面向智能制造的整车工厂建模技术及应用研究

杨虹，胡逸辉

面向智能制造的整车工厂建模技术及应用研究

杨虹，胡逸辉

（上汽通用汽车有限公司，上海 201206）

文章从理解智能制造定义及能力成熟度标准出发，聚焦整车制造业务活动，构建了整车工厂智能制造系统层级架构，即：制造技术层、信息映射层及智能决策层。详细介绍了以数字制造、智能工厂、数字孪生为特征的物理工厂信息映射层数据建模关键技术及其应用场景，从而帮助企业选择最适合自身需求和发展特点智能制造落地技术路线。

智能制造；数字制造；智能工厂；数字孪生

引言

近年来，面对技术创新、市场竞争与经济增长的驱动与挑战，世界主要发达国家纷纷提出了重塑制造业，发展先进制造业的国家战略。德国在2013年推出了《工业4.0》，2019年又发布了《工业战略2030》。美国继2014年提出《工业互联网》后，2018年发布了《先进制造业美国领导力战略》。中国也早在2015年就发布了制造强国战略《中国制造2025》[1]。由此可见，工业特别是制造业的转型升级已成为国家经济发展的重中之重，各制造企业以实现数字化、网络化、智能化为特征的智能制造能力提升已成为核心竞争力的重要体现。

本文从理解智能制造定义及能力成熟度标准出发，聚焦整车制造业务活动，论述物理工厂的数字信息映射建模方法、关键支持技术及其应用场景，从而帮助企业选择最适合自身需求和发展特点智能制造落地技术路线。

1 智能制造系统

企业要发展智能制造，首先要明确理解智能制造概念及其含义，但智能制造所涉及的内容非常广泛，涵盖了工业、信息、管理等多个领域，故在国际上尚未有统一的权威定义，本文引用中国工业和信息化部在《智能制造发展规划（2016—2020）》和《“十四五”智能制造发展规划》文件中的表述：“智能制造是基于新一代信息技术与先进制造技术深度融合，贯穿于设计、生产、管理、服务等制造活动各个环节，具有自感知、自决策、自执行、自适应、自学习等特征，旨在提高制造业质量、效益和核心竞争力的先进生产方式”[2]。

根据上述概念定义，从整车制造所涉及的规划、产品、工艺、设备、生产、质量、运维等业务活动出发，可将智能制造发展技术路线分为制造技术、信息映射和智能决策三个层级（如图1所示）。制造技术层主要研究和优化的对象是在现实物理工厂中进行生产制造的各种资源，包括人（生产者）、机（设施/设备）、物（物料/产品）等。信息映射层主要研究和优化的对象是通过IT软件和工业互联网系统构建的物理工厂数据信息模型。智能决策层主要研究和优化的对象是大数据分析、人工智能算法支持下而构建的智能决策模型。这三个层次的对象在生产制造中相互作用，彼此深度融合，从而使制造系统具有了自感知、自决策、自执行、自适应和自学习的能力。

2 智能制造能力评估标准

上文阐述了智能制造特征及其技术路线中的三个层次，为了促进发展，如何评价和对标不同企业的智能制造水平也需要进行明确定义，本文引用2020年10月已正式发布的国标《智能制造能力成熟度模型》（GB/T 39116—2020）要求予以说明。智能制造能力成熟度由低向高共分为一级（规划级）、二级（规范级）、三级（集成级）、四级（集成级）和五级（引领级），如图2所示。其中大部分整车制造企业需要着力发展的是对应成熟度三级以上的能力，即通过装备、系统的集成，实现跨业务数据共享（三级），通过数据挖掘形成知识模型，实现核心业务的精准预测和优化（四级）及利用模型持续进行自主学习、决策优化和协同创新（五级）[3]。

图2 智能制造能力成熟度等级[3]

3 整车工厂建模关键技术及应用案例

如前文所述，制造技术层主要研究和优化的对象是在现实物理工厂中进行生产制造的各种资源。随着汽车产品个性化、电动化、网联化和智能化的不断发展，整车工厂的制造过程也面临个性化定制、新材料、新工艺与新技术的挑战。所以能够高效地实现柔性定制化生产与质量在线监控的通用/专用/新型先进制造装备、网络通信基础设施及质量在线监控设备是制造技术层发展的三大关键技术。这一领域的优化提升主要依赖于装备制造业的技术发展，但整车工厂可以根据自身产品的实际制造需求，开展跨行业技术合作，来驱动单点技术突破及系统集成创新。

各企业的制造工厂作为承载先进制造技术的实体对象，在大规模生产制造活动中会产生海量数据信息，对这些数据进行挖掘、利用，形成优化方案与决策模型将为企业带来更高的投入产出效益，从而成为了与物理工厂实物资产相对应的虚拟数据资产。针对生产制造价值链上下游业务活动流程、优化目标及技术实现方式的不同，本文将信息映射层的建模方法分为数字制造[4]（Digital Manufacturing）、智能工厂[5]（Smart Factory）和数字孪生[6]（Digital Twin）三大领域。

3.1 数字制造

面向数字制造领域的建模目标聚焦在新产品引入过程中解决产品创新设计与资源投入、质量效率之间的协同优化问题。通过对物理工厂的产品属性、生产设备、生产环境（厂房、设施等）及制造过程进行三维仿真建模，打通各设计环节的数据共享环境，实现跨业务数据集成、协同设计，通过早期虚拟评估，提前发现问题并优化改进，从而得到全局最优的设计方案，并且通过并行协同设计缩短项目开发周期、减少新增资源投入、实物验证的费用及项目后期更改成本。

数字制造建模技术主要依赖于三维实体计算机辅助工程设计（CAD）、工艺仿真（包括有限元分析仿真、制造过程仿真、工业自动化仿真、人机工程仿真等）及产品全生命周期数据管理（PLM）三大类软件系统/平台功能来实现。虽然企业可以直接从外部购买各种商用设计建模与虚拟仿真系统软件，但要能真正发挥企业级跨业务数据集成、协同设计的作用，仍然需要在内部建立一系列的标准流程从而解决数据建模标准化（数据交付质量）、仿真精度与可靠性（多学科知识显性化）、组织协同管理与决策机制（数据变更管理/问题解决推进）等问题。图3所示为某大型整车企业建立的产品/制造工艺同步工程开发跨业务协同设计的流程与应用场景示例。

图3 基于数字制造的跨业务协同设计

3.2 智能工厂

数字制造主要面向的是产品/工艺设计过程的最优设计，而智能工厂主要聚焦于工厂运营过程中的效率、质量与稳定性指标不断改善。智能工厂的数据信息主要来自于：（1）自动化生产设备的自身控制运行数据（如：机器人控制程序及各种参数）；（2）制造执行系统（MES）信息（如：生产管理、物流管理、质量管理、能源管理、设备管理等）；（3）企业资源规划系统（ERP）信息（如：订单信息、物料采购、人力资源、财务成本等）。

智能工厂建模技术的关键是实现多种生产设备的数据采集及跨业务/跨系统的数据互联互通，也就是从数字化制造迈向网络化制造。针对生产系统中需要优化的业务指标通过业务流程建模、实体关系建模，将设备中采集到的数据以及MES/ERP系统中的数据进行关联分析，量化输入与输出数据间的计算模型，找到关键特性指标的影响因素，从而能够通过该模型对输出进行预测、预警并对输入进行前馈控制。

图4 生产人员需求预测模型

图4所示案例为某大型整车企业针对整车制造工厂同一生产线上所制造的不同车型产量需求波动而实时响应的生产人员数量及效率预测模型。该模型通过对生产计划信息数据与生产系统中的不同车型工时规划数据（）、生产设备开动数据（ATT）、人员操作效率指标数据（MPH）建立数据分解流程图及输入、输出信息计算关系，即可预测出在不同车型产量配比需求及生产班次模式下的生产操作人员数量（HC）、单车生产总工时（HPV）及综合生产效率指标(OCR)。通过该模型分析可以及时响应市场订单需求的变化，得出最优的生产计划排产模式及所需配备的生产人员精确数量，从而达成最佳生产效率指标。

3.3 数字孪生

前文分别描述了以物理工厂的三维几何模型及过程仿真为核心的数字制造和以物理工厂的运营数据采集及过程控制为核心的智能工厂，而数字孪生建模技术能够进一步实现这两大类模型的互联互通、数据集成与实时动态响应。数字孪生建模不仅能满足企业对制造系统性能指标（生产效率、质量、可重复性、成本和风险等）不断优化的需求，并且能进一步满足更大范围的市场灵活性与适应性，实现大规模定制生产、敏捷设计、即时交付等高层次、全价值链、端到端的客户需求。

图5 数字孪生建模试点应用场景

数字孪生建模技术的关键是解决数字化设计仿真软件平台与现场设备工业自动化控制系统软件之间的数据访问、数据交互问题。OPC（OLE Process Control）-UA协议提供了应用软件与各种设备驱动程序之间通信的一项工业技术规范和标准。它采用客户/服务器体系，基于Microsoft的OLE/ COM技术，为硬件厂商和应用软件开发者提供了一套标准的接口。某大型整车企业采用西门子公司的工艺仿真软件Process Simulate与罗克韦尔公司的通讯管理软件RSLinx，通过OPC-UA协议创建通讯连接，再通过IT网络安全架构及云服务器实现双向数据的实时上传、下载、存储和访问，从而在技术上实现了数字孪生建模。数字孪生的实际应用场景包括从工艺设计开发端向生产设备可编程控制器（PLC）端进行实时信号传输，驱动现场设备运行的虚拟调试（Virtual Commissioning），以及由现场设备运行信号数据反向驱动仿真模型实时再现设备动作及逻辑关系的数字体验。数字孪生模型的虚拟调试应用可在新产品引入过程中节省生产现场设备的机器人、PLC、工装设备等的系统集成调试时间，大大降低设备停产改造而引起的产能损失。而数字体验可以配合VR/AR技术，实现设备现场真实运行情况的三维可视化、多视角展示，从而实现设备远程监控、故障诊断、操作人员在线场景培训、规划设计方案协同管理决策等。图5所示为某大型整车企业实现数字孪生建模的试点案例场景。

4 总结与展望

综上所述，对照《智能制造能力成熟度模型》五级标准，本文所重点介绍的数字制造、智能工厂及数字孪生建模技术方法应用，可以实现企业跨业务数据集成、精准预测和决策优化，达到智能制造成熟度四级（优化级）水平。企业以物理工厂的数据信息映射建模方法为基础，继续利用人工智能算法模型、大数据分析训练、云计算等新一代信息技术，从而使数据信息模型具有持续自主学习、自适应决策的能力[7]，实现生产制造过程的自感知、自优化和自执行，从而达到五级（引领级）水平，即为智能制造系统中的智能决策层重点攻关内容。在这一层级学术、工业和软件开发领域专家仍有广阔的合作空间和富有想象力的需求场景值得研究和探索。

[1] 刘强.智能制造理论体系架构研究[J].中国机械工程,2020,31(01): 24-36.

[2] 工业化和信息化部.《“十四五”智能制造发展规划》征求意见稿[EB/OL].(2021.04.11)[2021.4.21].https://www.miit.gov.cn/.

[3] 中国国家标准化管理委员会.智能制造能力成熟度模型:GB/T 39116—2020[S].北京:中国标准出版社,2020.

[4] 迈克尔.格里弗斯(Michael Grieves).智能制造虚拟完美模型[M].方志刚，张震宇,译.北京:机械工业出版社,2017.

[5] 刘进,赵玉兰,张新生,等.基于数字孪生的智能工厂建设[J].现代制造工程,2019,468(09):74-81.

[6] 陶飞,刘蔚然,刘检华,等.数字孪生及其应用探索[J].计算机集成制造系统,2018,24(01):1-18.

[7] 李杰.CPS新一代工业智能[M].上海:上海交通大学出版社,2018.

Research on Vehicle Manufacturing Plant Modeling Technology and Application for Intelligent Manufacturing

YANG Hong, HU Yihui

( SAIC General Motors Co., Ltd., Shanghai 201206 )

Starting from understanding the definition and capability maturity standard of intelligent manufacturing, focusing on vehicle manufacturing business activities, this paper constructs the hierarchical architecture of vehicle intelligent manufacturing system, namely: manufacturing technology layer, information mapping layer and intelligent decision-making layer.The key technologies and application scenarios of data modeling in physical plant information mapping layer characterized by digital manufacturing, smart factory and digital twin are introduced in detail, to help enterprises choose the technical route of intelligent manufacturing that is most suitable for their own needs and development characteristics.

Intelligent manufacturing; Digital manufacturing; Smart factory; Digital twin

U468

A

1671-7988(2021)23-132-04

U468

A

1671-7988(2021)23-132-04

10.16638/j.cnki.1671-7988.2021.023.037

杨虹，就职于上汽通用汽车有限公司。