制造企业在MBD全三维数字化环境中定义与验证结构化工艺

2023-04-14

技术是从设计到制造的纽带； 在数字化工厂中，结构化技术是中枢神经，定义和驱动着数字化工厂的高效运行。 在MBD全3D数字化环境中，制造企业定义和验证结构化流程，将一次性准确的流程信息传递给现场生产系统中的人和机器，最终支撑智能制造。 本文将围绕当前数字化工厂规划（大流程）技术和结构化流程设计与仿真技术，以及数字孪生的能力现状，对制造业进行深入的数字孪生建设。

制造数字孪生的定义

1 数字孪生的官方定义

根据官方定义，数字孪生体（Twin）：是一种充分利用物理模型、传感器更新、运行历史等数据，融合多学科、多物理量、多尺度、多维度的仿真过程。 -概率模拟过程，完成虚拟空间中的映射，以反映相应物理设备的全生命周期过程。 数字孪生是一个超越现实的概念，可以被视为一个或多个重要的、相互依赖的设备系统的数字孪生。 对于制造企业来说，设备系统可以指企业交付给客户的产品，也可以指企业的生产工厂，甚至整个企业。

在工信部2020年指导编制的最新《信息物理系统建设导则（2020年版）》中，对数字孪生的构成进行了细致界定，如下图所示：

数字孪生（Twin）包括：

2 西门子数字孪生总体定义

西门子的总体愿景是为制造企业打造数字孪生，覆盖整个企业的全业务流程和产品的全生命周期。 鉴于制造企业的复杂性和数字孪生技术的现状，西门子首先从产品、生产和运维三个阶段构建数字孪生，然后通过数据主线（）将这些数字孪生连接起来，最终开发出他们随着技术的成熟。 构建全面集成的制造企业数字孪生体。

3 西门子生产数字孪生的定义

在生产数字孪生体的体系中，主要包括制造产品、制造过程、制造工厂三个方面进行物理与虚拟的对应。

正如上一篇文章所阐述的，MBD技术的发展使得制造产品、制造过程、制造工厂的数字化虚拟表达技术日趋成熟； 数字化工厂的发展使得制造系统的物理硬件更加数字化； 实物更易于数字化虚拟表达，更易于与数字化无形交互。 由真实和虚拟的“制造产品、制造过程、制造工厂”组成的制造系统数字孪生体，进行虚拟生产和真实生产，相互引导，反馈优化，提高制造能力、效率和质量。数字工厂。

4 西门子闭环数字孪生

在数字孪生发展的早期阶段，物理世界和虚拟世界往往只是镜像或相互参照。 随着各种产品和制造设备/仪器的数字化、智能化发展，物理与虚拟的产品/流程/工厂之间的关联更加实时甚至直接交互，可以说是一个闭环的数字孪生体。

西门子在传统全集成自动化（TIA）技术的基础上，进一步拓展物联网技术的发展，逐步将西门子开环的产品/生产/运维数字孪生构建为闭环数字孪生（=虚拟模型*实物资产数据*虚实互联）。 如下所示。

因此，本文将从开环和闭环两个层面对生产数字孪生进行解读。 开环数字孪生侧重于产生数字孪生（Twins，即虚拟部分）的应用和能力，即单独考虑基于数字孪生产生的仿真分析技术； -loop twin更多的讲述了虚实结合后的 twin（Twin即虚实结合的应用和能力，是基于软硬件结合后的相关技术最后，想象整个制造企业对基于虚拟和真实工厂的直接面向客户制造的生产模式的支持。

生产数字双胞胎

在大多数制造企业中，制造系统的管理和使用仍然采用传统的方式，不透明、不精细、不优化。 具体表现如下：

基于生产数字孪生体的仿真分析技术可以在很大程度上解决上述制造企业面临的问题。

1 工厂 3D 建模和可视化

还有人质疑，建一个工厂的3D模型有意义吗？ 没有任何游戏或电影制作工具看起来像它一样清晰美观。 事实上，制造企业的3D建模环境已经成熟：一方面，企业的需求越来越明显，另一方面，数字化建模技术和应用也越来越丰富。

大家可能已经观察到，有些企业在采购生产设备时，要求设备供应商提供一套带有3D模型的数字化设备，不仅要提供3D建模，还要提供能力参数手册等相关内容。 现在产线集成商正在为企业提供交钥匙工程，未来还将提供一套数字化产线供企业可持续使用。

业界的产线设计/工厂建模工具已经成熟，如西门子的NX Line，可以利用丰富的、可扩展的产线资源库，快速设计基于参数化的定制化产线； 不仅实现生产线的3D可视化，甚至显示相关信息； 同时，3D模型可以输出工程图纸，用于生产线的生产制造。

利用点云技术实现历史资产的快速3D可视化：除了从头开始为每个厂房建立新模型外，还可以对现有工厂进行快速扫描和建模，直接可视化工厂整体和未来的步骤-逐步建模为生产线的逐步调整和优化提供了背景； NX Line可实现新建3D模型与点云扫描模型的结合； 随着工厂的不断优化和改造，这些点云模型逐渐被新的3D模型所取代。

工厂的3D模型，一方面实现了全球资产的数字化管理，让任何人在任何地方都可以查看企业工厂的情况； 此外，这些模型可以直接为工厂模拟/过程模拟提供模型基础，也是数字孪生生产的基础； 它们甚至可以基于工业物联网或生产现场系统集成获取实时数据，使分布在全球的工厂的实时信息触手可及，实时巡检； 通过静态描述与实时动态相结合，实现制造系统全方位、多层次的透明化。

例如：福特与西门子合作，为全球多家工厂建立数字化模型，沟通MOM整合，逐步采用物联网技术，将生产设备信息放到平台上进行管理和分析，最后整合到平台中展示 。 它是一个类似于地球的可视化全球工厂的工具。

总之，工厂的3D建模和可视化技术可以在很大程度上解决“生产系统不透明”的问题。

2 工厂价值流分析与仿真验证

数字化工厂不是简单地用自动化、数字化设备替代原有的生产硬件，而是追求更精益、更高效的柔性制造工厂。 在规划和建设数字化工厂时，需要在数字化环境中进行全面的分析和验证。 数字化工厂仿真工具（如西门子的Plant）可以帮助企业以低成本实现这一目标。

价值流分析：可以帮助制造企业分析精益价值流，绘制当前价值流图，分析企业层面的信息流和物理流，发现企业增值过程中不为客户增值的潜在浪费产品活动的整个价值链，制定战略，进行改进，形成新的价值流图。 价值流分析不仅可以根据产能或交付精度策略优化现有工厂，还可以在新工厂引入新产品时辅助决策，并选择使该工厂整体生产价值最大化的产品组合。

产能优化：工厂仿真工具可以对生产资源进行对象量化管理（如每个资源的量化产能信息），对产品过程进行逻辑量化表达（顺序/工时/人员/设备/资源需求等）。 )，结合相应的控制策略，实现工厂的虚拟化运行（周期可长可短，可快可慢），从而快速知晓产能和产能瓶颈； 并通过优化生产工艺组合或调整产能瓶颈，最终满足产能需求或增加产能。

仿真优化时，可以考虑很多生产因素进行优化组合，提高生产能力：人员要求和设备； 产线节拍及利用率生产能力、绩效； 工作时间和轮班方式； 瓶颈、系统故障； 布局安排、计划和顺序。 这涉及到制造企业生产控制策略和加工原则的设定，如：产能优先、交货精度优先等。

对于复杂的组合，工厂仿真工具提供多种优化能力：测试管理； 遗传算法； 特征值； 神经网络。 通过这些优化策略主动寻找最优组合方案。

物流及产线布局优化：工厂模拟工具不仅分析关键设备的产能需求，还计算重要资源（工装/托盘/AGV小车/仓储箱）的具体数量需求； 同时，根据具体的工艺流程和工厂布局进行虚拟操作，可以检查和优化车间/工厂的整体物流系统和生产线布局。 通过调整生产线或物流布局，减少物流不平衡、瓶颈、浪费等； 甚至通过合理的物流布局，达到最大产能。 或者像精益这样的目标。

结合工厂3D模型，还可以控制各种资源的位置干扰和通过性； 这不仅考虑了静态空间干扰，还包括移动设备在运动状态下的干扰，或者设备带门的开关状态，通过性。

绿色降本：此外，通过成本信息和能耗信息的工厂虚拟运营，可以快速计算产品/生产成本（折旧+原材料+生产+停产+...），甚至工厂能耗信息西门子能耗管理系统，为工厂的精益成本控制和绿色节能运营提供决策支持。

总之，工厂模拟验证技术可以在很大程度上解决“不知道产能”和“不优化生产布局”的问题。

3 过程模拟与验证

前面章节提到，工匠在设计工艺时，很难完全理解由设备/工装组成的复杂生产现场环境对工艺的影响。 过分注重为工人编制工艺规范卡，却缺乏保证工艺一次正确的能力。

基于MBD的结构化流程，以BOP为核心，有效组织3D产品模型、工厂模型、资源模型等，为流程仿真和验证工具提供3D仿真环境和结构化流程信息基础。 工艺模拟与验证工具，让工匠们置身于与生产现场情况完全相似的虚拟环境中，进行工艺设计思考、试错、验证与调整，仿佛经历了多次试制，来满足站点需求的一次性正确性过程。

以装配维修过程为例，过程仿真和验证工具（如西门子）在虚拟环境中验证装配/维修过程，是否会存在干扰，以及工装在动态使用过程中对装配过程的影响，因此以确定最佳装配顺序和工具的使用。 即使在复杂的装配环境中，它也能自主向工匠推荐最可行的安装路径。 这种类型的模拟最有利于更复杂的产品和更复杂的生产/维护环境。

同时，基于经过仿真验证的最优装配和维护流程，可以形成可视化视频、交互式作业指导书，甚至可以结合AR应用，让操作人员更准确地了解流程，更高效地执行流程。正确，提高生产效率和质量。

总之，工艺模拟验证技术可以最大程度解决“工艺不在车间现场”的问题。

4 机器人编程与虚拟调试

机器人在生产场景中的应用越来越多，但企业在采购机器人时，购买的是厂家提供的PLC程序。 未来他们无法根据生产任务调整优化或更改PLC程序，成为固化的自动化设备。

在数字化工厂环境中，多品种的切换或新品种的引入，都需要对机器人的PLC程序进行切换、调整和优化。 机器人仿真和虚拟调试工具（如西门子PS Robot）可以快速满足这一需求，使机器人成为真正的高柔性自动化设备。

机器人仿真和虚拟调试工具不仅仅是简单的离线编程； 更重要的是，它们可以在复杂的工作条件、多机器人协作甚至人机协作环境中确保机器人和人类的安全； 同时，他们可以自动识别工件表面并优化机器人。 最佳工作姿势、节能等相关因素。

机器人仿真及虚拟调试工具，用于机器人协作或生产系统的虚拟调试，可在虚拟环境中提前进行全方位调试，验证机械运行顺序，检查PLC控制代码、机器人控制程序和HMI，测试安全性交互锁定装置、进行系统诊断测试等，可以在硬件到位之前得到正确的PLC、控制策略等。 最终提高机器人协作效率，减少生产系统调试准备时间，确保一次性正确。

总之，机器人编程和虚拟调试技术最终可以消除“机器人不是柔性设备”的现象。

5 人因工程分析

数字化工厂中的工人是最宝贵的和高度灵活的设备，必须让工人持续健康地工作； 如何设计流程，如何设计工作站，如何清楚地了解工人的劳动强度非常重要。 将人因工程分析与工艺、工作站相结合，可以有效解决这一问题。

PS Human可提供三维环境合理分析工人在操作过程中的身体状态（结合人机交互评估，模拟工位布置、人机交互可行性、人体操作姿势、人体受力、人体可见度和可达性进行评估，从而全面模拟产品、资源（设备、工装、工具等）与人体之间的协同。），分析当前工位设计和工艺方法 Human因素效应； 通过优化工艺方法（可操作性/可达性等）或工位布置/工装结构等，确保工作更高效、安全、健康。

西门子PS Human拥有最丰富、最标准的人体模型库； 同时可以结合各种动作捕捉设备，快速定义人体操作动作，提高整个仿真分析的效率。

人因工程分析对工艺调整优化、站位布置优化等方面有很大帮助。

总之，人因工程分析技术彻底解决了“工人只是高度灵活的设备”的问题。

闭环生产数字孪生体（Twin）

1 基于实际出厂数据的仿真验证

西门子一直在深入研究闭环数字孪生的价值应用，构建“基于实际工厂数据的仿真验证”场景来验证其商业价值和可行性。

主要场景是通过物联网（IOT）的边缘将很多关注的数据实时上传到工业物联网平台（IoT），然后将这些数据传输到工厂进行分析和验证，然后支持决策，然后作用于实际工厂。

基于以上场景，可以进行以下业务增值活动：

总之，基于云平台的实时/历史数据，导入Plant进行仿真，对实时/历史业务进行重现分析，针对关键历史事件优化校准数字孪生，挖掘更多行业数据价值。

2 基于物联网的生产闭环控制

基于物联网技术，将生产现场的数据反馈到立体工厂模型中，可进行基于虚拟工厂的生产系统巡检，实现高效、安全各车间生产管理人员的生产检查。 同时结合物联网数据和AR技术，实现基于3D增强现实的生产检验，检验数据：产线3D模型、订单数据、工艺数据、环境数据、设备运行数据、预警数据、故障数据、责任人数据。

基于物联网实时数据构建生产数字孪生体，结合预测性维护、人工智能、远程控制、AR等各种先进技术，也能在更多场景发挥巨大价值。 这里有一些例子。

第一个例子是基于物联网状态监测和效率/质量数据的结合分析，积累经验：分析质量或效率最好的物联网获取机床工作状态信息，总结经验； 否则，总结教训。 结合AI深度学习和设备实时自动控制，设备可自动调整工作状态参数，达到最佳效果。 下图所示的例子是某汽车企业利用机器视觉对生产线上的每一个钣金产品进行监控，然后将数据上传到AI平台进行质量分析，获取产品各项参数的状态产品质量最佳时的生产线，最终实时调整和监控生产线，使其始终处于最佳工作状态。 几个关键点是：

第二个例子，某企业利用物联网技术监控工厂共享工具/资源的位置和状态，并使用移动客户端工业APP进行展示和搜索，可以大大节省工人寻找的时间浪费复杂工厂环境中的材料。 同时，对材料下料车间剩余材料的利用进行搜索和重新优化（如板料优化排列利用/棒料综合利用）。

第三个例子是传统污水处理行业的数字化转型之路：利用物联网技术实现关键设备（鼓风机）的稳定运行、远程诊断和复位； 基于AR/VR的远程设备维护与指导； 动态调整关键设备工艺参数，在保证出水水质的同时节约能源； 通过对海量运行数据的研究，挖掘出隐藏在数据背后的工艺参数“密码”。

基于双工厂的客户对制造（C2M）

C2M是英文-to-（客户直连制造）的缩写； C2M模式是指用户与制造商直接连接，即消费者与工厂直接连接，强调制造业与消费者之间的连接。 这是许多制造企业所追求的模式。 企业与用户紧密相连。 企业可以准确把握需求和订单，用户可以清楚地了解制造自己的个性化产品的状态。

西门子根据C2M思想，综合运用西门子的各种数字化技术，尤其是数字孪生技术，构建了一个类似于九宫格的孪生工厂（将实际工厂通过若干台PLC等简化模拟），模拟C2M场景。 下图显示了模拟场景中工厂的虚拟模型。

下图是双工厂上运行的数字化系统，实现了从用户查看产品、定制订单到公司收到订单后执行一系列业务活动，直至客户收到的闭环流程产品。 这里稍微解释一下几个关键流程的运行：

基于双工厂技术，不仅实现了用户与制造的直连，更提升了用户的极致体验； 同时，实现基于虚实工厂的联合制造，双保险实现安全生产，提高生产的透明度和可预见性。

数据中心是数字基础设施的重要载体。 2020年，数据中心建设被中央正式列入新基建战略，被视为“新基建的基础设施”和经济高质量发展的“数字基地”。 截至2019年底，我国数据中心数量约为7.4万个，占全球数据中心总数的23%。

然而制冷设备能耗管理系统，随着数据流量呈指数级增长，数据中心设备的功耗也在不断攀升，耗电量大、运营成本高的问题日益凸显。 据相关数据显示，目前我国数据中心年用电量已达到全社会用电量的2%，比三峡大坝年发电量高出30%。

2019年2月，工信部发布《三部门关于加强绿色数据中心建设的指导意见》，明确提出到2020年，新建大型、超大型数据中心PUE值应达到达到1.4以下。 节能减排，降低数据中心能耗，进一步限制PUE值成为各行各业的工作重点。

PUE（Power Usage的缩写）=数据中心总能耗/IT设备能耗，其中数据中心总能耗包括IT设备能耗和制冷、配电等系统能耗. 该值大于1，越接近1，表示非IT设备消耗的能源越少，能效水平越好。

据统计，数据中心能源侧的碳排放核算主要来自IT设备和基础设施的电力消耗。 在数据中心的能耗结构中，主要设备用电量占45%~55%，空调设备占35%~45%。 %，电源等设备占10%～15%。 节能降耗无疑是数据中心的重中之重，而空调制冷系统则是降低数据中心基础设施能耗的关键。

与高功耗形成鲜明对比的是，传统数据中心的能效并没有得到有效提升，整体水平处于低位状态。 如何为数据中心“降温”，建设绿色、节能、高效、稳定的新型数据中心？ 这不仅是国家能源战略所指，也是企业承担社会责任、实现降本增效的关键所在。

空调能耗成数据中心高PUE“原罪”

让我们从国双最近完成的一个智慧能源项目中寻找答案。

银行作为数据中心的核心应用领域，在关注安全性、可靠性、合规性、保障业务连续性等方面一直引领着数据中心的发展趋势。 该行是全球品牌价值银行500强之一，中国六大银行之一，领先的大型零售商业银行。 数据中心中央空调的能耗仅次于IT设备的能耗。 2019年其PUE≈1.49，节能降耗迫在眉睫。 同时，基于人工调整的设备管理，工作量大，依靠经验主义无法实现设备运行的最优设置。 这也是数据中心运营的“硬伤”，智能化运营的呼声越来越高。

国双如何提供智慧能源解决方案，帮助客户在能源精细化管理、AI优化控制、设备预测性维护等方面实现节能降耗？ 让我们找出来。

数据中心“绿化”三步走，AI优化管控智能提效

国双在充分调研客户数据中心现状，分析业务需求后，为银行数据中心搭建了AI能效管理系统。 通过采集中央空调系统的运行数据，利用机器学习、深度学习等技术，对中央空调系统进行监控。 智能优化控制，从综合感知到学习/思考，再到决策支持，提高能源系统的运行效率。

数据中心AI能效管理系统界面图

具体分为以下几个步骤：

采集数据——打破建筑数据孤岛，打通空调BA、动环境、电气监控等数据，实时获取暖通系统详细运行数据，形成建筑数据资源池，并全面感知系统的运行情况。

模型构建——利用机器学习、知识图谱等技术，建立空调系统能耗预测模型和空调安全控制机制，实现最优解。

达标——以环境边界为控制边界，以能耗最低为控制目标，控制最优控制量。 例如，通过实时获取系统运行大数据，根据建筑空调系统能耗预测模型和空调安全控制机制，制定满足建筑要求的最低空调能耗控制策略环境自动输出。

独创控制方式VS AI优化控制，AI能效系统胜出

效果对比数据显示，在原有手动调节与系统自动调节相结合的控制方式下，中央空调系统平均功率为1554.2kw； 而在AI优化控制模式下，平均功率为1362.1kw，节电192.1kw，AI节电率为12.4%。 水系统节电95.3kW，节电率为8.7%，风系统节电96.8kW，节电率为20.9%。

由此可见，AI能效系统的节能率与无人值守或人工值守的自动控制系统相比是非常可观的。 .

按照数据中心年中央空调系统耗电量548万千瓦时计算，AI优化控制方式每年可为银行降低成本近40万元。 可以预见，随着系统的不断应用，国双智慧能源解决方案将产生更大的社会效益和经济效益。

中央空调系统各设备节能情况（单位：千瓦）

据介绍，该行还将与国双合作，为数据中心打造AI运维大脑。 不同于传统的阈值设置和故障点监控，国双将通​​过数据中心故障预警算法，利用大数据和机器学习构建系统。 点位预警算法模型，提高了报警的准确性； 通过构建数据中心运维知识图谱，解决数据中心运维知识资产积累难的问题； 基于故障预警和运维知识图谱，构建数据中心设备设施故障智能诊断系统，提高设备运维效率，进一步提升数据中心运营智能化。

该项目的实施也为国双积累了大量的技术和业务经验。 除了赋能数据中心节能降耗，国双智慧能源解决方案还在智慧园区、商业楼宇、能源中心、医院、机场等场景大显身手。 继2020年国务院新闻办公室发布《新时代中国能源发展》白皮书后，中国能源发展方针“着力推进数字化、大数据、人工智能技术与能源清洁高效开发利用技术的融合创新，大力发展智慧能源技术”，国双智慧能源解决方案有效优化能源系统运行方式，提高能源系统运行效率，从而降低能源消耗，间接减少碳排放，真正推动我国“养成能源”科技及其相关产业成为带动产业升级的新增长点”。

作为“新基建”的参与者和建设者，国双将继续结合能源领域资深专家的行业经验，推动更多的技术创新，助力我国大力发展智慧能源技术，推动我国实现“碳中和” 2060年前”的坚定目标！