一种基于数字孪生自组织建模的生产过程重构方法技术

一种基于数字孪生自组织建模的生产过程重构方法，发明专利技术涉及智能制造技术领域，应用于多批次大批量生产过程，所述预警方法包括以下步骤：步骤A、数据采集及预处理，步骤B、自组织构建实体及关系模型，步骤C、复杂事件推演，进行生产过程仿真，步骤D、优化仿真结果并反馈。本发明专利技术使用面向数字孪生的自组织建模方式，并建立复杂事件推演过程，能够更全面的反应生产过程，准确反馈最优调度方案，更适用于实际生产场景；处理不确定性的事件问题，提前对生产异常进行预警。异常进行预警。异常进行预警。

A production process reconfiguration method based on digital twin self-organization modeling

【技术实现步骤摘要】
一种基于数字孪生自组织建模的生产过程重构方法


[0001]本专利技术涉及智能制造
，尤其涉及基于数字孪生自组织建模的生产过程重构方法。

技术介绍

[0002]生产过程重构是多批次大批量生产中十分重要的组成部分，其相关设备繁多，工艺复杂。生产过程中，偶发的插单、调单、生产异常事件等，会造成生产过程混乱，产品质量缺陷，降低产品良率，引发经济损失。可靠的生产过程重构方法，即有效的生产调度，它能够为生产线作业人员提供足够的响应时间，为生产效率维护的决策提供有意义的信息，减少生产过程中的损失，提升生产效率，具有十分重要的工业应用价值。由于生产过程影响因素及工艺步骤繁多，导致调度影响因素复杂，很难用建立物理模型的方法去解决问题。随着大数据时代的来临，数字孪生的方法在异常检测（预测）的问题中表现出了很好的效果，但多批次大批量生产过程中的异常事件不确定，异常数据偏少导致异常信息缺乏，给实际的生产调度带来了很多困难。
[0003]现有技术中，1、大部分生产过程重构方法仅限于对生产线的加工和装配过程进行抽象并建模，生产调度影响因素，包括物流、仓储、人员、政策等考虑不足，不能满足实际需求；2、很少考虑生产过程中的数据不确定影响问题。普通调度算法能够很好地学习少数类别信息，但无法学习多事件综合影响异常数据内部的时序信息。因此，针对多批次大批量生产过程中生产调度的不确定问题，需要重新设计重构方法。

技术实现思路

[0004]本专利技术的目的是针对多批次大批量生产过程中因异常事件统计缺乏导致的生产过程描述不准确问题，提出一种基于数字孪生自组织建模的生产过程重构方法，构建预警模型，提前对生产异常进行预警，实现生产线在运行过程中的智能维护，提高产品良率与生产线效率。
[0005]为实现专利技术目的，本专利技术采用的技术方案是：基于数字孪生模型对生产异常进行预警的方法，应用于多批次大批量生产过程，所述预警方法包括以下步骤：步骤A、数据采集及预处理，包括：A.1、以生产节点为单位，通过工艺参数的统计量提取生产节点的多维特征数据，A.2、对于每一维原始特征提取的统计特征，设置时间窗口长度为，在时间维度上滑动该时间窗口，构成带时间窗的数据样本与数据标签。
[0006]步骤B、自组织构建实体及关系模型，包括：B.1、事件知识元本体构建，B.2、实体关系构建，B.3、自组织构建。
[0007]步骤C、复杂事件推演，进行生产过程仿真，包括：
C.1、复杂事件耦合局部网络模型构建，C.2、基于复杂事件耦合局部网络模型的事件推演。
[0008]步骤D、优化仿真结果并反馈，包括：D.1、构建仿真平台，D.2、结果分析，D.3、优化规则，D.4、方案回归。
[0009]进一步地，所述事件知识元本体定义为：KEm=（NEm，AEm，REm）其中，NEm为事件元本体概念或属性名称集，AEm表示事件的属性状态集，REm表示AEm
×
AEm的映射关系集。
[0010]B.2中，实体关系构建采用变种Petri网模型，Petri网为一个五元组组成，PN = (P，T，W，F，M)其中，P代表输入库所、输出库所有限集，T代表变迁有限集，W代表输出库所到变迁或变迁到输入库所有向弧集合，F代表各有向弧的权重函数，M代表各库所中的初始状态集。
[0011]本专利技术基于数字孪生系统的采集并预处理多维传感数据，通过构建基本的单元事件本体模型自组织构造实体关系模型，并经过情景数据特征挖掘隐性规则关系模型，对事件演化建模，并通过数字孪生仿真平台对事件进行仿真对耦合模型和网络参数进行迭代优化，寻求最优解。
[0012]与现有技术相比，本专利技术使用面向数字孪生的自组织建模方式，并建立复杂事件推演过程，能够更全面的反应生产过程，准确反馈最优调度方案，更适用于实际生产场景；处理不确定性的事件问题，提前对生产异常进行预警。
附图说明
[0013]图1为组织建模生产重构框架图；图2为本专利技术的流程图；图3为仿真系统界面。
具体实施方式
[0014]针对异常事件不平衡问题，解决思路主要有两种，分别是数据层方法和算法层方法。算法层方法其思想是不修改原数据，而对算法进行调整使其适应特定的不平衡数据。常见的方法如一类学习、代价敏感学习、分类器集成方法等。数据层方法其思想是直接调整原数据来平衡各个类别的分布，再对处理后数据直接使用已有学习算法，通用性较强，主要分为欠采样和过采样两类。常见的方法如随机过采样、随机欠采样、生成对抗网络方法等等。本专利技术采用的方法是随机欠采样。
[0015]参看图1，本专利技术通过智能支持平台获取基于情景本体的生产领域知识图谱，即经过预处理的采集数据，进而构建设备模型和复杂事件耦合局部网络模型，在此基础上，构建仿真平台进行生产线仿真应用，优化规则，仿真结果回归，指导生产。本专利技术的流程图如图2所示。
[0016]基于数字孪生模型对生产异常进行预警的方法，应用于多批次大批量生产过程，
其特征在于，所述预警方法包括以下步骤：步骤A、数据采集及预处理，包括：A.1、以生产节点为单位，通过工艺参数的统计量提取生产节点的多维特征数据，精简数据的同时实现不同加工时长工序数据的对齐。
[0017]本实施例中，生产工位设为生产节点。
[0018]A.2、对于每一维原始特征提取的统计特征，设置时间窗口长度为，在时间维度上滑动该时间窗口，构成带时间窗的数据样本与数据标签。
[0019]步骤B、自组织构建实体及关系模型，包括；B.1、事件知识元本体构建。
[0020]事件知识元本体构建：元本体作为完备知识表达的最小单位，从客观事物的不同侧面认知事物的本质规律，将复杂知识抽象化、形式化，便于描述客观事物的共性特征。在知识的视角下，元本体与特定领域知识无关，使得利用元本体描述不同类型事件系统要素的共性属性特征，进而构建突发事件系统共性结构模型成为可能。
[0021]事件知识元本体定义为：KEm=（NEm，AEm，REm）其中，NEm为事件元本体概念或属性名称集，AEm表示事件的属性状态集，REm表示AEm
×
AEm的映射关系集。
[0022]本专利技术釆用共性知识模型，在该知识元模型基础上扩展输入属性集、输出属性集和状态属性集的构成，建立突发事件系统中事件客体和环境客体的共性并可向专业个性扩展的知识元模型，以满足事件推演中对生产过程知识描述的需求。
[0023]本实施例中，将事件知识元本体按照功能分为工序加工、工序辅助、运输、环境控制等种类。
[0024]B.2、实体关系构建。
[0025]本实施例构建了一种适用于多种控制系统的形式化表示、数学化建模工具，综合了数据流、控制流和状态转移，为描述具有并行、异步、分布式和随机性等特征的信息加工系统提供了便捷的工具，并能够通过状态改变体现系统的动态行为特征和系统状态的演化过程。在时间及情景关系中采用变种Petri网模型。
[0026]Petri网为一个五元组组成，PN 本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生自组织建模的生产过程重构方法，应用于多批次大批量生产过程，其特征在于，所述预警方法包括以下步骤：步骤A、数据采集及预处理，包括：A.1、以生产节点为单位，通过工艺参数的统计量提取生产节点的多维特征数据，A.2、对于每一维原始特征提取的统计特征，设置时间窗口长度为，在时间维度上滑动该时间窗口，构成带时间窗的数据样本与数据标签；步骤B、自组织构建实体及关系模型，包括：B.1、事件知识元本体构建，B.2、实体关系构建，B.3、自组织构建；步骤C、复杂事件推演，进行生产过程仿真，包括：C.1、复杂事件耦合局部网络模型构建，C.2、基于复杂事件耦合局部网络模型的事件推演；步骤D、优化仿真结果并反馈，包括：D.1、构建仿真平台，D.2、结果分析，D.3、优化规则，D.4、方案回归。2.根据权利要求1所述的生产过程重构方法，其特征在于，B.1中，所述事件知识元本体定义为：KEm=（NEm，AEm，REm）其中，NEm为事件元本体属性名称集，AEm表示事件的属性状态集，REm表示AEm
×
...

【专利技术属性】
技术研发人员：张林宣，崔冰，
申请(专利权)人：清华大学，
类型：发明
国别省市：