擴展字段(INFOeg)等；CPij為產(chǎn)線組件要素集合，包括產(chǎn)線名稱(CMeg)、產(chǎn)線編號(CHeg)、產(chǎn)線狀態(tài)(CZeg)、產(chǎn)線工藝(CGeg)、產(chǎn)線產(chǎn)品(CPeg)和預(yù)留擴展字段(INFOeg)等；CFij為產(chǎn)品組件要素集合，包括產(chǎn)品名稱(PMeg)、產(chǎn)品編號(PHeg)、產(chǎn)品屬性(CSeg)、產(chǎn)線隸屬(GLeg)、產(chǎn)品去向(CQeg)和預(yù)留擴展字段(INFOeg)等；組件要素之間具有耦合的層次關(guān)系[7]，SXij為建立組件屬性集，包括組件機械屬性(JXet)、電氣屬性(DQet)、結(jié)構(gòu)屬性(JGet)、拓撲屬性(TPet)、幾何屬性(JHet)、運動屬性(YDet)和邏輯屬性(LJet)等。對SXij、CEij、CPij和CFij進行二級形式化描述，則設(shè)備、產(chǎn)線、產(chǎn)品組件要素及組件屬性集為

(2)

(3)

CPij={CMeg，CHeg，CZeg，CGeg，CPeg，INFOeg}

(4)

CFij={PMeg，PSeg，CZeg，CLeg，CQeg，INFOeg}

(5)

在物理實體智慧工廠實際運行時，借助分布式物聯(lián)網(wǎng)實時采集多源異構(gòu)數(shù)據(jù)，通過AutomationML進行數(shù)據(jù)格式交換，按照式(2)～式(5)進行層次數(shù)據(jù)描述，構(gòu)建實例、接口、角色和單元等角度的統(tǒng)一數(shù)據(jù)模型。其中，單元數(shù)據(jù)模型涵蓋設(shè)備、產(chǎn)線和產(chǎn)品等層級，由可重構(gòu)的組件模板構(gòu)成；角色數(shù)據(jù)模型涵蓋接口屬性規(guī)則；接口數(shù)據(jù)模型涵蓋常規(guī)的接口規(guī)則；實例數(shù)據(jù)模型通過調(diào)用單元和角色數(shù)據(jù)模型，使角色庫實例化，最終使用內(nèi)部元素對物理實體智慧工廠系統(tǒng)中的物理實體組件進行建模。在實例層次建立基于OPC UA通信協(xié)議的數(shù)據(jù)耦合交互服務(wù)端[8]，在角色庫層次建立基于OPC UA通信協(xié)議的數(shù)據(jù)耦合交互客戶端，利用中間格式XML對統(tǒng)一數(shù)據(jù)模型進行抽象暫存，利用OPC UA通信協(xié)議實現(xiàn)物理實體智慧工廠與虛擬工廠的雙向?qū)崟r數(shù)據(jù)耦合交互，通過AutomationML語言及OPC UA通信協(xié)議可以有效解決多源異構(gòu)數(shù)據(jù)集成問題，很好地將設(shè)備、產(chǎn)線和產(chǎn)品3類組件要素有機耦合，全景還原物理實體智慧工廠實際生產(chǎn)活動。

2.2 融合事件驅(qū)動的虛實映射關(guān)鍵技術(shù)

通過層次數(shù)據(jù)描述構(gòu)建了統(tǒng)一的數(shù)據(jù)模型，可以較好地隨動反映物理實體智慧工廠實際生產(chǎn)活動，通過OPC UA通信協(xié)議實現(xiàn)實體智慧工廠與虛擬工廠的雙向數(shù)據(jù)耦合交互，在數(shù)據(jù)模型層次全景還原物理實體智慧工廠資源向產(chǎn)品轉(zhuǎn)變的全過程。由于數(shù)據(jù)模型具有較強的開放擴展性，數(shù)據(jù)模型層次描述不斷豐富，需要在虛擬工廠車間實時隨動孿生模型，實現(xiàn)物理實體數(shù)據(jù)模型與虛擬工廠孿生模型始終保持一致。引入融合事件驅(qū)動的虛實映射關(guān)鍵技術(shù)，把物理實體的資源變化以時間或者空間敏感的形式映射為虛擬空間中幾何模型的隨動變化，物理實體數(shù)據(jù)模型的豐富變化通過模型實時屬性與虛實映射規(guī)則自主映射至孿生虛擬空間，具體如圖2所示，詳細實現(xiàn)流程如下所述。

圖2 融合事件驅(qū)動的虛實映射關(guān)鍵技術(shù)邏輯

a.動態(tài)幾何模型設(shè)計：數(shù)據(jù)模型層對應(yīng)的動態(tài)幾何模型是孿生虛擬空間的基本開始形式，利用紋理映射技術(shù)實現(xiàn)精確幾何建模。首先，建立物理實體模型對應(yīng)的粗略幾何輪廓，作為紋理映射的基礎(chǔ)素材；然后，確定物理實體表面的紋理屬性，將物理實體表面上各點所對應(yīng)的紋理值作為動態(tài)幾何模型中的相應(yīng)參數(shù)進行光強度計算，繪制精細幾何模型；最后，利用父子節(jié)點關(guān)系實現(xiàn)幾何模型動態(tài)隨動，父子節(jié)點相互耦合變化的規(guī)則為父節(jié)點變化一定引起子節(jié)點變化，子節(jié)點變化一定不會引起父節(jié)點變化。

b.事件驅(qū)動下的虛實映射：把事件驅(qū)動變更劃分為操作工藝變更數(shù)據(jù)驅(qū)動和流水線變更數(shù)據(jù)驅(qū)動，當操作工藝變更時，觸發(fā)映射規(guī)則調(diào)整機制，對實時數(shù)據(jù)進行調(diào)整，通過OPC UA通信協(xié)議上傳數(shù)據(jù)模型的最新實時屬性[9]；當流水線變更時，觸發(fā)映射規(guī)則調(diào)整機制，分級對映射規(guī)則進行選取，對實時數(shù)據(jù)進行調(diào)整，通過OPC UA通信協(xié)議上傳數(shù)據(jù)模型的最新實時屬性。

c.隨動孿生模型的生成：基于OPC UA通信協(xié)議服務(wù)端上傳的雙向耦合數(shù)據(jù)，在OPC UA通信協(xié)議客戶端對耦合數(shù)據(jù)進行提取與深度分析，對上文生成的動態(tài)幾何模型進行約束項生成，添加幾何屬性值、數(shù)據(jù)接口邏輯關(guān)系、模型與數(shù)據(jù)的對應(yīng)關(guān)系等，實現(xiàn)實體模型與孿生模型的初步融合，利用閉環(huán)反饋機制實現(xiàn)孿生模型的自優(yōu)化。

2.3 基于機器學(xué)習(xí)的虛擬工廠業(yè)務(wù)協(xié)同關(guān)鍵技術(shù)

借助OPC UA通信協(xié)議服務(wù)端提取的數(shù)字孿生虛擬工廠物理狀態(tài)變量組，構(gòu)建具有顯著多源異構(gòu)屬性的數(shù)字孿生虛擬工廠業(yè)務(wù)協(xié)同特征數(shù)據(jù)池，引入機器學(xué)習(xí)算法對數(shù)字孿生虛擬工廠業(yè)務(wù)協(xié)同特征數(shù)據(jù)池進行多維感知[10]，建立復(fù)雜事件異常與業(yè)務(wù)最優(yōu)協(xié)同之間的邏輯對應(yīng)關(guān)系。不失一般性，復(fù)雜事件異常監(jiān)測算法視為策略μ的序列函數(shù)，定義Q函數(shù)為在采用確定性策略μ下選擇動作的獎勵期望值。為了保證算法迭代收斂速度跨數(shù)量級提升，引入面向虛擬工廠業(yè)務(wù)最優(yōu)協(xié)同的經(jīng)驗緩沖機制，從經(jīng)驗緩沖因子池中隨機采樣Mini-batch數(shù)據(jù)組，自主生成復(fù)雜事件異常監(jiān)測物理映射信息框架并標記，則復(fù)雜事件異常監(jiān)測物理映射自生成機制為

θiJ≈

(6)

基于式(6)的融合共享效應(yīng)，多重Q網(wǎng)絡(luò)中的參數(shù)θQ具有較好的自主進化性能。借助Qμ(s,μ(s))利用μ策略在s狀態(tài)選取動作所獲取的回報期望值，自主生成虛擬工廠復(fù)雜邏輯物理映射信息框架并標記[11]，可以較好實現(xiàn)大數(shù)據(jù)量級多源異構(gòu)復(fù)雜事件異常監(jiān)測數(shù)據(jù)物理映射自生成。進而給出多重Q網(wǎng)絡(luò)自主進化機制，把面向數(shù)字孿生虛擬工廠的業(yè)務(wù)最優(yōu)協(xié)同問題視為連續(xù)動態(tài)變動場景下的自主感知與決策問題[12]，則虛擬工廠業(yè)務(wù)協(xié)同策略自主生成決策機制為

(7)

利用2020年1月—12月期間云南銅業(yè)(集團)有限公司下轄某車間業(yè)務(wù)協(xié)同數(shù)據(jù)構(gòu)建仿真數(shù)據(jù)集，選取仿真數(shù)據(jù)集中的8 600例數(shù)據(jù)作為算法的前置訓(xùn)練集，選取仿真數(shù)據(jù)集中的5 700例數(shù)據(jù)作為算法的后置測試集，引入常用目標優(yōu)化算法作為對照，利用Python語言編程實現(xiàn)，在PyCharm集成環(huán)境下進行圖形化仿真，仿真結(jié)果如圖3所示。鑒于數(shù)字孿生虛擬工廠業(yè)務(wù)最優(yōu)協(xié)同問題屬于連續(xù)動作空間下的感知與決策問題，引入16層深度信念神經(jīng)網(wǎng)絡(luò)框架，并利用緩沖池機制改善深度確定性策略梯度算法的感知收斂遲滯問題。設(shè)置Target-action Value神經(jīng)網(wǎng)絡(luò)以及Action Value神經(jīng)網(wǎng)絡(luò)，實現(xiàn)復(fù)雜事件異常監(jiān)測及評估，利用Target-action Value神經(jīng)網(wǎng)絡(luò)當中輸入當前狀態(tài)S可以輸出NextQ值，將當前的狀態(tài)S輸入Action value神經(jīng)網(wǎng)絡(luò)當中獲得evalQ值，實現(xiàn)業(yè)務(wù)最優(yōu)協(xié)同策略自主生成。基于圖3給出的顯著對比信息，本文利用機器學(xué)習(xí)算法建立復(fù)雜事件異常與業(yè)務(wù)最優(yōu)協(xié)同之間的邏輯對應(yīng)關(guān)系，較好實現(xiàn)了高緯度約束下虛擬工廠業(yè)務(wù)最優(yōu)協(xié)同。通過與領(lǐng)域內(nèi)常用的多目標最優(yōu)化算法進行橫向比較可知，本文給出的基于機器學(xué)習(xí)的虛擬工廠業(yè)務(wù)協(xié)同關(guān)鍵技術(shù)在收斂性及有效率等層面具有顯著優(yōu)勢，模型訓(xùn)練迭代600 000次后，虛擬工廠業(yè)務(wù)最優(yōu)協(xié)同有效率趨于90%以上，符合模型對協(xié)同有效率的質(zhì)量要求。

圖3 基于深度學(xué)習(xí)的虛擬工廠業(yè)務(wù)協(xié)同關(guān)鍵技術(shù)性能仿真

3 虛擬工廠業(yè)務(wù)協(xié)同模型應(yīng)用驗證

為了實際驗證文中所提虛擬工廠業(yè)務(wù)協(xié)同模型在一線工程應(yīng)用下的實際效能，以云南銅業(yè)(集團)有限公司下轄某車間為應(yīng)用案例，對模型進行了工程應(yīng)用實踐驗證，應(yīng)用驗證布置邏輯如圖4所示。實體工廠數(shù)據(jù)層主要提供幾何模型實時屬性數(shù)據(jù)等，從數(shù)據(jù)源頭保證數(shù)字孿生虛擬工廠與實體工廠運行屬性動態(tài)一致；業(yè)務(wù)最優(yōu)協(xié)同策略生成層借助OPC UA通信協(xié)議服務(wù)端實現(xiàn)資源級、工藝級、流水線級數(shù)據(jù)流與控制流集成，構(gòu)建面向虛擬工廠的全要素全流程關(guān)聯(lián)匹配機制，利用機器學(xué)習(xí)算法對耦合交互數(shù)據(jù)進行深度分析，借助深度信念神經(jīng)網(wǎng)絡(luò)框架生成業(yè)務(wù)最優(yōu)協(xié)同策略；可視化人機交互層實現(xiàn)友好的雙向人機交互，具備業(yè)務(wù)最優(yōu)協(xié)同實況可視化推送、車間生產(chǎn)狀態(tài)高保真虛實映射、物理實體智慧工廠數(shù)據(jù)，以及控制流全息展示等功能，支持高保真數(shù)字孿生虛擬工廠的實時呈現(xiàn)。

圖4 虛擬工廠業(yè)務(wù)協(xié)同模型應(yīng)用驗證布置邏輯

進一步從定量化層面對比分析虛擬工廠業(yè)務(wù)協(xié)同模型的工程化應(yīng)用效能，選取以云南銅業(yè)(集團)有限公司下轄某車間為效能評價載體，以云南銅業(yè)(集團)有限公司下轄某車間正在應(yīng)用的三維可視化智慧工廠運維狀態(tài)綜合監(jiān)測系統(tǒng)為對照系統(tǒng)，選取云南銅業(yè)(集團)有限公司下轄某車間鋅合金生產(chǎn)線為效能對比原始數(shù)據(jù)來源，從虛實映射模型動態(tài)屬性一致率、數(shù)字孿生場景周期同步耗費時間和虛擬工廠業(yè)務(wù)最優(yōu)協(xié)同策略有效率等方面進行定量分析，圍繞虛擬工廠業(yè)務(wù)協(xié)同模型驗證平臺工程化應(yīng)用人機交互友好性、數(shù)據(jù)集成實時有效性和動態(tài)調(diào)控信息互聯(lián)推送等方面進行定性分析，具體如表1所示。

表1 虛擬工廠業(yè)務(wù)協(xié)同模型應(yīng)用驗證對比表

4 結(jié)束語

針對物理實體智慧工廠在工程實踐中日益凸顯的環(huán)境變量動態(tài)變化實時感知失效、多維因素約束下設(shè)備互聯(lián)與數(shù)字集成失衡，以及較長周期內(nèi)自主預(yù)測機制缺失等若干缺陷，提出了一種基于工業(yè)數(shù)字孿生仿真建模的虛擬工廠業(yè)務(wù)協(xié)同模型。從體系架構(gòu)、關(guān)鍵技術(shù)和應(yīng)用驗證等層面完整給出了模型實現(xiàn)要素，為加快工業(yè)數(shù)字孿生技術(shù)實際落地應(yīng)用進行了階段性的實踐。開展了業(yè)務(wù)協(xié)同模型典型應(yīng)用環(huán)境下的效能仿真驗證，從理論上驗證了模型實現(xiàn)要素的可行性及優(yōu)越性，系統(tǒng)進行了業(yè)務(wù)協(xié)同模型工程實踐應(yīng)用驗證，從定性和定量2個角度驗證了業(yè)務(wù)協(xié)同模型的有效性，具有環(huán)境變量動態(tài)變化實時感知全面、多維因素約束下設(shè)備互聯(lián)與數(shù)字集成，以及較長周期內(nèi)自主決策趨向明顯等優(yōu)勢。后續(xù)的研究聚焦于利用機器學(xué)習(xí)算法對虛擬工廠多源異構(gòu)海量數(shù)字孿生數(shù)據(jù)進行隱性知識感知，實現(xiàn)數(shù)字孿生虛擬工廠經(jīng)驗自學(xué)習(xí)，為物理實體智慧工廠完整生命周期運維管理提供策略指導(dǎo)。