94 lines
14 KiB
TeX
94 lines
14 KiB
TeX
% !Mode:: "TeX:UTF-8"
|
||
\chapter{绪论}
|
||
|
||
\section{数字孪生概述}
|
||
|
||
|
||
数字产品定义(Digital product definition,DPD)经历了从二维到三维的发展。业界提出了以产品设计为核心的数字仿真(DMU)、虚拟样机等技术,产品设计信息的定义和表达也越来越完善。近年来,国内外制造业的经验表明,3D数字化定义的产品模式已经成熟,其效益被反复验证。但是,目前的数字化产品定义还存在描述不涉及制造、运行和维护阶段、产品定义和过程定义之间缺乏相关性、后续模拟基于"理想定义"对真实产品的指导有限等问题。为了解决上述问题,"数字孪生"技术应运而生。数字孪生技术被誉为有望改变未来制造"游戏规则"的顶级技术。这项技术使用数据馈送来映射物理实体,并正在对工业的许多领域产生颠覆性的影响。德国信息技术和新媒体协会预测,在制造业市场中,数字孪生的价值是巨大的,到2025年将超过780亿欧元。Gartner已经连续两年(2016、2017)将数字孪生列为十大战略技术发展趋势之一。2017年11月,世界上最大的武器制造商洛克希德･马丁公司将数字孪生列为未来国防和航空航天工业的六大顶级技术。
|
||
|
||
数孪生是物理对象、流程或服务的数字表示。它拥有产品的信息,从产品生命的开始一直到产品的处置。在网络物理系统的语境中,数字孪生可以被看作是一个网络表征,是其特征点的对象集合,其中泛函其物理机制、虚拟特征和与人的交互关系。数字孪生可以是物理世界中物体的数字映射,如发动机或电场,甚至是更大的物品,例如建筑物甚至整个城市。除实物资产外,数字孪生技术还可用于映射流程,收集数据以及预测它们将如何执行。本质上,数字孪生是一种计算机程序,它利用现实世界的数据来创建可以预测的产品或流程将如何执行。这些程序可以整合物联网（工业4.0）、人工智能和软件分析等技术来提高效率和精确度。随着机器学习和大数据等因素的进步,这些虚拟模型已成为现代工程中推动创新和提高性能的主要工具。
|
||
|
||
在真实的实践场景中,数字孪生往往会遇到复杂的现实问题,如海量信息的建模、处理问题,模型的结构化专有化问题等等。单一场景即有可能需要构建几千孪生体并处理每秒几十万量级的数据,如何根据已有知识构建模型,如何描述模型特征和状态,如何关联、分析、响应大量数据,是本篇文章的主要研究内容。
|
||
|
||
鉴于以上生产需要,本文提出了一种实时分布式通信系统以及一种知识和事件模型化方法,解决大数据情况下实时响应和高效知识处理问题,并在自研的通用型数字孪生平台上进行验证。
|
||
|
||
\section{研究背景及现状}
|
||
|
||
数字孪生(Digital Twin)的概念最早出现在2003年,由Grieves教授在密歇根大学的产品生命周期管理课程中提出。2010年,"Digital Twin" 一词在NASA的技术报告中被正式提出,并被定义为"集成了多物理量、多尺度、多概率的系统或飞行器仿真过程"。2011年起,美国国防部将数字孪生的概念引入了航天器的健康维护等问题解决中。
|
||
|
||
NASA将数字孪生定义为:以飞机或系统为导向,充分利用最佳物理模型、传感器和运行历史数据,集成多学科和多尺度概率仿真过程,映射对应物理飞机的状态。
|
||
|
||
美国空军对数字孪生的定义是基于NASA将"面向飞机或系统"扩展到"面向完成建模的系统"和"映射"扩展到"映射和预测",并给出了机身图形的孪生内涵示例（包括几何模型、材料性能、飞行试验数据、制造/检验/维修数据、气动模型、有限元模型、损伤演化模型）。
|
||
|
||
庄存波等人对数字孪生的定义是产品数字孪生,是指产品物理实体在信息空间中的工作状态和工作进度的全要素重构和数字映射。它是一种集成的多物理、多尺度、超逼真的动态概率仿真模型,可用于仿真、诊断、预测和控制真实环境下产品物理实体的实现过程。
|
||
|
||
Grieves等人对数字孪生的定义是一组虚拟信息结构,对复杂产品从微观原子层次到宏观几何层次全面描述潜在生产或实际制造产品。构建一个数字孪生的最好结果是,任何可以通过检查实际制造的东西,产品获得的信息也可以从它的数字孪生获得。在研究基于数字孪生的复杂产品/复杂产品/系统行为分类系统问题预测时,明确指出构建数字孪生的目的是基于仿真预测,最大程度地消除复杂产品/系统"不可预测和不受欢迎的行为",以避免不可知的灾难性问题。以火箭发射为例,在虚拟空间中,模拟真实火箭的数字孪生,即使失败了,也可以用新的虚拟空间快速替换,继续启动。
|
||
|
||
|
||
数字孪生是以数字化方式创建物理实体的虚拟实体,借助历史数据、实时数据以及算法模型等,模拟、验证、预测、控制物理实体全生命周期过程的技术手段,建立在对一系列多维度的大规模的、实时的真实世界的数据测量,并辅以一定的物理和行为建模进行状态复现和预测的概率过程。
|
||
|
||
现阶段,除了航空航天领域,数字孪生领域还应用于电力、矿产采集、城市管理、工业制造等,特别是在智能制造领域,数字孪生被认为是一种实现物理世界、信息世界及人类意识世界交互的重要手段。
|
||
|
||
从数字孪生的多方陈述中可以看出其一部分与仿真类似,仿真技术是用包含了确定性规律和完整机理的数字模型模拟物理世界的方法,目的是依靠正确的模型和完整的信息、环境信息分析物理世界的特性和参数,而数字孪生有仿真的内核,但是多了实时性、交互性，其信息模型和物理模型可以相互关联相互影响,其主要技术包括信息建模、信息采集同步,信息分析、智能决策等,目前虽然已经取得了很大发展,但是由于现在世界模型机理复杂、知识图谱建立困难以及有效数据采集分析困难等问题,限制了其实践形势。
|
||
|
||
|
||
\section{研究意义}
|
||
|
||
近年来数字孪生技术在工业界得到了广泛的关注，全球最具权威的IT研究与顾问咨询公司GARTNER连续两年将数字孪生列为当年十大战略科技发展趋势之一。世界最大的武器生产商洛克希德马丁公司于2017.11将数字孪生列为未来国防和航天工业６大顶尖技术之首;2017年12月8日中国科协智能制造学术联合体在世界智能制造大会上将数字孪生列为世界智能制造十大科技进展之一。
|
||
达索、西门子等公司已初步将数字孪生技术应用于产品设计、生产、维护过程中，NASA、美国空军研究实验室等将其运用在具体型号研发中，并获得2016年美国国防制造技术奖。
|
||
虽然已经出现较为成熟的技术落地应用，但数字孪生技术在实际生产使用过程中还面临很多复杂的现实问题。
|
||
|
||
\begin{description}
|
||
\item [数据问题]
|
||
数据采集的尺度或计量单位的一致性，涉及物理数据、几何数据、时间数据等。如构建实物的三维模型的坐标与计量单位不一致，会导致不同模型之间无法融合，需要增加数据接口与编写数据翻译器；如工厂内的生产计划数据采集过程中，不同时间单位的生产计划数据会导致数字孪生模型出现数据读取错误。
|
||
数据采集参数及格式的一致性。针对同一对象，多维虚拟模型采集的数据格式不一致、参数类型和数量不对等，同样会出现不同模型在数据融合时出现问题，不能进行交互。
|
||
数据采集周期问题。如生产设备的数据产生一般以毫秒记，用采集的数据来驱动数字孪生模型时，往往需要放大时间尺度，否则模型的仿真运行压力过大会导致崩溃。
|
||
除此之外，数据采集的稳定性和准确度、海量数据的存储和处理能力、通信接口协议不一、多源异构数据整合、数据歧义等均对数据提出了挑战。
|
||
|
||
\item [模型问题]
|
||
模型类别单一，在现有的数字孪生系统中，专有化程度较高，模型结构比较单一，虚拟世界基础依赖知识单一，在从分析预测阶段向自主控制的智能化分析探索，对现有基础模型知识库提出海量的需求。由于目前知识库的数据结构和模型没有统一的标准，多模型互操作难，数据语义、语法不统一，标准化的知识图谱体系尚需探索。在本文中将模型按层次分为几何模型、物理模型、规则模型, 其中几何模型和物理模型适用于虚拟世界，其真实作用是方便人更直观的去观察系统变化，规则模型涉及实体、虚体、系统、人四方数据流通和逻辑判断，其模型建立上现在都是通过特定场景应用下硬编码实现，无法通用，更新和建立模型也十分复杂。
|
||
|
||
\item [实践问题及多系统融合]
|
||
数字孪生技术是一项综合技术，与数据采集处理、数字孪生与数字模型、数字孪生与PLM产品全生命周期、数字孪生与大数据分析、数字孪生与CPS信息物理系统、数字孪生与工业互联网等多技术融合，当前需要数字孪生基础理论及相关的技术融合突破，开展设备泛在接入、工业通信协议适配、异构系统集成、虚实融合等核心关键构件研发，突破多协议数据转换、海量异构数据汇聚、感知数据驱动、数字孪生精准映射等关键技术研究促进数字孪生应用。在多技术融合下，其商业模式不能得到充分保障，其实践重要性仍需关键突破应用，从单一环境仿真到大世界综合场景应用仍需底层技术发展和相关数据标准统一。数字孪生的多系统特性即反映在物理空间，也反映在虚拟空间，在数据、模型和交互各环节均有表达。数字孪生融合物理世界与数字世界，是一个多维系统的融合。首先面临的是物理世界的多系统挑战。据不完全统计，制造业现在的设备数字化率约为47\%，局域联网率只有40\%，可接入公网的只有20\%左右，底层OT跟IT的融合仍然是极其核心的基础性问题。
|
||
|
||
\end{description}
|
||
|
||
针对以上四个问题，本文在结合实践形式和数字孪生技术特点，分析了相关技术理论，分别提出了相应的改进方案，探索数字孪生技术在全产品生命周期的应用前景和能力。
|
||
|
||
|
||
\section{研究目标及方案}
|
||
|
||
\subsection{研究目标}
|
||
数字孪生作为一种实现物理实体向信息空间数字化模型映射的关键技术，通过充分利用布置在物理系统各部分的传感器，对物理实体进行数据分析与建模，形成多学科、多物理量、多时间尺度、多概率的仿真过程，将物理实体在不同真实场景中的全生命周期过程反映出来。但是在落地使用上面临较为复杂的现实问题，目前比较成功的案例都局限在特定场景特定数据下，尚未存在较为成熟的通用技术方案，针对上文总结的三个问题，分别提出相应的方案去解决或者部分解决现实面临的困境。
|
||
|
||
\begin{enumerate}
|
||
\item 数据困境: 编写设计一套自组织分布式消息网络，部分节点实现硬实时通信, 整体实现所有节点自组织形成分布式通信网络。
|
||
\item 模型困境：针对规则模型编写设计一套通用机制，物理节点、虚拟节点、服务节点可分别使用和设计不同规则，用户生成规则可以选择内置逻辑、函数、真值表、代码等实现。
|
||
\item 实践困境：以分布式消息网络为基础，编写设计模型通用特征，在系统所有层次都有公开设计的通信接口，任何节点可以选择使用非内置节点，使用第三方或者自行编写的逻辑，提供现有主流的PLC通信协议，并提供将任何协议转内置通信协议的方案或物理节点。
|
||
\end{enumerate}
|
||
|
||
\subsection{研究方案}
|
||
|
||
本文开发的数字孪生平台主要涉及4大主体内容，包含主体平台、分布式消息网络、节点状态与事件机制，规则模型
|
||
|
||
\begin{figure}[h!]
|
||
\centering
|
||
\includegraphics[width=0.8\textwidth]{figure/f1.png}
|
||
\caption{系统结构图}
|
||
\label{fig-f1}
|
||
\end{figure}
|
||
|
||
\subsection{主体平台}
|
||
图1所示，A为主体平台，是数字孪生平台的主体，包含了基本的数据存储、数据分析、核心消息节点、用户交互、模型展示等等功能，其余所有一切功能都要借助主体平台得以显示和控制。
|
||
用户通过A集群查看、分析和操作所有集群。
|
||
|
||
\subsection{分布式消息网络}
|
||
图1所示, ABC三集群之间， 集群内部，用户与主体平台之间均使用的是该消息网络，但是在不同的节点不同的集群，根据节点需要，该消息网络有不同的特征和性能要求，比如在用户与主体平台之间，实时性要求低，对精细数据无要求，但涉及大量重复数据给不同用户分发，其消息网络注重分发性能设计。BC 物理集群，涉及硬件操作，对实时性要求极高，要求存在硬中断和优先级，所以其设计偏向硬实时消息网络。
|
||
\subsection{状态与事件机制}
|
||
状态与事件机制为系统核心逻辑，任意物理虚拟服务节点在本身，主体平台以及途径的所有消息节点都有维护一套状态机制，节点本事就是一个状态机，其状态会在消息网络中广播最后到达主体平台，事件机制为各节点交互的基础，每个节点仅对自己负责，优先级最高的是维护自身状态，事件输入触发节点逻辑，状态改变和节点输出皆为事件输出对外广播，节点仅负责自己的状态和逻辑，其输入输出和状态改变皆为一条事件，其核心运行逻辑就是加入消息网络，订阅需要的事件，接收事件，触发逻辑运算，输出事件到消息网络，其输出是否有用有消息网络判定，节点主体只负责接收、运算及维护状态、输出。
|
||
事件机制为主体平台和部分物理集群核心节点所独特管理的逻辑机制，其基础是订阅制，在订阅制基础上附上用户设计的其他规则逻辑。
|
||
\subsection{规则模型}
|
||
规则模型是在以消息网络和事件机制为基础上搭建的逻辑判定机制，其涉及的规则运行主体、客体为系统内任意物理虚拟服务节点或者任意事件，其规则生成可以使用平台内置的逻辑，也可以由用户输入函数、真值表、伪代码片段或者接入程序实现。
|
||
|
||
|