數字孿生與生產線仿真技術研究

田 凌，劉 果，劉思超

數字孿生與生產線仿真技術研究

田 凌1,2，劉 果1,2，劉思超1,2

(1. 清華大學機械工程系，北京 100084；2. 精密超精密制造裝備及控制北京市重點實驗室，北京 100084)

隨著新一代信息技術與制造技術的深度融合，仿真技術正向著信息系統與物理系統深度融合和高效協同的方向發展，應運而生的數字孿生技術成為近年來的新興研究熱點。為探索采用新一代信息技術促進離散制造行業數字化轉型升級，從仿真技術的發展脈絡和應用場景入手，引入基于數字孿生技術開展生產線仿真分析的研究，介紹了數字孿生技術的概念和內涵，探討了數字孿生技術與傳統計算機仿真技術的關系和異同，論述了數字孿生技術在生產線仿真分析領域的應用方向，分析了生產線數字孿生模型的構建方法和實現途徑，闡述了國內外研究進展及存在的問題，指出了數字孿生在生產線仿真領域的發展趨勢，為離散制造企業跨越物理資源與數字世界之間的交互鴻溝，建立生產線物理空間與信息空間的交互與共融機制，推進生產線全生命周期的數字化管理和智能化生產，實現智能制造提供參考。

仿真；數字孿生；生產線；離散制造；智能制造

在“兩化融合” “中國制造2025”及“互聯網+”等國家戰略的推進下，我國廣大離散制造企業加快了新一代信息技術和先進制造技術在設計、管理、生產和服務等關鍵業務領域的深度融合應用，逐步構建形成了集合PLM/ERP/MES等工業核心軟件，支持協同研發、精益管理、智能生產的信息化應用體系，有效提升了離散制造企業的創新設計能力、精益管理能力和綜合競爭力。然而，隨著市場個性化需求的日益增長以及全球化競爭的日趨激烈，離散制造企業在支持柔性化定制生產、快速響應用戶個性化需求方面普遍存在著生產線工藝布局不合理、物流規劃不科學、生產能力評估不充分、質量穩定性不足、生產設備重復投入等問題。

為了應對離散制造企業數字化轉型的需求，亟需對制造資源進行數字化建模管理，通過數字化管理手段增強生產線的柔性，利用生產數據對生產過程進行智能化調節，實現關鍵生產環節全程可追溯。解決這一需求的關鍵在于虛擬仿真技術的應用，通過建立生產線的數字化模型與仿真環境，以虛擬仿真的方式在信息空間中完成生產線的優化以及對優化結果的驗證，達到“信息空間多次迭代，物理空間一次成功”的效果。實現這一效果的最大挑戰是跨越制造企業物理資源與數字世界之間的交互鴻溝，而數字孿生技術通過利用模型仿真、實時采集、歷史運行等相關數據，構建物理空間與信息空間的交互映射關系，可以實現物理本體與仿真模型之間不斷循環迭代和交互反饋，使得人、機、物真正融合在一起。數字孿生技術可以反映建模對象的全生命周期過程，具有虛實融合、實時交互與迭代優化的特點。利用數字孿生技術開展生產線仿真優化的應用研究，一方面能幫助企業生產線建設及投產前在信息空間中進行仿真、分析、優化和測試，及時發現生產線的設計缺陷，另一方面在生產線實際運行過程中可以通過虛實融合的交互環境對實際生產制造過程進行實時監控和動態調整，實現生產過程優化。

1 生產線仿真

仿真技術出現于上世紀40年代，至今已發展成為一項融合計算機、模型理論、科學計算等多個學科的綜合性技術，在制造領域被廣泛應用于設計、生產、測試、維護、采購、銷售等產品全生命周期的各個階段，對制造過程的信息化發揮著不可替代的作用。生產線仿真是指通過模型來模擬實際的生產線運行，仿真分析現有生產過程的工藝流程、物流調度、生產能力等，根據仿真結果的各項性能指標找到生產線的潛在問題，通過修改結構參數、調整系統布局、優化資源配置等方法，達到優化生產線的目的。自仿真優化被提出以來，以歐美為代表的制造業發達國家高度重視仿真技術的發展和應用，國內外科研機構及企業圍繞生產線仿真技術開展了相應研究，這些研究較多地集中在設備布局、生產線平衡、作業排產等方面。

生產線布局的仿真優化是動態多目標優化問題，影響仿真優化結果的決策變量很多。PRAJAPAT等[1]通過表格鏈接構建了設備布局的離散事件模型，可實現數據的輸入和關鍵績效指標的可視化，以評估各種場景下的設備布局，優化系統性能；KRISHNAN等[2]提出了一種分組效率度量的改進方法，并用一種基于遺傳算法的方法求解布局矩陣中的機器單元布局；HE[3]針對布局優化中控制關節數量的線性問題提出了采用改進布局優化公式的關節長度控制方法，對于調整節點位置的非線性問題則提出了利用幾何優化的不連續布局優化方法；周金平[4]針對生產設施布置的優化問題，提出了面向功能的工藝原則仿真建模布置方法和面向對象的產品原則仿真建模布置方法，并利用遺傳算法對布置設計進行了優化；葉啟付等[5]分析了生產單元布局仿真優化過程，構建了多個布局仿真模型，通過對生產單元布局仿真結果的對比分析和優化，對相關評價指標的決策優化起到了重要作用；徐熔[6]采用系統布置設計方法研究了車間作業單位之間的物流關系，確定了其相關密切程度及綜合接近程度，以單位面積產能和物流成本為優化指標對布局方案進行了改進。

生產線平衡仿真優化是將各任務合理分配給有限的工作站，使各工作站的作業節拍和任務負荷盡可能相同，以減少作業時間、平衡作業負荷，從而提高生產效率。MAMUN等[7]提出一種啟發式方法使工作站總數最小化而效率更高，并在塑料袋制造公司的生產線平衡問題中發現了使工作站更有效執行的最小數量；BORBA等[8]提出了機器人裝配線平衡問題下界的精確啟發式方法，此方法包括一種新穎的線性混合整數規劃模型和一種具有問題特定優勢規則的分支定界和記憶算法，并在計算實驗中進行了廣泛測試；林巨廣等[9]通過仿真分析了設備工作情況和瓶頸工位，并根據暫存區容量和添加位置設計了多因子試驗，對生產線的生產能力進行了評估。

生產線排產仿真的目的是合理安排工件在每臺機器上的作業順序以縮短生產周期或增加生產線柔性。LIOU和HSIEH[10]提出了一種基于分組順序和作業順序的編碼方法，并結合粒子群優化算法和遺傳算法對生產排產問題進行了求解，獲得了最大生產時間最優化的排產方案；郭華等[11]基于一種改進的工序編碼方法對車間作業排序進行了仿真映射，然后應用遺傳算法對排序方式進行了優化求解；張立果等[12]針對多目標柔性作業車間調度問題提出了一種求解多目標問題的雙層遺傳算法，引入信息熵的概念對所提算法優化后的種群進行了分析，并從最長完工時間、最大機器負載、機器總負載3個方面對經典案例進行測試；單雪峰[13]采用層次分析法(analytic hierarchy process，AHP)從庫存成本的角度確定了排產的優先級，并在生產周期最小化的基礎上加入工件權重的因素，分別以最小化最長完成時間和最小化加權總經流時間為目標建立排產調度模型。

上述研究通常以設備布局、物料配送、產線平衡等為優化目標，優化對象包括流水線、裝配線車間、廠房等，通過設計數據采集方案、確立仿真分析目標、分析結果影響因素、提取系統特性的方法對生產線進行模型建立及仿真運行。可以看出這些研究大多針對特定產品、特定行業的實際生產狀況展開仿真建模，缺乏對生產線的布局、平衡和排產等優化問題的綜合集成，相比單個優化目標的求解，綜合多個目標的優化問題更加復雜，但在實際應用方面更有參考意義。另一方面其研究大都是圍繞離散制造過程局部工藝、獨立設備或單體系統的虛擬仿真展開，尚未形成支持制造全要素高精度重構的離散型智能生產線虛擬仿真技術體系。同時，生產線的模型過于簡化，考慮的影響因素較為單一，各作業單元之間的相互作用機制缺乏研究，對于離散系統中的人員、批次、物流等隨機因素的影響也考慮不足。生產線運行仿真分析主要依賴已有數據驅動模型進行, 缺乏實時動態數據的綜合集成，只能事后對生產線進行調整優化，不能在線進行智能化和精準化調整。在仿真軟件方面，主流的離散制造業仿真軟件如Witness，Arena，FlexSim，Plant Simulation等均為進口軟件[14]，與國外相比，國內在這方面的研究尚處于起步階段，研究工作較為分散，尚未形成成熟的仿真平臺，具備自主知識產權的離散制造業仿真軟件亟需突破。

2 數字孿生技術

通過數字孿生溝通物理世界和信息世界的理論，對于提升生產線仿真技術，滿足個性化、服務化、智能化等制造發展需求和趨勢有著重要的意義。

2.1 數字孿生概念的研究

國外在數字孿生方面的研究起步相對較早。ROSEN等[15]指出，在裝備制造領域“孿生體”概念的出現可以追溯到阿波羅計劃。NASA在研發所需任務飛行器的同時，制造了另一個完全相同的飛行器以直接鏡像對應任務飛行器的狀況，并進一步用于執行訓練、試驗和預測等。此時的孿生體仍是實物，但已經具備了超寫實性、動態性、集成性等核心特性。密歇根大學的GRIEVES[16]于2003年提出基于虛擬模型的數字孿生思想，這一“與物理產品等價的虛擬數字化表達”概念，最初被定義為能抽象表達實體裝置并在真實或模擬條件下進行測試的數字復制品，旨在更清晰地表達裝置的有關信息，從而將所有數據放在一起進行更高層次的分析。這個概念隨后被命名為“鏡像的空間模型” “信息鏡像模型”等，2011年再次被命名為“數字孿生體”。其概念模型主要包括3部分：物理空間的實體產品、虛擬空間的數字產品及二者間的數據交互接口[17]。美國空軍研究實驗室于2011年對數字孿生體展開了進一步研究，為了解決飛行器的維護及壽命預測問題，針對某新型空間飛行器建立一個與實體產品完全對應的超寫實性數字孿生模型，其中包含物理實體所有的幾何與材料數據，并在2012年提出了“機體數字孿生體”的概念，將這一集成模型用于對機體的實時仿真分析[18]。數字孿生研究被推廣應用到工業生產領域始于2013年，LEE等[19]開發了一個基于數字孿生藕合模型的設備健康狀況分析框架，實現了孿生模型在云平臺中和實際生產過程的同步運行，并結合工業大數據對設備的健康狀況進行了仿真模擬。ROSEN等[15]于2015年從仿真的角度討論了數字孿生在產品全生命周期各個環節的相關概念和應用價值，指出了數字孿生的研究重點和發展方向，由此將數字孿生的研究由單個產品或設備延伸到了整個制造系統以及生產制造業全生命階段的管理。

從數字孿生概念發展的過程來看，其本質是虛實交互的高精度仿真，以軟件為載體、以數據為基礎對模型進行驅動，實現物理對象在信息空間的全面呈現、精確表達和動態監測。數字孿生技術的架構主要包括物理空間、信息空間和二者之間基于數據的交互反饋，物理空間基于真實的生產制造活動對數據進行感知收集，信息空間則對數據進行智能化的分析處理，兩者之間的實時交互和迭代演進則通過工業互聯網實現，而通過對工業數據的采集、傳輸、建模、分析，能夠形成對機器運行的優化參數和企業運營的管理決策。隨著工業互聯網、大數據分析和人工智能等技術的發展成熟，數字孿生技術在制造業等領域有著廣闊的應用前景。

2.2 數字孿生建模方法與應用的研究

數字孿生的建模研究始見于2013年，研究認為數字孿生是一種數據交互和組織的機制，通過虛擬模型對相關數據進行存儲和管理，實現物理實體在虛擬空間的數字化重現，并通過數字孿生體的虛擬運行，結合數據、模型和知識來模擬和預測物理實體的實際狀態和未來行為[20]。SCHLEICH等[21]提出了一種基于綜合參考模型的數字孿生建模方法，該模型以表面模型形狀概念作為設計和制造中的產品參考，實現了產品全生命周期數字孿生模型的表示、實現及應用。準確的數據和準確的模型，是構建有效數字孿生的核心要素。VRABI?等[22]指出了數字孿生的部分模型通過復雜行為的交互和相互關系的定義共享一個數字空間，從而實現集成整合及數字孿生體和物理實體之間的溝通交流。NIGRI等[23]提出了利用語義數據模型對來自生產現場的物理數據和操作數據進行組織存儲，并將制造系統特定層次和具體行為的建模與核心仿真分開，以實現特定行為孿生體的靈活啟動。數字孿生建模的核心要點是對物理對象全生命周期的全要素模型進行定義，并基于模型實現全過程數據集成和信息交互，從而為模型驅動的全生命周期數字化管理提供可能。

從2017年開始隨著數字孿生領域研究的爆發，針對數字孿生相關應用技術研究成果開始大量出現。陶飛等[24]探討了數字孿生在車間中的應用，提出了數字孿生車間的概念和組成，通過數字車間和物理車間的交互共融，實現生產管控和制造模式的優化。QI和TAO[25]討論了大數據技術和數字孿生技術的關系和異同，以及兩者在制造領域的產品設計、生產制造和預測維護等方面的使用情況，并分析了兩者的綜合應用方法。通過結構參數、物理幾何、材料特性、行為規則等各種維度、層次和粒度的數據的綜合集成[26]，數字孿生技術可以實現制造系統生產過程的數字化重現和可視化分析。結合物聯網技術，數字孿生使制造企業能夠對生產過程進行實時動態監控。而虛擬模型在和物理對象的不斷循環迭代中，也會根據系統輸入進行高頻次的仿真模擬，并不斷產生相關孿生數據，實現仿真模型的迭代演進，并結合大數據分析和人工智能等技術，實現對計劃場景和虛擬行為的仿真模擬和優化分析，以預測潛在的風險從而進行優化，并驗證優化方案的有效性，使企業能夠對生產過程進行更準確的預測和更合理的決策。MOUSSA等[27]構建了一種基于有限元仿真器的數字孿生模型，用于對大型水輪發電機的設計、研究、監測和測試，并以一臺三相同步電機為例對建立的模型進行了驗證。TAO等[28]提出了一種利用數字孿生驅動故障預測與健康管理的新方法，該方法利用數字孿生的相互作用機理和融合數據實現了復雜設備的虛實融合，提高了故障預測與健康管理的精度和效率。數字孿生應用的目的是為研究對象創建數字化的虛擬模型，通過數據交互來監測物理世界的狀態，利用仿真分析來模擬物理對象的行為，并通過雙向映射來控制物理對象的狀態和行為。

在信息世界和物理世界之間構建數字孿生，實現兩者之間高密度、高實時性的連接，是實現信息物理系統理論框架具體落地的實踐方法，對于提升生產仿真和控制技術有著重要的意義。但數字孿生模型和孿生空間的構建目前還在探索階段，相關研究主要側重于數字孿生的概念探討、產品的使用維護以及工廠車間的運營等[26]，在實際應用方面，基于數字孿生的制造模式尚未能完全落地。數字孿生起源于航空航天工程領域，相關研究主要面向飛機這類大型復雜產品，集中在產品運營維護和健康管理、信息跟蹤或供應鏈等全生命周期的產后階段，在生產制造業的研究時間不長，針對生產主體的全生命周期生產過程階段的研究較為少見，尤其是面向生產線工藝仿真與優化的數字孿生研究和應用探索需要加強。在工藝建模方面，通過數字孿生可以在設計階段就利用仿真等手段對設計結果進行分析，但從工藝設計與優化的實際應用角度來看，數字孿生模型的狀態識別、快速建立、實時重構和解析表達等這些具體技術還有待深入研究。計算機輔助技術的發展為數字孿生奠定了基礎，21世紀后美國軍方等機構開始提出數字孿生的相關概念，近年來相關工業軟件巨頭紛紛布局數字孿生業務，而未來數字孿生相關產業有望迎來爆發期。圖1反映了數字孿生的發展脈絡。數字孿生技術由計算機仿真技術發展而來并隨著傳感器技術而興起，可以看作是傳統計算機輔助技術的發展，并在近幾年隨著新一代信息技術群體突破和融合發展而不斷壯大，在工業制造、城市建筑、醫療服務、基礎建設等領域都有著廣闊前景。和傳統的仿真技術相比，數字孿生技術更強調物理系統和信息系統之間的虛實共融和實時交互，也可以將數字孿生看作貫穿全生命周期的高頻次并不斷循環迭代的仿真過程。傳統仿真技術對于仿真人員的數量和素質要求較高，仿真耗時較長，無法滿足制造行業快速變化的市場環境和企業柔性混流的生產模式，而數字孿生的仿真敏捷快速的特點更能滿足生產線實際的仿真需求。因此能夠實現虛擬模型和物理實體之間實時有效的交互方法是當前數字孿生研究的重點，具體的技術難點包括物理資源的快速建模、模型的輕量級仿真以及控制過程的即時反饋等。

圖1 數字孿生概念的發展脈絡

3 數字孿生在生產線仿真中的應用

通過數字孿生技術可以建立生產線的數字化模型與仿真環境，實現物理空間和信息空間的雙向映射和實時交互，以高頻次、不斷迭代演進的仿真方式在信息空間中完成生產線的優化以及對優化結果的驗證，為生產活動提供決策和支持，達到“信息空間多次迭代，物理空間一次成功”的效果。

3.1 基于數字孿生的制造資源建模

制造資源的數字化表達與管理是生產線設計與迭代優化的關鍵，國內外學者對制造資源信息的獲取、表達與管理進行了一系列研究。劉泉和王 耀[29]分析了生產過程中所涉及制造資源，利用本體對制造資源進行了建模和描述，并將其封裝成網格模型實現信息共享；LIU等[30]提出了一種云制造模式下制造資源的共享策略，該策略通過構造函數來對不同粒度的制造資源進行分類，并利用聚類算法對物理資源進行虛擬映射；CAI等[31]提出了基于傳感器數據集成和信息融合的數字孿生虛擬機床信息物理制造方法，將制造數據和感知數據整合到開發的數字孿生虛擬機床中，以提高其可靠性和加工能力。

通過數字孿生技術建立生產線仿真模型，可以融合計算、交互和控制屬性，構建生產過程的全要素交互融合、全流程虛實映射，形成生產過程模型和實際生產過程之間的雙向映射和實時交互，實現面向生產現場的生產過程建模以及離線和在線仿真，對生產線設計和迭代優化進行指導。圖2是基于數字孿生的制造資源建模實施框架。

圖2 基于數字孿生的生產線建模

就存在形式而言，生產線相關的制造資源包括硬件資源、軟件資源、知識資源和人力資源等。在使用方式上，這些靜態資源可以按不可分解的最小組成單位進行封裝，依據業務流程需要，以人力資源為中心聚合硬件資源、軟件資源和知識資源，形成多層次跨學科的動態能力資源。傳統的生產線虛擬仿真技術往往針對具體場景下的單一目標進行建模，難以滿足制造資源在存在形式和業務流程上的多維度、多粒度、多層次的建模需求，無法完整實時高精度表征實際生產過程。基于數字孿生的生產線制造資源建模，可以通過構建相應的模型映射規則庫，實現生產線部件、資源和系統由物理空間到虛擬空間的多維度、多粒度自動映射，其中包括由幾何模型實現形狀、尺寸、位置等幾何空間數據的映射，由物理模型實現動力學、運動學特征的映射，由行為模型實現加工、運輸、裝配等行為的映射，由規則模型實現資源、部件、生產線間的邏輯關系映射。在具體的生產任務中一般需要將不同層次粒度的制造資源通過一定的方式關聯聚合起來以滿足任務需求，這種能實現復雜生產任務的制造資源聚合體往往具有復雜的子資源和子任務，若對每一個任務和資源都逐層分解至最底層工序，并由最底層工序相關的資源進行綜合集成，會給實際計算帶來較大的調用和交互難度。基于數字孿生的多粒度資源建模方法能夠依據具體的生產約束關系，針對不同層次的制造任務需求對細粒度的制造資源進行集成協同，形成粗粒度的制造資源，實現不同粒度資源模型的高效動態調度。資源聚合集成所依據的約束關系考慮2種：一種是相同功能關系，將具有同種制造功能的細粒度資源聚合為粗粒度資源，形成的資源聚合體具有和細粒度資源相同的制造功能和更強的制造能力；另一種是依據工藝流程對細粒度資源進行聚合，形成的資源聚合體在滿足復雜制造任務的同時具有更少的制造節點數量。這樣在滿足多層次任務需求時能有效降低資源調度整合和交互的復雜程度。現代制造需要高效柔性的生產模式以適應個性化定制的市場需求，基于數字孿生的多維度、多粒度資源建模能夠滿足不同功能層次的業務流程，從而實現定制化生產的需求多樣性。目前基于數字孿生的制造資源建模研究主要面向生產規劃和優化領域，對相應生產信息的獲取、表達和建模進行了研究。面向數字孿生的制造資源建模除了要對結構化信息進行表達外，還需要對生產信息語義進行描述，進而實現對智能制造領域生產知識的組織與管理。

3.2 數字孿生驅動的生產線仿真

對于生產線這類結構復雜的仿真目標，傳統的解析物理方法往往只針對其結構、運行機理或某一環境因素進行建模仿真，取得的仿真效果較差。實際生產過程中的生產線狀態會隨時發生變化，離線建立的生產線模型難以對生產線的實際生產狀態進行實時精確的反映，而實時物理建模解算難以實現完備的物理建模和多尺度的細節表達，無法對生產過程進行多粒度高效模擬。

數字孿生可以通過數據接口實現虛擬生產線和物理生產線的虛實融合，從而采集物理實體的數據來實時更新虛擬模型，通過采集生產現場的實時數據，將理論模型動態修正為實作模型，使仿真計算結果更符合實際生產的情況。方圓等[32]提出了一種基于數字孿生的加工設備運行狀態監測方法，通過現場PC工控機軟件的IP地址和端口號在客戶端與工控機軟件間建立連接，從設備處獲取實時運動數據并傳輸到客戶端進行解析和驅動仿真；魏一雄等[33]通過搭建面向真實物理行為高保真映射的虛擬仿真環境構建數字孿生車間系統，采用面向事件響應的數據管理方法實時驅動模型運行；王峻峰等[34]提出了面向生產性能數字孿生仿真的數據映射方法，利用統一建模語言(unified modeling language，UML)類圖建立了制造車間仿真數據模型實現數據的結構化建模存儲，并通過仿真數據加載與更新方法實現數據模型與生產模型的融合，驅動仿真的運行，對生產過程中的性能參數進行動態分析。

數字孿生可以通過機器學習、深度學習等數據驅動的建模方法解決復雜結構系統建模難題，并利用數據驅動的方法，對模型進行實時更新和完善，以此逼近目標系統的實時狀態、預測目標系統未來狀態，充分結合模型和數據以實現仿真效果的提升。數字孿生的方法本質上是在物理生產線和虛擬生產線之間建立了一種連續的交互過程，通過這種交互實現模型的仿真運行和對物理實體的計算控制。在這種基于數字孿生的生產線仿真優化框架中，首先基于生產工藝和業務流程構建基本的數字孿生模型，然后利用歷史數據對模型進行訓練，并根據綜合評價指標對所得模型進行評估、篩選和優化，將實時生產數據輸入到優化后的模型中得到系統生產控制的最優解，反饋到工業控制系統實現對生產線的控制。在這一過程中數字孿生模型將根據采集、更新、積累的數據進行迭代訓練優化，以適應現實生產環境的持續變化。

3.3 孿生數據驅動的生產線優化

生產過程各種自動化、信息化技術的應用，使得越來越多的產品質量特性可以測量，生產線中影響質量特性的眾多復雜過程參數也能采集存儲，為數據驅動的生產線優化提供了基礎條件。

數據驅動的生產線優化的研究主要體現在2個方面。一個是對監測到的生產異常進行診斷，并有針對地進行優化調整，大體是基于“問題分析-模型構建-求解算法設計-優化分析控制”的流程來展開研究。趙啟東等[35]提出了一種基于支持向量機的單分類方法建立市場過程監控模型，分別利用貢獻圖和臨近點替換實現異常點診斷以及工藝參數優化。朱占軍等[36]采用反向傳播(back propagation，BP)神經網絡構建了質量預測模型，基于多源統計理論采集質量特性數據繪制質量控制圖以實現對異常數據點的辨識，并優化了引起質量波動的主要因素。BOTKINA等[37]開發了切削刀具的數字孿生模型，通過收集刀具的數據信息來對刀具切削過程不斷進行優化。

另一個方面是利用聚類分析、關聯分析、優化算法等方法對過程相關的數據進行分析，找到最優化的生產參數組合，實現對生產過程的優化，是基于大數據的“數據關聯挖掘-動態演化-仿真預測-智能調控”的研究思路。YANG等[38]利用穩態生產數據建立數學模型描述球團冷卻過程，并應用關聯規則歸納和聚類分析挖掘專業操作規則和優化目標，在此基礎上提出了循環冷卻器的優化控制策略。PASHAZADEH等[39]通過全因子試驗設計對點焊工藝參數進行了統計建模，并提出了一種基于神經網絡和多目標遺傳算法的點焊工藝參數優化方法，對相關參數進行了優化求解。KABALDIN等[40]提出了一種基于神經網絡建模的刀具數字孿生模型，通過改變神經網絡的輸入數據，可以對刀具耐磨涂層的組成和結構以及加工方式進行優化。

經過多年的發展，數據驅動的生產線優化方法在理論研究和實際應用方面都取得了豐碩的成果。隨著生產過程信息化程度的不斷提高，企業中生產數據的積累逐漸增長，而大數據、云計算和人工智能等技術的發展也為生產數據的存儲、處理和分析創造了可能，企業因此開始重視數據的收集和應用[41-42]。在監控方面，基于人工智能的智能診斷相比于傳統的多元統計監控更加主動；在預測方面，基于神經網絡、支持向量機、模糊理論等技術的智能預測相比以時間序列法和統計回歸法為主的傳統預測方法更加智能；在決策方面，由數據驅動的智能決策方法擺脫了以往對人工經驗的依賴[43]。數字孿生概念的重要特點是可通過數據接口來實現虛實數據融合，建立生產線數字孿生模型，預留與制造執行系統等的數據接口，并根據實時數據動態修正虛擬模型。通過數字孿生全生命周期的雙向實時聯系，可以將歷史數據和實時數據交互融合并用于訓練優化模型，使優化模型能根據實際生產過程進行更新，從而實現模型決策邊界隨著生產過程的長期動態演變，如圖3所示。此外，通過數字孿生技術，可以實現虛擬生產線與物理生產線的全方位同步，為基于生產過程歷史數據、數字孿生數據和實時運行數據的數據分析提供了基礎，實現數據驅動的生產過程狀態預測，使發現問題然后進行優化的被動過程轉變為主動參數調整的優化過程，為生產線優化自主決策提供了可能。

圖3 孿生數據驅動的生產線優化

生產線是一個包括設備、產品、人員、資源、環境的多層次多因素的動態系統，隨著生產線的持續運轉，線上的各種物理對象都在不斷發生變化，因此生產過程歷史數據、數字孿生數據和實時運行數據具有體量大和維度高的特點，基于這些數據的全局尋優過程往往需要大量的算力和時間，不能滿足生產控制優化的即時性需求。因此對于需要不斷調整即時控制點位的工業生產線，例如石油化工等流程制造業中的生產線，在優化方法的應用上要考慮優化程度和即時控制之間的平衡，一方面要盡量避免結果陷入局部最優，一方面要滿足優化控制的即時性以快速地對數據做出響應。由于不同的算法有著不同的優缺點，在搜索算法的選擇上可以考慮耦合多種算法的方法來克服相應的缺陷，例如利用粒子群算法的快速收斂到達最優解附近，再利用網格搜索算法進行大區間小步長的精密搜索得到全局最優解，從而得到優化后的實時控制集。另一方面，從實際決策的方面考量，依據具體情況及優化目標，在某些工業生產場景下優先滿足優化控制的即時性比全局尋優更有實際意義，例如汽車裝配等離散制造業中的生產線等，由于整體布局和工藝流程相對固化，作業元素之間有較強的約束關系和相關性，對其進行重構優化時就沒有必要再進行全面的搜索尋優。

4 總結與展望

傳統的生產線仿真分析主要依賴已有數據驅動模型進行，采用離線數據訓練得到相應的模式或關系作為決策邊界，對實時動態數據綜合集成考慮不足，缺乏對決策邊界的實時更新，只能事后對生產線進行調整優化，不能對生產線進行在線智能化和精準化調整。此外，各種數字化測控技術的應用使得生產線現場數據信息可以輕松獲取，但這些實時信息往往缺乏統一的管理和分析，造成大量的數據浪費。數字孿生的出現為解決這些問題提供了思路。數字孿生技術由計算機仿真技術和傳感器技術而興起，是傳統計算機輔助技術的發展，并在近幾年隨著新一代信息技術群體突破和融合發展而不斷壯大。與傳統的生產線仿真技術相比，數字孿生更強調物理空間和信息空間的雙向映射和實時交互，數字孿生中的仿真是高頻次并不斷迭代演進的，這項技術可以解決制造過程信息空間與物理空間互聯互通交互共融的問題，通過虛擬模型和物理實體之間的實時交互和迭代演進，精確地模擬物理生產線的生產過程，實現生產資源的數字化管理，為生產活動提供決策和支持。然而由于模型和算法等方面的限制，數字孿生在孿生模型建立、異構數據融合和虛實實時交互等方面實現難度較大，相關領域的關鍵技術和理論方法還有待深入研究。

在模型建立方面，物理模型和數學模型在對生產線的描述和表達上存在著較大的局限，在缺乏語義特征的仿真條件下，難以通過物理建模和函數解算的方法對復雜生產場景進行高精度、高效率的仿真模擬。因此，需要進一步研究虛擬映射生產單元統一表達形式以及模型特征語義信息描述方法，實現基于語義結構特征的虛擬生產線幾何、物理、功能的同步重建。

在數據融合方面，物理生產線本身及其運行過程中的數據信息體量龐大、模型結構復雜，采集的數據存在多源、異構、低質量等問題，如何構建并執行虛實生產線數據互聯和雙向交互規則，實現由物理生產線到虛擬生產線的自動映射和物理制造資源狀態的實時高精度感知，對生產線的智能運行、精準管控與可靠運維具有十分重要的現實意義。

在虛實交互方面，虛擬生產線的高精度仿真需要信息空間與物理空間的實時響應與協同優化，如何建立虛實空間實時互通共融的機制，實現混合空間中數據在時間、空間和生產過程的同步，完成虛擬世界對物理世界的匹配與跟蹤，是建立物理生產線和虛擬生產線虛實交互與協同優化、實現對實際生產過程完整精確表征的關鍵。

5 結束語

在生產線的規劃設計與重構優化中，仿真分析是常用的技術手段，隨著制造過程智能化程度的提升，仿真技術將向著信息系統與物理系統深度融合和高效協同的方向繼續發展。而數字孿生作為物理對象和虛擬模型雙向映射實時交互的使能技術，將在生產線的仿真優化與全生命周期數字化管理中發揮更加重要的作用。

[1] PRAJAPAT N, WALLER T, YOUNG J, et al. Layout optimization of a repair facility using discrete event simulation[J]. Procedia CIRP, 2016, 56: 574-579.

[2] KRISHNAN K K, MIRZAEI S, VENKATASAMY V, et al. A comprehensive approach to facility layout design and cell formation [J]. The International Journal of Advanced Manufacturing Technology, 2012, 59(5-8): 737-753.

[3] HE L W. Rationalization of trusses and yield-line patterns identified using layout optimization[D]. Sheffield: The University of Sheffield, 2015.

[4] 周金平. 生產系統仿真: Plant Simulation應用教程[M]. 北京: 電子工業出版社, 2011:73-123.

ZHOU J P. Production system simulation: plant simulation application course[M]. Beijing: Electronic Industry Press, 2011:73-123(in Chinese).

[5] 葉啟付, 李國叢, 單振剛, 等. 多品種小批量殼體生產單元布局仿真優化[J]. 航天制造技術, 2015(6): 53-57.

YE Q F, LI G C, SHAN Z G, et al. Simulation and optimization in a multi-varieties and small-batch shell manufacturing cells layout[J]. Aerospace Manufacturing Technology, 2015(6): 53-57 (in Chinese).

[6] 徐熔. 基于SLP方法的車間布局優化設計[J]. 企業技術開發, 2016, 35(4): 61-62.

XU R. Study on workshop layout design based on system layout planning[J]. Technological Development of Enterprise, 2016, 35(4): 61-62 (in Chinese).

[7] MAMUN A A, KHALED A A, ALI S M, et al. A heuristic approach for balancing mixed-model assembly line of type I using genetic algorithm[J]. International Journal of Production Research, 2012, 50(18): 5106-5116.

[8] BORBA L, RITT M, MIRALLES C. Exact and heuristic methods for solving the robotic assembly line balancing problem[J]. European Journal of Operational Research, 2018, 270(1): 146-156.

[9] 林巨廣, 武文杰, 蔡磊, 等. 基于Plant Simulation的白車身側圍焊裝線仿真與優化[J]. 組合機床與自動化加工技術, 2015(8): 111-114.

LIN J G, WU W J, CAI L, et al. Simulation and optimization of body side welding line in BIW based on plant simulation[J]. Modular Machine Tool & Automatic Manufacturing Technique, 2015(8): 111-114 (in Chinese).

[10] LIOU C D, HSIEH Y C. A hybrid algorithm for the multi-stage flow shop group scheduling with sequence-dependent setup and transportation times[J]. International Journal of Production Economics, 2015, 170: 258-267.

[11] 郭華, 劉婷婷, 汪圓, 等. 基于Plant Simulation仿真平臺的車間作業排序優化設計[J]. 現代制造工程, 2016(2): 108-112.

GUO H, LIU T T, WANG Y, et al. Optimization & design for job shop scheduling based on Plant Simulation[J]. Modern Manufacturing Engineering, 2016(2): 108-112 (in Chinese).

[12] 張立果, 黎向鋒, 左敦穩, 等. 求解多目標柔性作業車間調度問題的兩層遺傳算法[J]. 計算機應用, 2020, 40(S1): 14-22.

ZHANG L G, LI X F, ZUO D W, et al. Two-phase genetic algorithm for multi-objective flexible job-shop scheduling problem[J]. Journal of Computer Applications, 2020, 40(S1): 14-22 (in Chinese).

[13] 單雪峰. 基于庫存成本的汽車總裝配排產研究[D].沈陽: 沈陽工業大學,2020.

SHAN X F. Research on automobile assembly scheduling based on inventory cost [D]. Shenyang: Shenyang University of Technology, 2020 (in Chinese).

[14] 郭紅康, 趙軍. 基于多Agent的面向訂單的離散制造系統建模與仿真研究[J]. 智能系統學報, 2016, 11(2): 233-240.

GUO H K, ZHAO J. Modeling and simulation of order-oriented discrete manufacturing system based on multi-agent[J]. CAAI Transactions on Intelligent Systems, 2016, 11(2): 233-240 (in Chinese).

[15] ROSEN R, VON WICHERT G, LO G, et al. About the importance of autonomy and digital twins for the future of manufacturing[J]. IFAC-PapersOnLine, 2015, 48(3): 567-572.

[16] GRIEVES M. Digital twin: manufacturing excellence through virtual factory replication[EB/OL]. [2015-03-01]. https://www.researchgate.net/publication/275211047_Digital_Twin_Manufacturing_Excellence_through_Virtual_Factory_Replication.

[17] GRIEVES M, VICKERS J. Digital twin: mitigating unpredictable, undesirable emergent behavior in complex systems[C]//Transdisciplinary Perspectives on Complex Systems: New Findings and Approaches. Heidelberg: Springer, 2017: 85-113.

[18] TUEGEL E J. The airframe digital twin: some challenges to realization[C]//The 53rd AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics and Materials Conference. Resron: American Institute Aeronautics and Astronautics (AIAA),2012:1812.

[19] LEE J, LAPIRA E, YANG S H, et al. Predictive manufacturing system - trends of next-generation production systems[J]. IFAC Proceedings Volumes, 2013, 46(7): 150-156.

[20] Siemes. Digital twin - driving business value throughout the building life cycle [EB/OL]. [2020-12-28]. https://new.siemens.com/global/en/products/buildings/contact/digital-twin.html.

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

[22] VRABI? R, ERKOYUNCU J A, BUTALA P, et al. Digital twins: understanding the added value of integrated models for through-life engineering services[J]. Procedia Manufacturing, 2018, 16: 139-146.

[23] NEGRI E, FUMAGALLI L, CIMINO C, et al. FMU-supported simulation for CPS digital twin[J]. Procedia Manufacturing, 2019, 28: 201-206.

[24] 陶飛, 張萌, 程江峰, 等. 數字孿生車間: 一種未來車間運行新模式[J]. 計算機集成制造系統, 2017, 23(1): 1-9.

TAO F, ZHANG M, CHENG J F, et al. Digital twin workshop: a new paradigm for future workshop[J]. Computer Integrated Manufacturing Systems, 2017, 23(1): 1-9 (in Chinese).

[25] QI Q L, TAO F. Digital twin and big data towards smart manufacturing and industry 4.0: 360 degree comparison[J]. IEEE Access, 2018, 6: 3585-3593.

[26] SCHROEDER G N, STEINMETZ C, PEREIRA C E, et al. Digital twin data modeling with automationML and a communication methodology for data exchange[J]. IFAC-PapersOnLine, 2016, 49(30): 12-17.

[27] MOUSSA C, AI-HADDAD K, KEDJAR B, et al. Insights into digital twin based on finite element simulation of a large hydro generator[C]//IECON 2018 - 44th Annual Conference of the IEEE Industrial Electronics Society. New York: IEEE Press, 2018: 553-558.

[28] TAO F, ZHANG M, LIU Y S, et al. Digital twin driven prognostics and health management for complex equipment[J]. CIRP Annals, 2018, 67(1): 169-172.

[29] 劉泉, 王耀. 網格環境下制造資源的描述和封裝機理研究[J]. 武漢理工大學學報, 2009, 31(9): 114-117.

LIU Q, WANG Y. Research on manufacturing resources description and encapsulation mechanism in grid[J]. Journal of Wuhan University of Technology, 2009, 31(9): 114-117 (in Chinese).

[30] LIU N, LI X P, SHEN W M. Multi-granularity resource virtualization and sharing strategies in cloud manufacturing[J]. Journal of Network and Computer Applications, 2014, 46: 72-82.

[31] CAI Y, STARLY B, COHEN P, et al. Sensor data and information fusion to construct digital-twins virtual machine tools for cyber-physical manufacturing[J]. Procedia Manufacturing, 2017, 10: 1031-1042.

[32] 方圓, 劉江, 呂瑞強, 等. 基于數字孿生的設備加工過程監測技術研究[J]. 航空制造技術, 2021, 64(4): 91-96.

FANG Y, LIU J, Lü R Q, et al. Research on monitoring technology of equipment processing based on digital twin[J]. Aeronautical Manufacturing Technology, 2021, 64(4): 91-96 (in Chinese).

[33] 魏一雄, 郭磊, 陳亮希, 等. 基于實時數據驅動的數字孿生車間研究及實現[J]. 計算機集成制造系統, 2021, 27(2): 352-363.

WEI Y X, GUO L, CHEN L X, et al. Research and implementation of digital twin workshop based on real-time data driven[J]. Computer Integrated Manufacturing Systems, 2021, 27(2): 352-363 (in Chinese).

[34] 王峻峰,張玉帆,邵瑤琪,等.面向生產性能數字孿生的仿真數據映射研究[EB/OL].[2021-03-28]. https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=XTFZ20201231001&v=eLe5N9%25mmd2BvhWJV4nzSsxg9gk6TtlCU7SZGnqnH2VrfOeNGkeNpWTHaxL5NbjqojnQo.

WANG J F, ZHANG Y F, SHAO Y Q, et al. Research on simulation data mapping for production performance digital twin[EB/OL]. [2021-03-28]. https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=XTFZ20201231001&v=eLe5N9%25mmd2BvhWJV4nzSsxg9gk6TtlCU7SZGnqnH2VrfOeNGkeNpWTHaxL5NbjqojnQo(in Chinese).

[35] 趙啟東, 徐鋼, 黎敏. 基于支持向量數據描述方法的生產過程監控、診斷與優化[J]. 工程科學學報, 2016, 38(12): 1791-1797.

ZHAO Q D, XU G, LI M. Production process monitoring, diagnosis and optimization based on SVDD[J]. Chinese Journal of Engineering, 2016, 38(12): 1791-1797 (in Chinese).

[36] 朱占軍, 王明俠, 王春林. 基于質量預測與統計分析的燒結過程性能監控系統研究[J]. 燒結球團, 2016, 41(1): 7-11.

ZHU Z J, WANG M X, WANG C L. Research on performance monitoring system of sintering process based on quality prediction and statistical analysis[J]. Sintering and Pelletizing, 2016, 41(1): 7-11 (in Chinese).

[37] BOTKINA D, HEDLIND M, OLSSON B, et al. Digital twin of a cutting tool[J]. Procedia CIRP, 2018, 72: 215-218.

[38] YANG G M, FAN X H, CHEN X L, et al. Optimization of cooling process of iron ore pellets based on mathematical model and data mining[J]. Journal of Iron and Steel Research Internationa, 2015, 22(11):1002-1008.

[39] PASHAZADEH H, GHEISARI Y, HAMEDI M. Statistical modeling and optimization of resistance spot welding process parameters using neural networks and multi-objective genetic algorithm[J]. Journal of Intelligent Manufacturing, 2016, 27(3): 549-559.

[40] KABALDIN Y G, SHATAGIN D A, KUZMISHINA A M. The development of a digital twin of a cutting tool for mechanical production[J]. Proceedings of Higher Educational Institutions Маchine Building, 2019(4(709)): 11-17.

[41] 黃如花, 李楠. 基于數據生命周期模型的國外數據期刊政策研究[J]. 圖書與情報, 2017(3): 36-42, 108.

HUANG R H, LI N. Research on data journal policies based on data lifecycle model[J]. Library & Information, 2017(3): 36-42, 108 (in Chinese).

[42] ROHLEDER C, MARHOLD C, SALINESI C, et al. Quality data model and quality control in the product lifecycle management[EB/OL]. [2021-03-03]. https://www.researchgate.net/publication/259231525_Quality_Data_Model_and_Quality_Control_in_the_Product_Lifecycle_Management.

[43] LIU Y M, ZHOU H F, ZHANG S. A MSVM quality pattern recognition model for dynamic process[J]. Applied Mechanics and Materials, 2013, 433-435: 555-561.

Digital twin and production line simulation technology

TIAN Ling1,2, LIU Guo1,2, LIU Si-chao1,2

(1. Department of Mechanical Engineering, Tsinghua University, Beijing 100084, China;2. Beijing Key Lab of Precision/Ultra- precision Manufacturing Equipment and Control, Beijing 100084, China)

With the deep integration of new generation information technology and manufacturing technology, simulation technology is developing into the deep integration and efficient collaboration between information system and physical system. In this context, digital twin technology with the characteristics of virtual reality fusion has become a new research hotspot in recent years, and is the development direction of the next generation simulation technology. In order to explore the adoption of new generation information technology and speed up the digital transformation and upgrading of discrete manufacturing industry, the development context and work scenarios of simulation technology are analyzed, and the digital twin technology has been drew into the research on simulation analysis of production line. The concept and connotation of the digital twin technology are introduced, the relationship, similarities and differences between digital twin technology and traditional computer simulation technology are analyzed, and the directions of applying digital twin technology in production line are discussed. Then the construction method and realization way of digital twin model of production line are analyzed, while the research status and existing problems are summarized. Finally, the possible innovation directions of digital twin in production line simulation are given, which provide a reference for discrete manufacturing enterprises to cross the interaction gap between physical resources and digital world, establish the interaction and integration of physical space and information space of production line, and promote the digital management and intelligent production of the whole life cycle of production line, in which way to achieve the transformation of intelligent manufacturing.

simulation; digital twin; production line; discrete manufacturing; intelligent manufacturing

TP 29

10.11996/JG.j.2095-302X.2021030349

A

2095-302X(2021)03-0349-10

2021-03-31；

2021-05-11

31 March，2021；

11 May，2021

國家自然科學基金項目(51675299)；北京市自然科學基金項目(3182012)；河北省重點研發計劃項目(20314402D)；清華大學自主科研計劃資助項目(2018Z05JZY006)

National Natural Science Foundation of China (51675299); Beijing Municipal Natural Science Foundation Project (3182012); Key Research and Development Plan Project of Hebei Province (20314402D); Independent Research Plan Funding Project of Tsinghua University (2018Z05JZY006)

田凌(1963-)，女，遼寧鐵嶺人，教授，博士，博士生導師。主要研究方向為機械制造及自動化/數字化制造。E-mail：tianling@tsinghua.edu

TIAN Ling (1963-), female, professor, Ph.D. Her main research interests cover machinery manufacturing and automation, digital manufacturing. E-mail：tianling@tsinghua.edu