数字孪生车间（digital twin shop-floor, DTS）的概念模型如图1所示，包括物理车间（physical shop-floor, PS）、虚拟车间（virtual shop-floor, VS）、车间服务系统（shop-floor service system, SSS）、车间孪生数据（shop-floor digital twin data, SDTD）、连接（connection, CN）。

 

 

 

PS是车间客观存在的生产设备、人员、产品、物料等实体的集合，主要负责接收SSS下达的生产任务，并严格按照VS仿真优化后的预定义的生产指令，执行生产活动并完成生产任务。PS的设备、人员、产品、物料等生产要素的实时状态数据可通过各类传感器进行有效采集。由于这些数据来自不同数据源，存在数据结构不同、接口不同、语义各异等问题，因此，为了实现对多源异构数据的统一接入，需要一套标准的接口与协议转换装置。^[2]

 

VS是PS的忠实完全数字化镜像，从几何、物理、行为、规则多个层面对PS进行描述与刻画，主要负责对PS的生产资源与生产活动进行仿真、评估及优化，并对实际生产过程进行实时监测、预测与调控等。VS本质上是由多个几何、物理、行为及规则模型构成的模型集合，能够对PS进行全面地多维度描述与刻画。根据数字孪生3层结构^[3]，VS中包括人员、设备、工具等单个生产要素的单元级模型，由多个生产要素单元级模型构成的系统级产线模型，以及包括多个系统级产线模型及模型间交互与耦合关系的复杂系统级车间模型。

 

SDTD是PS、VS、SSS相关数据、领域知识，以及通过数据融合产生的衍生数据的集合，是PS、VS、SSS运行交互与迭代优化的驱动。融合数据是SDTD的重要组成部分，是通过特定的规则将来自物理和信息空间的数据聚合在一起得到的。其中，物理空间的数据主要指PS相关数据，这些数据是物理实体产生的真实数据；信息空间的数据主要指VS相关数据和SSS相关数据，这些数据不是从物理空间直接采集得到的，而是在物理数据的基础上，利用信息空间模型仿真、算法推演、系统衍生等过程得到的，是对物理数据的补充。

 

SSS是数据驱动的各类服务功能的集合或总称，它将DTS运行过程中所需数据、模型、算法、仿真、结果进行服务化封装，形成支持DTS管控与优化的功能性与业务性服务。SSS的运行过程包括子服务封装、需求解析、服务组合及服务应用。^[1]

 

 

CN实现DTS各部分的互联互通，它包括PS和SDTD的连接（CN_PD）、PS和VS的连接（CN_PV）、PS和SSS的连接（CN_PS）、VS和SDTD的连接（CN_VD）、VS和SSS的连接（CN_VS）、SSS和SDTD的连接（CN_SD）。

 

 

 

下面从DTS的生产要素管理、生产活动计划、生产过程控制3个方面阐述DTS的迭代优化机制，如图2所示。其中，基于PS与SSS的交互，可实现对生产要素管理的迭代优化；基于SSS与VS的交互，可实现对生产计划的迭代优化；基于PS与VS的交互，可实现对生产过程控制的迭代优化。

 

 

 

图2中阶段①是对生产要素管理的迭代优化过程，反映了DTS中PS与SSS的交互过程，其中SSS起主导作用。当DTS接到一个输入（如生产任务）时，SSS中的各类服务在SDTD中的生产要素管理数据及其他关联数据的驱动下，根据生产任务对生产要素进行管理及配置，得到满足任务需求及约束条件的初始资源配置方案。SSS获取PS的人员、设备、物料等生产要素的实时数据，对要素的状态进行分析、评估及预测，并据此对初始资源配置方案进行修正与优化，将方案以管控指令的形式下达至PS。PS在管控指令的作用下，将各生产要素调整到适合的状态，并在此过程中不断将实时数据发送至SSS进行评估及预测，当实时数据与方案有冲突时，SSS再次对方案进行修正，并下达相应的管控指令。如此反复迭代，直至对生产要素的管理最优。基于以上过程，阶段①最终得到初始的生产计划/活动。阶段①产生的数据全部存入SDTD，并与现有的数据融合，作为后续阶段的数据基础与驱动。

 

图2中阶段②是对生产计划的迭代优化过程，反映了DTS中SSS与VS的交互过程，在该过程中，VS起主导作用。VS接收阶段①生成的初始的生产计划/活动，在SDTD中的生产计划及仿真分析结果数据、生产的实时数据以及其他关联数据的驱动下，基于几何、物理、行为及规则模型等对生产计划进行仿真、分析及优化。VS将以上过程中产生的仿真分析结果反馈至SSS，SSS基于这些数据对生产计划做出修正及优化，并再次传至VS。如此反复迭代，直至生产计划最优。基于以上过程，阶段②得到优化后的预定义的生产计划，并基于该计划生成生产过程运行指令。阶段②中产生的数据全部存入SDTD，与现有数据融合后作为后续阶段的驱动。

 

图2中阶段③是对生产过程的实时迭代优化过程，反映了DTS中PS与VS的交互过程，其中PS起主导作用。PS接收阶段②的生产过程运行指令，按照指令组织生产。在实际生产过程中，PS将实时数据传至VS，VS根据PS的实时状态对自身进行状态更新，并将PS的实际运行数据与预定义的生产计划数据进行对比。若二者数据不一致，VS对PS的扰动因素进行辨识，并通过模型校正与PS保持一致。VS基于实时仿真数据、实时生产数据、历史生产数据等数据从全要素、全流程、全业务的角度对生产过程进行评估、优化及预测等，并以实时调控指令的形式作用于PS，对生产过程进行优化控制。如此反复迭代，实现生产过程最优。该阶段产生的数据存入SDTD，与现有数据融合后作为后续阶段的驱动。

 

通过阶段①②③的迭代优化，SDTD被不断更新与扩充，DTS也在不断进化和完善。

 

 

DTS特点主要包括4个方面。

 

 

DTS虚实映射的特点主要体现在两个方面。

 

(1）PS与VS是双向真实映射的。首先，VS通过数据实时更新与模型校正，实现与PS不断从不一致到一致的共同进化。其次，PS忠实地再现VS定义的生产过程，严格按照VS定义的生产过程以及仿真和优化的结果进行生产，使得生产过程不断得到优化。

 

(2）PS与VS是实时交互的。在DTS运行过程中，PS的所有数据会被实时感知并传送给VS。VS根据实时数据对PS的运行状态进行仿真优化分析，并对PS进行实时的调控。通过PS与VS的实时交互，二者能够及时地掌握彼此的动态变化并实时地做出响应，生产过程不断地得到优化。

 

 

SSS、PS和VS以SDTD为基础，通过数据驱动实现自身的运行以及两两之间的交互。

 

（1）对于SSS：首先，PS的实时状态数据驱动SSS对生产要素配置进行优化，并生成初始的生产计划。随后，初始的生产计划交给VS进行仿真和验证。在VS仿真数据的驱动下，SSS反复地调整、优化生产计划直至最优。

 

（2）对于PS：SSS生成最优生产计划后，将计划以生产过程运行指令的形式下达至PS。PS的各要素在指令数据的驱动下，将各自的参数调整到适合的状态，并开始生产。在生产过程中，VS实时地监控PS的运行状态，在VS反馈数据的驱动下，PS优化生产过程。

 

（3）对于VS：在产前阶段，VS接收来自SSS的生产计划数据，并在生产计划数据的驱动下仿真并优化整个生产过程，实现对资源的最优利用。在生产过程中，在PS实时运行数据的驱动下，VS不断校正与更新，实现对模型的迭代优化与进化。

 

 

DTS的集成与融合可体现在以下3个方面。

 

（1）车间全要素的集成与融合：在DTS中，通过物联网、互联网、务联网等信息手段，PS的人员、设备、物料、环境等生产要素数据被全面接入信息世界，实现了彼此间的互联互通和数据共享。更重要的是，在全面的生产要素数据的驱动下，VS与SSS的仿真、评估及分析功能能够在考虑其他要素状态的同时优化各要素行为，从而支持要素间的联动和优化组合，保证生产的顺利进行。

 

（2）车间全流程的集成与融合：在生产过程中，PS生产的所有环节与流程（如生产、装配、清洗、检验）数据被实时监控。在DTS环境下，通过关联、组合、加权平均等操作，这些数据在一定准则下被加以自动分析、评估、综合，从而支持各环节间的交互、集成及协作。

 

（3）车间全业务的集成与融合：由于DTS中SSS、VS和PS之间通过数据交互形成了一个整体，因此，车间中的各种业务（如生产资源配置、生产计划生成、生产过程控制等）彼此紧密关联，通过SDTD实现数据共享，消除信息孤岛，从而在整体上提高DTS的效率。

 

 

在DTS中，PS、VS以及SSS两两之间不断交互，迭代优化。

 

（1）SSS与PS之间通过数据双向驱动、迭代运行，使得生产要素管理最优。SSS根据生产任务产生资源配置方案，并根据PS生产要素的实时状态对其进行优化与调整。在此迭代过程中，生产要素得到最优的管理及配置，并生成初始生产计划。

 

（2）SSS和VS之间通过循环验证、迭代优化，达到生产计划最优。在生产执行之前，SSS将生产任务和生产计划交给VS进行仿真和优化。然后，VS将仿真和优化的结果反馈至SSS，SSS对生产计划进行修正及优化。此过程不断迭代，直至生产计划达到最优。

 

（3）PS与VS之间通过虚实映射、实时交互，使得生产过程最优。在生产过程中，VS实时地监控PS的运行，根据PS的实时状态生成优化方案并反馈指导PS的生产。在此迭代优化中，生产过程以最优的方案进行直至生产结束。

 

DTS在以上3种迭代优化中得到持续的优化与完善。

 

 

 

如图3所示，DTS的关键技术依据其主要系统组成分为6大类。

 

（1）PS“人-机-物-环境”共融技术。主要包括：①多源异构数据封装技术；②多源异构数据预处理技术；③异构制造资源感知接入技术与装置研制；④多源异构传感器协同测量及优化布局技术；⑤多源异构数据通讯与发布技术；⑥异构制造资源分布式协同控制技术；⑦边缘端部署与边缘计算技术等。

 

（2）VS构建、仿真运行及验证技术。主要包括：①VS建模技术，如车间“要素－行为－规则”多维多尺度建模与仿真技术；②多维多尺度模型集成与融合技术；③VS运行机理及演化规律；④多维多尺度模型验证技术；⑤模型运行与管理技术；⑥车间VR和AR应用技术等。

 

（3）SDTD构建与管理技术。主要包括：①多类型、多时间尺度、多粒度数据规划与清洗技术；②数据级、特征级、决策级数据融合技术；③数据分布式存储技术；④数据使用与维护技术；⑤数据测试技术；⑥车间大数据技术等。

 

 

 

（4）SSS精准服务产生与管理技术。主要包括：①服务封装技术；②服务优选技术；③供需匹配技术；④服务组合优化技术；⑤服务QoS评估技术；⑥服务容错技术；⑦服务维护技术等。

 

（5）基于CN的双向交互与互联互通技术。主要包括①异构制造资源协议解析与数据交互技术；②多源异构数据映射技术；③多源异构数据传输安全技术；④连接兼容性、可靠性、敏感性测试技术；⑤系统集成测试技术等。

 

（6）DTS运行技术。主要包括：①生产要素管理、生产计划、生产过程等迭代运行与优化技术；③DTS运行标准、协议及技术规范等；④DTS设备PHM技术；⑤DTS设备动态调度技术；⑥DTS生产过程参数选择决策技术；⑦DTS能耗管理与优化技术等。

 

 

 

参考文献

[1] 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.

[2] Tao F., Cheng J., Qi Q. IIHub: An industrial Internet-of-Things hub toward smart manufacturing based on cyber-physical system[J]. IEEE Transactions on Industrial Informatics, 2017, 14(5): 2271-2280.

[3] Qi Q, Tao F, Zuo Y, et al. Digital twin service towards smart manufacturing[J]. Procedia Cirp, 2018, 72: 237-242.