您好, 访客   登录/注册

智能工厂信息物理系统技术研究

来源:用户上传      作者:

  摘 要:现代智能工厂中,生产系统具有复杂性、多样性等特点,信息物理系统(CPS)已成为智能工厂不可或缺的环境平台。目前CPS系统仍有技术离散化、物理信息融合不充分、鲁棒性不足等问题。针对这些问题,从三个方面展开论述了改进的方法—— 建立基于混合驱动的重调度框架、实现实时同步的数字孪生以及使用适应性的算法选择模式。
  关键词:智能工厂;智能制造;CPS系统;工业4.0
  中图分类号:TB     文献标识码:A      doi:10.19311/j.cnki.1672-3198.2019.23.098
  1 引言
  中国是世界上最大的制造业大国。随着工业4.0的浪潮,智能制造已经成为全球工业发展和世界先进国家产业转型升级的共同目标。智能制造以智能工厂为载体,以生产关键制造环节的智能化为核心,以端到端数据流为基础,以全面深度互联为支撑。
  现代智能工厂中,随着互联网和信息科技的发展,生产系统愈发具有不确定性高、工艺流程复杂、多产品、多约束、多目标等特点,因此便对调度系统的鲁棒性、稳定性等综合性能提出了更高的要求。
  以感知、分析、决策、执行等功能为代表的CPS系统可以实现信息空间(Cyber)与物理世界(Physical)二者之间的相互协同,实现生产制造系统的调度优化,已成为智能工厂中必不可少的系统环境。设计一个稳定、高效、能够适应多种生产状况的CPS系统对智能制造的发展具有重大的意义。
  2 研究现状
  国内外不少学者对于智能工厂中CPS环境的构建做了研究。王喜文阐释了工业4.0下制造业思维和制造业模式的变革——CPS从3C的内核扩展为6C的架构;田云龙等人从三个维度出发,提出企业需要通过软硬件结合,从数据、通信、企业三个层面进行智能工厂CPS环境的构建;针对CPS在智能制造上的应用,Colombo等人着眼于复杂工业系统,提出了一种基于工业云的信息物理系统。总而言之,智能工厂CPS环境搭建的好坏很大程度上取决于能否高效地将信息和物理系统有机结合,形成数字孪生。且智能制造正朝着数字化、智能化、集成化、协同化发展。
  然而,在这种智能化转型不断推进的同时,也反映出一些问题。首先,相关技术的研究呈离散化,统一的技术体系架构尚未形成,难以进行有效的组织集成;其次,CPS系统的应用仍处于初级阶段,实际生产中信息系统和物理世界的融合还不充分,很多技术难题,如数字孪生的实时同步性有待提高;同时,面对工艺流程复杂、多重入、不确定性高、多目标、多约束的生产系统,如何根据不同生产状态做出不同响应,提高系统的鲁棒性,是实现智能制造所需面对的一个重要挑战。
  3 CPS关键技术的改进
  3.1 基于混合驱动的重调度框架
  生产线运行过程中会受到环境因素的影响,有时候初始的调度方案无法适应生产环境的变化而产生生产效率下降等不良影响,这时候就需要进行重调度。
  重调度机制一般分为两种:事件驱动机制和时间驱动机制。前者是指只有在产生重大的突发事件(如机器故障、紧急订单的插入等)时才进行重调度;而后者则是按照事先定好的周期,每隔一定的时间进行一次重调度。
  时间驱动机制相对易于实现,但是未结合生产状态考虑一些突然情况的影响,因此无法及时响应生产环境的变化。周期太长常常导致重调度不及时,而周期太短又会使不必要的重调度太多,造成資源浪费;事件驱动机制虽然能够较好地应对突发情况,但是当扰动频率较高时,容易造成调度过于频繁,降低了系统的稳定性,从而影响系统的生产效率。
  所谓采用混合驱动机制,就是结合两种机制的优点,以时间驱动为轴,以一段适当的生产时间为周期进行调度,同时保持对突发事件的响应。另外,CPS系统实时监测的生产线短期性能指标,当它的性能指标出现明显的波动时,系统也应将其识别为扰动,进行重调度。
  基于混合驱动的重调度机制不仅使系统能够及时地应对突发情况、优化生产的性能,同时能避免了不必要的重调度,提高制造系统稳定性。
  3.2 实时同步的数字孪生
  智能工厂中CPS实现的关键是生产过程数字化,形成数字孪生。数字孪生面向产品全生产周期,发挥着连接物理系统和信息系统的纽带作用。
  在信息系统中,为了与物理系统进行交互与比较,常常采用基于模型的离散事件仿真方法。用仿真数据与实际生产数据进行比较,分析生产性能的好坏。但是由于仿真运行十分迅速,而实际生产过程又十分缓慢。这就给仿真结果与实际生产数据的比较带来了困难,实时同步性难以保证。
  为了保证数字孪生的实时同步性,可以选择基于数据建模的仿真方法。通过不断采集生产线生产过程中产生的数据,对生产线进行连续数据建模。以一定的周期生成仿真生产线的性能指标,随着仿真的推进,新的性能指标将覆盖旧的性能指标。这样就能实时观察实际生产在当前时间节点的性能指标与对应时间的仿真性能指标,从而实现比较、分析与决策。
  通过此种方法可以确保生产线物理系统与信息系统交互的实时同步性,实现真正实时的数字孪生。
  3.3 适应性的算法选择模式
  生产环境的复杂性、多样性给调度的实现提出了更高的要求。传统的调度模态也开始向鲁棒调度、适应性调度、组合式调度等模态不断发展。这就意味着单一的调度算法可能无法解决所有问题。因此,采用多种算法协同的方式往往能取得更好效果。
  适应性算法选择包含两个层面:一是强调离线训练时,算法可以组合在一起,协同生成调度规则;二是在在线生产时,CPS系统能根据需要智能选择最适合当前条件的算法,从而实现生产的自适应。
  4 总结
  随着新一代信息技术的应用和人工智能的兴起,智能制造正朝着数字化、智能化、集成化、协同化的方向发展。本文先概述了智能工厂的特点,并说明将CPS用于智能工厂的必要性和意义,然后针对目前CPS的不足之处从三个方面展开论述了改进的方法。
  参考文献
  [1]张映锋,张党,任杉.智能制造及其关键技术研究现状与趋势综述[J].机械科学与技术,2019,38(03):329-338.
  [2]王喜文.CPS将如何改变未来工厂[J].中国信息化,2017,(02):15-17.
  [3]田云龙,肖志余.工业4.0下的信息物理系统(CPS)的构建[J].现代工业经济和信息化,2018,8(14):3-4+11.
  [4]KarnouskosS,Colombo AW,Bangemann T.Trends and challenges for cloud-based industrial cyber-physical systems[J].Industrial Cloud-Based Cyber Physical Systems,2014.
转载注明来源:https://www.xzbu.com/2/view-14914281.htm