田?穎，邵文婷，王太勇，鄭明良

面向低碳的車間生產(chǎn)過程數(shù)字孿生建模

田?穎，邵文婷，王太勇，鄭明良

(天津大學機械工程學院，天津 300072)

智能制造關鍵技術的不斷突破及其在制造業(yè)的快速應用極大地改造著傳統(tǒng)車間的生產(chǎn)模式．現(xiàn)代企業(yè)的生產(chǎn)方式逐漸朝著集成化、復雜化和智能化方向發(fā)展，給車間生產(chǎn)過程低碳運行目標帶來挑戰(zhàn)．為了提高車間生產(chǎn)過程能耗管理的質(zhì)量與實時性，提出了一種面向車間能耗管理的數(shù)字孿生建模方法．基于物理生產(chǎn)車間的生產(chǎn)資源與車間布局方案搭建虛擬生產(chǎn)車間，通過物理與虛擬車間設備運動信息的交互為幾何模型添加運動關系，并結合生產(chǎn)節(jié)拍建立車間運動規(guī)律的數(shù)字孿生模型；采集單機物理生產(chǎn)設備隨加工參數(shù)變化的能耗數(shù)據(jù)，使用BP神經(jīng)網(wǎng)絡建立多設備的能耗模型，基于獲取物理與虛擬車間實時交互的能耗數(shù)據(jù)建立車間能量流動規(guī)律的數(shù)字孿生模型．最終實現(xiàn)包含動態(tài)能耗信息的車間生產(chǎn)過程數(shù)字孿生建模．同時基于該數(shù)字孿生模型提出了一種面向車間生產(chǎn)過程的能耗優(yōu)化方法，結合刀具壽命、機器人運動平穩(wěn)性、生產(chǎn)時間等多源評價指標建立多目標優(yōu)化函數(shù)，獲取數(shù)字孿生模型中的動態(tài)能耗數(shù)據(jù)并應用蜂群算法實現(xiàn)對車間低碳生產(chǎn)需求下的多設備加工參數(shù)協(xié)同優(yōu)化．最后以給定工件的生產(chǎn)過程為例，對所提數(shù)字孿生建模方法和建模效果進行驗證，實驗結果表明借助該數(shù)字孿生模型環(huán)境下的生產(chǎn)過程優(yōu)化方案可以節(jié)省生產(chǎn)車間運行能耗21.77%，并提升了車間能耗信息的可視化表達效果．

低碳生產(chǎn)；數(shù)字孿生模型；車間生產(chǎn)過程仿真；能耗管理

數(shù)字孿生技術是智能制造的主要支撐技術之一[1]，其目標是實現(xiàn)物理世界和信息世界的互聯(lián)融合，從而實現(xiàn)制造的信息化、智能化、綠色化[2]．利用數(shù)字孿生技術不僅可以搭建生產(chǎn)設備的虛擬模型，完成車間生產(chǎn)過程的仿真，還能夠實現(xiàn)生產(chǎn)數(shù)據(jù)的可視化，方便生產(chǎn)的監(jiān)測與管理，并利用數(shù)據(jù)進一步完成生產(chǎn)過程的優(yōu)化．在生產(chǎn)設備的數(shù)字孿生模型搭建方面，Armendia等[3]研究了數(shù)控機床的動力學、控制回路、刀具軌跡和加工過程，給出了機床的數(shù)字孿生建模方法．在生產(chǎn)車間的數(shù)字孿生模型搭建方面，Leng等[4]搭建了典型生產(chǎn)線的幾何模型，完成了生產(chǎn)布局并模擬了生產(chǎn)過程；Liu等[5]分析了空心玻璃的生產(chǎn)工藝，搭建了虛擬生產(chǎn)線并設計了產(chǎn)品生產(chǎn)運動路徑．上述文獻利用數(shù)字孿生技術實現(xiàn)了生產(chǎn)過程的仿真，但由于缺少生產(chǎn)數(shù)據(jù)，難以完成生產(chǎn)的監(jiān)測、管理與優(yōu)化．在生產(chǎn)數(shù)據(jù)的數(shù)字孿生建模方面，Uhlemann等[6]提出了一種生產(chǎn)線數(shù)據(jù)采集、數(shù)據(jù)仿真與數(shù)據(jù)可視化方法，用于豐富數(shù)字孿生模型；Cai等[7]采集了數(shù)控機床的實際生產(chǎn)數(shù)據(jù)，分析數(shù)據(jù)規(guī)律并建立仿真數(shù)據(jù)模型，將仿真數(shù)據(jù)模型集成到數(shù)字孿生幾何模型上．上述文獻在設備幾何模型中融入了仿真數(shù)據(jù)模型，拓展了數(shù)字孿生模型的功能性，但多基于單臺設備，在生產(chǎn)車間的研究上還有所欠缺．

低碳制造是數(shù)字孿生技術需要實現(xiàn)的目標之一，其中節(jié)能性是評價低碳制造的重要指標[8]．對于單臺設備的能耗優(yōu)化，Xu等[9]通過神經(jīng)網(wǎng)絡建立機床加工參數(shù)、刀具磨損狀態(tài)與切削能耗之間的關系，并計算獲取不同條件下的最佳切削參數(shù)．對于生產(chǎn)車間的能耗優(yōu)化，Herrmann等[10]提出了一種面向能量的制造系統(tǒng)規(guī)劃仿真模型，通過模擬工廠設備的能量流從而評估生產(chǎn)成本．上述文獻對于能耗優(yōu)化的方式多集中于優(yōu)化算法方面，對于可視化方面研究不足．Kruse等[11]搭建了一個可以模擬生產(chǎn)數(shù)據(jù)的虛擬生產(chǎn)線，通過調(diào)整生產(chǎn)節(jié)拍與設備的待機時間來達到減少生產(chǎn)能耗的目的．上述文獻將數(shù)字孿生技術融入能耗優(yōu)化之中，但未能對設備的加工參數(shù)給出優(yōu)化建議．

針對以上問題，提出了一種面向低碳的車間生產(chǎn)過程數(shù)字孿生建模方法，該方法實現(xiàn)了對車間生產(chǎn)過程的運動仿真與能耗仿真，同時利用算法優(yōu)化了生產(chǎn)車間設備的加工參數(shù)以減少生產(chǎn)過程能耗，并通過可視化平臺展示了生產(chǎn)車間的實時能耗數(shù)據(jù)與能耗優(yōu)化結果．

1?數(shù)字孿生模型

面向低碳的車間生產(chǎn)過程數(shù)字孿生模型如圖1所示．數(shù)字孿生模型由物理生產(chǎn)車間與虛擬生產(chǎn)車間共同組成[12]，物理車間包含物理生產(chǎn)設備與生產(chǎn)數(shù)據(jù)，通過采集生產(chǎn)車間的設備能耗，建立車間的能耗模型，實現(xiàn)對車間生產(chǎn)過程的能耗仿真；虛擬生產(chǎn)車間包含生產(chǎn)設備的幾何模型，為幾何模型添加運動關節(jié)與動作指令，建立車間的運動仿真模型，實現(xiàn)對車間生產(chǎn)過程的運動仿真．

圖1?面向低碳的車間生產(chǎn)過程數(shù)字孿生模型

面向低碳的車間生產(chǎn)過程數(shù)字孿生模型可以實現(xiàn)的功能有：①基于能耗模型完成生產(chǎn)車間的能耗優(yōu)化；②可視化地展示車間生產(chǎn)過程運動仿真與能耗仿真結果．

2?數(shù)字孿生建模方法

2.1?工件的生產(chǎn)過程分析

工件的生產(chǎn)過程分析如圖2所示．首先對工件進行工藝分析，依照分析結果選擇合適的生產(chǎn)設備，接著確定車間的生產(chǎn)節(jié)拍與設備的加工參數(shù)，并生成生產(chǎn)流程、生產(chǎn)時序、工藝路線等多種生產(chǎn)資料．其中數(shù)字孿生模型可以輔助完成圖中紅色框線所示部分工作，通過建立車間的運動仿真模型確定生產(chǎn)節(jié)拍，通過建立車間的能耗模型并實現(xiàn)能耗優(yōu)化，進而確定加工參數(shù)．

圖2?工件的生產(chǎn)過程分析

2.2?車間生產(chǎn)過程的數(shù)字孿生模型

建立車間生產(chǎn)過程的數(shù)字孿生模型，需要搭建生產(chǎn)車間的運動仿真模型與能耗模型．生產(chǎn)車間的運動仿真模型搭建流程如圖3所示，依據(jù)物理生產(chǎn)車間的車間布局與生產(chǎn)資源，在虛擬生產(chǎn)車間中導入相應的虛擬生產(chǎn)資源并完成虛擬生產(chǎn)車間布局；為虛擬生產(chǎn)車間中的幾何模型添加運動關節(jié)，編程實現(xiàn)關節(jié)動作，使幾何模型可以完成工件與設備的交互以及設備之間的配合；通過規(guī)劃虛擬車間的生產(chǎn)節(jié)拍完成運動仿真模型的搭建，從而實現(xiàn)車間生產(chǎn)過程的運動仿真.

圖3?生產(chǎn)車間的運動仿真模型搭建

生產(chǎn)車間的能耗模型搭建流程如圖4所示，使用傳感器采集物理生產(chǎn)車間主要用能設備的能耗數(shù)據(jù)，分析能耗組成并通過BP神經(jīng)網(wǎng)絡建立設備能耗與加工參數(shù)的關系，即能耗模型；建立能耗模型的交互，使模型在輸入確定加工參數(shù)的情況下能夠輸出預測能耗數(shù)據(jù)，從而實現(xiàn)車間生產(chǎn)過程的能耗仿真．

圖4?生產(chǎn)車間的能耗模型搭建

2.3?車間生產(chǎn)過程的能耗優(yōu)化與信息可視化

為了能夠綜合改善產(chǎn)品的加工質(zhì)量、生產(chǎn)效率等車間性能，將刀具壽命、機器人運動平穩(wěn)性、生產(chǎn)時間作為參考指標建立優(yōu)化指標函數(shù)．結合第2.2節(jié)中的能耗模型建立多目標優(yōu)化函數(shù)，使用蜂群算法對車間生產(chǎn)過程進行能耗優(yōu)化，得到生產(chǎn)車間各設備優(yōu)化后的加工參數(shù)．車間的生產(chǎn)過程能耗優(yōu)化方法如圖5所示．

圖5?車間生產(chǎn)過程的能耗優(yōu)化方法

搭建車間的能耗信息的可視化平臺，平臺結構如圖6所示．平臺中包含機床生產(chǎn)信息、機器人生產(chǎn)信息以及車間生產(chǎn)信息多個展示模塊，展示了包括實時能耗數(shù)據(jù)、實時加工參數(shù)、優(yōu)化結果等多類生產(chǎn)信息.

圖6?車間的能耗信息可視化平臺

3?車間生產(chǎn)過程能量流動規(guī)律建模

針對圖4所示生產(chǎn)車間的能耗模型搭建流程，提出一種車間能量流動規(guī)律的建模方法．以數(shù)控機床與工業(yè)機器人兩個典型生產(chǎn)設備作為研究對象，建立各設備的能量流動規(guī)律模型，即能耗模型．將設備能耗模型結合生產(chǎn)線布局和生產(chǎn)節(jié)拍建立生產(chǎn)車間的總能耗模型．

3.1?人工神經(jīng)網(wǎng)絡建模方法

人工神經(jīng)網(wǎng)絡是對人腦或生物神經(jīng)網(wǎng)絡若干基本特性的抽象和模擬，它包含有多個神經(jīng)元，通過模擬生物大腦的神經(jīng)元活動來模擬輸入與輸出之間的復雜非線性關系，其中應用最廣泛的為BP神經(jīng)網(wǎng)絡.

BP神經(jīng)網(wǎng)絡算法的流程如圖7所示，首先初始化神經(jīng)網(wǎng)絡模型，隨機賦予連接權值和閾值任意小值；從多組輸入輸出的數(shù)據(jù)樣本中抽取一組輸入神經(jīng)網(wǎng)絡模型，并計算各層節(jié)點的輸出；計算輸出結果與期望值的誤差，并向著減小誤差方向調(diào)整各個連接權值；重復上述步驟直到所有輸入輸出樣本的誤差達到期望要求．

圖7?BP神經(jīng)網(wǎng)絡算法流程

3.2?生產(chǎn)車間的能耗模型

通過上述BP神經(jīng)網(wǎng)絡建立生產(chǎn)車間的能耗模型．分析機床的生產(chǎn)過程，機床在待機期間的能耗包括照明、數(shù)控等系統(tǒng)能耗，而工作期間的能耗除了待機能耗外還包括機床的主軸切削能耗與進給能耗．將機床的主軸切削能耗與進給能耗統(tǒng)稱為機床的加工能耗，機床的能耗模型m為

式中：m1為機床的加工功率；m2為機床的其他系統(tǒng)功率；m為機床的加工時間；r為機床的上料時間，由于機床上料與下料的用時相同，取上下料總用時間為2r；s為機床的其余待機時間．

通過BP神經(jīng)網(wǎng)絡建立機床加工能耗模型．在機床的加工參數(shù)中，選用與機床能耗相關性大的主軸轉速、進給量、切削深度、切削寬度與刀具已加工時間5個參數(shù)作為模型輸入，機床的加工能耗模型為

式中：為主軸轉速；為進給量；p為切削深度；e為切削寬度；T為刀具已加工時間．

機床的其他系統(tǒng)功率可視為恒定值，通過直接采集其他系統(tǒng)功率建立其能耗模型．將機床的加工能耗模型與其他系統(tǒng)能耗模型帶入式(1)得到機床的能耗模型．

分析機器人的生產(chǎn)過程，機器人在待機期間的能耗包括電機待機能耗與控制系統(tǒng)能耗，工作期間的能耗為電機工作能耗與控制系統(tǒng)能耗．機器人的能耗模型r為

式中：r1為機器人的運輸功率；r2為機器人的待機功率．

通過BP神經(jīng)網(wǎng)絡建立機器人運輸能耗模型．在機器人的加工參數(shù)中，選用方便調(diào)節(jié)且與機器人能耗相關性大的機器人中心點(tool center point，TCP)速度作為模型輸入，機器人的運輸能耗模型為

式中T為機器人的TCP速度．

機器人的待機功率可視為恒定值，通過直接采集待機功率數(shù)據(jù)建立其能耗模型．將機器人的運輸能耗模型與待機能耗模型代入式(3)得到機器人的能耗模型．

生產(chǎn)車間的能耗模型為

式中：mi為生產(chǎn)車間中第臺機床的能耗；ri為生產(chǎn)車間中第臺機器人的能耗；o為生產(chǎn)車間其他固定能耗；m為車間中機床的數(shù)量；r為車間中機器人的數(shù)量．

將機床的能耗模型與機器人的運輸能耗模型代入式(5)得到生產(chǎn)車間的能耗模型．

4?車間生產(chǎn)過程的能耗模型優(yōu)化方法

基于圖5所示車間生產(chǎn)過程的能耗優(yōu)化流程，將第3節(jié)建立的生產(chǎn)車間能耗模型結合多個優(yōu)化指標建立多目標優(yōu)化函數(shù)，并通過蜂群算法完成車間生產(chǎn)過程的能耗優(yōu)化．

4.1?多目標優(yōu)化函數(shù)的建立

考慮多角度的參數(shù)優(yōu)化，優(yōu)化目標除了生產(chǎn)車間能耗以外，還應包含其他生產(chǎn)相關指標．以刀具壽命、機器人運動平穩(wěn)性以及生產(chǎn)時間為優(yōu)化指標，建立多目標優(yōu)化函數(shù)．

以刀具到達使用壽命時加工的工件數(shù)量作為刀具壽命指標，通過神經(jīng)網(wǎng)絡建立刀具壽命與機床加工參數(shù)的關系，即

以機器人一次運輸過程中的最大功率的倒數(shù)作為機器人運動平穩(wěn)性指標，通過神經(jīng)網(wǎng)絡建立機器人運動平穩(wěn)性與機器人加工參數(shù)之間的關系，即

以加工一個工件的時間作為生產(chǎn)時間指標，單臺機床與單臺機器人組成的生產(chǎn)單元加工一個工件的時間為

結合以上優(yōu)化指標建立多目標優(yōu)化函數(shù)．將生產(chǎn)車間能耗模型、生產(chǎn)時間指標進行歸一化處理；再將刀具壽命指標、機器人運動平穩(wěn)性指標取其倒數(shù)并進行歸一化處理．多目標優(yōu)化函數(shù)可表達為

式中：n、n為歸一化后的生產(chǎn)車間能耗模型和生產(chǎn)時間指標；n、n為取倒數(shù)后歸一化的刀具壽命指標和機器人運動平穩(wěn)性指標；1、2、3、4為不同優(yōu)化目標各自的權重，權重值依據(jù)不同的優(yōu)化側重點決定．

4.2?車間生產(chǎn)過程的能耗優(yōu)化

蜂群算法是模仿自然界蜜蜂尋找蜜源的一種算法，其原理簡單，能以較高的效率找到最優(yōu)結果，并且能適應環(huán)境的改變，因此被廣泛應用于多目標優(yōu)化和組合優(yōu)化之中．

蜂群算法的原理如下：引領蜂通過輪盤賭算法隨機尋找一組加工參數(shù)并計算得到對應多目標優(yōu)化函數(shù)值，數(shù)個跟隨蜂在引領蜂附近隨機尋找加工參數(shù)并得到數(shù)個多目標優(yōu)化函數(shù)值，對比這些多目標優(yōu)化函數(shù)值，通過貪婪法則選擇最優(yōu)加工參數(shù)，再次派出數(shù)個跟隨蜂在最優(yōu)參數(shù)附近隨機尋找新的加工參數(shù)．重復上述過程，最終得到的加工參數(shù)便是多目標優(yōu)化函數(shù)的解．

通過蜂群算法對上述多目標優(yōu)化函數(shù)進行求解，便可得到最優(yōu)的設備加工參數(shù)．

5?實例分析

為展示該數(shù)字孿生建模方法的建模效果，這里以一個實際工件的生產(chǎn)過程作為實例詳細說明數(shù)字孿生模型的搭建過程，并通過實驗驗證該數(shù)字孿生模型生產(chǎn)過程能量流動規(guī)律表達與面向低碳的實時加工參數(shù)優(yōu)化效果．

5.1?工藝分析與設備選型

生產(chǎn)任務為搭建車間的數(shù)字孿生模型，實現(xiàn)從毛坯到圖8所示成品工件的粗加工過程，同時基于數(shù)字孿生模型實現(xiàn)面向低碳的生產(chǎn)車間設備加工參數(shù)優(yōu)化及生產(chǎn)過程信息的可視化表達．

該工件主要包含面、槽、孔、圓角等工藝結構，由于加工方式為粗加工，因此選用數(shù)控銑床作為主要加工設備，通過銑削完成上述全部工藝步驟．根據(jù)現(xiàn)有生產(chǎn)資源情況并考慮工作效率需求，采用兩組同型號數(shù)控銑床以并聯(lián)的形式搭建生產(chǎn)線，通過六自由度工業(yè)機器人完成工件的上下料，通過三坐標測量儀完成工件尺寸的檢測．車間的設備布局方案如圖9所示，設備的運行時序如圖10所示，車間主要設備信息如表1所示．

圖8?生產(chǎn)任務加工工件尺寸(單位：mm)

5.2?面向低碳的車間生產(chǎn)過程數(shù)字孿生建模

使用Visual Components 4.2軟件建立選型設備的幾何模型．機床的幾何模型如圖11(a)所示，機器人的幾何模型如圖11(b)所示，三坐標測量儀的幾何模型如圖11(c)所示．為完全仿真設備的運行過程，還需要為設備中的活動部件加上運動關節(jié)，為機床設備添加主軸轉動與、、3個方向的進給運動，為機器人設備添加六自由度關節(jié)的轉動，為三坐標測量儀添加、、3個方向的直線運動，使幾何模型可以完成設備的生產(chǎn)動作．

圖9?生產(chǎn)車間工件加工路線及設備布局方案

圖10?車間生產(chǎn)設備運行時序

表1?車間主要設備信息

Tab.1　　Information of major equipment used in work-shop

圖11?車間主要生產(chǎn)設備幾何模型

對生產(chǎn)設備的幾何模型進行布局，車間布局與工件流向如圖12所示，按照工藝流程順序依次為生產(chǎn)車間中的設備添加動作，建立包含工件流動規(guī)律的運動仿真模型，從而實現(xiàn)生產(chǎn)過程的運動仿真．依據(jù)仿真結果調(diào)整生產(chǎn)節(jié)拍，使生產(chǎn)過程緊湊，不會出現(xiàn)堆件、漏件的情況．經(jīng)現(xiàn)場交互調(diào)試，完成虛擬車間生產(chǎn)過程運動規(guī)律的數(shù)字孿生建模．

圖12?車間生產(chǎn)過程中工件的流向

生產(chǎn)過程能耗規(guī)律的數(shù)字孿生建模過程，就是在現(xiàn)有運動規(guī)律模型基礎上，添加關鍵設備和物料流動環(huán)節(jié)的能耗規(guī)律模型．

為建立機床加工能耗隨時間變化的神經(jīng)網(wǎng)絡模型，需要采集機床的加工功率數(shù)據(jù)，通過積分的方式獲取其動態(tài)能耗數(shù)據(jù)．建模過程中，選取采集能耗數(shù)據(jù)集中的85%作為訓練集，15%作為測試集，神經(jīng)網(wǎng)絡訓練參數(shù)設置如表2所示．經(jīng)訓練獲得機床加工能耗隨時間變化的規(guī)律如式(10)所示，訓練結果如圖13(a)所示．使用測試集對能耗模型進行回歸驗證，回歸系數(shù)2＝0.9975，擬合度良好．

采集機床的其他系統(tǒng)功率并建立機床的其他系統(tǒng)能耗模型，即

式中w為車間生產(chǎn)的總時長．

表2?BP神經(jīng)網(wǎng)絡訓練參數(shù)

Tab.2?Training parameters of BP neural network

圖13?能耗模型BP神經(jīng)網(wǎng)絡訓練結果

結合機床的加工能耗模型與其他系統(tǒng)能耗模型得到機床的能耗模型，即

為建立機器人運輸過程能耗隨時間變化的神經(jīng)網(wǎng)絡模型，需要采集機器人的運輸功率數(shù)據(jù)，通過積分的方式獲取其能耗數(shù)據(jù)．全部采集數(shù)據(jù)均用于訓練機器人能耗的神經(jīng)網(wǎng)絡模型，神經(jīng)網(wǎng)絡訓練參數(shù)設置如表2所示．經(jīng)訓練獲得機器人運輸能耗隨時間變化的規(guī)律如式(13)所示，訓練結果如圖13(b)所示．使用實驗數(shù)據(jù)集以自驗證的方式對能耗模型進行回歸驗證，回歸系數(shù)2＝0.9989，擬合度良好．

采集機器人的待機功率并建立機器人的待機能耗模型，即

結合機器人的運輸能耗模型與待機能耗模型得到機器人的能耗模型，即

三坐標測量儀為非加工設備，其工作能耗可視為穩(wěn)態(tài)能耗，因此通過直接采集功率的方式建立其能耗模型，即

式中：b1為測量儀的工作功率；b2為測量儀的待機功率；b為測量儀的工作時間．

依據(jù)車間中設備的數(shù)量建立生產(chǎn)車間的能耗模型，生產(chǎn)車間的能耗模型為

通過上述生產(chǎn)車間的能耗模型，建立加工參數(shù)輸入與能耗輸出之間的關系，完成虛擬車間生產(chǎn)過程能量流動規(guī)律的數(shù)字孿生建模．

5.3?面向低碳的生產(chǎn)設備加工參數(shù)優(yōu)化

為了綜合改善車間的生產(chǎn)性能，除了生產(chǎn)車間的能耗以外，還應考慮其他對車間生產(chǎn)質(zhì)量與生產(chǎn)效率產(chǎn)生影響的相關指標．將刀具壽命、機器人運動平穩(wěn)性與工件的生產(chǎn)時間作為面向低碳的生產(chǎn)過程加工參數(shù)優(yōu)化指標．

通過第4.1節(jié)所述方法建立刀具壽命、機器人運動平穩(wěn)性以及生產(chǎn)時間優(yōu)化指標，結合能耗模型建立多目標優(yōu)化函數(shù)．通過蜂群算法求解多目標優(yōu)化函數(shù)．選取蜂群的總數(shù)為40只，其中引領蜂10只、跟隨蜂30只；同時設置偵查模塊防止優(yōu)化結果陷入局部最優(yōu)，蜂群的搜尋次數(shù)為100次，一共進行3輪搜索，優(yōu)化過程如圖14所示．

圖14?蜂群算法優(yōu)化過程

車間生產(chǎn)過程的加工參數(shù)優(yōu)化結果如表3所示．使用優(yōu)化后的加工參數(shù)加工圖8所示工件，優(yōu)化前后的各項指標數(shù)據(jù)如表4所示．

表3?車間生產(chǎn)過程的多設備加工參數(shù)協(xié)同優(yōu)化結果

Tab.3?Results of collaborative optimization of multi-machining parameters of workshop manufacturing process

表4?車間能耗優(yōu)化前后各優(yōu)化指標數(shù)據(jù)

Tab.4?Data of goal indicators before and after energy consumption optimization of workshop

將優(yōu)化指標量作為評價優(yōu)化結果的參考數(shù)值，優(yōu)化指標量R的計算公式為

式中：C為理論指標值；U為指標區(qū)間上限；L為指標區(qū)間下限；為各優(yōu)化指標的數(shù)據(jù)值．

通過圖15所示雷達圖展示優(yōu)化前后各指標量的變化情況，從圖15中可以看出，優(yōu)化后的加工參數(shù)大幅減少了機床的加工能耗與機器人的運輸能耗，且生產(chǎn)時間也有所減少．但由于機床加工參數(shù)的調(diào)整使得刀具壽命內(nèi)切削工件數(shù)有所減少，由于機器人運輸速度的增加使得機器人運動平穩(wěn)性有所下降．

圖15?車間能耗優(yōu)化前后指標量對比

由式(17)計算生產(chǎn)車間的總能耗，得到優(yōu)化前生產(chǎn)車間加工單個工件的總能耗x＝986.3kJ，優(yōu)化后生產(chǎn)車間加工單個工件的總能耗y＝771.6kJ．將優(yōu)化后的生產(chǎn)車間能耗節(jié)省率表示為

則使用優(yōu)化后的設備加工參數(shù)完成單個工件的生產(chǎn)能夠節(jié)省生產(chǎn)車間能耗21.77%．

5.4?車間的能耗信息可視化平臺

第5.2節(jié)中搭建的數(shù)字孿生模型能夠可視化地展示車間生產(chǎn)過程的運動仿真與能耗仿真結果；同時搭建車間生產(chǎn)過程的能耗信息展示平臺，用于展示設備實時能耗數(shù)據(jù)以及能耗優(yōu)化結果．

通過Visual Components 4.2軟件搭建的車間生產(chǎn)過程的數(shù)字孿生模型如圖16所示．點擊上方播放鍵，虛擬生產(chǎn)車間便開始進行車間生產(chǎn)過程的運動仿真與能耗仿真，調(diào)整時間倍率，可以快速仿真物理車間的生產(chǎn)過程，預知后期的生產(chǎn)情況．在節(jié)拍合適時，虛擬生產(chǎn)車間與物理生產(chǎn)車間的動作達到一致，使用者通過觀察數(shù)字孿生模型便可遠程獲知物理生產(chǎn)車間設備的工作情況及設備的能耗數(shù)據(jù)，便于對物理車間生產(chǎn)過程及生產(chǎn)能耗的監(jiān)測．

通過HTML5搭建的車間生產(chǎn)過程的能耗信息展示平臺如圖17所示．該平臺包含多個展示模塊，展示了加工工件、生產(chǎn)設備等多類車間相關信息，其中重點展示了車間生產(chǎn)過程的能耗數(shù)據(jù)與能耗優(yōu)化信息．能耗模塊以折線圖的形式展示了生產(chǎn)車間主要用能設備的實時能耗與生產(chǎn)車間的總實時能耗，同時展示了設備的實時加工參數(shù)以及刀具磨損信息，通過這些生產(chǎn)信息可以幫助使用者方便快捷地了解車間的實時生產(chǎn)情況．能耗優(yōu)化模塊展示了車間設備?的建議加工參數(shù)，并以不同顏色的折線展示了優(yōu)化?前后的車間能耗，使用者可以通過優(yōu)化建議對設備?加工參數(shù)進行調(diào)整以降低車間的生產(chǎn)能耗，同時可?以通過折線圖直觀地對比優(yōu)化前后車間能耗的變?化情況．

圖17?車間生產(chǎn)過程的能耗信息展示平臺

6?結?論

(1) 本文以實際車間生產(chǎn)過程為研究對象，建立了面向車間能量流動的數(shù)字孿生模型．首先通過對車間設備布局與生產(chǎn)節(jié)拍建模，實現(xiàn)生產(chǎn)車間的運動仿真；再通過對車間設備能耗數(shù)據(jù)的BP神經(jīng)網(wǎng)絡建模，實現(xiàn)生產(chǎn)車間的能耗仿真，完成車間生產(chǎn)過程能量流動規(guī)律的數(shù)字孿生建模．該模型實現(xiàn)了對物理生產(chǎn)車間生產(chǎn)動作及能耗數(shù)據(jù)的實時映射，提高了車間生產(chǎn)過程及生產(chǎn)能耗監(jiān)測的便利性與實時性．

(2) 為降低車間生產(chǎn)運行能耗，本文建立了基于車間的能耗數(shù)字孿生模型數(shù)據(jù)，利用蜂群算法對車間設備的加工參數(shù)進行了優(yōu)化．實驗表明使用優(yōu)化后的設備加工參數(shù)完成單個工件的生產(chǎn)能夠節(jié)省車間能耗21.77%，優(yōu)化效果明顯．

(3) 在數(shù)字孿生模型平臺上，對車間能耗綜合信息進行可視化表達．相較于傳統(tǒng)的能耗管理方法，本文中的數(shù)字孿生模型可以配合車間生產(chǎn)過程的運動仿真直觀、可視地展示車間的能耗數(shù)據(jù)，并通過可視化平臺實時、動態(tài)地展示車間能耗、能耗優(yōu)化相關的信息和圖表，從而為車間生產(chǎn)過程的能耗監(jiān)測與能耗優(yōu)化提供了便利．

［1］ 劉?強. 智能制造理論體系架構研究[J]. 中國機械工程，2020，31(1)：24-36.

Liu Qiang. Study on architeture of intelligent manufacturing theory[J]. China Mechanical Engineering，2020，31(1)：24-36(in Chinese).

［2］ 陶?飛，程?穎，程江峰，等. 數(shù)字孿生車間信息物理融合理論與技術[J]. 計算機集成制造系統(tǒng)，2017(8)：1603-1611.

Tao Fei，Cheng Ying，Cheng Jiangfeng，et al. Theories and technologies for cyber-physical fusion in digital twin shop-floor[J]. Computer Integrated Manufacturing Systems，2017(8)：1603-1611(in Chinese).

［3］ Armendia M，Cugnon F，Berglind L，et al. Evaluation of machine tool digital twin for machining operations in industrial environment[J]. Procedia CIRP，2019，82：231-236.

［4］ Leng J，Liu Q，Ye S，et al. Digital twin-driven rapid reconfiguration of the automated manufacturing system via an open architecture model[J]. Robotics and Computer-Integrated Manufacturing，2020，63：101895.

［5］ Liu Q，Leng J，Yan D，et al. Digital twin-based designing of the configuration，motion，control，and optimization model of a flow-type smart manufacturing system[J]. Journal of Manufacturing Systems，2020，58(179)：52-64.

［6］ Uhlemann H，Schock C，Lehmann C，et al. The digital twin：Demonstrating the potential of real time data acquisition in production systems[J]. Procedia Manufacturing，2017，9：113-120.

［7］ 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.

［8］ 曹華軍，李洪丞，曾?丹，等. 綠色制造研究現(xiàn)狀及未來發(fā)展策略[J]. 中國機械工程，2020，31(2)：135-144.

Cao Huajun，Li Hongcheng，Zeng Dan，et al. The state-of-art and future development strategies of green manufacturing[J]. China Mechanical Engineering，2020，31(2)：135-144(in Chinese).

［9］ Xu L，Huang C，Li C，et al. A novel intelligent reasoning system to estimate energy consumption and optimize cutting parameters toward sustainable machining[J]. Journal of Cleaner Production，2020，261(3)：121160.

［10］ Herrmann C，Thiede S，Kara S，et al. Energy oriented simulation of manufacturing systems—Concept and application[J]. CIRP Annals，2011，60(1)：45-48.

［11］ Kruse A，Uhlemann T H J，Steinhilper R. Simulation-based assessment and optimization of the energy consumption in multi variant production[J]. Procedia CIRP，2016，40：396-401.

［12］ Tao F，Zhang M，Liu Y，et al. Digital twin driven prognostics and health management for complex equipment[J]. CIRP Annals，2018，67(1)：169-172.

Digital Twin Modeling of Low-Carbon Workshop Manufacturing Process

Tian Ying，Shao Wenting，Wang Taiyong，Zheng Mingliang

(School of Mechanical Engineering，Tianjin University，Tianjin 300072，China)

With the monumental advancements in key technologies of intelligent manufacturing and their rapid applications in the manufacturing industry，the traditional workshop manufacturing mode is remarkably transitioning. The production system of modern enterprises is becoming more integrated，complex，and intelligent，which presents great challenges to the low-carbon operation goal of the workshop manufacturing process. To improve the quality and real-time level of energy consumption management in the workshop，a digital twin modeling approach for workshop energy consumption management is proposed. A virtual workshop geometric model is designed in the cyberspace based on the information derived from the physical workshop. Next，the kinematic relationships are added to the geometric model based on the interaction information obtained from the physical and virtual equipment within the workshop. Thus，the motion relationship-oriented digital twin model is built. Subsequently，an energy consumption model for multiple equipment systems is set up based on the BP neural network. This model will collect energy consumption data with different mechanical parameters from the physical equipment. The energy flow relationship-oriented digital twin model is based on the energy consumption information interaction between the physical and virtual workshops. As a result，the digital twin model of the workshop manufacturing process including the dynamic energy consumption information is realized. Subsequently，an energy consumption optimization method for the workshop manufacturing process based on the digital twin model is proposed. Furthermore，a multi-objective optimization function with evaluation indicators such as the life of cutting tools，smoothness of the robot movement，and manufacturing time，is established for the collaborative optimization of multi-machining parameters by the artificial bee colony algorithm，using the dynamic energy consumption data in the digital twin model. Finally，a practical machining case demonstrates that the proposed approach for the energy consumption digital twin model is effective. Results indicate that the digital twin model can save 21.77% of workshop energy consumption，and the real-time visualization expression degree of workshop energy consumption information is considerably improved.

low-carbon manufacturing；digital twin model；simulation of workshop manufacturing process；energy consumption management

10.11784/tdxbz202111011

TP391.9

A

0493-2137(2023)03-0232-10

2021-11-05；

2021-12-13.

田?穎（1977—??），女，博士，副教授.

田?穎，tianying@tju.edu.cn.

國家自然科學基金資助項目(51975407).

Supported by the National Natural Science Foundation of China(No. 51975407).

(責任編輯：王曉燕)