基于数字孪生的离散车间精准配送智能调度系统技术方案

本发明专利技术公开了基于数字孪生的离散车间精准配送智能调度系统，调度系统包含物理车间层；车间数据层，车间数据层为车间内的实体中采集到的数据，传输到虚拟车间层中；数据融合后，再将不同实体生成的数据转换成相应的数据格式存入MySQL数据库；虚拟车间层，虚拟车间层为基于实体的虚拟车间模型，虚拟车间层包含OPC UA信息模型，基于MySQL数据库将车间信息整体模型划分为五类信息概念模型，这五类信息概念模型与虚拟车间模型之间都属于局域与整体的关系，然后根据车间中的任务、计划，实例化若干任务对象，实现对车间中任务的描述；在应用服务层，建立基于多智能体的强化学习物流调度算法，建立配送系统实时调度模型，实现AGV精准配送路径的生成。准配送路径的生成。准配送路径的生成。

【技术实现步骤摘要】
基于数字孪生的离散车间精准配送智能调度系统


[0001]本专利技术涉及数字孪生
，特别涉及一种基于数字孪生的离散车间精准配送智能调度系统。

技术介绍

[0002]随着新一代信息通信技术的不断发展，生产车间逐渐趋于智能化，如何充分利用物联网、人工智能、大数据等先进技术为车间生产配送提供智能化的调度支持，实现及时交货、提高客户满意度，成为了提升企业竞争力的关键问题。离散车间生产路径灵活，可以有效满足多品种、小批量的生产要求，是一种被广泛运用的车间模式。但是随着产品需求趋于个性化，制造工艺更加多样，实际离散车间物流调度问题也变得更加复杂，制造企业对离散车间物流调度问题的解决方法在自主性、智能性、预测性等方面提出了更高的要求。实现制造的物理空间和信息空间的互联互通和智能化操作是实现智能制造关键，也是智能化调度的关键。数字孪生利用数字方式对物理对象进行高保真地建模，在虚拟空间中模拟物理实体的特征、行为，并通过虚实交互、数据融合增值、知识挖掘、迭代优化等手段，结合基于强化学习的精准配送调度算法，从而实现更加自主化、先见化、智能化的车间精准配送调度。

技术实现思路

[0003]针对现有技术中存在的问题和不足，本专利技术的目的是在于提供一种基于数字孪生的离散车间精准配送智能调度系统，结合强化学习技术、数据库技术、数字孪生建模技术等，实现离散车间自组织生产过程的物料精准配送。
[0004]为此，本专利技术通过以下技术方案予以实现：基于数字孪生的离散车间精准配送智能调度系统，所述调度系统包含物理车间层，所述物理车间层包含作业车间内的实体；
[0005]车间数据层，所述车间数据层为车间内的实体中采集到的数据，所述数据从实体中获取，传输到虚拟车间层中；数据通过解码器对信息进行解码后交由RFID中间件进行处理和融合，再将不同实体生成的数据转换成相应的数据格式存入MySQL数据库；
[0006]虚拟车间层，所述虚拟车间层为基于实体的虚拟车间模型，所述虚拟车间层包含0PC UA信息模型，基于MySQL数据库将车间信息整体模型划分为五类信息概念模型，这五类信息概念模型与虚拟车间模型之间都属于局域与整体的关系，对于任一个加工车间，首先根据采集到的实体数据实例化出五类信息概念模型的对应若对象，以表示车间的全部生产要素；然后根据车间中的任务、计划，实例化若干任务对象，实现对车间中任务的描述；
[0007]在应用服务层，所述应用服务层读取车间数据层生成的数据与模拟车间层的车间任务描述，建立基于多智能体的强化学习物流调度算法，建立配送系统实时调度模型，实现AGV精准配送路径的生成。
[0008]进一步的，五类信息概念模型分为是设备信息概念模型、人员信息概念模型、物料信息概念模型、环境信息概念模型以及订单任务信息概念模型。
[0009]进一步的，所述物理车间层内包含机床、AGV、机器手、自动仓储、传感器、射频识别
RFID装置，用于接收制造指令并执行制造任务，感知和处理基于物联网的异构、多源、实时数据。
[0010]进一步的，所述基于多智能体强化学习物流调度算法模型包含路径调度优化模型和多智能体强化学习算法；其中，
[0011]所述路径调度优化模型通过以下过程建立：
[0012]设定模型为全连接图G(B)，其中坐标向量B＝{v0，v1，
…
v
N
}，v1，v2，
…
，vN为车间实体坐标；
[0013]当收到订单后产生一个需求的实例j＝(v，d，e，l，，α，β)，其中v表示车间实体坐标，需求为d
i
，时间窗口为(e
i
，l
i
)，惩罚系数α
i
，β
i
；
[0014]设定分配M辆AGV满足订单要求，并为每辆AGV生成路径成本最低的顶点不相交路线r
m
，m＝1，2，...M，其起点和终点都在仓库v0，路径距离均使用平面上的欧几里得距离表示，设定所有车辆的速度相同，模型目标是找到一个总成本最小的解决方案r＝[r1，r2，...，r
M
]，总成本的定义为：
[0015]C(r)＝Γ
sum
(r)+p
sum
(r)
ꢀꢀꢀ
(1)
[0016]其中是所有车辆的总成本，I为单位矩阵，表示时间窗口约束的总惩罚。
[0017]进一步的，所述多智能体强化学习算法依据DQN方法实现：
[0018]首先按照马尔科夫决策过程建立问题模型，即定义环境状态、动作和奖励，所述环境状态包含车间状态、AGV状态所共同组成的五维向量S
t
＝(N
t
，T，D，A
st
，A
vt
)，包含车间各个设备的运行状态及各个AGV运行状态和位置信息，N
t
表示当前的订单序号，T表示当前任务的剩余时间，D表示当前距离目标点的长度，A
st
表示当前AGV小车的工作状态，A
vt
表示AGV小车的运动速度；
[0019]定义动作向量a
t
＝(J
t
，AGV
t
)，其中J
t
代表工位，AGV
t
代表执行任务的AGV编号；当AGV完成一步工序对比样本成本，给予少量奖励反馈，当AGV完成全部工序时，对比总成本，给予大量奖励反馈；
[0020]最后，将所获得的奖励通过时间评价函数换算成最终奖励值反馈给所述路径调度优化模型，得到最优的总成本C(r)。
[0021]有益效果：
[0022]本专利技术基于强化学习技术与数字孪生建模技术构建离散车间精准配送智能调度系统，其优势在于：
[0023]1.系统采用视图、模型和控制分离的设计模式，便于系统的功能扩展和日常维护。
[0024]2.采用OPC UA信息建模方法实现数据交互，通过OPC UA协议将各类设备协议进行统一规范，建立数据传输的标准化接口，将不同类型的设备产生的不同格式的信息按照标准的格式进行呈现，达到数据的有效采集和管理，使得数字孪生平台中多源异构数据可以集成和传输。
[0025]3.利用机器学习中的强化学习方法，建立配送系统实时调度模型，使模型具备学习、预测、调节等能力，配送系统不再是仅仅依靠规则运行的自动化系统。
[0026]4.引入检测、监控设备，用于采集配送作业的相关参数、车间运行的相关数据，数据来源于车间实时更新的真实数据，基于大数据分析的相关方法，分析配送作业运行状况，可以有效应对诸如设备故障和紧急订单的扰动，为系统调度提供解决策略。
附图说明
[0027]图1为基于数字孪生的离散车间精准配送智能调度系统的架构示意图；
[0028]图2为基于RFID的工序物流感知流程图；
[0029]图3为面向虚拟孪生车间的OPC UA信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于数字孪生的离散车间精准配送智能调度系统，其特征在于，所述调度系统包含物理车间层，所述物理车间层包含作业车间内的实体；车间数据层，所述车间数据层为车间内的实体中采集到的数据，所述数据从实体中获取，传输到虚拟车间层中；数据通过解码器对信息进行解码后交由RFID中间件进行处理和融合，再将不同实体生成的数据转换成相应的数据格式存入MySQL数据库；虚拟车间层，所述虚拟车间层为基于实体的虚拟车间模型，所述虚拟车间层包含OPC UA信息模型，基于MySQL数据库将车间信息整体模型划分为五类信息概念模型，这五类信息概念模型与虚拟车间模型之间都属于局域与整体的关系，对于任一个加工车间，首先根据采集到的实体数据实例化出五类信息概念模型的对应若对象，以表示车间的全部生产要素；然后根据车间中的任务、计划，实例化若干任务对象，实现对车间中任务的描述；在应用服务层，所述应用服务层读取车间数据层生成的数据与模拟车间层的车间任务描述，建立基于多智能体的强化学习物流调度算法，建立配送系统实时调度模型，实现AGV精准配送路径的生成。2.根据权利要求1所述的基于数字孪生的离散车间精准配送智能调度系统，其特征在于，五类信息概念模型分为是设备信息概念模型、人员信息概念模型、物料信息概念模型、环境信息概念模型以及订单任务信息概念模型。3.根据权利要求1所述的基于数字孪生的离散车间精准配送智能调度系统，其特征在于，所述物理车间层内包含机床、AGV、机器手、自动仓储、传感器、射频识别RFID装置，用于接收制造指令并执行制造任务，感知和处理基于物联网的异构、多源、实时数据。4.根据权利要求1所述的基于数字孪生的离散车间精准配送智能调度系统，其特征在于，所述基于多智能体强化学习物流调度算法模型包含路径调度优化模型和多智能体强化学习算法；其中，所述路径调度优化模型通过以下过程建立：设定模型为全连接图G(B)，其中坐标向量B＝{v0，v1，
…
v
N
，}，v1，v2，
…
，vN为车间实体坐标；当收到订单后产生一个需求的实例j＝(v，d，e，l，α，β)，其中v表示车间实体坐标，需求为d
i<...

【专利技术属性】
技术研发人员：张泽群，李霏，朱海华，马国财，唐敦兵，刘炜，阮超，
申请(专利权)人：北京电子工程总体研究所，
类型：发明
国别省市：