基于數字孿生的復雜產品裝配過程管控方法與應用

胡 興，劉檢華，莊存波+，武 穎，張 雷,2，熊 輝

(1.北京理工大學 機械與車輛學院 數字化制造研究所，北京 100081；2.天津商業(yè)大學 機械工程學院，天津 300134)

0 引言

復雜產品指客戶需求復雜、產品組成復雜、產品技術復雜、制造過程復雜、項目管理復雜的一類產品，如衛(wèi)星、導彈、火箭等[1]。復雜產品的裝配屬于產品研發(fā)生產工作的后端，是保證復雜產品質量可靠性和交付任務最重要的環(huán)節(jié)之一，因此實現(xiàn)復雜產品裝配過程的精細化實時管控，從而提高裝配生產效率和裝配質量，具有重要的工程意義[2-3]。

復雜產品裝配是典型的離散型裝配，具有以手工裝配方式為主、面向訂單生產、零部件種類和數量繁多、涉及專業(yè)領域廣、注重可追溯性等特點[4]。需要指出的是，復雜產品的裝配過程是一個反復試驗、不斷嘗試的過程，其具有隨機性，生產節(jié)拍不明顯，還具有裝調周期長(有些甚至達到10個月)、裝配工藝不穩(wěn)定、返工返修多等特點[5]。復雜產品裝配過程管控，是為完整采集裝配過程數據、提高裝配質量和效率而展開的針對裝配過程的管理與控制。

為實現(xiàn)復雜產品的裝配過程管控，國內外學者針對裝配過程數據采集與管理、裝配過程可視化監(jiān)控、裝配質量管控等進行了研究。裝配過程數據的采集和管理是實現(xiàn)裝配過程管控的前提，Zhang等[6]開發(fā)了基于無線射頻識別(Radio Frequency IDentification, RFID)的智能看板，實現(xiàn)了準時制模式下的數據實時采集和過程監(jiān)控；萬峰等[7]提出基于工作流模型的復雜產品裝配數據采集和管理方法，該方法主要實現(xiàn)了異構數據的存取和組織、裝配數據采集表格的動態(tài)定制，以及技術問題處理數據的細粒度管理等功能；阮斯?jié)嵉萚8]從粒度、周期和版本3個維度分析了復雜產品裝配工藝數據的動態(tài)演變特性，提出一種多維度的裝配工藝數據管理技術，實現(xiàn)了工藝信息演變過程的完整記錄和跟蹤。在裝配過程可視化監(jiān)控方面，Zhang等[9]在研究過程中引入且融合了實時數據，然后采用層次時間著色Petri網對車間進行建模，從而對車間實時狀態(tài)進行動態(tài)展示；葉劍輝等[10]基于裝配工藝流程對復雜產品裝配車間的現(xiàn)場監(jiān)控技術進行研究，建立了基于工藝流的車間現(xiàn)場監(jiān)控模型；趙浩然等[11]通過研究虛擬車間幾何建模、車間實時數據管理、車間多層次三維可視化監(jiān)控和車間狀態(tài)看板構建方法等關鍵技術，提出一種基于實時信息的生產車間三維可視化實時監(jiān)控方法和實時數據驅動的虛擬車間運行模式。針對產品質量管控，傳統(tǒng)方法以事后檢驗為主，一般通過事后問題界定、相關因素排查測量、關鍵因素分析確定、影響因子控制改進等步驟解決質量問題[12]。北京理工大學的Weng等[13]針對航空航天復雜產品提出基于裝配業(yè)務流程的質量管控方法，利用多級嵌套流程的數據采集模型和基于工位布局的質量數據監(jiān)控方法實現(xiàn)了對質量數據的追溯；Massimo等[14]為了控制持續(xù)制造產品的質量穩(wěn)定性，提出一種基于無監(jiān)督訓練階段的神經網絡質量控制系統(tǒng)，通過一種簡化的模糊自適應共振理論神經算法實現(xiàn)了對產品質量的管控。

以上研究成果雖然推動了復雜產品裝配過程管控的研究，但是在裝配過程監(jiān)控的實時性和全面性、裝配過程運行狀態(tài)預測與分析等方面仍然存在一些問題，尤其是實時性問題和基于虛實融合的運行狀態(tài)預測沒有得到有效解決。近年來，作為智能制造的使能技術之一，數字孿生技術為實現(xiàn)信息物理系統(tǒng)(Cyber-Physical Systems, CPS)的虛實融合提供了新的思路、方法和實施路徑，已經得到了國內外學者的廣泛關注[15]。

數字孿生車間是數字孿生技術在產品制造階段的具體應用，旨在通過物理車間與虛擬車間的雙向真實映射和實時交互，使車間生產和管控達到最優(yōu)。為解決復雜產品裝配過程管控的實時性、全面性和前瞻性等問題，在數字孿生車間研究方面，Zhuang等[16]提出基于數字孿生的復雜產品裝配過程智能管控方法，構建了相應的體系框架及其實施流程，闡述了該體系框架中涉及的裝配大數據管理、車間運行狀態(tài)預測和智能迭代優(yōu)化等關鍵實現(xiàn)技術；陶飛等[17-19]提出數字孿生車間(digital twin workshop)的概念，并詳細闡釋了數字孿生車間的系統(tǒng)結構、特點、運行機制及其實現(xiàn)所需的關鍵技術等，在此基礎上提出數字孿生五維模型，構建了基于數字孿生的復雜產品環(huán)形設計框架；柳林燕等[20]構建了基于數字孿生的車間生產過程數字孿生系統(tǒng)，同時闡述了車間生產過程關鍵要素數字孿生建模與實現(xiàn)、基于OPC統(tǒng)一架構(OLE for Process Control Unified Architecture, OPC-UA)的車間生產過程物理實體數據獲取以及車間生產運行實時映射3項關鍵技術，并在某生產車間進行了應用驗證。綜上所述，盡管國內外學者在數字孿生車間的體系架構、可視化監(jiān)控和質量控制等方面已取得一系列研究成果，但是針對復雜產品裝配過程管控仍存在以下問題亟待解決：①裝配過程數據通常有數量巨大、種類繁多、中間狀態(tài)數據多等特點，難以有效采集與管理，因此當前研究在利用數字孿生技術實現(xiàn)復雜產品裝配過程監(jiān)控的實時性和全面性方面仍然不足；②目前針對裝配過程的建模和數據分析已有不少研究成果，但是面向數字孿生車間的復雜產品裝配過程運行狀態(tài)的預測和分析仍缺少有效的解決方法。

針對以上問題，本文以衛(wèi)星等航天復雜產品裝配過程為具體研究對象，提出一種基于數字孿生的復雜產品裝配過程管控方法；構建了復雜產品裝配數字孿生模型，基于工作流模型實現(xiàn)了裝配過程數據的實時采集與管理，利用實時數據驅動實現(xiàn)了數字孿生車間的同步運行；通過聯(lián)合應用灰色Markov預測模型、T-K統(tǒng)計控制圖和關聯(lián)規(guī)則算法，實現(xiàn)了對復雜產品裝配過程中小樣本量質量數據的實時預測與分析。在上述研究基礎上，構建了基于數字孿生的復雜產品裝配過程管控系統(tǒng)，并在某衛(wèi)星裝配車間進行了應用驗證。

1 基于數字孿生的復雜產品裝配過程管控的實現(xiàn)流程

基于數字孿生的復雜產品裝配過程管控的關鍵技術主要包括基于工作流模型的復雜產品裝配過程數據采集與融合、復雜產品裝配過程的多源異構數據融合、基于實時數據的數字孿生車間同步運行，以及基于CPS的復雜產品裝配過程質量預測、分析與控制。

以裝配過程質量管控為例，六西格瑪方法已成為目前應用最廣的改善企業(yè)質量流程管理的技術，并形成了成熟的DMAIC(define，measure，analyze，improve，control)五步循環(huán)的實施流程：D表示定義，主要明確質量問題、管理目標和流程；M表示測量，用于找出關鍵評價指標，并建立用于衡量/測量質量問題的流程步驟；A表示分析，對已評估出來的導致問題產生的原因進行進一步分析；I表示改進，用于優(yōu)化解決方案并確認該方案能夠滿足或超過項目質量改進目標；C表示控制，確保過程一旦完成能繼續(xù)保持下去，而不會返回到先前的狀態(tài)。

參考六西格瑪質量管理方法的思想，在考慮復雜產品裝配過程質量管控的實時性、全面性、準確性和預見性等需求的基礎上，提出一種基于數字孿生的復雜產品裝配過程質量管控方法，并將其實施過程定義為CFMPAD六步循環(huán)，如圖1所示，具體包括采集C(collect)、融合F(fuse)、映射M(mapping)、預測P(predict)、分析A(analysis)和執(zhí)行D(do)。其中，可用于映射的可視化模型、可用于計算的質量預測和分析模型共同組成了裝配過程質量管控數字孿生模型。

(1)采集 通過人機交互、硬件采集終端、條碼、傳感器、射頻識別等各種數據獲取方式采集復雜產品裝配過程中動態(tài)產生的質量數據，包括與裝配質量有關的檢測數據、實做物料數據、工序完工數據、傳感數據和車間多媒體數據等。

(2)融合 通過數據清洗、數據統(tǒng)一建模、數據時空對準等方法對裝配過程中實時采集的多源異構質量數據(尤其是多源傳感數據)進行預處理和分析，為后續(xù)的質量狀態(tài)同步映射、預測、分析與反饋控制提供可信的數據和信息。

(3)映射 通過三維模型重構、二維數據展示、過程模擬等方式使數字孿生可視化模型與物理裝配過程的同步運行，實現(xiàn)對復雜產品裝配過程質量狀態(tài)的全面實時可視化監(jiān)控。

(4)預測 基于實時數據和實時數據，通過大數據模型、數理模型或兩者的融合模型來預測產品質量。本文主要包括兩方面：①根據質量特性值的設計要求判斷預測得到的數據是否為異常數據；②根據歷史質量數據和預測質量數據繪制質量特性值的波動曲線，判斷當前裝配工序是否受控。

(5)分析 分析會影響當前質量數據的人、機、料、法、環(huán)、測等因素，判斷這些影響因素中哪些是造成質量異常的原因，從而追溯到異常質量數據的具體誘發(fā)原因。

(6)執(zhí)行 基于數字空間的映射、預測和分析結果，一方面對復雜產品裝配過程中的潛在異常進行預警，并提醒相關人員通過調整相關工藝的執(zhí)行參數等方式來避免異常的發(fā)生；另一方面對裝配過程中已經出現(xiàn)的質量問題進行報警，并輔助相關人員快速處理該問題。

通過所提的基于數字孿生的裝配過程管控方法及其實現(xiàn)流程，能夠實現(xiàn)對復雜產品裝配過程質量狀態(tài)的同步映射(可視)、在線預測(可測)和反饋控制(可控)。在可視層面，包括全面監(jiān)控復雜產品裝配過程的質量狀態(tài)、實時洞察裝配過程中的產品工藝狀態(tài)等；在可測層面，包括在線預測裝配過程質量特性值和裝配工序狀態(tài)、快速追溯質量異常原因等；在可控層面，包括控制復雜產品裝配過程的工藝執(zhí)行參數、快速處理裝配過程的質量問題等。

2 關鍵實現(xiàn)技術

2.1 復雜產品裝配過程管控數字孿生模型的構建

為了在數字空間完整準確地描述復雜產品裝配過程管控流程，需要從多個維度和多個尺度進行描述。多維度主要包括可視化模型、計算模型和數據模型，分別實現(xiàn)裝配過程狀態(tài)的同步映射、預測分析和數據管理；多尺度主要包括產品、裝配工序和裝配車間等不同的層次粒度，通過建立各尺度模型間的關聯(lián)關系，并對可視化模型、計算模型和數據模型進行融合，形成裝配過程管控數字孿生模型。技術路線如圖2所示。

數據模型主要實現(xiàn)基于物料清單(Bill of Material, BOM)的產品裝配過程數據層次化管理，以及基于工作流的產品裝配過程數據采集與組織，然后分別以產品狀態(tài)數據、產品裝配工序過程數據、裝配車間運行狀態(tài)數據作為映射，構建裝配過程可視化模型，其主要包括產品工藝狀態(tài)和質量狀態(tài)、裝配工序狀態(tài)、制造資源狀態(tài)和環(huán)境狀態(tài)等數據。計算模型則包括基于灰色Markov的產品質量特性值預測模型、基于T-K統(tǒng)計控制圖的裝配工序狀態(tài)預測模型和關聯(lián)規(guī)則算法的車間運行狀態(tài)預測模型，通過聯(lián)合應用計算模型可以實時預測和分析復雜產品裝配過程數據。

2.2 基于工作流模型的復雜產品裝配過程數據的采集

在復雜產品裝配過程中會產生海量裝配過程數據，這些裝配數據描述了裝配過程中的各類信息，裝配過程管控主要針對裝配過程數據展開。裝配過程數據主要包括生產物流數據、生產人員數據、機器設備數據、實做工時數據、生產進度數據和生產質量數據等，基于這些數據，可以在虛擬車間中模擬裝配進程，對質量問題進行預測和快速追溯，因此實時數據的采集是裝配過程管控的前提。

裝配過程數據數量大、種類多，而且采集方式各異。目前裝配過程數據大部分靠人機交互進行采集和記錄，操作人員或檢驗人員在裝配過程中根據采集要求輸入相關的數據或者進行電子簽署，如工序完工數據、物料使用數據等[21]。另外，有些裝配數據的采集是基于硬件的，包括數字化測量儀器、信息存儲標簽和質量數據采集終端等。數字化測量儀器主要包括電子游標卡尺、力矩扳手等儀器工具，這些工具采集到的信息可以直接上傳至計算機終端；信息存儲標簽包括傳統(tǒng)條碼和RFID標簽；數據采集終端包括平板、相機以及其他數據采集裝備。這類方法的特點是可以通過硬件直接將裝配數據采集存儲到軟件系統(tǒng)中[22]。隨著數字化管理系統(tǒng)在各制造企業(yè)中的普及，裝配過程數據在各應用系統(tǒng)中分布存儲，因此系統(tǒng)間的數據交互采集通常需要利用數據接口完成。

本文通過上述方式完整采集裝配過程數據，以裝配過程數據庫作為數據集群對實時數據進行結構化存儲，并結合裝配工藝流程及裝配節(jié)點來存儲數據間的關聯(lián)，全面準確地采集和管理裝配過程數據，為后續(xù)裝配過程質量管控可視化模型和計算模型的建立提供數據支撐。

復雜產品裝配過程多以流程為主組織生產，通過工作流對總裝過程進行建?？梢匀鏈蚀_地描述整個裝配過程的各類信息，實現(xiàn)數據采集的全流程性。本文將數據采集流程作為子流程嵌入裝配流程和日作業(yè)計劃執(zhí)行過程，建立了如圖3所示的基于流程的裝配過程數據采集模型，該模型按以下三階段構建：

(1)裝配流程圖生成階段 ①定義裝配工藝流程圖，復雜產品裝配過程由一系列裝配活動組成，將這些裝配活動定義為裝配流程節(jié)點，再由多個流程節(jié)點通過連接線以串、并行兩種方式初步生成裝配工藝流程圖；②加載流程節(jié)點信息，在工藝設計階段，工藝師為每個節(jié)點加載基本信息、工藝卡、BOM清單、質量檢驗信息和工藝簡圖、三維裝配動畫等其他信息。

(2)裝配流程實例化階段 ①在生產調度階段，車間調度員將產品的裝配工藝流程圖與其所屬的裝配計劃/任務進行關聯(lián)，將裝配工藝流程初步實例化為具體的車間實際裝配流程；②在現(xiàn)場裝配階段，裝配組長將上一步實例化的裝配流程節(jié)點與作業(yè)日期、裝配工位和日作業(yè)計劃節(jié)點進行關聯(lián)，進一步實例化裝配流程。這一階段完成了裝配工藝流程圖到實際裝配流程圖的實例化映射，即將工藝流程圖中的流程節(jié)點均轉化為實例化裝配流程節(jié)點。

(3)流程融合階段 將數據采集流程作為子流程嵌入裝配流程執(zhí)行過程，構建基于流程的裝配過程數據采集模型。在該模型中，裝配現(xiàn)場數據采集流程由多個數據采集節(jié)點組成，與對應的實例化裝配流程節(jié)點一一關聯(lián)，最終使裝配流程節(jié)點與裝配工序一一對應，同時該節(jié)點包含有執(zhí)行該工序所需的所有信息。

2.3 復雜產品裝配過程的多源異構數據融合

復雜產品裝配過程數據融合包括數據融合和物理融合。數據融合即數據間的集成，是單一數據源的生成過程。物理裝配線采集的實時數據往往是多源異構數據，通常無法直接與虛擬數據集成，需根據以下3個特點進行處理：①同一性，裝配過程數據包括三維模型數據及存儲于關系型數據庫的結構化數據等多類型數據，這些數據往往呈現(xiàn)顯著的多源異構性，需定義通用的工程數據格式；②規(guī)范性，存儲于不同平臺的裝配數據通常也以不同的方式訪問，要實現(xiàn)這些數據之間的實時交互，需在滿足通信質量、物理安全、信息安全等要求的前提下，在各系統(tǒng)中建立相應的接口和標準通信協(xié)議；③可溯源性，在利用各種算法和工具進行數據融合的過程中，必須保證數據之間的邏輯關系不變，即在任意節(jié)點的網絡設備上，都能通過邏輯關聯(lián)訪問數字孿生模型中與其相關的其他任意數據。物理融合則指裝配數據與物理實體的互聯(lián)，主要包括兩方面：①物理裝配過程與其數字孿生模型同步運行，為保證虛擬裝配線能夠真實、同步、完全地映射物理裝配線，需使模型與實際對象在物理、行為、規(guī)則等層面數據保持動態(tài)一致性；②裝配過程數據與裝配流程融合，從基于工作流的數據管理思想出發(fā)，將裝配流程節(jié)點與產生的裝配數據一一關聯(lián)?；诖?，構建航天產品裝配過程多源異構數據融合的技術路線，如圖4所示。

針對復雜產品裝配過程中動態(tài)實時采集的多源異構數據，通過定義不同的檢測和處理規(guī)則，構建多層級數據過濾器，選擇使數據原始信息損失最小的多級過濾器組合對數據進行過濾和清洗。隨后，基于本體論構建所定義數據的多維度語境和相應的度量值，并在數據集成中間件中轉換為全局數據模型，實現(xiàn)對結構化、半結構化和非結構化裝配數據的統(tǒng)一建模。然后通過泰勒展開法、最小二乘法、內推外插法、曲線擬合法等手段進行時序對準，建立以時空為索引的時空數據模型。最后面向車間人/機/料/法/環(huán)的特定數據分析需求，采用卡爾曼濾波法、主成分分析法、多元回歸算法、逐步回歸算法等對數據進行關聯(lián)分析，并對具體關聯(lián)數據進行聚類、挖掘、演化和融合。

2.4 基于實時數據數字孿生車間的同步運行

本節(jié)基于Sim3D視景仿真圖形渲染引擎，通過3D車間可視化和UI數據可視化對車間要素進行建模并布置場景，建立融合數據和孿生模型間的映射關系，從三維全過程和二維全要素狀態(tài)兩方面綜合反映裝配車間的運行情況，實現(xiàn)對物理裝配車間的可視化同步運行。本文主要通過建立車間多級電子監(jiān)控看板對二維全要素狀態(tài)進行監(jiān)控，其在實時數據驅動下更新相關數據和統(tǒng)計信息，如任務進度信息、物料使用情況、工序完成情況、環(huán)境狀態(tài)等。對于三維全過程監(jiān)控，主要基于所構建的車間數字孿生體可視化模型，分別對車間物料流轉、產品工藝狀態(tài)變化、設備運行和人物動作進行虛實同步映射，形成裝配車間運行過程的數字化鏡像，如圖5所示。具體步驟如下：

(1)車間物料流轉映射 包括產品在車間內和工位間的流轉運輸過程，物料和產品在車間數字孿生模型中的物流按照裝配工藝流程來控制。車間事件則根據產品和物料的實時位置生成，并作為決策點規(guī)則整合至車間運行邏輯模型，在與對應的三維幾何模型關聯(lián)后，對實時更新的位置信息進行插值處理，進而擬合出連續(xù)的物流過程，實現(xiàn)實時位置數據驅動的車間物料流轉同步映射。同時，根據相應的調度算法實時修改生產調度規(guī)則，輔助現(xiàn)場操作人員進行決策。

(2)產品工藝狀態(tài)變化映射 即產品模型在不同裝配工藝階段的實時動態(tài)展示。一方面根據工藝流程、工序完成情況和物料使用情況等數據確定正在進行的工序和裝配進度，并在工序完成后將產品的三維模型轉換為相應工藝階段的模型。另一方面，根據所采集的檢測數據或工藝過程數據(如插裝壓力、形變、位移等數據)，通過產品模型修正或重構、狀態(tài)更新、數據可視等方式對工藝狀態(tài)進行實時展示，從而實時更新產品裝配線的運行狀態(tài)。

(3)設備運行映射 根據裝配設備模型的父子關系，將裝配設備運行動作轉化為設備子節(jié)點的旋轉和平移變換動作。裝配設備的啟動和停止信號分別作為設備監(jiān)控的開始和結束，再通過各級節(jié)點的動作數據控制父節(jié)點模型帶動子節(jié)點模型同步運動，依次進行，直至終端節(jié)點。針對復雜裝配設備的動作，通過建立位姿變換矩陣，根據各級子節(jié)點模型自身的位姿確定圖形變換中的位姿轉換矩陣；針對裝配設備的運行狀態(tài)，將所采集的設備運行參數映射在設備三維模型上，并結合相應的裝配設備狀態(tài)參數指標對裝配設備的運行狀態(tài)進行分級，從而量化裝配設備的運行狀態(tài)，可視化顯示裝配設備狀態(tài)的變化趨勢，并對出現(xiàn)的異常情況進行報警。

(4)人物動作映射 建立抽象的人體關鍵骨骼，將其作為連桿構建人物三維模型，然后對人物骨骼的鉸接關系進行綁定約束，模擬人物模型的運動機能，最后使用實時數據，根據狀態(tài)轉移算法驅動狀態(tài)機運行，從而驅動模型本體與人物的，運行動作同步。

2.5 基于CPS的復雜產品裝配過程質量預測、分析與控制

在復雜產品裝配過程中，有關質量異常的情況：①產品質量數據異常，此為顯性的質量隱患問題，如果產品裝配質量數據異常，則意味著裝配過程出現(xiàn)質量問題；②產品質量數據正常但是裝配系統(tǒng)已經不受控，此為隱性的質量隱患問題，如果裝配系統(tǒng)不受控，則雖然目前裝配階段尚未出現(xiàn)質量數據異常，但是在后續(xù)裝配過程中出現(xiàn)質量異常的可能性會很大。考慮到這兩種質量異常情況，復雜產品裝配質量預測與分析模型的建立流程如圖6所示。

首先，在車間中采集最新的質量數據，根據車間歷史質量數據和最新質量數據，利用灰色Markov方法預測質量數據未來狀態(tài)的數值。若預測值異常，則說明當前裝配過程已出現(xiàn)質量異常，觸發(fā)質量異常原因追溯流程；若預測值正常，則繼續(xù)進行后續(xù)驗證流程。其中，灰色預測指針對灰色系統(tǒng)而做出的預測，若某個系統(tǒng)中的部分信息已知而部分信息未知，則可通過灰色預測方法對系統(tǒng)的未知信息進行預測[23]；灰色Markov方法采用Markov方法修正灰色預測的殘差值，可以提高灰色預測的準確度[24]。在復雜產品裝配過程中產生的質量數據雖然看起來是隨機的，但是實際上是與時間有關且有序的，可以采用灰色預測方法對其未來狀態(tài)進行預測。

然后，根據灰色Markov方法的預測結果和歷史質量數據數值，按不同批次選取觀測樣本，根據樣本數據建立T-K統(tǒng)計控制圖，觀察質量樣本數據均值和標準差的數值變化，以此預測下一時刻裝配系統(tǒng)是否在可控范圍內。若預測到裝配系統(tǒng)不受控，則說明在后續(xù)裝配過程中極有可能出現(xiàn)質量異常情況，觸發(fā)質量異常原因追溯流程；若預測到裝配系統(tǒng)受控，且存在新完工的產品，則重復上述流程直至不再產生新完工產品。其中，T-K控制圖是一種對樣本量要求不高的方法，通過計算每批樣本數據的T和K統(tǒng)計量，并觀察其是否各自相互獨立且服從相同的分布，來監(jiān)測樣本數據的均值和標準差[25]。

當觸發(fā)質量異常原因追溯流程時，需要根據5M1E分析裝配車間中可能會對質量數據產生影響的因素，將這些因素的具體數值與質量數據的數值及裝配系統(tǒng)的狀態(tài)構成一個項目集，利用關聯(lián)規(guī)則算法挖掘出與質量數據異常、裝配系統(tǒng)不受控有關的強關聯(lián)規(guī)則，通過這些強關聯(lián)規(guī)則追溯與質量異常有關的影響因素，最后將其存儲至質量問題處理知識庫中。其中，關聯(lián)規(guī)則算法用于挖掘復雜數據背后的相關關系，經典的關聯(lián)規(guī)則算法是R.Agrawal于1994年提出的Apriori算法，在后續(xù)模型應用過程中也選用Apriori算法進行系統(tǒng)實現(xiàn)。Apriori算法主要致力于篩選事務數據集中所有大于或等于最小支持度的項集，然后根據出現(xiàn)最多的項集生成關聯(lián)規(guī)則，并按照最小置信度進行篩選，最后得到強關聯(lián)規(guī)則[26]。

3 系統(tǒng)實現(xiàn)與驗證

本文采用Microsoft.Net Framework 3.5/AJAX技術，利用Microsoft Visual Studio 2008軟件，并結合Unity3D，開發(fā)了基于數字孿生的復雜產品裝配過程管控系統(tǒng)，主要包括裝配過程數據采集與管理模塊，裝配過程可視化監(jiān)控模塊，裝配過程質量預測、分析與控制模塊3部分。

(1)裝配過程數據采集與管理模塊

裝配過程數據采集的功能主要有采集裝配流程執(zhí)行數據、采集日作業(yè)計劃執(zhí)行數據、采集和管理裝配過程物料動態(tài)數據。裝配過程數據采集與管理模塊主要對裝配過程數據進行全面地實時采集和管理，同時為裝配過程可視化監(jiān)控模塊和裝配過程質量預測、分析與控制模塊提供數據支持。以某航天器產品為例，其裝配過程數據的實時采集主要基于工作流模型開展，包括基于嵌入式系統(tǒng)的裝配設備數據采集、基于條碼技術的人員/物料數據采集和基于RFID技術的物流數據采集等。在數據采集功能中，裝配人員根據日作業(yè)計劃下的主輔線任務，在相關聯(lián)的節(jié)點工藝信息(包括工藝卡、物料清單、檢驗表格、工藝簡圖、三維工藝動畫等)引導下進行裝配操作，并嚴格按照裝配過程中的相關要求實施數據采集。另外，裝配人員還需采集工序完工和實做工時(如圖7)、檢驗測量(如圖8)、視頻圖像等裝配流程執(zhí)行數據。圖9所示為裝配流程節(jié)點工藝信息集成展示和執(zhí)行數據采集界面。在采集實做物料數據過程中，操作人員需根據BOM等工藝文件選擇物料，確認身份后掃描物料對應的條碼，然后開始裝配操作。物料數量、狀態(tài)等物料使用信息部分由系統(tǒng)自動記錄，部分由操作人員填報，最后根據上述數據生成物料實做信息。

(2)裝配過程可視化監(jiān)控模塊

該模塊中分別針對車間物料流轉、產品工藝狀態(tài)變化、設備運行和人物動作進行虛實同步映射，并生成關鍵數據狀態(tài)看板，從而實現(xiàn)裝配過程可視化。

1)車間層 通過車間總體可視化模型監(jiān)控裝配車間的整體布局和裝配物流路徑。該模塊中分別針對車間物料流轉、產品工藝狀態(tài)變化、設備運行和人物動作進行虛實同步映射，并生成關鍵數據狀態(tài)看板，從而實現(xiàn)裝配過程可視化。

2)工位層 通過工位的可視化模型觀測到該工位的詳細屬性和狀態(tài)信息，針對重要工位，可以觀測到其設備狀態(tài)。

3)產品層 按照工藝流程查看具體信息，即可通過產品的可視化模型關聯(lián)到該產品的裝配工藝流程、完成情況、目前的所屬狀態(tài)、配套清單和固定配套關系等具體信息。

4)關鍵數據狀態(tài)看板 通過裝配過程數據監(jiān)控看板，分別對車間級、工位級關鍵數據進行實時監(jiān)控。

將上述運行模式采集到的實時數據用于驅動可視化模型同步運行，從而實時映射物理車間的運行過程，并展示車間各要素的實時狀態(tài)信息，對裝配過程進行可視化監(jiān)控。

裝配過程可視化監(jiān)控頁面包括裝配車間布局圖和工位屬性展示兩個區(qū)域，通過裝配車間布局圖可以監(jiān)控到裝配車間的真實布局以及自動導引小車(Automated Guided Vehicle, AGV)的實時運行軌跡，還可以通過餅狀圖監(jiān)控到每個工位已經完工的產品數量及所占比例，裝配車間布局圖也是虛擬車間的一種展現(xiàn)方式。點擊車間布局圖的每個工位，可以在工位屬性區(qū)域監(jiān)控到當前工位名稱、工位狀態(tài)、所屬部門、正在處理的裝配任務、日作業(yè)計劃信息、當前工位正在監(jiān)控的質量數據和質量數據的最新數值，圖10所示為某衛(wèi)星裝配車間基于三維模型的工位屬性查看頁面。

(3)裝配過程質量預測、分析與控制模塊

該模塊主要包括裝配過程質量信息管理、裝配車間狀態(tài)監(jiān)控、質量問題處理單和質量問題強關聯(lián)規(guī)則。針對前文提到的具體產品，其裝配過程質量信息管理界面如圖11所示。在該界面中，操作人員通過點擊相應工位圖元查看車間內各工位相關的詳細質量數據，包括其所屬型號、所屬產品、所屬批次、質量數據上下限值、質量數據采集時間，以及質量數據歷史采集數值和質量數據預測數值，其中預測值背景為紅色表示預測數值異常。另外，通過點擊相應按鈕可以看到當前車間重點監(jiān)控的質量數據歷史批次的數值，以及當前批次的已有質量數據數值和預測質量數據數值；還可以觀察到各批次質量數據的均值、標準差、T統(tǒng)計量和K統(tǒng)計量，勾選不同批次的數據，點擊查看報表，可以查看對應數據的T-K統(tǒng)計圖，從而觀察當前裝配車間的狀態(tài)是否受控，若某批次的T/K統(tǒng)計量超出上下限值，質量管控系統(tǒng)則會自動生成質量異常記錄。

在質量問題處理知識庫中自動生成質量異常記錄后，工藝師和檢驗員登錄到質量問題處理知識庫模塊，在產品結構樹中選擇產品的型號和組部件，便可在頁面右側的質量問題處理單頁面查看到質量異常詳細記錄，如圖12所示。通過質量問題分類可以判斷每條記錄歸屬于已有質量數據、預測質量數據還是裝配系統(tǒng)狀態(tài)，勾選質量異常記錄，可以添加對異常記錄的原因分析、處理結果、處理工藝師和處理檢驗員等信息。

工藝師或檢驗員在處理質量異常記錄時，可以切換到質量異常強關聯(lián)規(guī)則頁面，選擇具體的產品型號、質量數據、支持度、置信度等條件查看質量異常強關聯(lián)規(guī)則(如圖13)，對質量異常記錄的處理方式提供參考意見。質量異常強關聯(lián)規(guī)則列表包括導致質量數據異常的車間資源組合，這些強關聯(lián)規(guī)則通過質量管控模型運算得到，以excel的格式導入質量問題處理知識庫。

目前，該系統(tǒng)的相關功能模塊已在航天某所正式上線運行，取得了很好的應用效果。例如：①目前該系統(tǒng)已經推廣應用到全型號，全面實現(xiàn)基于流程的總裝過程數據采集和管理、總裝車間動態(tài)實時可視化監(jiān)控等；②電子化數據的采集比例已經覆蓋超過80%左右的裝配業(yè)務，數據統(tǒng)計和追溯時間在5 s以內，現(xiàn)場物料配送效率提升了40%以上，需求響應速度由原來的1.5 h縮短到0.5 h，推動了裝配數據的可靠傳遞、快速統(tǒng)計和可追溯性；③物理車間與車間數字孿生體之間的狀態(tài)同步延遲在3 s以內，關鍵制造資源的監(jiān)控覆蓋率達到90%以上。

4 結束語

本文以實現(xiàn)裝配過程數據的有效組織管理、減少復雜產品裝配車間質量問題的發(fā)生頻率、提高裝配過程管控的智能化水平為目的，提出一種基于數字孿生的復雜產品裝配過程管控方法。同時，利用數字孿生進行裝配過程管控，建立了數字孿生裝配車間模型，提高了裝配數據采集和反饋的效率，解決了傳統(tǒng)管控方法實時性差的問題；基于實時數據驅動實現(xiàn)了數字孿生車間發(fā)同步運行；采用灰色Markov模型和T-K控制圖的方法，實現(xiàn)了對質量數據數值的預測和對裝配系統(tǒng)狀態(tài)的預測，解決了質量數據樣本量小、預測難的問題；采用關聯(lián)規(guī)則分析的方法挖掘出與質量數據異常以及裝配系統(tǒng)不受控有關的強關聯(lián)規(guī)則，作為質量預警的依據，解決了質量異常原因繁雜、難以追溯的問題?；谏鲜鲅芯?，最終開發(fā)出復雜產品裝配過程管控系統(tǒng)，并在某衛(wèi)星裝配車間進行了工程應用，驗證了裝配過程管控數字孿生模型的實現(xiàn)過程，同時為復雜產品裝配過程管控提供了一種新的途徑。

如何利用數字孿生實現(xiàn)裝配過程管控是當前國內外的研究熱點之一，作為典型應用場景，衛(wèi)星等航天復雜產品裝配過程管控目前還有很多亟需解決的工程技術難題，后續(xù)將繼續(xù)深入研究裝配過程管控中的預測和決策環(huán)節(jié)，以及更加精準和智能的裝配車間運行狀態(tài)在線預測與決策方法，以實現(xiàn)更加智能化的裝配過程管控。