基于數字孿生技術的生產線故障預警

李勝前， 劉治紅， 邱 楓， 趙智聰， 張弦弦

（中國兵器裝備集團自動化研究所 智能制造事業部， 四川 綿陽 621000）

0 引言

在傳統的柔性生產基礎上，模塊化生產已經成為“工業4.0”的主流，模塊化構造帶來了更高的靈活性，通過數據采集分析方法實現了對所連接設備的狀態監控， 這些數據除了被用于遠程狀態監控外，還能用于質量監控、過程改進以及預防性維護，提高了機器設備的可支配性[1]。

目前，大多數的模塊化生產線智能化程度還不高，尤其是故障檢測方面。大多數生產線均采用后置報警方式實現故障提示，視頻監控或者可視化系統提醒管控人員對生產線設備進行檢修，普遍在故障前置預測方面不足[2]。 當報警信號產生時，產線已經出現了故障，并且，故障檢測不能精準到設備以及關鍵部件，一旦出現故障，將對產線的生產效率造成很大影響。因此，亟需提出一種故障預警的方法。

本文將數字孿生技術引入模塊化生產線， 利用建模軟件構建虛擬生產線， 利用生產線管理系統采集并管理設備數據， 從而實現物理生產線和虛擬生產線數據的交互融合， 最終構建了基于數字孿生技術的模塊化裝藥生產線管控模型；在此基礎上，利用管控模型中數據協同交互功能，實現對設備數據的實時采集、管理與分析；最后使用神經網絡算法對管控模型中設備數據發展狀態進行預測，并以此為依據對設備狀態進行調控和預測，最終實現基于數字孿生技術的模塊化裝藥生產線故障預警[3]。

1 模塊化自動化生產線

1.1 生產線總體布局

模塊化自動化裝藥裝配生產線由傳輸線、 襯里裝配模塊、中央監控系統等部分組成，實現自動化傳輸、裝藥、裝配等功能，整條生產線實現高度自動化生產。 全線針對兩種原料包裝工藝相同，只存在高度的差異，生產線中采取了全線共線的方式，通過程序切換，高度的差異結構方面通過安裝位置的切換來保證。 生產線總體布局示意圖如圖1 所示。

圖1 生產線總體布局示意圖

1.2 襯里裝配模塊

本文以襯里裝配模塊為主要測試對象。 襯里裝配模塊用于藥筒內襯里的自動化裝配，將完成襯里自動成型、切斷、入筒、貼邊等一系列工作。 襯里貼合完成后各機構分別復位，托盤自動向前傳輸至下一工位。 襯里存料、驅動和切斷機構在模塊中存在兩套機構， 便于襯里缺料的切換不影響整線的連續運行。

2 虛擬生產線及故障預警

2.1 虛擬生產線建模

傳統的物理生產線主要采用人工目視檢測方法，利用車間可視化監控系統對于生產線情況進行人工監控，對于人工的依賴性較大， 故障調整工序冗余， 調整速度慢，不利于生產線的生產，出現故障對整個產線的生產效率有著很大的影響。

通過建立虛擬生產線，運用數字孿生技術，可以對實際模塊化生產線的實時狀態進行直觀的了解。通過建立數字虛擬模型，實現物理生產線、虛擬生產線、生產線管理系統三者的數據交互融合管控模式。 在此模式下，生產線的調配對人員的依賴程度大大降低，出現的問題可以精準到模塊，甚至精準到零件，大大提高了問題解決速度，對生產線的管控還有企業的智能化建設有著極大的提升。

虛擬生產線建模依托于數據采集系統， 通過生產線各個模塊的設備PLC 采集數據，將數據傳輸到數據庫，構建數據孿生體， 其中的關鍵是對關鍵數據的采集和整理。 以襯里裝配機為例，其主要采集的數據項如圖2 所示。

通過unity 引擎對該模塊進行3D 建模，將設備對各個零件的動作數據進行分析， 并與物理生產線上該設備的零件動作進行比對， 選取關鍵零件動作數據設計各個零件的動作，實現數據孿生體的交互，建成虛擬生產線。

圖2 主要采集的數據項

2.2 故障預警分析

在實際生產過程中，各模塊采集的數據是非線性的，具有高度的隨機性和不確定性， 并且不同模塊采集的數據類型不一致，隨著時間的增長，生產線各設備會出現故障、磨損等不確定性問題。 所以，要對生產線進行故障預警需要一個非線性的、自適應的算法。

我們選取神經網絡算法進行分析， 從神經元的特性和功能可以知道， 神經元是一個多輸入單輸出的信息處理單元，而且，它對信息的處理是非線性的。 根據神經元的特性和功能， 可以把神經元抽象為一個簡單的數學模型。 如圖3 所示。

圖3 神經網絡模型

圖中：X1…Xn 是神經元的輸入，Σ 是i 神經元的閾值；W1…Wn 分別是i 神經元對X1…Xn 的權系數， 也即突觸的傳遞效率；f[·]是激發函數，它決定i 神經元受到輸入X1…Xn 的共同刺激達到閥值時以何種方式輸出[4]。 可以得到神經元的數學模型：

神經網絡算法具有并行分布處理、魯棒性好、自適應性好等優點，非常契合生產線的故障預警。本文將就神經網絡模型的故障預警進行實驗和探討。

2.3 關鍵技術

（1）實時數據采集存儲技術。采集對象主要為模塊化裝藥生產線核心技術裝備的狀態信息及工藝數據； 用核心部件模塊化裝藥生產線裝備的狀態信息及工藝數據；生產、 質量、 倉儲等相關信息系統中的關鍵數據， 包括MES、ERP 等。

生產、質量、倉儲等信息系統的數據，通過信息化中心配置信息系統之間的網絡互聯互通， 根據各信息系統的數據接口進行網絡訪問及數據采集， 按需將關鍵數據提取并處理后在數字化可視大屏終端進行展示。

信息采集主要通過MES、ERP 或者設備支持的數據采集接口等信息系統接口采集生產信息、設備信息等。

（2）數據管理與傳輸技術。物理生產線采集的數據類型包含生產數據、設備數據等。系統通過采集核心技術設備及各相關信息系統的數據，進行格式化封裝數據，將封裝完成的數據按照數據類型分配給對應的數據接口。

對于數據進行統籌管理，數字孿生建模，應用了可視化大屏技術， 數字可視化大屏系統根據需要數據接口中獲取的數據，進行數據拆包、解析、處理，將對應數據按設計的可視化效果進行展示。

數據傳輸主要負責數據采集系統與數字可視化大屏系統之間的數據交互， 保證大屏系統能夠快速完整的接收到現場設備的實時數據及從各相關信息系統采集的關鍵數據。 數據通過數據采集系統與可視化大屏系統之間的數據接口進行交互，通過訂閱發布模式，將各類核心數據通過分類標準接口直接分發至大屏系統的各相關單元，包括生產信息管理單元、環保信息管理單元等。 數據采集網絡架構圖如圖4 所示。

圖4 數據采集網絡架構圖

3 系統實現與驗證

3.1 技術路線

（1）采集數據梳理和分析項。生產線數據的采集來自于各個設備的PLC，通過OPC 通信、組態軟件等技術采集生產線數據。部分生產線級采集和分析項如表1 所示。

表1 生產線級數據采集與分析項

（2）數據庫設計。數據采集服務將數據通過ODBC 接口寫入MySQL 數據庫中。 數據庫分為實時數據庫和分析數據庫。

分析數據庫主要用來存儲備份的歷史數據。 實時庫和分析數據庫中均包含分別用于產量統計、設備/生產線開機率統計、平均故障間隔時間統計、平均故障恢復時間統計的儲存過程[5]。

3.2 故障預警實現

以襯里裝配機為例， 將襯里裝配機各項采集裝置數據作為輸入，即拉料氣缸、襯里旋轉伺服電機等，將對應的設備狀態作為輸出。 并將這些數據歸一化處理。 運用BP 網絡算法，通過樣本數據的訓練，不斷修正網絡權值和閾值使誤差函數沿負梯度方向下降， 逼近期望輸出[6]。網絡選用S 型傳遞函數：

不斷調節網絡權值和閾值使誤差函數E 達到極小。

該模型由襯里裝配機的各項數據作為輸入， 以設備狀態作為輸出，所以輸入層的節點數為5，輸出層的節點數為1。 本文采用含有一個隱層的三層多輸入單輸出的BP 網絡建立預測模型。 本文在選取隱層神經元個數的問題上參照了以下的經驗公式：

其中，n—輸入層神經元個數；m—輸出層神經元個數；a—為[1，10]之間的常數。

根據上式可以計算出神經元個數為3～12 個之間。

網絡結構示意圖見圖5。

圖5 網絡結構示意圖

襯里裝配機在運行中， 可以將采集的各項數據輸入神經網絡模型進行多次的重復學習， 直到輸出的設備狀態誤差達到閾值，就完成了網格訓練。因神經網絡算法的自適應性， 在實際生產中還能根據具體情況進行反復訓練校正，提高模型的準確性。 完成訓練后，只需要將采集的數據輸入網絡實現故障的預警。

3.3 驗證系統實現

虛擬生產線系統如圖6 所示。

在可視化大屏上， 可以清楚明了的看到模塊化裝藥生產線的各個生產模塊， 以及其狀態， 以襯里裝配機為例，其模塊狀態如圖7 所示。

圖6 虛擬生產線圖

圖7 襯里裝配機狀態圖

整個生產線的各個參數由一個統一的窗口顯示，如圖8 所示。

經過實際測試，應用了此系統的生產線，能夠實現模塊化裝藥生產線的故障預警，極大地提高了生產效率，對實現生產線智能管控、 促進生產線連續化自動化生產有著十分重要地意義。

圖8 生產線參數監控

4 結束語

筆者基于數字孿生技術與神經網絡模型和數據分布存儲與實時傳輸技術，開發出模塊化裝藥生產線故障預警系統，解決了傳統的裝藥生產線智能化程度低，無法精確把握產品質量、生產效率不高等問題，提高了生產線的設備管理水平和生產過程的管控水平。經過幾個月的模塊化生產線現場試運行，系統整體運行穩定，在實現對技術驗證的同時，也驗證了智能監控系統在工業現場的可靠性。

故障檢測系統基于數字孿生技術對產線進行虛擬建模并監控，運用神經網絡算法實現了設備的故障預警。但是因為實際測驗條件的限制， 測試的樣本數據數量不夠大，在實際生產過程中，情況更復雜，無論是數據的采集，虛擬生產線的建模，還是神經網絡的訓練，都等待進一步考較。 在后續的運用中， 將該系統應用于實際生產制造中，對系統的穩定性、自適應性進行進一步的改進。