数字孪生在制造运行管理（MOM）的七大应用场景

news2024/11/18 16:55:17

数字经济时代，数字孪生作为实现各行各业智能化、数字化的重要手段之一，受到了各方的广泛重视。随着各项关键使能技术的不断发展，数字孪生的应用价值有望得到进一步释放。这些关键使能技术包括建模、渲染、仿真、物联网、虚拟调试、可视化等，他们的蓬勃发展与交叉融合，极大地推动了数字孪生的深入应用。

生产系统运行过程的数字孪生应用

生产过程的核心是制造运行管理（MOM），IEC/ISO 62264标准对其定义是，通过协调管理企业的人员、设备、物料和能源等资源，把原材料或零件转化为产品的活动。

它包合管理那些由物理设备、人和信息系统来执行的行为，并涵盖了管理有关调度、产能、产品定义、历史信息、生产装置信息，以及与相关的资源状况信息的活动数字孪生在MOM的应用场景包括：

1）三维可视化实时监控

传统的数字化车间主要通过现场看板、手持设备、触摸屏等二维的可视化平台完成系统监测，无法完整展示系统的全方位信息与运行过程，可视化程度较低。

基于机理模型和数据驱动的方式建立的数字孪生车间具有高保真度、高拟实性的特点，结合3R（VR/AR/MR）技术能将可视化模型从传统的二维平面过渡到三维实体，车间的生产管理、设备管理、人员管理、质量数据、能源管理、安防信息等均能以更为直观、完整的方式呈现给用户。

2）生产调度

传统生产制造模式中生产计划的制定、调整等以工作人员根据生产要求及车间生产资源现状来手动制定调整为主，如果生产车间缺乏实时数据的采集、传输与分析系统，很难对生产计划执行过程中的实时状态数据进行分析，无法实时获取即时生产状态，导致对于生产的管理和控制缺乏实际数据的支撑，无法及时发现扰动情况并制定合理的资源调度和生产规划策略，导致生产效率的下降。

而数字孪生驱动下的生产调度基于全要素的精准虚实映射，从生产计划的制定、仿真、实时优化调整等均基于实际车间数据，使得生产调整具有更高的准确性与可执行性。

3）生产和装配指导

随着产品复杂程度越来越高，产品设计方案越来越复杂，给生产过程的参数优化，以及装配过程的工艺参数控制提出了新的要求；同时，个性化的提升让单件、小批生产成为主流，需要在制造前熟悉不同新产品的生产和装配工艺要求，给现场操作工人提出了挑战。利用数字孪生技术可以有效支持生产和装配过程的指导。
一方面，数字孪生体提供的统一产品定义模型，可以方便地转化成直观的产品生产需求和装配指导书，让操作工人可以尽快熟悉；

另一方面，利用制造设备的数字孪生体，可以对生产过程参数进行模拟优化，同时可以借鉴类似产品的加工数据进行迁移学习，推广到新产品加工过程的参数优化中。对质量数据的在线分析也能为生产、装配的结果进行评估，及时反馈到生产现场，减少不合格品的数量。

4）设备管理

数字孪生驱动下的故障预测与健康管理建立在虚实设备精准映射的基础上，由于虚实设备的实时交互及全要素、全数据的映射关系，可以方便地对相关的设备进行全方位的分析，及故障的预测性诊断。同时基于虚拟设备模型及历史运行数据可以进行故障现象的重放，有利于更加准确地定位故障原因，从而制定更合理的维修策略。

另外，在数字孪生应用场景下，当设备发生故障时，专家无需到达现场即可实现对于设备的准确维修指导。远程专家可以调取数字孪生模型的报警信息、日志文件等相关数据，在虚拟空间内进行设备故障的预演推测，实现远程故障诊断和维修指导，从而减少设备停机时间并降低维修成本。

5）物流优化

数字孪生生产系统改变了传统的物流管理模式，能够做到物流的实时规划及配送的指导。数字孪生建立在实时数据的基础上，通过物理实体与虚拟实体的精准映射、实时交互、闭环控制，基于智能物流规划算法模型结合实际情况做出即时物流规划调整和最优决策，同时可通过增强现实等方式对配送人员做出精准的配送指导。

6）能耗管控

“碳达峰、碳中和”成为新时代制造的一个核心话题，越来越多的制造企业关注制造过程的碳排放问题，需要实现节能减排。数字孪生驱动下的能耗智能管控指通过传感器技术对能耗相关信息、生产要素信息和生产行为状态等的感知，通过感知得到的实时能耗信息对生产过程的参数进行调整和优化。
一方面利用能耗模型来指导产品设计过程，采用低碳环保的方案；

另一方面通过调整生产计划、降低不必要的能耗等方法来减少加工过程的能源消耗。通过数字孪生系统，能耗管理由传统的凭经验、凭直觉的定性方法转向基于能耗模型的量化方法，并且能提供持续优化的能力。

7）安全防护

在智能车间中，相对于装备、产品等生产要素而言，人员在产品设计、制造运维等过程中的主观活动更为重要。近年来，随着计算机视觉、深度学习等智能算法的推广和计算机算力的提升，车间人员行为的观测正逐步从“机械式”的人工观测方式向基于深度视觉的智能人员行为理解的模式转变。

车间人员行为智能识别的本质在于人员行为特征的提取并进行分类与深层次分析，深度学习算法有助于人员行为特征的自动、多层次的提取，数字孪生技术则为智能人员行为理解模式的实现提供了实现框架，能进一步促进车间乃至智能工厂环境下的人机共融和HCPS的构建。