數字孿生驅動的造船精細化工時管理模式及應用研究

張浩 邵家偉

摘 要：為進一步提升我國船舶制造企業生產管理水平，實現生產全過程監控，提高造船效率，提出一種基于數字孿生理論的精細化造船工時管理模式，通過建立二維三維數字孿生模型、系統架構和數據映射邏輯結構，在生產計劃、監控通訊設備及企業知識的助力下，實現生產數據實時信息共享及人員、設備、材料有效集成。試驗結果表明，數字孿生技術的運用使返工率降低17.6%，修正噸位提高12.4%?；跀底謱\生驅動的造船精細化工時管理模式完成了數字化、集成化、智能化、標準化的工時管理信息系統構建，可降低生產管理成本，提高生產效率，提升造船企業核心競爭力。

關鍵詞：船舶;精細化;工時管理;數字孿生

DOI：10. 11907/rjdk. 201253????????????????????????????????????????????????????????????????? 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP319 ? 文獻標識碼：A ??????????????? 文章編號：1672-7800（2020）011-0169-05

Research on Management Model and Application of

Refined Industry Time Driven by Data Twin

ZHANG Hao， SHAO Jia-wei

（School of Economics and Management，University of Science and Technology，Zhenjiang 212003，China）

Abstract： In order to further improve the production management level of Chinas shipbuilding enterprises， monitor the production process and improve the shipbuilding efficiency， based on the digital twin theory， a refined shipbuilding man hour management mode is proposed. By establishing a two-dimensional and three-dimensional digital twin model， system architecture and data mapping logic structure， real-time information sharing of production data and effective integration of personnel， equipment and materials are realized with the help of production planning， monitoring communication equipment and enterprise knowledge. The results show that with the application of digital twin technology， the rework rate was reduced by 17.6% and the corrected tonnage was increased by 12.4%. The time management mode of shipbuilding fine chemical industry based on digital twin drive completed the construction of digital， integrated， intelligent and standardized man hour management information system， which can reduce production management cost， improve production efficiency and the core competitiveness of the enterprise.

Key Words： ship; refinement;man-hour management; data twin

0 引言

船舶制造企業是知識、技術與勞動密集型企業，具有高投資、高風險等特點。近年來，在國家政策和資金的大力扶持下，2016年我國船舶制造行業新接和手持訂單量均位居世界第一，份額分別為65.2%和43.9%，然而企業營業收入和利潤分別為6 975.7和147.4億元，利潤率僅為2.11%，重點監測企業利潤率更低至0.5%[1];2018年我國船舶制造行業新接和手持訂單量占比分別為39%和42.6%，企業營業收入和利潤也只有4 577.9和112.3億元，利潤率僅為2.45%。顯而易見，雖然我國船舶制造業收入高，但是利潤低，主要表現為我國船舶制造企業管理粗放，思想固化。而工時是企業進行生產管理的重要決策依據，也是企業決策者進行管理決策的有效手段，很多企業工時測算和生產管理依舊依靠經驗，導致誤差較大，等工誤工等現象屢見不鮮[2]。

近年來，工時管理等問題日益凸顯，許多專家學者對其進行了深入研究。葉正梗等[3]針對零件特征層，利用拓撲結構、精度等級和切削量等參數衡量零件拓撲結構復雜度和工藝屬性復雜度，針對作業要素層和操作者認知層，引入信息熵評價生產要素復雜度和操作認知復雜度;常建娥等[4]將裝配工時按特性分為取料時間、定位時間和連接時間，提取影響各部分工時的關鍵因素，通過計算樣本與基準零件的裝配相似系數，結合裝配工時在MATLAB中構建擬合曲線，最后在函數關系式和GM（0，N）模型中分別預測定位時間和連接時間;朱韓剛等[5]針對現階段工時管理存在的不足，以工程分解中的標準任務包為核心，建立工時物量定額基本方法，并以回歸統計分析的方法完成對工時定額的修正;趙東等[6]闡述了現代造船模式下中間產品工時/物量之間的關系，建立數據統計分析系統關鍵技術，提出了研究工時/物量數據統計分析系統的總體方案;索哲等[7]通過建立工時體系模型，對實動工時和基準工時的關系進行梳理，并通過編程使其收集和分析自動化;張志英等[8]對項目工時中的圖紙作業和非圖紙作業進行研究，建立了非圖紙作業工時定額模型與圖紙作業工時定額神經網絡模型;Nitta等[9]基于工序特征運用工時估算模型進行工時誤差分析;Dong等[10]基于工作研究及基元理論，通過工時評估模型簡化了工時定額制定流程;劉濱等[11-12]應用相似性理論對裝配階段的中間產品進行分類，并選用BP算法計算中間產品裝配工時;Lee等[13-14]運用BP神經網絡算法計算船舶分段裝配工時，完成了工時定額智能測算。

在數字孿生應用方面，郭東升等[15]運用數字孿生技術對航天結構件工藝、資源等進行了建模研究;陳振等[16]在數字孿生理論基礎上構建了飛機裝配框架，并對其關鍵技術進行了介紹;孫亞東等[17]構建了本體元模型數字化樣機，實現了復雜產品研發信息集成;莊存波等[18]認為利用數字孿生技術可為當今制造業提供新的發展理念和機遇。

綜上所述，數字孿生已成為現今工藝設計和生產管理的重要工具[19]，因此數字孿生技術將傳統生產管理模式轉變為高集成度、智能化的管理模式已是大勢所趨。然而，上述研究并未將數字孿生技術運用于生產管理，或在生產管理中提及數字孿生的重要性。因此，本文提出基于數字孿生的造船工時管理模式，著力于建立基于數字孿生的數字化、集成化、智能化、標準化的工時管理信息系統，實現船舶生產全要素、全數據、全流程的集成交互，為提高船舶生產管理效率、降低生產成本提供一種有效的生產管理模式和方法。

造船工時管理模式指船舶制造企業在生產管理過程中，以工時作為紐帶，以信息流的方式貫穿生產管理每一個階段，實現各管理系統之間的有效集成和聯動。傳統工時管理模式主要采用任務派工的方式進行作業任務跟蹤反饋，一般情況下，生產管理部門會將反饋工時物量數據與生產計劃進行對比分析，若反饋數據不符合生產計劃，則需在納期允許的范圍內重新調整生產計劃并安排人員設備進行生產。但是，這種生產管理方式反應慢、準確性差、效率低，難以滿足當今復雜產品生產裝配的需要。因此亟需一種更高效的造船工時生產管理模式。

數字孿生是一組虛擬模型的綜合，可從微觀到宏觀完整刻畫潛在或真實的物理制造產品[20]。其最早由美國Grieves教授于2003年提出，不久便引起了行業關注和重視。隨后美國PTC、達索系統、通用電氣、德國西門子和特斯拉等均嘗試將數字孿生應用到各自產品研發和銷售中[21]。數字孿生理論雖然在我國發展較遲，但是近些年來也取得了長足發展，在汽車等行業中已相當成熟，但暫未滲入至船舶制造業中。

因此，本文在借鑒已有研究的基礎上，引入數字孿生理論，提出數字孿生驅動的造船精細化工時管理模式。該管理模式致力于實現各管理層數據的有效集成和利用，運用工時數據作為紐帶將任務派工、數據傳輸、生產調度和監控、模型構建等結合到一起，形成完整的造船工時管理系統，完成實時生產數據分享和調用，可極大發揮生產力，減少生產成本并精簡管理，實現良好的實踐效果。

1 數字孿生驅動的造船工時管理

數字孿生驅動的精細化造船工時管理模式管理流程如圖1所示，運用數字孿生理論技術，根據生產作業車間和工位的真實信息構建二維三維空間模型，并利用管理人員與智能設備結合的方法實現生產數據采集與交互，最后，在此基礎上建立完整的數字孿生工時管理模型。

生產設計完成后，生產管理人員在充分分析各專業各類BOM表數據的基礎上，完成對各類抽取模型的數據來源（EXCEL、SQL、TRIBON等）、信息模型及增量式接收規則等定義，并運用SQL語句采用COM-OBJECT的抽取方法，從TRIBON等三維模型中提取船舶建造過程中各類BOM數據、舾裝托盤等詳細的制造信息，包括計算所需的各種子類參數信息，形成數字模型設計。

根據抽取的數字模型，參考各企業虛擬庫，按照規則及提前設置的推理關系，通過推理機將設計物量特征值與該專業對應的定額測算標準進行遍歷，并在遍歷過程中與虛擬庫進行匹配，將所有滿足條件的規則送入沖突集中，然后根據沖突消解策略從中選擇一條最優匹配規則，按照規則進行定額工時測算。

工時作為企業進行生產管理和排產的依據，生產管理部門需綜合考慮納期、庫存、一線生產人員、生產設備等方面，從各模型（人員模型、設備模型、倉庫模型等）中進行實時映射，完成數據采集和對企業現階段生產能力的統計分析，最后進行計劃安排和生產調度，實現均衡生產。

在生產過程中產生了大量生產數據（物量、工時等），這些數據通過管理人員及智能設備反饋的方式統一進入生產管理系統，由管理人員進行分類統計，在建立數字模型的基礎上形成孿生數據。在對照生產計劃和孿生模型的同時，對反饋數據作出反應，一方面根據實時數據修改原始設計數字模型，形成修正數字模型，并在計算工時的同時進行合理的生產調度;另一方面工時等數據將作為參考數據用于現有虛擬庫優化，使虛擬知識庫更加符合企業當下實際生產情況。

2 數字孿生驅動的工時管理孿生模型構建

2.1 工時管理各數字模型構建

數字孿生驅動的工時管理孿生模型分為人、機、料、環四大類，包括人員、設備、倉庫、運輸設備、零部件、生產環境等，它們共同作用于船舶制造過程，并影響制造工時長短。因此，本文將數字孿生驅動的船舶制造工時管理數字模型表示為：

定義1：DT=DTM？DTL？DTP？DTE

其中，DT表示船舶制造過程數字孿生模型;DTM為加工設備數字孿生模型，主要指工業機器人數字孿生模型;DTL為人員數字孿生模型;DTE為環境數字孿生模型; DTP為零部件/加工產品數字孿生模型。

2.1.1 設備孿生模型

制造過程中，設備包括運輸設備和加工設備，例如AGV和工業機器人等。為實現物理模型和孿生模型的實時映射，每種設備均需融入生產管理系統，完成設備各維度信息與生產管理系統實時聯動，保證工時數據時效和價值，為生產決策起到推動作用。設備數字孿生模型定義為：

定義2：DTM=（Num;Function;Location;State）

其中Num表示設備號，Function表示功能，Location表示地點，State表示狀態（即是否正在工作）。根據生產管理的需要，系統需對每一臺設備建立孿生模型，實現對特征、狀態、地點及其它信息的實時聯動。當進行任務派工時，管理人員根據任務種類和工時選擇功能合適且不在服務中或滿足等工要求的設備，并向其發出任務指令，設備對指令作出反應進行生產，完工后反饋相應的工時物量數據。設備中的數據傳輸接收主要通過單片機、PLC或傳感器實現。

2.1.2 人員孿生模型

人員共分為兩類：一線作業人員和生產管理人員。人員數字孿生模型定義為：

定義3：DTL=（Num;Type;Location;State）

其中Num表示工號，Type表示工種，Location表示地點，State表示狀態。在制造過程中，主要采用圖像識別和RFID技術進行身份識別和位置定位，并確認其工作狀態確認，以便對其作出派工指令。船舶制造施工人員較多，因此其反饋的工時物量數據將作為生產管理中重要的參考數據和對虛擬庫進行修正的依據。

2.1.3 產品孿生模型

產品主要關系到原材料、零部件、半成品和倉庫，生產管理部門需對制造對象的加工狀態進行確認，掌握產品在制造的流動過程，最后結合工藝信息以數字幾何模型的形式進行傳輸反饋。人員數字孿生模型定義為：

定義4：DTP=（Name;Model;Function;Location;State）

其中Name表示產品名稱，Model表示產品型號，Function表示用途，Location表示地點，State表示狀態（即有無存貨或者是否正在加工）。

2.1.4 環境孿生模型

環境因其影響較小，在系統中處于弱化地位。對于環境孿生模型，現階段主要通過溫度傳感器等設備結合人員感官進行環境狀態分析，最后向系統輸入數字孿生模型，環境孿生模型定義為：

定義5：DTE=（Type;State;Analysis）

數據主要包括Type（天氣類型）、State（狀態）和Analysis（影響大小）。雖然有多重設備對環境進行監測，但受限于技術條件，影響力大小無法測量，因此可通過熵權法等方法確定，但缺點是具有主觀性。

2.2 造船工時管理數據映射結構

在船舶制造過程中，對工時產生較大影響的因素主要分為人、機、料、法、環五大類，除了技術無法實時監測外，其余均須實時收集分析數據，以便進行合理有效的生產管理。因此，系統根據需要收集的數據信息向映射對象（人、機、料、環）的對應模型進行相應數據收集，船舶制造數據映射邏輯結構如圖2 所示。各對象根據對應的反饋渠道（人員、傳感器、監控設備等）進行數據反饋，并在各模型中實現實時狀態等信息數據在生產管理系統中的映射。系統根據反饋的實時數據進行計劃比對和工時數據分析，然后進行生產安排和調度，反饋信息將形成指令將工單下發到各設備和人員，完成后自動進入下一循環。數字孿生驅動的船舶制造工時管理系統架構模型如圖3所示。

3 關聯機制

結合數據映射邏輯結構可看出數字孿生驅動的精細化工時管理系統主要通過影像設備、傳感器、單片機、PLC等傳輸數據，并根據傳輸的數字模型建立二維或三維的孿生模型，再根據孿生數據進行系統修正和生產管理。

在船舶制造工時管理系統中，加工設備、運輸設備、倉庫、人員、半成品/材料、影像設備、傳感器、可編輯邏輯編輯器（PLC）、讀寫器等部件共同組成生產系統，完成對產品從零部件到成品入庫的任務派工、生產、信息反饋傳輸等一系列過程。通過虛實通訊接口（VR Interface），如RFID、PLC等與實體之間的有機結合實現實體實時數據與孿生模型之間的信息實時交互共享，并根據傳輸的數字模型建立二維或三維的孿生模型，實現信息交互融合，保持數據時效性。此外，實時工時物量數據將同步上傳到工時管理系統云平臺，生成孿生數據，生產管理部門將基于反饋的數據運用大數據、DEA等方法進行耗時、效率等分析，并與生產計劃進行比對，進行生產調度;反饋的工時數據也將同時對虛擬知識庫進行更新，實時跟進生產實際，以便為后續生產進行更有效的安排提供參考。工時管理系統聯動實現如圖4所示。

4 案例論證

A企業是國內一家集成產品設計、制造一體的造船企業，有多年從事產品生產、設計、服務及銷售經驗，該企業堅持創新，具有很強的活力和競爭力，是行業翹楚，在多年運營過程中積攢了大量有效數據，尤其是在工時方面，數據跟進及時，更新較快，信息化程度較高，為本文研究提供了條件。本文以船廠為例，對其進行管理方式改進，并將最終結果與往年數據進行對比，比較效率大小。

首先對設計數據分類抽取，套用相應計算模塊計算工時數據，并以工時數據為參考，調用設備、人員等實時數據和模型，確定企業實時生產能力，向作業場地中的設備、人員發出相應生產指令、任務，任務派工如圖5所示。

生產人員和設備在生產過程中通過通訊和傳感設備上傳實時工時物量數據，生產管理部門根據監控和傳感設備進行任務核對，將沒有問題的數據上傳工時管理系統云平臺，建立相應的二維三維模型，并形成孿生數據。

任務反饋完成后，管理人員一方面對生產數據進行分析并與生產計劃進行比對，制定合理的生產調度安排;另一方面基于工時數據對虛擬知識庫進行修正，將超過閾值的知識進行修正，計算出生產效率等指標作為生產改進的依據。閾值一般設置為0.9和1.1。

整個工時管理系統從數據抽取和工時計算開始，流經派工、映射、分析修正，再進行修改數據抽取計算，直至產品完工。

結果表明，數字孿生技術使A船廠生產率大幅提高，較于歷史數據，返工率降低17.6%，修正噸位（噸位/時間）提高12.4%，生產和管理效率大幅提高，成本明顯降低。

5 結語

本文通過對數字孿生驅動的造船工時管理系統構建和相關技術創新，實現了船舶制造自動化和有效化，改善了管理環境，提高了生產率，大幅降低了生產成本，但由于船舶制造企業管理的局限性，在管理過程中還無法實現真正的無人化，這是后續研究方向。

參考文獻：

[1]? ? ? ?李根，張光明，劉家國. 我國船舶工業技術效率地區差異及收斂性分析[J]. 中國造船，2017，58（2）：165-177.

[2] 朱鈺，楊鋒，江利景，等. 基于共享回饋DEA模型的中國省際高技術產業創新效率研究[J]. 控制與決策，2020，35（8）：1997-2005.

[3] 葉正梗，蔡志強，周福禮. 基于多層次復雜度的工時定額綜合研究[J]. 計算機集成制造系統，2019，25（3）：556-565.

[4] 常建娥，李帥，莫易敏，等. 基于裝配相似性與灰色模型的汽車裝配工時預測[J]. 工業工程，2018，21（3）：87-92.

[5] 朱韓剛，馬曉平. 船舶建造中的工時物量定額應用方法研究[J]. 江蘇造船，2014，31-39.

[6] 趙東，馬曉平，蔣志勇. 船舶制造中的工時物量數據統計分析系統研究[J]. 造船技術，2003（2）：8-9.

[7] 索哲，滕勇，劉金華，等. 船舶生產設計工時管理分析及其自動化[J]. 江蘇船舶，2011，6（28）：32-34.

[8] 張志英，李珍，何成能，等. 船舶生產設計工時體系及預測模型研究[J]. 中國造船，2009，50（4）：177-185.

[9] NITTA I，SHIBUYA T，HOMMA K. Method and apparatus for estimating man-hour[P]. JAPAN： JP 20072111760，2007.8.

[10] DONG Q Y，KAN S L，？HUANG Z H，et al. The assembly task man-hour estimate model based on primitives and work study[J]. Institution of Engineering and technology，2002：1150-1152.

[11] 劉濱，蔣祖華. 船舶裝配作業工時智能估算技術[J]. 上海交通大學學報，2005，39（12）：1979-1983.

[12] 李淑娟，李言，洪偉.? 基于神經網絡的加工時間定額確定方法[J]. 機械科學與技術，2000，19（2）：30-32.

[13] LEE J K.Developing scheduling systems for Daewoo shipbuilding：DAS project[J]. European Journal of Operational research，1997（2）：380-395.

[14] LEE J K，KIM H D. Man-hour requirement estimation for assemblies using neural networks[C]. Proceedings of 94 Japan/Korea Joint Conference on Expert Systems，1994：203-206.

[15] 郭東升，鮑勁松，史恭威，等. 基于數字孿生的航天結構件制造車間建模研究[J]. 東華大學學報：自然科學版，2018，44（4）：578-585，607.

[16] 陳振，丁曉，唐健鈞，等. 基于數字孿生的飛機裝配車間生產管控模式探索[J]. 航空制造技術，2018，61（12）：46-50.

[17] 孫亞東，張旭，寧汝新，等. 面向多學科協同開發領域的集成建模方法[J]. 計算機集成制造系統，2013，19（3）：449-460.

[18] 莊存波，劉檢華，熊輝，等. 產品數字孿生體的內涵、體系結構及其發展趨勢[J]. 計算機集成制造系統，2017，23（4）：753-768.

[19] MACCHI M，RODA I，NEQRI E，et al. Exploring the role of digital twin for asset lifecycle management[J]. IFAC -Pa-personline，2018，51（11）：790-795.

[20] GRIEVES M.Virtually perfect：driving innovative and lean products through product lifecycle management[M]. Florida：Space Coast Press，2011.

[21] SCHLEICH B，ANWER N， MATHIEU L，et al.Shaping the digital twin for design and production engineering[J]. CIRP Annals-Manufacturing Technology，2017，66（1）：141-144.

（責任編輯：江 艷）