李勝前， 劉治紅， 邱 楓， 趙智聰， 張弦弦

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

0 引言

在傳統(tǒng)的柔性生產(chǎn)基礎(chǔ)上，模塊化生產(chǎn)已經(jīng)成為“工業(yè)4.0”的主流，模塊化構(gòu)造帶來了更高的靈活性，通過數(shù)據(jù)采集分析方法實(shí)現(xiàn)了對所連接設(shè)備的狀態(tài)監(jiān)控， 這些數(shù)據(jù)除了被用于遠(yuǎn)程狀態(tài)監(jiān)控外，還能用于質(zhì)量監(jiān)控、過程改進(jìn)以及預(yù)防性維護(hù)，提高了機(jī)器設(shè)備的可支配性[1]。

目前，大多數(shù)的模塊化生產(chǎn)線智能化程度還不高，尤其是故障檢測方面。大多數(shù)生產(chǎn)線均采用后置報(bào)警方式實(shí)現(xiàn)故障提示，視頻監(jiān)控或者可視化系統(tǒng)提醒管控人員對生產(chǎn)線設(shè)備進(jìn)行檢修，普遍在故障前置預(yù)測方面不足[2]。 當(dāng)報(bào)警信號產(chǎn)生時，產(chǎn)線已經(jīng)出現(xiàn)了故障，并且，故障檢測不能精準(zhǔn)到設(shè)備以及關(guān)鍵部件，一旦出現(xiàn)故障，將對產(chǎn)線的生產(chǎn)效率造成很大影響。因此，亟需提出一種故障預(yù)警的方法。

本文將數(shù)字孿生技術(shù)引入模塊化生產(chǎn)線， 利用建模軟件構(gòu)建虛擬生產(chǎn)線， 利用生產(chǎn)線管理系統(tǒng)采集并管理設(shè)備數(shù)據(jù)， 從而實(shí)現(xiàn)物理生產(chǎn)線和虛擬生產(chǎn)線數(shù)據(jù)的交互融合， 最終構(gòu)建了基于數(shù)字孿生技術(shù)的模塊化裝藥生產(chǎn)線管控模型；在此基礎(chǔ)上，利用管控模型中數(shù)據(jù)協(xié)同交互功能，實(shí)現(xiàn)對設(shè)備數(shù)據(jù)的實(shí)時采集、管理與分析；最后使用神經(jīng)網(wǎng)絡(luò)算法對管控模型中設(shè)備數(shù)據(jù)發(fā)展?fàn)顟B(tài)進(jìn)行預(yù)測，并以此為依據(jù)對設(shè)備狀態(tài)進(jìn)行調(diào)控和預(yù)測，最終實(shí)現(xiàn)基于數(shù)字孿生技術(shù)的模塊化裝藥生產(chǎn)線故障預(yù)警[3]。

1 模塊化自動化生產(chǎn)線

1.1 生產(chǎn)線總體布局

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

圖1 生產(chǎn)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(nèi)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(jī)構(gòu)分別復(fù)位，托盤自動向前傳輸至下一工位。 襯里存料、驅(qū)動和切斷機(jī)構(gòu)在模塊中存在兩套機(jī)構(gòu)， 便于襯里缺料的切換不影響整線的連續(xù)運(yùn)行。

2 虛擬生產(chǎn)線及故障預(yù)警

2.1 虛擬生產(chǎn)線建模

傳統(tǒng)的物理生產(chǎn)線主要采用人工目視檢測方法，利用車間可視化監(jiān)控系統(tǒng)對于生產(chǎn)線情況進(jìn)行人工監(jiān)控，對于人工的依賴性較大， 故障調(diào)整工序冗余， 調(diào)整速度慢，不利于生產(chǎn)線的生產(chǎn)，出現(xiàn)故障對整個產(chǎn)線的生產(chǎn)效率有著很大的影響。

通過建立虛擬生產(chǎn)線，運(yùn)用數(shù)字孿生技術(shù)，可以對實(shí)際模塊化生產(chǎn)線的實(shí)時狀態(tài)進(jìn)行直觀的了解。通過建立數(shù)字虛擬模型，實(shí)現(xiàn)物理生產(chǎn)線、虛擬生產(chǎn)線、生產(chǎn)線管理系統(tǒng)三者的數(shù)據(jù)交互融合管控模式。 在此模式下，生產(chǎn)線的調(diào)配對人員的依賴程度大大降低，出現(xiàn)的問題可以精準(zhǔn)到模塊，甚至精準(zhǔn)到零件，大大提高了問題解決速度，對生產(chǎn)線的管控還有企業(yè)的智能化建設(shè)有著極大的提升。

虛擬生產(chǎn)線建模依托于數(shù)據(jù)采集系統(tǒng)， 通過生產(chǎn)線各個模塊的設(shè)備PLC 采集數(shù)據(jù)，將數(shù)據(jù)傳輸?shù)綌?shù)據(jù)庫，構(gòu)建數(shù)據(jù)孿生體， 其中的關(guān)鍵是對關(guān)鍵數(shù)據(jù)的采集和整理。 以襯里裝配機(jī)為例，其主要采集的數(shù)據(jù)項(xiàng)如圖2 所示。

通過unity 引擎對該模塊進(jìn)行3D 建模，將設(shè)備對各個零件的動作數(shù)據(jù)進(jìn)行分析， 并與物理生產(chǎn)線上該設(shè)備的零件動作進(jìn)行比對， 選取關(guān)鍵零件動作數(shù)據(jù)設(shè)計(jì)各個零件的動作，實(shí)現(xiàn)數(shù)據(jù)孿生體的交互，建成虛擬生產(chǎn)線。

圖2 主要采集的數(shù)據(jù)項(xiàng)

2.2 故障預(yù)警分析

在實(shí)際生產(chǎn)過程中，各模塊采集的數(shù)據(jù)是非線性的，具有高度的隨機(jī)性和不確定性， 并且不同模塊采集的數(shù)據(jù)類型不一致，隨著時間的增長，生產(chǎn)線各設(shè)備會出現(xiàn)故障、磨損等不確定性問題。 所以，要對生產(chǎn)線進(jìn)行故障預(yù)警需要一個非線性的、自適應(yīng)的算法。

我們選取神經(jīng)網(wǎng)絡(luò)算法進(jìn)行分析， 從神經(jīng)元的特性和功能可以知道， 神經(jīng)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(jù)神經(jīng)元的特性和功能， 可以把神經(jīng)元抽象為一個簡單的數(shù)學(xué)模型。 如圖3 所示。

圖3 神經(jīng)網(wǎng)絡(luò)模型

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

神經(jīng)網(wǎng)絡(luò)算法具有并行分布處理、魯棒性好、自適應(yīng)性好等優(yōu)點(diǎn)，非常契合生產(chǎn)線的故障預(yù)警。本文將就神經(jīng)網(wǎng)絡(luò)模型的故障預(yù)警進(jìn)行實(shí)驗(yàn)和探討。

2.3 關(guān)鍵技術(shù)

（1）實(shí)時數(shù)據(jù)采集存儲技術(shù)。采集對象主要為模塊化裝藥生產(chǎn)線核心技術(shù)裝備的狀態(tài)信息及工藝數(shù)據(jù)； 用核心部件模塊化裝藥生產(chǎn)線裝備的狀態(tài)信息及工藝數(shù)據(jù)；生產(chǎn)、 質(zhì)量、 倉儲等相關(guān)信息系統(tǒng)中的關(guān)鍵數(shù)據(jù)， 包括MES、ERP 等。

生產(chǎn)、質(zhì)量、倉儲等信息系統(tǒng)的數(shù)據(jù)，通過信息化中心配置信息系統(tǒng)之間的網(wǎng)絡(luò)互聯(lián)互通， 根據(jù)各信息系統(tǒng)的數(shù)據(jù)接口進(jìn)行網(wǎng)絡(luò)訪問及數(shù)據(jù)采集， 按需將關(guān)鍵數(shù)據(jù)提取并處理后在數(shù)字化可視大屏終端進(jìn)行展示。

信息采集主要通過MES、ERP 或者設(shè)備支持的數(shù)據(jù)采集接口等信息系統(tǒng)接口采集生產(chǎn)信息、設(shè)備信息等。

（2）數(shù)據(jù)管理與傳輸技術(shù)。物理生產(chǎn)線采集的數(shù)據(jù)類型包含生產(chǎn)數(shù)據(jù)、設(shè)備數(shù)據(jù)等。系統(tǒng)通過采集核心技術(shù)設(shè)備及各相關(guān)信息系統(tǒng)的數(shù)據(jù)，進(jìn)行格式化封裝數(shù)據(jù)，將封裝完成的數(shù)據(jù)按照數(shù)據(jù)類型分配給對應(yīng)的數(shù)據(jù)接口。

對于數(shù)據(jù)進(jìn)行統(tǒng)籌管理，數(shù)字孿生建模，應(yīng)用了可視化大屏技術(shù)， 數(shù)字可視化大屏系統(tǒng)根據(jù)需要數(shù)據(jù)接口中獲取的數(shù)據(jù)，進(jìn)行數(shù)據(jù)拆包、解析、處理，將對應(yīng)數(shù)據(jù)按設(shè)計(jì)的可視化效果進(jìn)行展示。

數(shù)據(jù)傳輸主要負(fù)責(zé)數(shù)據(jù)采集系統(tǒng)與數(shù)字可視化大屏系統(tǒng)之間的數(shù)據(jù)交互， 保證大屏系統(tǒng)能夠快速完整的接收到現(xiàn)場設(shè)備的實(shí)時數(shù)據(jù)及從各相關(guān)信息系統(tǒng)采集的關(guān)鍵數(shù)據(jù)。 數(shù)據(jù)通過數(shù)據(jù)采集系統(tǒng)與可視化大屏系統(tǒng)之間的數(shù)據(jù)接口進(jìn)行交互，通過訂閱發(fā)布模式，將各類核心數(shù)據(jù)通過分類標(biāo)準(zhǔn)接口直接分發(fā)至大屏系統(tǒng)的各相關(guān)單元，包括生產(chǎn)信息管理單元、環(huán)保信息管理單元等。 數(shù)據(jù)采集網(wǎng)絡(luò)架構(gòu)圖如圖4 所示。

圖4 數(shù)據(jù)采集網(wǎng)絡(luò)架構(gòu)圖

3 系統(tǒng)實(shí)現(xiàn)與驗(yàn)證

3.1 技術(shù)路線

（1）采集數(shù)據(jù)梳理和分析項(xiàng)。生產(chǎn)線數(shù)據(jù)的采集來自于各個設(shè)備的PLC，通過OPC 通信、組態(tài)軟件等技術(shù)采集生產(chǎn)線數(shù)據(jù)。部分生產(chǎn)線級采集和分析項(xiàng)如表1 所示。

表1 生產(chǎn)線級數(shù)據(jù)采集與分析項(xiàng)

（2）數(shù)據(jù)庫設(shè)計(jì)。數(shù)據(jù)采集服務(wù)將數(shù)據(jù)通過ODBC 接口寫入MySQL 數(shù)據(jù)庫中。 數(shù)據(jù)庫分為實(shí)時數(shù)據(jù)庫和分析數(shù)據(jù)庫。

分析數(shù)據(jù)庫主要用來存儲備份的歷史數(shù)據(jù)。 實(shí)時庫和分析數(shù)據(jù)庫中均包含分別用于產(chǎn)量統(tǒng)計(jì)、設(shè)備/生產(chǎn)線開機(jī)率統(tǒng)計(jì)、平均故障間隔時間統(tǒng)計(jì)、平均故障恢復(fù)時間統(tǒng)計(jì)的儲存過程[5]。

3.2 故障預(yù)警實(shí)現(xiàn)

以襯里裝配機(jī)為例， 將襯里裝配機(jī)各項(xiàng)采集裝置數(shù)據(jù)作為輸入，即拉料氣缸、襯里旋轉(zhuǎn)伺服電機(jī)等，將對應(yīng)的設(shè)備狀態(tài)作為輸出。 并將這些數(shù)據(jù)歸一化處理。 運(yùn)用BP 網(wǎng)絡(luò)算法，通過樣本數(shù)據(jù)的訓(xùn)練，不斷修正網(wǎng)絡(luò)權(quán)值和閾值使誤差函數(shù)沿負(fù)梯度方向下降， 逼近期望輸出[6]。網(wǎng)絡(luò)選用S 型傳遞函數(shù)：

不斷調(diào)節(jié)網(wǎng)絡(luò)權(quán)值和閾值使誤差函數(shù)E 達(dá)到極小。

該模型由襯里裝配機(jī)的各項(xiàng)數(shù)據(jù)作為輸入， 以設(shè)備狀態(tài)作為輸出，所以輸入層的節(jié)點(diǎn)數(shù)為5，輸出層的節(jié)點(diǎn)數(shù)為1。 本文采用含有一個隱層的三層多輸入單輸出的BP 網(wǎng)絡(luò)建立預(yù)測模型。 本文在選取隱層神經(jīng)元個數(shù)的問題上參照了以下的經(jīng)驗(yàn)公式：

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

根據(jù)上式可以計(jì)算出神經(jīng)元個數(shù)為3～12 個之間。

網(wǎng)絡(luò)結(jié)構(gòu)示意圖見圖5。

圖5 網(wǎng)絡(luò)結(jié)構(gòu)示意圖

襯里裝配機(jī)在運(yùn)行中， 可以將采集的各項(xiàng)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型進(jìn)行多次的重復(fù)學(xué)習(xí)， 直到輸出的設(shè)備狀態(tài)誤差達(dá)到閾值，就完成了網(wǎng)格訓(xùn)練。因神經(jīng)網(wǎng)絡(luò)算法的自適應(yīng)性， 在實(shí)際生產(chǎn)中還能根據(jù)具體情況進(jìn)行反復(fù)訓(xùn)練校正，提高模型的準(zhǔn)確性。 完成訓(xùn)練后，只需要將采集的數(shù)據(jù)輸入網(wǎng)絡(luò)實(shí)現(xiàn)故障的預(yù)警。

3.3 驗(yàn)證系統(tǒng)實(shí)現(xiàn)

虛擬生產(chǎn)線系統(tǒng)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(chǎn)線的各個生產(chǎn)模塊， 以及其狀態(tài)， 以襯里裝配機(jī)為例，其模塊狀態(tài)如圖7 所示。

圖6 虛擬生產(chǎn)線圖

圖7 襯里裝配機(jī)狀態(tài)圖

整個生產(chǎn)線的各個參數(shù)由一個統(tǒng)一的窗口顯示，如圖8 所示。

經(jīng)過實(shí)際測試，應(yīng)用了此系統(tǒng)的生產(chǎn)線，能夠?qū)崿F(xiàn)模塊化裝藥生產(chǎn)線的故障預(yù)警，極大地提高了生產(chǎn)效率，對實(shí)現(xiàn)生產(chǎn)線智能管控、 促進(jìn)生產(chǎn)線連續(xù)化自動化生產(chǎn)有著十分重要地意義。

圖8 生產(chǎn)線參數(shù)監(jiān)控

4 結(jié)束語

筆者基于數(shù)字孿生技術(shù)與神經(jīng)網(wǎng)絡(luò)模型和數(shù)據(jù)分布存儲與實(shí)時傳輸技術(shù)，開發(fā)出模塊化裝藥生產(chǎn)線故障預(yù)警系統(tǒng)，解決了傳統(tǒng)的裝藥生產(chǎn)線智能化程度低，無法精確把握產(chǎn)品質(zhì)量、生產(chǎn)效率不高等問題，提高了生產(chǎn)線的設(shè)備管理水平和生產(chǎn)過程的管控水平。經(jīng)過幾個月的模塊化生產(chǎn)線現(xiàn)場試運(yùn)行，系統(tǒng)整體運(yùn)行穩(wěn)定，在實(shí)現(xiàn)對技術(shù)驗(yàn)證的同時，也驗(yàn)證了智能監(jiān)控系統(tǒng)在工業(yè)現(xiàn)場的可靠性。

故障檢測系統(tǒng)基于數(shù)字孿生技術(shù)對產(chǎn)線進(jìn)行虛擬建模并監(jiān)控，運(yùn)用神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)了設(shè)備的故障預(yù)警。但是因?yàn)閷?shí)際測驗(yàn)條件的限制， 測試的樣本數(shù)據(jù)數(shù)量不夠大，在實(shí)際生產(chǎn)過程中，情況更復(fù)雜，無論是數(shù)據(jù)的采集，虛擬生產(chǎn)線的建模，還是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，都等待進(jìn)一步考較。 在后續(xù)的運(yùn)用中， 將該系統(tǒng)應(yīng)用于實(shí)際生產(chǎn)制造中，對系統(tǒng)的穩(wěn)定性、自適應(yīng)性進(jìn)行進(jìn)一步的改進(jìn)。