基于數字孿生的漿料微流擠壓成型平臺研究

王安邦，劉志鵬，段國林

（河北工業大學機械工程學院，天津 300401）

1 引言

隨著制造業的不斷發展，制造業已經開始向智能制造方向發生轉變，網絡與物理系統的融合開始受到制造商們的青睞。在2003年密歇根高管培訓上，文獻[1]第一次提出了物理產品的數字等同體和數字孿生體概念，從概念的第一次提出至今，數字孿生廣為人知，并已廣泛地應用于各個領域。數字孿生是一種基于CPS新的物理數字模型[2]，是物體實體的數字圖像，能夠全面、真實地反映物理實體的生命周期[3]。數字孿生基于物理實體的特定功能，集成多種功能的管理、控制和優化服務，以數據融合為核心驅動，基于物理實體特有的功能，幫助物理實體根據輸入和輸出完成生產任務[4]。從數字孿生的概念第一次提出到現在，數字孿生技術在工業領域已經成為了最為流行的技術之一，并且在業界內得到了廣泛的關注，許多公司都開始頻繁使用，并根據實際情況提出了一些對數字孿生的不同解釋和定義[5-8]。

數字孿生主要是由物理層、信息層及它們之間對應的連接映射關系模型構成，映射模型反映了物理層到信息層的雙向動態映射[9]。通過建立制造過程中的數字雙系統，信息層中的虛擬模型通過物理層中的物理實體收集數據信息，并通過映射模型將物理實體的所有基本屬性、實時狀態等數據傳送至虛擬模型中進行仿真及預測并產生決策信息，最后再反饋回物理實體中，從而優化物理實體，并使物理實體和虛擬模型共同進化[10]。對于智能生產，從設備到生產線乃至整個生產車間[11-13]，所有的這些都可以通過建立數字雙生模型來提高生產效率、增強物理系統的穩定性，為實現智能制造提供了新的途徑。

2 SMEP的系統組成及結構

漿料微流擠壓成型平臺（Slurry Microfluidic Extrusion Molding Platform，SMEP）主要由四大系統組成，如圖1所示。這四大系統分別是機械結構系統、控制系統、步進電機驅動系統以及傳感器系統，四大系統相互連接并一起工作以完成漿料的擠出成型。機械結構系統主要包含X軸滑臺、Y軸滑臺、Z軸滑臺、擠出頭、擠出料筒、平臺等機械部件，這些部件組成了整個平臺的框架結構。控制系統由兩個部分組成，硬件部分和軟件部分。硬件部分包括了控制板、電源等器件，用于發送、接收及存儲G代碼指令，并與上位機保持通信。軟件部分主要是由基于Marlin[14]的控制算法組成的軟件系統，通過Marlin算法可以使SMEP解析G代碼指令，并執行直線插補、圓弧插補、多軸聯動等命令。傳感器系統包括限位開關、壓力傳感器、速度傳感器等，其功能主要用于監測和感知當前SMEP的運行狀態。

圖1 SMEP的系統結構圖Fig.1 SMEP System Structure Diagram

3 DT-SMEP的應用框架

SMEP是物理實體的集合，每個系統都有特定的功能，系統間相互操作、協同完成指定的任務。DT-SMEP（Digital Twin-SMEP）是SMEP在信息層中的數字孿生模型，該模型能夠在信息層中全面、客觀的反應物理實體及物理實體之間相互連接關系。數據融合是數字孿生技術里的核心之一，需要通過構建映射模型作為物理層和信息層之間的溝通橋梁，達到物理層和信息層之間的信息相互融合，從而使DT-SMEP具有數據映射、數據存儲、數據交換、數據識別等能力。為了實現這些功能我們建立了如下的應用框架，如圖2所示。

圖2 DT-SMEP的應用框架Fig.2 DT-SMEP Application Framework

應用框架主要由四部分組成，即物理層、信息層、映射模型及映射模型數據接口。物理層主要由SMEP的物理實體（四大系統）組成，并通過SMEP的傳感器系統來監測及感知物理實體當前的狀態信息，從而使物理實體擁有物理感知功能。信息層包含有DT-SMEP的描述模型和信息決策模型，DT-SMEP是多領域多學科的交叉統一，用來對實體模型的幾何特性、物理特性及控制特性進行描述，通過物理感知進行數據收集，從而在信息層中建立一個能夠完全并真實反應物理實體的虛擬模型。描述模型的正確建立是產生信息決策的基礎，信息決策模型通過信息存儲器收集并存儲SMEP的描述模型信息，經過信息決策庫產生決策信息，最后對物理實體進行決策控制，從而達到對SMEP運行過程中的優化及自感知的目的，在這個過程中，描述模型也會根據收集到的數據不斷地自我更新修改。映射模型是物理層和信息層之間通信的橋梁，二者是實時一一對應的，不同的映射方法，會產生不同的結果。為了使DT-SMEP 和SEMP 實時反應，在此建立了映射模型，從而使SMEP在運行過程中可以產生實例化映射。SMEP 的傳感器系統包括各種不同的傳感器，并用于監測擠出壓力、各軸滑臺位移及滑臺移動速度等的物理信息，通過傳感器系統來監測感知SMEP的運行狀況，將監測到的物理信息及數據通過映射模型數據接口，經過映射模型映射到信息層中進行建模及決策。

4 DT-SMEP的實現

根據所提出的DT-SMEP 應用框架，提出了DT-SMEP 的描述模型、映射模型、映射模型數據接口以及DT-SMEP的信息決策模型。

4.1 DT-SMEP描述模型的建立

DT-SMEP的描述模型是物理層SMEP的數字表示和信息決策模型的基礎。描述模型應該能夠清楚的描述SMEP的機械組成、連接關系及控制特性。SMEP涉及到多個不同領域的系統，為了能夠很好的表示描述模型，我們需要使用分層及封裝的方法，通過一種有效的建模語言來實現對描述模型的表示及建立。

SMEP是由多個系統組成，并且內部具有高度耦合的特性，根據實際需求，對SMEP進行了相應的簡化，并在此基礎上建立了描述模型。由于整個SMEP描述模型太大，在此，只給出了機械系統系統中的Z驅動滑臺的描述模型和部分控制系統的描述模型。

機械結構系統的Z軸驅動滑臺，如圖3所示。將該系統簡化為：導軌、絲桿、滑塊、光軸、工作臺等部分組成，它們之間通過轉動副、移動副等連接關系相互連接在一起，首先通過三維建模軟件來建立Z軸驅動滑臺的幾何模型，如圖4所示。通過該模型描述了Z軸驅動滑臺形狀、尺寸、位置及裝配關系，并通過映射模型將Z軸驅動滑臺模型轉換為含有信息數據的XML文件。Modelica是一種根據物理系統的拓撲結構基于語言內在的組件連接機制實現模型構成和多領域集成的面向對象的語言，具有良好的封裝能力[15]。因此采用Modelica來對描述模型進行建模，根據不同的對象，建立不同對象的屬性和功能。

圖3 Z軸滑臺的物理實體Fig.3 Physical Entity of Z-Axis Slide

圖4 Z軸滑臺三維模型Fig.4 Z-Axis Slide Three-Dimensional Model

文獻[16]是基于Modelica多領域統一建模規范，新一代多領域工程系統建模、仿真、分析與優化的平臺。在分析機械系統的物理模型基礎上，通過Mworks 軟件讀取含有信息數據的XML文件，在信息層中建立基于Modelica語言下的描述模型，如圖5所示。

圖5 Z軸滑臺基于Modelica語言下的描述模型Fig.5 Z-Axis Slide is Based on Description Model in Modelica Language

SMEP 的控制系統通常使用梯形加減速和S型加減速做速度的規劃，兩種運動算法混合采用，使平臺運動效率達到最高。控制系統通過Marlin算法讀取上位機發送過來的G代碼指令并對其進行解析，然后將輸入信號發送至步進電機驅動器使其控制步進電機進行相應的旋轉。步進電機輸出軸帶動絲杠從而使滑軌上的滑塊運動，滑塊上安裝的速度傳感器檢測滑塊運動速度，反饋回控制系統，實現步進電機的閉環反饋控制。在此，基于Modelica 語言描述下，建立了SMEP 的部分控制模型，如圖6所示。

圖6 控制系統基于Modelica語言下的描述模型Fig.6 Control System is Based on Description Model in Modelica Language

4.2 DT-SMEP映射模型的建立

DT-SMEP作為SMEP的映射，兩者需要實時保持并進行反應，DT-SMEP與SMEP的實時映射策略尤為重要。SMEP包含運動學、動力學等相關參數。為了實現DT-SMEP的數據驅動，需要將物理層和信息層之間通過特定的映射模型連接起來。SMEP包含各種系統，以及復雜的數據類型，需要通過映射模型使DTSMEP的信息層獲取SMEP的物理層的相關信息。

為了實現物理層下結構系統及數據信息的轉換，需要建立物理層和信息層之間的映射模型，首先需要對SMEP的靜態物理系統結構進行描述。UML（統一建模語言）是一種基于面向對象的可視化建模語言，具有定義良好、功能強大、易于表達等特點[17]。基于UML建立SMEP的靜態結構模型，如圖7所示。并利用UML模型構建系統之間的關聯關系。

圖7 基于U ML的SMEP靜態結構模型Fig.7 UML-Based SMEP Static Structure Model

XML是一種可擴展標記語言，可通過一系列簡單標記來描述數據[18]，將建立好的UML 模型的物理對象及數據信息通過基于XML 的映射模型，如圖8 所示。進行統一的封裝，轉換為DT-SMEP 信息層下可讀取的數據內容，并生成XML 格式的信息文件，后期通過MWorks軟件讀取XML格式文件，可在信息層中生成相應的DT-SMEP描述模型，并在SMEP運行時產生實例化映射。

圖8 基于XML的映射模型Fig.8 XML-Based Mapping Model

4.3 映射模型數據接口

由于傳感器系統所采集到的數據和幾何建模的數據是通過不同的接口和通信協議進行傳輸的，不同的數據接口和通信協議之間互相不兼容，這使得信息層對物理層的訪問變得更為困難，需要定制特殊的模塊使接口和通信協議進行統一，從而可以使信息層對物理層中不同格式的數據、類型進行訪問。

隨著智能制造時代的到來，OPCUA（OPC Unifed Architecture）成為了當前主流的數據互聯標準與規范[19]。通過OPCUA可以跨平臺對不同的控制器和機器進行訪問和配置，并可通過任意端口進行通信，從而實現了不同平臺的互操作性，使信息層和物理層的數據更好的融合在一起。映射模型數據接口基于OPCUA的標準與規范進行設計，能夠兼容不同的物理接口，并可對接口進行解析與讀寫，同時具備對數據清理、集成、封裝、聚類等功能。通過映射模型數據接口將物理層數據進行解析整理后，經過映射模型將數據轉換到信息層中，實現物理層和信息層的數據融合。

4.4 DT-SMEP信息決策模型的建立

SMEP在運行過程中，漿料會發生液相遷移的現象，該現象會改變漿料內部的性質，影響漿料擠出穩定性。為了使SMEP更加智能化，能夠自適應調節擠出壓力，讓漿料更加穩定地擠出，需要建立DT-SMEP 信息決策模型。通過信息決策模型使DTSMEP擁有自我學習能力。基于傳感器系統收集過來的信息數據進行自我學習，采集當前的擠出速度數據來預測下一時刻的擠出壓力值，當預測的擠出壓力值超過閾值時，產生決策信息反饋調節擠出速度，從而使擠出壓力值穩定在正常范圍內。信息決策庫主要基于Tensorflow學習框架建立起來的人工神經網絡，如圖9所示。

圖9 信息決策庫Fig.9 Information Decision Base

由于上述信息決策模型為線性模型，而傳感器采集的數據較為復雜，從而造成許多數據無法正確的線性分割，需要通過加入一個非線性激活函數將最后的輸出層結果轉換為非線性的，在此采用sigmoid函數作為激活函數，其數學表達式為：

通過隨機初始化不同的權重參數ω(1)、ω(2)，在SMEP的運行中使信息決策庫進行深度學習，并通過隨機梯度下降法不斷地進行優化參數權重ω(1)、ω(2)，從而使權重參數ω(1)、ω(2)達到最優。

在權重參數ω(1)、ω(2)達到最優后，SMEP將三個連續時刻采集到的擠出速度數據作為人工神經網絡的輸入，通過人工神經網絡預測出擠出壓力值Y′，再判斷當前預測的擠出壓力值Y′是否超過閾值。

當超過閾值時，DT-SMEP 信息決策庫產生決策信息，對物理空間的漿料擠出步進電機進行決策控制，調節其擠出速度，使擠出壓力值穩定在閾值范圍內，讓漿料的擠出更加穩定，提高成型精度。

4.5 人工神經網絡訓練

為了實現DT-SMEP 信息決策模型對擠出壓力值的預測，需要通過人工神經網絡建立擠出速度與擠出壓力值之間的聯系，而人工神經網絡的訓練需要擠出速度數據和擠出壓力值數據。

通過安裝在擠出機尾端的速度傳感器以及安裝在擠出機與擠出料筒之間的壓力傳感器，如圖10所示。

圖10 SMEP及其安裝在上面的傳感器Fig.10 SMEP and Installed Sensor

測得SMEP在時域上的漿料擠出速度，如圖11（a）所示。和漿料擠出機的擠出壓力值，如圖11（b）所示。

圖11 傳感器收集到的數據Fig.11 Data Collected by Sensor

在時域上取前200s收集到的數據作為訓練數據集，取（200～280）s的數據作為驗證對比數據集，分別用于人工神經網絡的訓練及其驗證對比。

將（200～280）s之間的預測擠出壓力值與實際擠出壓力值放在一起進行對比，如圖12所示。

圖12 驗證對比圖Fig.12 Verification Comparison Chart

由驗證對比圖可知，通過人工神經網絡對漿料擠出壓力值的預測與實際收集到的數據吻合度較好。

DT-SMEP信息決策模型通過傳感器系統收集數據，基于實時收集到的數據，經過人工神經網絡預測下一時刻漿料擠出步進電機的擠出壓力值，當預測的擠出壓力值超過預定的閾值時，DT-SMEP信息決策庫產生決策信息，反饋控制調節漿料擠出步進電機的擠出速度，使擠出壓力值調節回閾值范圍內，讓漿料的擠出更加穩定，提高擠壓成型的精度。

5 結束語

針對SMEP，首先建立了DT-SMEP描述模型，在信息層中基于Modelica 語言完整并全面的對SMEP 物理層進行了多領域的描述，從而在信息層中客觀的反應了物理實體。其次基于UML模型建立了SMEP靜態結構模型，并通過XML語言對物理層和信息層之間的映射關系建立了映射模型，構建起了物理層和信息層之間的通信橋梁。最后基于Tensorflow深度學習框架建立了DTSMEP的信息決策模型，使信息層能夠產生決策信息從而對物理實體進行決策控制，提高平臺的智能化程度。