基于数字孪生的智能装配车间管控模式.docx
《基于数字孪生的智能装配车间管控模式.docx》由会员分享,可在线阅读,更多相关《基于数字孪生的智能装配车间管控模式.docx(13页珍藏版)》请在冰豆网上搜索。
基于数字孪生的智能装配车间管控模式
基于数字孪生的智能装配车间管控模式
导读
本文提出了基于数字孪生的智能装配车间管控模式,可以实现资源定位、优化调度、装配流程和质量控制等,从而提高复杂装配车间管控能力。
0引言
随着物联网、数字线程、智能传感、信息物理融合等技术的快速发展以及人工智能技术与制造业的融合,掀起了以信息技术为核心的新时期技术革命,世界各国陆续出台了各自的先进制造发展战略[1]。
如英国工业2050、美国“先进制造业”战略、德国工业4.0战略、中国制造2025,其目的都是借助新一代信息技术实现物理世界和信息世界的互联互通以及智能化操作,进而实现智能制造[2]。
2003年Grieves教授在美国密歇根大学的产品全生命周期管理课程上最早提出了数字孪生的概念[3],国内外学者在数字孪生驱动的产品优化设计、全生命周期管理、复杂系统控制等方面开展了大量研究[4]。
目前比较认可的是由北京航空航天大学、北京理工大学等给出的定义:
数字孪生是利用数字技术创建物理实体的虚拟模型,借助数据模拟物理实体在现实环境中的特征、行为、形成过程和性能,通过虚实交互反馈、数据融合分析、决策迭代优化、精准高效执行等手段扩展物理实体的能力[5-6]。
近几年数字孪生的概念炙手可热。
陶飞等[7-8]探索了数字孪生车间(DigitalTwinShop-floos,DTS)的概念,设计了DTS的组成与运行机制,阐述了实现DTS的4个特点和5大关键技术,为数字孪生在生产制造环节落地应用提供了理论支撑;BehrangAshtariTalkhestani等[9]出基于模型融合的数字孪生建模方法,通过多种数理仿真模型的组合构建复杂的虚拟实体;郑宇等[10]提出全参数数字孪生实现框架,基于数据采集、传输、处理、匹配等流程实现上层数字孪生应用。
目前数字孪生技术已在我国飞机、航天器等领域得到一些应用,但是数字孪生技术仍处于探索阶段,还存在许多亟待解决的问题。
本文针对目前飞机机翼装配车间混流装配、装配精度和效率低等问题,提出基于数字孪生的智能装配车间管控模式,在实现资源位置信息、装配流程信息、装配质量信息实时采集的基础上,利用Euclidean距离法、Markov方法、Manhattan距离算法等实现装配车间资源优化调度、装配流程和质量控制。
最后,以某型号机翼装配车间为例,对原型系统进行应用验证,为实现复杂装配车间实时、动态管控提供技术路径。
1基于数字孪生的智能装配车间技术架构设计
基于数字孪生的智能装配车间技术架构如图1所示,有5个部分,即真实装配车间、孪生装配车间、装配车间孪生数据、数据服务平台、装配车间管控系统。
真实装配车间指装配物料、设备、人员、产品等组成的物理实体空间,是数字孪生体的载体。
孪生装配车间是物理实体在数字空间的映射,包含车间模型、工位模型、设备模型和规则等,是数字孪生体的动力。
装配车间孪生数据是真实装配车间实测数据与孪生装配车间仿真数据的集合,是数字孪生体的核心。
数据服务平台主要包括用于数据传输的现场总线、数据接口、智能网关以及用于信息处理的降噪算法程序,通过对真实装配车间和孪生装配车间的多源异构信息进行识别、处理,最终将实时的、有效的信息传输到数据库,形成装配车间孪生数据,是数据孪生体的引擎。
装配车间管控系统是指通过资源定位、物联网、多维仿真等技术基于完整信息数据和明确机理对实时装配状态进行判断、预测,是数字孪生体的大脑。
图1基于数字孪生的智能装配车间技术架构
2基于数字孪生的智能装配车间组成
在基于数字孪生的智能配车间技术架构下,智能装配车间主要包括物理车间、虚拟车间、孪生数据、管控系统4部分,如图2所示。
图2基于数字孪生的智能装配车间组成
(1)物理车间:
是生产车间装配资源的集合,无论是后续数字孪生体的建模仿真,还是装配状态分析决策都要以物理车间为依据,否则,一切分析和判断都是文不对本。
(2)虚拟车间:
是依据装配车间装配资源建立的物理模型、行为规则等的集合,用多维虚拟模型来模拟真实的装配车间,是数字孪生体的核心。
(3)孪生数据:
主要包括物理车间实测数据和虚拟车间仿真数据,实测数据主要包括用无线射频识别(RadioFrequenceIdentification,RFID)和超宽带(Ultra
Wideband,UWB)技术采集到的装配资源位置数据、用物联网螺丝刀和物联扳手等采集的装配质量数据、用电流监控标签和振动监控标签等采集到的的设备
状态信息等。
仿真数据主要包含虚拟车间通过Manhattan距离算法、Markov预测法、Euclidean距离算法等得到的仿真数据。
(4)管控系统:
是数字孪生体的大脑,通过AI监控平台、物联网平台、上层企业级软件等对孪生数据进行分析、判断,从而实现对车间流程、装配质量、人员、设备等实时、动态管控。
3基于数字孪生的智能装配车间管控模式
装配车间管控主要是指在装配过程中准确掌握装配资源的位置信息和工作状态并根据耗时最短原则进行资源调配,确保在最短的时间内找到待命的装配资源,提高资源利用率;准确掌握装配流程数据的当前状态并预测这些数据的未来状态,根据预测结果调整装配过程,避免错装、漏装而导致返工;准确掌握实时的装配质量数
据,对不满足装配质量要求的零部件进行二次装配,实时保障装配质量,克服装配质量监控滞后的问题。
用Euclidean距离算法是最有效的距离度量算法之一,根据UWB检测到的装配资源和工位的位置坐标,用Euclidean距离算法计算装配资源到工位的距离,从而衡量各装配资源到装配工位的实际路径距离。
根据各装配资源到工位的距离,生成装配资源序列。
电流监控标签通过与耗电装配资源串联,可实时检测该设备占用状态。
由于装配资源在使用时的振动信号强度明显高于装配资源在待命时的振动信号强度,因此,非耗电装配资源通过安装振动监控标签对其占用状态进行检测。
基于数字孪生的智能装配车间资源调度流程如图3所示,首先对距离最近的装配资源进行占用状态检查,通过电流监控标签、振动监控标签检测该装配资源占用状态,若该装配资源正处于使用状态中,则从资源序列中选取下一个装配资源进行占用状态检测,直到找到未被占用装配资源中距离最短的装配资源,并给物理车间及时发送调用信号。
图3基于数字孪生的智能装配车间资源调度流程
Markoa预测模型主要用于分析离散随机过程未来的变化趋势,是具有无后效性的预测过程,即利用某一变量现在的状态去预测其未来的状态,且预测过程与之前的状态无关,只与当前的状态有关[11]。
类似机翼这样的装备生产批量小,故可追溯的历史装配流程数据少,而且数字孪生技术的重要意义在于时效性,它就是是对当前状态进行分析并预测未来状态。
因此,使用对历史装配过程数据要求不高的Markov方法进行装状态预测比较合适。
图4基于数字孪生的智能装配车间装配流程管控
如图4所示,在装配车间,零部件需从各加工工位运输至装配工位进行装配,因此,用UWB对各零部件以及装配工位进行实时定位,通过各零部件的移动轨迹以及到达装配工位的时间先后可以判断装配流程,在待装配件到达装配工位时生成装配序列,并将该装配序列信息通过以太网接口传输到孪生空间。
在孪生车间,用Markov方法根据当前的装配序列预测未来装配序列,并将预测结果传输给装配车间管控系统。
管控系统将预测的装配序列与规范的装配流程比对,并将决策反馈给真实装配车间,若预测的装配序列与规范的装配流程相悖,则会对真实装配车间进行预警,提醒装配工人停工调整并注意下一阶段操作规范。
在产品装配过程中反复执行上述管控流程,直至整个产品保质保量生产完成。
Manhattan距离算法起源于城市区块距离计算,可以非常简便的计算两点间的距离。
在本研究中将Manhttan距离计算思想引入装配质量计算中,可以高效且准确的计算出当前状态的装配质量是否满足装配质量要求。
工人在进行装配作业时,会有大量的螺钉、螺栓、铆钉等连接件被用于连接两个或多个零部件,在此过程中会产生大量的扭矩、拉力等装配质量数据,而这些装配质量数据直接决定产品的强度、使用寿命。
根据连接件的直径、材料以及被连接件的结构、材料等情况这些装配质量数据应该被限制在一定的范围内才能保障装配质量,因此,在装配过程中实时监控这些质量数据对提高产品质量和规范工人装配行为具有重要意义。
如图5所示,首先,在真实装配车间,给工人配置物联网螺丝刀、物联网扳手等智能工具,工人在装配操作过程中这些智能工具会实时采集扭矩、拉力等质量数据,并将这些质量数据通过以太网接口传输到孪生车间。
在孪生车间,用Manhattan距离算法计算实测质量数据与规范质量数据区间平均值的差值,并将该差值数据传输给装配车间管控系统。
管控系统将该差值与规范质量数据区间长度的一半进行比较,并将结果反馈给真实装配车间,若该差值数据与规范质量据数据区间长度的一半还大,说明该实测质量数据不在规范质量数据的区间内,不满足装配质量要求,此时系统则会对真实装配车间进行预警,提醒装配工人对对应连接处进行二次装配并注意下一阶段操作规范。
在装配过程中实时监控装配质量,反复执行上述质量管控流程,直至整个产品装配完成。
图5基于数字孪生的智能装配车间装配质量管控
基于数字孪生的智能装配车间采用“车间-工位-设备”三层管控模式,实现对生产过程、装配流程、设备状态的闭环控制如图6所示。
由于构建了基于实体物理车间的智能装配车间,利用虚拟车间、孪生数据、装配车间管控系统等通过“感知-分析-决策-执行”4个环节可真正实现虚实结合,以虚控实的效果,促进复杂装备装配车间智能化,解决装配过程中资源利用率低、装配流程和质量监控滞后等问题,实现
装配资源优化配置、装配流程和质量的实时监测与控制。
图6基于数字孪生的智能装配车间管控模式
本系统基于Microsoft.NET平台和B/S架构,采用云定位服务作为系统的中枢,能够根据负载情况来增减定位服务器的数量,防止漏定位和定位服务器资源浪费。
采用工业环网集群式设备部署方法对电子标签位置、资源分布、设备占用状态、装置质量数据等信息进行感知、采集,并通过用户数据报协议(UserDatagramProtocol,UDP)、ModBus协议等对数据进行封装后发送给SQLSERVER数据库,对以上数据信息进行存储供孪生车间和装配车间管控系统调用。
首先,在车间,管控系统根据生产计划、当前生产进度等通过孪生车间中物料消耗、资源位置、人员分布、设备占用状态等进行生产调度仿真,最后根据孪生车间的仿真结果,选出最高效调度方式对仪器设备、人员、物流运输、工装、检测设备等装配资源进行优化调度,有效提高资源利用率、增强资源协同性。
其次,在工位,开发装配流程管控算法和装配质量管控算法,真实装配车间根据装配工艺手册、装配质量要求等对装配流程信息以及装配过程中产生的力、扭矩、位移等装配质量信息进行采集。
对采集到的信息进行仿真、预测,并将结果传输给管控系统。
管控系统将仿真、预测结果与装配工艺、装配质量要求进行比对,当不满足装配流程规范或不满足装配质量要求时,管控系统及时预警,并向物理车间发送调整命令,保证每一步装配都满足装配要求。
最后,利用光感监控标签、电流监控标签、振动监控标签等对设备的运行状态、运行过程中的电压、电流、振动等信息进行感知和采集,为 生产过程优化调度和保障装配质量提供信息支撑。
4智能装配车间原型系统在某机翼装配车间实践
提高装配质量和装配效率是提升生产能力的重要基础,数字化、智能化为提高装配质量和效率提供有效途径。
在传统装配生产中,某飞机制造厂机翼装配车间生产某型号机翼需要装配1000余个零件,装配工艺路线复杂多变、装配流程可视化程度低、装配流程和质量管控滞后且可追溯性差、装配资源位置信息无法实时获取导致装配资源利用率低。
为解决上述问题,提高装配质量和效率,缩短生产周期,对某型号机翼装配生产线进行智能化、数字化改造,开发智能管控原型系统,通过对装配流程、装配质量进行实时管控,实时显示装配资源位置信息,提高资源利用率,取得了较好的应用效果。
4.1装配资源位置实时定位和优化调度
机翼装配车间装配资源可分为物料、人员、运输设备、工装、工具等,物料包括肋板、梁、壁板、骨架、角排、连接件等;人员包括铆工、钳工、涂装工、工艺员等;运输设备包括托车、吊车、AGV小车等;工装包括装配型架、接头定位器、压紧位器等;工具包括风力钻、打磨器、铆枪、螺丝刀等。
资源位置信息的实时获取
对提高资源利用率、资源协同性具有重要意义。
本原型系统采用综合定位方案,即对物料、工装、工具等不经常改变位置的装配资源用RFID进行区域定位,对人员、运输设备等频繁改变位置且需追踪移动轨的装配资源用UWB进行精准定位,保障装配资源充分定位且避免定位设备浪费。
如图7所示,每个装配资源安装具有唯一标识的电子标签,并将与电子标签捆绑的装配资源进行命名和编号。
可视化界面左下角显示有电子标签的位置坐标,精度可达厘米级,从而可以获知与之绑定的装配资源的位置信息,并且可以从可视化界面上各装配资源的相对位置信息。
图7原型系统装配资源定位调试界面
为了进一步阐述资源优化调度的实现方法,如表1所示,用UWB从机翼装配车间众装配资源中采集5辆拖车、3辆AGV以及装配型架的位置坐标进行说明,其中装配型架上安装的标签为普通定位标签,仅实现定位功能,拖车上安装的标签为振动监控标签,实现定位的基础上还可以检测拖车上的振动信号,AGV小车上安装的标签为电流监控标签,在实现定位的基础上还可以采集AGV小车的电流信号。
在采集之前对各装配资源所安装的电子标签编号,将其依次标记为“资源1~资源9”。
表1UWB采集装配资源位置坐标
由于在机翼装配车间,待装配的零部件需要运送至装配型架进行装配,直至整个机翼装配完成。
因此,在资源调度时为了提高效率需要用Euclidean距离算法计算各装配资源到装配型架的距离,从容衡量实际路径距离。
用电流监控标签、振动控标签分别检测装配资源的电流信号和振动信号,当检测到电流信号或振动信号时则说明装配资源正在被占用,从而不能被调用,反之,说明装配资源处于待命状态。
Euclidean距离公式如下:
根据式
(1)及电流监控标签和振动监控标签采的信号可得各拖车、AGV小车到装配型架的距离和占用状态,如表2所示。
表2装配资源到装配型架距离及占用状态
由Euclidean距离算法求得拖车、AGV小车到装配型架的距离,根据各装配资源到工位距离由近至远原则排序,生成装配资源序列{8,7,2,3,9,6,4,5},然按照装配资源序列的顺序进行占用状态检测,根据振监控标签、电流监控标签采集的信号可得序号为8的AGV小车2距离最近,但处于工作状态,因此,AGV小车2不能被调用,需按照装配资源序列继续检测下一装配资源的占用状态,直至找到序号为2的拖车
1为止,此时拖车1为处于待命状态中距离装配型架最近的装配资源,系统锁定该装配资源并以指令形式发送到真实装配车间进行资源调度。
4.2装配流程实时管控
机翼装配车间有严格的装配工艺文件,但在实际生产过程中,由于生产条件有限、车间环境环境、工人熟练度不同等因素影响,装配过程往往未能按照装配工艺文件实施,导致错装、漏装、返工等问题,对产品质量、生产周期有较大影响。
本原型系统对机翼生产过程中的典型组合件机翼前缘进行测试,实时监控其装配流程,并根据实际情况做出相应分析和决策。
如图8所示,机翼前缘组合件作为机翼重要的部件之一,主要包括整流钢板、前肋1、前肋2、前肋3、前肋4、前肋5、前肋6、作动筒支架、作动筒、动筒密封罩等。
根据装配工艺文件,规范的装配流程为:
{1,2,(3,4,5,6),7,9,8,10}或{1,2,(3,4,5,6),7,9,10,8}等,其中(3,4,5,6)为前肋2、前肋3、前肋4和作动筒支架构成的骨架,作为部件进行机翼前缘装配。
为了便于装配和保证装配精度,前肋1、前肋5与整流钢板连接处加工有圆孔,而与作动筒连接处加工有直槽口,前肋6在与作动筒连接端留有5mm工艺余量。
图8机翼前缘组合件
为了进一步说明Markov方法在装配流程管控上的作用,现以前肋1装配完成,骨架组件已运输至装配工位且未装配时的装配状态进行说明,即此时的装配序列为{1,2,(3,4,5,6)}。
假定在未来装配过程中,装配序列状态以一定概率进行变化且该变情况不因时间不同而发生变化,则可得到模型的状态转移矩阵:
用Markov过程在稳态条件下的解作为未来装配序列的预测状态,利用Markov稳态概率求解方法可以得到:
根据式
(2)~式(4),可求得稳态条件下的装配序列预测结果,如表3所示。
表3Markov方法预测的装配序列结果
在这组装配序列变化中存在{1,2,(3,4,5,6)},{1,2,(3,4,5,6),7}为正确的装配流程导向,与规范的装配流程相吻合,因此,此时可继续执行装配,即对运输至装配型架但未装配的骨架组件进行装配作业。
反之,如果骨架组件装配完成,工人误以为接下来需要安装前肋6而将前肋6运输至装配型架,此时产生的装配序列为{1,2,(3,4,5,6),8},根据式
(2)~式(4)预测的装配序列中与规范装配流程相吻合的概率为
0,这说明{1,2,(3,4,5,6),8}为错误的装配流程导向,此时,管控系统及时向真实装配车间发送停装调整预警,避免因为错装、漏装而导致返工,从而提高装配质量和效率。
4.3装配质量实时管控
由于机翼装配工艺路线和车间环境复杂、装配操作需要在结构复杂的装配型架上完成,因此,仍采用人工作业的方式进行装配。
工人在执行装配操作过程中由于工人素质和经验不同、工作疲劳等因素的影响可能导致装配操作过程对零部件施加的扭矩、力、位移等未能达到装配质量要求,从而影响机翼的强度、寿命、产品质量。
通过给装配工人配备物联网螺丝刀、物联网扳手等智能工具,可以实时采集装配操作过程中产生的扭矩、力、个数等质量数据。
为了进一步说明Manhattan距离算法在装配质量管控上的作用,以前肋6与作动筒和整流钢板连接为例进行说明。
前肋6与作动筒和整流钢板连接时需要安装4个强度6.8级的M12的普通螺栓且扭矩应该控制在58~78N·m的范围内,记为(a,b)。
工人在使用物联网扳手进行装配作业时采集到4组力矩数据,这4组力矩数据来自于不同批次的机翼前缘装配。
根据采集时间的先后顺序对这些数据进行编号,即采集序号1~采集序号16。
如表4所示,由式(5)~式(7)计算绝对质量离差,即实时采集的质量数据与规范质量数据区间平均值的差值,并计算相对质量离差,即大于区间长度一半的绝对质量离差与规范质量数据区间平均值的比值。
Manhattan距离公式、相对质量离差计算公式如下所示:
式中,xi为实测质量数据,x0为规范质量数据区间平均值,△表示绝对质量离差,δ表示相对质量离差,△m表示大于区间长度一半的绝对质量离差,a和b分别表示规范质量数据区间上下限。
表4实测质量数据的绝对、相对质量离差
根据连接件的直径、材料以及被连接件的结构、材料等情况,前肋6与作动筒和整流钢板连接时的扭矩应该控制在(58,78)N·m范围内,此时,区间长度的一半为10N·m,由表4可知序号为3、7、9、10的采集点计算得到的绝对离差大于10N·m,则说明该处实测质量数据不在规范质量数据区间内,不满足装配质量要求,此时系统会向真实装配车间发送预警信号,提醒工人对对应连接处进行二次装配。
相对质量离差用于衡量装配操作过程的规范程度,例如序号为10的采集点的相对离差高达27.25%,说明装配操作扭矩欠缺严重,装配质量较差,工人以此为依据注意下一阶段的操作规范。
原型系统通过可视化界面对装配质量进行实时管控,有利于解决产品生产过程中质量检测滞后的问题,可规范工人操作和提高装配质量。
5结论
本文针对飞机机翼装配车间生产过程中装配工艺路线复杂多变、资源利用率低、装配流程和质量监控滞后等问题,对复杂装配车间管控进行相关研究,提出基于数字孪生的智能装配车间虚实结合、以虚控实的管控模式,在实现资源位置信息、装配流程信息、装配质量信息实时采集的基础上,利用Euclidean距离算法、Markov方法'Manhattan距离算法等实现装配车间资源优化调度、装配流程和质量控制,最终通过实例验证得到了以下结论:
①利用Euclidean距离算法计算各装配到装配工位的距离,并通过电流监控标签和振动监控标签检测其占用状态,可有效的找到处于待命状态且距离装配工位最近的装配资源;②利用Markov方法可以通过当前的装配序列预测未来装配序列,并将预测的装配序列与规范装配序列比对,从而可以验证当前装配状态的可行性,避免错装、漏装而导致返工;③利用Manhattan距离算法可以计算绝对质量离差,即实时采集的质量数据与规范质量数据区间平均值的差值,通过绝对质量离差与规范质量数据区间长度一半比对,可验证当前装配质量是否满足装配质量要求,实时监测和控制装配质量;④验证了基于数字孪生的智能装配车间管控模式的可行性,通过真实装配车间、孪生装配车间、装配车间管控系统三者交互协作,能够对装配车间进行实时、动态管控,为复杂装配车间管控提供一种新途径。
本文提出了基于数字孪生的智能装配车间管控模式,可以实现资源定位、优化调度、装配流程和质量控制等,从而提高复杂装配车间管控能力。
但是,目前像飞机机翼这种复杂装备产品装配车间生产管控和装配质量、流程控制仍处于探索阶段,基于数字孪生的智能装配车间管控模式作为一种管控新模式,还需要进一步研究和验证。
参考文献:
[1]GAOLiang,WEIMingshen,LIXinyu.Newtrendsinintelligentmanufacturing[J].Engineering,2019(5):
619-620.
[2]程颖,齐庆林,陶飞.新一代信息技术驱动的制造服务管理:
研究现状与展望[J].中国机械工程,2018,29(18):
2177-2188.
[3]APRISO.Digitaltein:
manufacturingexcel-ence throughvirtualfactoryreplication[DB/OL].(2014-05-06).
[4]郭具涛,洪海波,钟珂珂,等.基于数字孪生的航天制造车间生产管控方法[J].中国机械工程,2020,31(7):
56-62.
[5]陶飞,刘蔚然,刘俭华,等.数字孪生及其应用探索[J].计算机集成制造系统,2018,24
(1):
1-18.
[6]庄存波,刘检华,熊辉,等.产品数字孪生体的内涵、体系结构及其发展趋势[J].计算机集成制造系统,2017,23(4):
753-768.
[7]陶飞,张萌,程江峰,等.数字孪生车间:
一种未来车间运行新模式[J].计算机集成制造系统,2017,23
(1):
1-9.
[8]陶飞,马昕,胡天亮,等.数字孪生标准体系[J].计算机成制造系统,2019,25(10):
2405-2418.
[9]BehrangAshiariTalkhestani,Nasser Jazdi,WolfgangSchloegl, etal.Aconceptinsynchronizationofvirtualproductionsystemwithrealfactorybasedonanchor-pointmethod[J].ProcediaCIRP,2018,72:
159-164.
[10]YuZheng,SenYang,HuanchongCheng.Anapplication framewor