---------------------------复杂装备系统数字孪生:赋能基于模型的正向研发和协同创新---------------------------
从自动化、数字化到智能化,追求日臻完美的复杂装备系统数字孪生模型
有位作家说过,前言可能是一本书中唯一多余的章节。“Talk is cheap,show me the code”(能说算不上什么,有本事就把你的代码给我看看),Linux创始人Linus Torvalds的这句话可谓一针见血。在“buzzwords”(概念)创新充斥各个角落时,我们需要坚持“能畅想‘智能+’算不上什么,有本事就把你的数字孪生模型给我看看”的理念。换句话说,你所谈的“孪生”,是如同《龙兄鼠弟》里面的“孪生”,还是如同镜中映像的完美“孪生”?
2013年,德国提出的第四轮工业革命“工业4.0”,以比我们想象中更快的速度将设想变成当下的现实。云、大、物、移、智等新技术和制造业的交融,自动化和数字化的“两化融合”,机器学习在语音识别、图像识别、数据挖掘等诸多领域的应用,新材料、新工艺、新能源的技术突破,正在让制造业变得更柔(大规模柔性定制)、更软(软件定义一切)、更美(绿色环保)。一个物质极大丰富、全面智能化的新时代正在加速到来。
要在“工业4.0”时代生存和发展,制造业企业必须成功地进行数字化转型,成为一个软件定义的平台型企业,把产品重构为软件定义的可重构平台。制造平台型企业的核心是产品、工厂、企业的数字孪生模型,有了“数字孪生”,才能通过并行工程和快速迭代,用数字的消耗替代能源和物质的消耗,才能“多快好省”(T、Q、C、S、E综合优化)地实现产品创新和精益生产,以可接受的成本为消费者提供个性化消费体验,实现可持续盈利性增长,形成强大的市场竞争能力。
工业科技的发展是演进的,让我们简单回顾一下历史。“二战”前后,工程师认识世界和改造世界的“三论”——系统论、控制论、信息论逐渐成熟,在机械化和电气化的基础上,引发了第三轮工业革命。自动控制理论也从经典控制逐步发展到现代控制、计算机控制,直到今天兴起人工智能的第三轮浪潮。“工业4.0”时代,如何对企业系统进行建模和仿真——开发其“数字孪生”模型?
著名科学家钱学森先生在1990年发表的一篇文章《一个科学新领域——开放的复杂巨系统及其方法论》中为我们指明了方向。“当前人工智能领域中综合集成的思想得到重视,计算机集成制造系统(Computer Integrated Manufacture System,CIMS)的提出与问世就是一个例子。在工业生产中,产品设计与产品制造是两个重要方面,包括若干个环节,这些环节以现代化技术通过人机交互进行工作。以往设计与制造是分开进行的。现在考虑将两者通过人工智能技术有机地联系起来,将制造过程中有关产品质量的信息及时向设计过程反馈,使整个生产灵活有效,同时保证产品的高质量。这种将设计、制造甚至管理销售统一筹划设计的思想,恰恰是开放的复杂巨系统的综合集成思想的体现。”
2002年,Michael Grieves博士在密歇根大学和NASA研讨会上第一次提出“数字孪生”(digital twin)的理念。他认为,随着复杂性的日益增加,现代产品系统、生产系统、企业系统本质上均属于复杂系统。为了优化、预测复杂系统的性能,我们需要一个可观测的数字化模型,一个产品的综合性的、多物理场的数字表示,以便在产品的整个生命周期中维护并重复使用在产品设计和制造期间生成的数字信息。数字孪生在设计和制造过程中建立,并在产品生命周期中持续演进。一旦产品投入使用,其全生命周期历史将包括状态数据、传感器读数、操作历史记录、构建和维护配置状态、序列化部件库存、软件版本以及更多提供服务和维护功能的完整产品图像。通过数字孪生可以分析产品的当前状态和性能,以调度预防和预测维护活动,包括校准和工具管理。结合维护管理软件系统,数字孪生可以用于管理维修部件库存,并且指导技术服务人员完成现场修理、升级或维修。通过数据库中积累的实例,工业大数据分析工程师可以评估特定系列设备及其部件,并反馈给产品设计和工艺设计环节,用于产品和工艺的持续改进,形成闭环数字孪生(closed loop digital twin)。
作为工业数字化全球领军企业,2007年,西门子明确了“融合物理世界和虚拟世界”的战略愿景,通过一系列研发投资和战略并购,具备了支持“从芯片到城市”,综合性、多物理场、闭环的数字孪生技术,帮助客户实践集成的基于模型的系统工程(integrated Model Based Systems Engineering,iMBSE)。为了消除研制过程中的浪费,iMBSE使用3D数模和技术数据包(Technical Data Package,TDP)作为产品全生命周期的单一模型。3D数模由基于模型的产品定义(Model Based Definition,MBD)生成,加上产品管理信息(Product Management Information,PMI),理论上可以从三维拓展到无穷维。这个单一模型TDP可以在全企业范围内进行分享和自由流动,保障产品全生命周期内快速、无缝、自由的数据流动。如果一个企业实现了TDP在其内部部门间及其生态系统中的自由流动,我们即称之为iMBSE。本书探讨的复杂装备系统主要指的是光机电软液控系统,如箭弹星船、飞机、汽车、铁路机车、高科技船舶、工程机械、重型机械、医疗器械、光刻机、耐用消费品、汽车/消费电子产品等。
实施针对复杂装备系统iMBSE的闭环数字孪生,需要分别支持产品系统、生产系统、运行系统的数字孪生模型,并实现三大系统模型的一体化整合。若希望以高精度、高可信度建立这三类模型,我们认为,需要理论和实践的创新:在产品系统数字孪生领域,要发展新一代MBSE,用于预测物理结构和特征、物理绩效特征、环境响应、失效模式等;在生产系统数字孪生领域,要利用生产系统工程(Production System Engineering,PSE),对各生产系统要素、产线、车间、供应链系统进行建模和仿真,用于优化物理布局和特征、产能和利用率、产出和节拍;在运行系统数字孪生领域,要打造工业物联网(Industrial Internet of Things,IIoT),提供物理系统的实时运行状态,优化运营水平,预测维护,并对设计进行验证。
为了加速中国从制造大国转型为制造强国,以及实现产品从逆向工程转型为正向研发的梦想,西门子工业软件大中华区技术团队组织专家顾问和航天科技集团有关专家,在总结多年实战经验的基础上,适当加以抽象,编写了“数字孪生”系列书籍,以供智能制造、工业互联网、工业人工智能领域的政产学研各界读者参考。
一、新一代基于模型的系统工程
对于光机电软液控系统这类复杂装备系统,其数字孪生要实现从“形似”到“神似”,才能加速产品创新过程。过去四五十年间,全球CAD/CAM/CAE领域为此做了持续的努力,如今三维CAD数模和几何样机渲染已经能达到逼真的水平。本书重点关注如何把复杂装备系统的数字孪生做到“神似”,以有效地协助利益攸关者认识、预测和优化复杂装备系统。
要做到“神似”,须在从“基于文档”的系统工程提升到“基于模型”的系统工程的基础上,进一步演进到“新一代MBSE”。我们认为,新一代MBSE应该是多层次的(整机系统功能架构、领域系统架构、领域模型)、多物理场的、动态的、闭环的数字孪生,由计算机对设计空间自动寻优,并由一个数字线程(或称数字神经)系统支持设计方案的快速迭代。模型的复杂度、精确度和实时性随着产品生命周期的演进逐步提升。要实现基于数字孪生的正向研发理念,需要建设两个基础平台,即全生命周期的管理平台以及基于云和物联网的资源共享平台,并且提供三个维度的技术支撑——不同研发阶段的协同,不同子系统之间的集成,不同领域和不同学科之间的耦合。
在系统架构建模层面,MIT教授Edward Crawley领衔撰写的《系统架构:复杂系统的产品设计与开发》从形式和功能两个方面深入讲解了如何分析系统,并给出了创建良好系统架构的指导原则。国际系统工程学会(INCOSE)则列出了各种主流的建模语言、方法论和工具。本书中的实例采用西门子公司提供的System Modeling Workbench,并采用西门子的Simcenter 1D、3D和Test支持FMI/FMU 2.0标准的实现。
. 在领域模型层面,随着计算能力遵从摩尔定律发展,包括有限元分析(FEA,或有限单元法)、有限差分法、边界元方法、有限体积法的数值分析(计算数学)工具的成熟,可以解决工程中遇到的大量问题,其应用范围从固体到流体、从静力到动力、从力学问题到非力学问题。事实上,有限单元法已经成为在已知边界条件和初始条件下求解偏微分方程组的一般数值方法。有限单元法在工程上的应用属于计算力学的范畴,而计算力学是根据经典力学中的理论,利用计算机和各种数值方法解决力学中实际问题的一门新兴学科。它横贯力学的各个分支,不断扩大各个领域中力学的研究和应用范围,同时也逐渐发展出自己的理论和方法。例如,柔性多体动力学仿真考虑实际系统中某些运动部件的弹性无法忽略——甚至是主要动力学行为的来源,利用西门子Simcenter 3D可以将有限元法(FEM)与多体动力学仿真(MBS)软件深度整合起来,只需要定义相关部件的受力和边界条件,其余的都是内部作用,既节省工作量又能得到较为真实可信的结果。其他学科的工具包括Simcenter 1D(多物理域分析仿真)、Fibersim(复材)、Capital(电气)、Polarion(软件)、MADe(软件)、Infolytica(电磁)、STAR CCM+(流体力学和传热学)等。
有一个重要的问题,近几年兴起的机器学习(人工智能)能否用于复杂装备系统的数字孪生模型?
机器学习是人工智能的一个分支,简单地说,就是通过算法使机器从大量历史数据中学习规律,从而对新的样本进行智能识别或对未来进行预测。常见的机器学习算法有神经网络(neural network)、支持向量机(Support Vector Machine,SVM)、boosting、决策树(decision tree)、随机森林(random forest)、贝叶斯模型(Bayesian model)等。其实,在深度学习浪潮掀起之前,力学和工程领域早已开始在计算力学研究中结合神经网络模型开发更优的算法,一个典型的例子便是有限元神经网络模型。由于在实际工程问题中存在大量非线性力学现象(如在结构优化问题中),需要根据需求设计并优化构件结构。这是一类反问题,这些非线性问题难以用常规的方法求解,而神经网络恰好具有良好的非线性映射能力,因而可得到比一般方法更精确的解。
将有限元与神经网络结合的方法有很多,比如针对复杂非线性结构的动力学系统建模问题,可以将线性部分用有限元进行建模,非线性部分用神经网络描述(如输入非线性构件状态变量,输出其恢复力),再通过边界条件和连接条件将有限元模型部分和神经网络部分结合,得到混合模型。另一种方法是先通过有限元建立多种不同的模型,再将模态特性(即最终需要达到的设计要求)作为输出变量,将对应的模型结构参数作为输入变量,训练神经网络,利用神经网络的泛化特性得到设计参数的修正值。结合蒙特卡罗方法进行多组有限元分析,将数据输入神经网络中进行训练,可以用来分析结构的可靠度。
二、基于模型的生产系统工程
PSE经历了从人工劳动到采用机械自动化设备,进而采用计算机的发展过程。值得一提的是,20世纪70年代兴起的分布式控制系统(Distributed Control System,DCS,或称集散控制系统)实现的从单机到联网是一个巨大飞跃。DCS是一个由过程控制级和过程监控级组成的以通信网络为纽带的多级计算机系统,综合了计算机、通信、显示和控制技术,其基本思想是分散控制、集中操作、分级管理、配置灵活以及组态方便,在大型复杂工厂运行管理方面得到了广泛应用。20世纪80年代末90年代初,CIMS(计算机集成制造系统)被寄予厚望。CIMS是通过计算机软硬件,综合运用现代管理技术、制造技术、信息技术、自动化技术、系统工程技术,将企业生产全部过程中有关的人、技术、经营管理三要素及其信息与物流有机集成并优化运行的复杂大系统。
本质上,CIMS基于复杂系统工程理论,试图建立整个企业系统的数字孪生模型,它面向整个企业,覆盖企业的多种经营活动,包括生产经营管理、工程设计和生产制造各个环节,即从产品报价、接受订单开始,经计划、设计、制造直到产品出厂及售后服务等全过程。CIMS一般需要五大子系统,即产品生命周期管理系统(PLM)、企业资源计划系统(ERP)、制造执行系统(MES)、自动化物流系统和自动化生产线系统。PLM又可以分为计算机辅助设计和计算机辅助工程系统(CAD/CAE)、计算机辅助工艺设计系统(CAPP)、计算机辅助制造系统(CAM),而自动化生产线系统主要包括柔性制造系统(FMS),以及数控机床(NC,CNC)、机器人等。CIMS将信息技术、现代管理技术和研制技术相结合,并应用于企业全生命周期的各个阶段,通过信息集成、过程优化及资源优化,实现物流、信息流、价值流的集成和优化运行,达到人(组织及管理)、经营和技术三要素的集成,从而提高企业的市场应变能力和竞争力。
为了推动CIMS系统集成,MESA制定了ISA-95标准框架。ISA-95把企业系统分成如下几层:L0(现场/机台层),L1(控制层,PLC、传感器和作动机构),L2(操作层,SCADA/HMI),L3(工厂层,MES、批记录、历史数据),L4(企业层,ERP、PLM、工艺)。一般来说,L1和L2是自动化层,L3和L4是数字化层。在自动化层,比如在西门子成都电装工厂、汽车焊接车间,最关键的是报警、安全都要实现实时处理。自动化要求在L1和L2层实时处理和优化数据,通过L3 MES进行数采以后,再分析、判断并进行处理。MES是IT和OT“两化融合”的一个结合点,关键点在于数采。
现在,数字化制造为什么要进化到智能化制造?在数字化已经非常强大的平台上,智能化制造还能带来哪些效益?它的关键点在哪里?智能化制造的本质就是让工业生产线和主要的设备有自学习、自适应和自判断能力。这就是智能制造和数字化制造的根本区别。人工智能、边缘计算和网络数据信息安全这三个关键点缺一不可,网络和数据安全也非常关键。由于系统是纵向集成的,因此黑客在侵入后可以直接破坏底层的传感器和执行机构。如果对黑客攻击的防范不到位,底层的设备和自动化就有可能被破坏。
西门子智能制造平台已经实现了智能化。西门子于2019年年初正式发布了边缘计算和人工智能相关产品,实现了AI处理器并行在自动化底层总线上。以西门子成都工厂为例,它是生产PLC的电子装配工厂。该厂主要生产PCB,然后进行封装、测试,PLC控制器的模块接到总线上就可以运行。PCB的最后一个重要工序是检测,或者叫质量门。对于PCB,经过前面十几道工序,为了检测焊接质量,最后要上一台X光机,通过机器视觉技术进行拍照,检验这个PCB的所有焊接点是否合格。X光机是一个瓶颈,而且价格昂贵。每天有一万片PCB从流水线下到总装这个检测工序,需要四台X光机并行才能完成这些PCB的检测工作。西门子和Intel合作研发的人工智能芯片并行在PLC生产过程中,这个芯片在前面十几道工序中采集所有焊接点的工业参数,包括压力、温度、电压、电流等,通过大数据分析,再与X光机拍出的每一张照片进行比对。在云端通过深度学习的训练,建立工业参数和合格率的逻辑关系,转化成一种算法并植入AI芯片,它与PLC并行,相当于最后一道工艺前面的总控制开关。芯片根据比对数据做出决策,发现40%的产品实际上不需要X光机检测这道工序,根据前面的工艺参数就可以决定这40%的产品直接旁路,这样能大幅度减少X光机的使用,大大提升生产线效率。这既节约了投资,又提高了效率,这就是人工智能的作用。
进一步考察,对汽车制造业而言,人工智能到底有什么作用呢?现在无论是整车制造、焊接工艺还是总装车间,实际上更加复杂,因为其中包含很多手动工位、半自动工位以及混合的人机协作等。这需要大量的数据,而且在现场就要处理,让机器做出判断和决策,不能等到L3再做,否则就不是实时决策了。因此,需要实时决策才能提高产能和效率。
以电池制造行业为例。电池的电芯制造中有一道工艺是裁布,裁布以后涂布,涂布之后进行卷绕、切割,形成电芯,再加电极并进行焊接等。裁布这道工艺非常重要,因为裁的是金属而不是通常的布料。金属布料裁下来以后产生的毛刺可能有各种排列,如果有尖峰,卷绕以后就会戳破绝缘层,导致电芯不合格。这个问题该如何处理?不可能再等MES,而是需要利用机器视觉技术,并且是高速的机器视觉技术,实现一分钟检查两米布。通过高速的机器视觉技术来判断一段布裁下来以后产生的毛刺是否合格,这需要进行大数据分析。利用过去几万米布的毛刺数据,采用最小二乘法,并将算法写入AI处理器,实现了处理器的快速、准确决策。
再以汽车焊接工艺中的激光焊为例。如果15厘米的焊缝有一千个焊珠,用激光焊枪几秒钟就可以完成操作。但要在下一道工序之前快速判断是否合格,仍要借助机器视觉技术。机器视觉技术和PLC控制的程序不同:PLC程序编写后在PLC里运行,通过逻辑控制就可以实现;而机器视觉技术必须利用人工智能,通过边缘计算来解决这些问题,从而提高效益。这在汽车制造行业已经有非常多的实践。这些关键决策点决定了是否能够提高效益和产能,同时减少人力和人工。以上两个例子都是完全不可能由人来胜任的,因此,减少人工的好处不仅在于减少人力成本,还在于减少差错(理论上降低为零),提高效益。
再举一个例子,德国某豪华车总装车间已经开始试点,把总装中所有的拧紧操作(包括一个角度参数和一个力矩参数)通过AI技术在工厂的不同工位进行分配和判断,然后在底层实时处理这些数据。之后通过OPC协议,将数据打包后再传送上去。就拧紧、拧松这种数据而言,通过简单的边缘计算和人工智能模块完全可以实现现场处理。这就是智能制造,也就是从数字化工厂到智能制造的升级。
PSE的另一个重点是工艺数字化模拟仿真,包括虚拟调试,这对现在的数字化企业来说已经成为一个非常成熟且基本的工具和平台。西门子在平台研发上投入巨大,集成商和用户可以在平台上展开自己的想象,因为客户最懂工艺。客户懂工艺,可以提出对算法的要求;西门子懂平台,可以集成这样的算法。双方在算法上达成一致以后,将其植入边缘计算和处理芯片,在工艺上进行验证和实施。所有算法由线体商、集成商和最终用户一起讨论决定,最后可以形成基于线体商或者最终用户自主知识产权的算法和工艺流程,即优化后的工艺流程。
三、工业物联网
与处理大量的实时数据不同,工业物联网可以把边缘计算、人工智能以及MES数据放在云上。在进行大量的数据分析以后反馈给工艺产线,甚至反馈到原始设计端来进行产品的生命周期优化,进而实现产线、工艺过程和经营、生产管理过程的优化。这是一个更大的开放平台的概念。西门子工业物联网MindSphere已经于2019年4月入驻阿里云。在这个云平台上,边缘通过ping口直接与互联网相连,用户可以利用边缘计算和AI技术对数据包进行处理,并直接上传到云端。实际上,这个互联网需要云存储和云计算,因为它的数据量太大,本地服务器解决不了这些问题,必须采用开放式开发平台。这个操作平台的架构、操作系统和推荐的编程语言(Java和C++)都已经确定,主机厂、集成商、线体商在平台上可以自己做应用开发,也可以委托第三方,当然也可以委托西门子。这样就形成了一个完整的闭环,即智能制造平台。
当然,智能制造不等于整个工厂、所有机器都能够自学习,所有人和机器都可以相互直接协作,机器能读懂人的每个动作,等等。目前还达不到这个程度,可能也没必要达到这个程度。实际上,边缘计算和人工智能带来的真正效益是提高生产效率、减少设备投入,真正减轻人员的负担并降低错误率。如果能够做到这些,就可以说达到了整个智能制造的要求。
本书在编写过程中借鉴了大量文献的精华,包括《基于模型的数字化企业白皮书》(2012)、《工业4.0实战:装备制造业数字化之道》(2015)、《智能制造之路:数字化工厂》(2016)、《智能制造之虚拟完美模型:驱动创新与精益产品》(2017)、《数字孪生实战:基于模型的数字化企业(MBE)》(2019)。随着西门子数字化工业整合虚拟世界和物理世界过程的不断深入,我们也在追求完美数字孪生模型的道路上不断前进。
本书是航天科技集团和西门子团队合作的结晶。机械工业出版社华章分社的王颖女士为此“跟踪”了我们长达两年,特别感谢出版社各位老师的专业、敬业、耐心的态度。在这里,编委会还要特别感谢戚锋博士和夏纬先生,是他们的远见和经验促进了我们对工业自动化和数字孪生两大领域相互交融的理解,得以“闭环”。此外,也感谢四位实习生在2019年暑假完成了优异的辅助编辑工作,他们是康奈尔大学吴雨珂、上海交通大学孙雪涵、加州大学赵祺丰、美国Loomis Chaffee高中邓泽智。
方志刚
西门子工业软件大中华区副总裁兼CTO
2020年4月
---------------------------数字孪生实战:基于模型的数字化企业(MBE)---------------------------
从自动化、数字化到智能化,追求日臻完美的复杂系统数字孪生模型
曾有人说过,前言可能是一本书中唯一多余的章节。“Talk is cheap,Show me the code”(能说算不上什么,有本事就把你的代码给我看看),Linux创始人Linus Torvalds可谓一针见血。在buzzwords(概念)创新充斥各个角落时,我们可能需要坚持“能畅想‘智能+’算不上什么,有本事就把你的数字孪生模型给我看看”。
2013年德国提出的第四轮工业革命“工业4.0”,以比我们想象的更快的速度变成当下的现实。云、大、物、移、智等新技术和制造业的交融,自动化和数字化的“两化融合”,机器学习深入包括语音识别、图像识别、数据挖掘等诸多领域并取得了令人瞩目的成绩,新材料、新工艺、新能源方面的技术突破,正在让制造业变得更柔(大规模柔性定制)、更软(软件定义一切)、更美(绿色环保)。一个物质极大丰富、全面智能化的新时代正在加速到来。
要在“工业4.0”时代生存发展,制造业企业必须成功地进行数字化转型,转型成为一个软件定义的平台型企业,把产品重构为软件定义的可重构平台。制造平台型企业的核心是产品、工厂、企业的数字孪生模型,有了“数字孪生”,才能通过并行工程和快速迭代,用数字的消耗替代能源的消耗和物质的消耗,才能“多快好省”(T(时间)、Q(质量)、C(成本)、S(范围)、E(效率)综合优化)地实现产品创新和精益生产,以可接受的成本为消费者提供个性化消费体验,实现可持续盈利性增长,形成强大的市场竞争力。
工业科技的发展是累进的,让我们简单回顾一下历史。“二战”前后,工程师认识世界和改造世界的“三论”——系统论、控制论、信息论逐步成熟,在机械化和电气化的基础上,引发了第三轮工业革命。自动控制理论也从经典控制逐步发展到现代控制、计算机控制,直到今天兴起人工智能第三轮浪潮。在“工业4.0”时代,如何对企业系统进行建模和仿真——开发其“数字孪生”模型?
著名科学家钱学森等人在1990年发表的一篇文章《一个科学新领域:开放的复杂巨系统及其方法论》中为我们指明了方向。“当前人工智能领域中综合集成的思想得到重视,计算机集成制造系统(Computer Integrated Manufacture System,CIMS)的提出与问世就是一个例子。在工业生产中,产品设计与产品制造是两个重要方面,各包括若干个环节,这些环节以现代化技术通过人机交互进行工作。以往设计与制造是分开各自进行的,现在考虑将两者通过人工智能技术有机地联系起来,将制造过程中有关产品质量的信息及时向设计过程反馈,使整个生产灵活有效,同时能保证产品的高质量。这种将设计、制造甚至管理销售统一筹划设计的思想,恰恰是开放的复杂巨系统的综合集成思想的体现。”
2002年,Michael Grieves博士在密歇根大学和NASA研讨会上第一次提出“Digital Twin”(数字孪生)的理念。他认为,随着复杂性日益增加,现代产品系统、生产系统、企业系统本质上均属于复杂系统。为了优化、预测复杂系统的性能,我们需要一个可观测的数字化模型,一个产品的综合性的、多物理场的数字表示,以便于在产品的整个生命周期中维护和重复使用在产品设计和制造期间生成的数字信息。数字孪生在设计和制造过程中建立,并在产品生命周期中持续演进增长。产品一旦投入现场使用,其全生命周期历史包括状态数据、传感器读数、操作历史记录、构建和维护配置状态、序列化部件库存、软件版本以及更多提供服务和维护功能的完整产品图像。通过数字孪生可以分析产品的当前状态和性能,以调度预防和预测维护活动,包括校准和工具管理。结合维护管理软件系统,数字孪生可以用于管理维修部件库存,并且指导技术服务人员完成现场修理、升级或维修。通过积累数据库中的足够实例,工业大数据分析工程师可以评估特定系列设备及其部件,并反馈给产品设计和工艺设计,用于产品和工艺的持续改进,最终形成闭环数字孪生(Closed Loop Digital Twin)。
作为工业数字化全球领军企业,在2007年西门子明确了“融合物理世界和虚拟世界”的战略愿景。通过一系列研发投资和战略并购,具备了支持“从芯片到城市”、综合性、多物理场、闭环的数字孪生技术,帮助客户转型为基于模型的数字化企业(Model Based Enterprise,MBE)。为了消除研制过程中的各种浪费,MBE使用3D数模和TDP(Technical Data Package,技术数据包)作为产品全生命周期的单一模型。3D数模由MBD(Model Based Definition,基于模型的产品定义)生成,加上PMI(Product Management Information,产品管理信息),理论上可以从三维拓展到无穷维,这个单一模型TDP可以在全企业范围内进行分享和自由流动,保障产品全生命周期快速、无缝、自由的数据流动。如果一个企业实现了TDP在其内部部门间及其生态系统的自由流动,我们即称之为MBE。本书探讨的复杂产品系统主要指的是光机电软液控系统。
实施针对复杂系统MBE的闭环数字孪生,需要分别支持产品系统、生产系统、运行系统的数字孪生模型,并实现三大系统模型的一体化整合。欲高精度、高可信度地建立这三类模型,编者认为,需要理论和实践的创新:在产品系统数字孪生领域,要发展新一代MBSE(Model Based System Engineering,基于模型的系统工程),用于预测物理结构和特征、物理绩效特征、环境响应、失效模式等;在生产系统数字孪生领域,要利用PSE(Production System Engineering,生产系统工程),对各生产系统要素、产线、车间、供应链系统进行建模和仿真,用于优化物理布局和特征、产能和利用率、产出和节拍;在运行系统数字孪生领域,要打造IIoT(Industrial Internet of Things,工业物联网),提供物理系统的实时运行状态,优化运营水平,预测维护,并对设计进行验证。
怀着加速中国从制造大国转型为制造强国、从逆向工程转型为正向研发的梦想,西门子工业软件大中华区技术团队组织专家顾问,与航天科技集团有关专家一道,在总结多年实战经验的基础上适当加以抽象,编写了“数字孪生”系列书籍,以供智能制造、工业互联网、工业人工智能领域的政产学研各界读者参考。
一、新一代基于模型的系统工程(MBSE)
对于光机电软液控系统的复杂产品系统,其数字孪生从“形似”到“神似”,旨在加速产品创新过程,过去40~50年间全球CAD/CAM/CAE领域为此做出了持续的努力,如今三维CAD数模和几何样机渲染已经完全达到逼真水平。编者重点关注如何把复杂系统数字孪生做到“神似”,以有效地协助利益攸关者认识、预测和优化复杂系统。
要做到“神似”,须在“基于文档”系统工程提升到“基于模型”系统工程的基础上,进一步演进到“新一代MBSE”。编者认为,新一代MBSE应该是多层次的(涉及整机系统功能架构、领域系统架构、领域模型)、多物理场的、动态的、闭环的数字孪生,由计算机对设计空间自动寻优,并由一个数字线索(Digital Thread,或称数字神经)系统支持设计方案快速迭代。模型的复杂度、精确度和实时性随着产品生命周期的演进逐步提升。要实现基于数字孪生的正向研发理念,需要建设两个基础平台,即全生命周期的管理平台及基于云和物联网的资源共享平台,并且提供三个维度的技术支撑:不同研发阶段的协同,不同子系统之间的集成,不同领域、不同学科之间的耦合。
在系统架构建模层面,MIT教授Edward Crawley领衔著作的《系统架构:复杂系统的产品设计与开发》深刻地从形式和功能两个方面讲解了如何分析系统,并给出了如何创建良好系统架构的指导原则;国际系统工程学会(INCOSE)列明了各种主流的建模语言、方法论和工具。
在领域模型层面,随着计算能力遵从摩尔定律指数发展,包括有限元方法(FEA或有限单元法)、有限差分法、边界元方法、有限体积法的数值分析(计算数学)工具的成熟,可以解决工程中遇到的大量问题,其应用范围从固体到流体,从静力到动力,从力学问题到非力学问题。事实上,有限单元法已经成为在已知边界条件和初始条件下求解偏微分方程组的一般数值方法。有限单元法在工程上的应用属于计算力学的范畴,而计算力学是根据力学中的理论,利用计算机和各种数值方法,解决力学中实际问题的一门新兴学科。它横贯力学的各个分支,不断扩大各个领域中力学的研究和应用范围,同时也在逐渐发展自己的理论和方法。例如,柔性多体动力学仿真考虑到实际系统中某些运动部件的弹性无法忽略,甚至是主要动力学行为的来源,利用西门子Simcenter LMS Virtual Lab可以将FEM与多体动力学仿真(MBS)软件深度整合起来,只需要定义相关部件的受力和边界条件,其余的都是内部作用,节省工作量又较为真实可信。其他学科包括多物理场分析仿真(Simcenter 3D)、复材(Fibersim)、电气(Capital)、软件(Polarion)、功能安全(MADE)、电磁(Infolytica)、流体力学和传热学(STAR CCM+),等等。
有一个重要问题,近几年兴起的机器学习(人工智能)能否用于复杂系统的“数字孪生”模型?
机器学习是人工智能的一个分支,简单地说,就是通过算法,使机器能从大量历史数据中学习规律,从而对新的样本做智能识别或对未来进行预测。常见的机器学习算法如神经网络(Neural Network)、支持向量机(Support Vector Machines,SVM)、Boosting、决策树(Decision Tree)、随机森林(Random Forest)、贝叶斯模型(Bayesian Model)等。其实,在深度学习浪潮掀起之前,力学和工程领域早已开始在计算力学研究中结合神经网络模型开发出更优的算法,一个典型的例子便是有限元神经网络模型。由于在实际工程问题中存在大量非线性力学现象,如在结构优化问题中,需要根据需求设计并优化构件结构,这是一类反问题,这些非线性问题难以用常规的方法求解,而神经网络恰好具有良好的非线性映射能力,可得到比一般方法更精确的解。
将有限元与神经网络结合的方法有很多,比如针对复杂非线性结构动力学系统建模问题,可以将线性部分用有限元进行建模,非线性构件用神经网络描述(如输入非线性构件状态变量,输出其恢复力),再通过边界条件和连接条件将有限元模型部分和神经网络部分结合,得到混合模型。另一种方法是首先通过有限元建立多种不同的模型,再将模态特性(即最终需要达到的设计要求)作为输入变量,将对应的模型结构参数作为输入变量,训练神经网络,利用神经网络的泛化特性,得到设计参数的修正值。结合蒙特卡罗方法,进行多组有限元分析,将数据输入神经网络中进行训练,从而分析结构的可靠度。
二、基于模型的生产系统工程(PSE)
PSE(生产系统工程)经历了从手工劳动到采用机械的、自动化的设备,进而采用计算机的过程。值得一提的是,20世纪70年代兴起的DCS(Distributed Control System,分布式控制系统)实现了从单机到联网,这是一个巨大飞跃。DCS是一个由过程控制级和过程监控级组成的以通信网络为纽带的多级计算机系统,综合了计算机、通信、显示和控制等4C技术,其基本思想是分散控制、集中操作、分级管理、配置灵活以及组态方便,在大型复杂工厂运行管理方面获得广泛应用。20世纪80年代末90年代初,CIMS(计算机集成制造系统)被寄予厚望。CIMS是通过计算机硬软件,综合运用现代管理技术、制造技术、信息技术、自动化技术、系统工程技术,将企业生产过程中有关的人、技术、经营管理三要素及其信息与物流有机集成并优化运行的复杂大系统。
本质上,CIMS基于复杂系统工程理论,试图建立整个企业系统的“数字孪生”模型,它面向整个企业,覆盖企业的多种经营活动,包括生产经营管理、工程设计和生产制造各个环节,即从产品报价、接受订单开始,经计划安排、设计、制造直到产品出厂及售后服务等的全过程。一般地,CIMS需要五大子系统,包括产品生命周期管理(PLM)系统、企业资源计划(ERP)系统、制造执行系统(MES)、自动化物流系统和自动化产线系统。PLM系统又可以分为计算机辅助设计和分析(CAD/CAE)系统、计算机辅助工艺设计(CAPP)系统、计算机辅助制造(CAM)系统,而自动化产线主要包括柔性制造系统(FMS),以及数控机床(NC,CNC)、机器人等。CIMS将信息技术、现代管理技术和研制技术相结合,并应用于企业全生命周期各个阶段,通过信息集成、过程优化及资源优化,实现物流、信息流、价值流的集成和优化运行,达到人(组织及管理)、经营和技术三要素的集成,从而提高企业的市场应变能力和竞争力。
为了推动CIMS集成,MESA协会制定了ISA-95标准框架。ISA-95把企业系统分成L0(现场/机台层)、L1(控制层,PLC、传感器和作动机构)、L2(操作层,SCADA/HMI)、L3(工厂层,MES、批记录、历史数据)、L4(企业层,ERP、PLM、工艺)。一般情况下,L1~L2是自动化层,L3~L4是数字化层。在自动化层,比如说在西门子成都电装工厂、汽车焊接车间,最关键在于报警、安全,须实时处理。自动化要求在L1~L2实时处理、优化数据。通过L3 MES采集数据以后,进行分析、判断以及处理。MES是IT和OT“两化融合”的一个结合点,关键点在于数据采集。
现在,数字化制造为什么还要进化到智能化制造?智能化制造在数字化已经非常强大的平台上还能带来什么效益?它的关键点在哪里?智能化制造最根本的点就是让工业生产线和主要的设备有自学习、自适应和自判断能力。这就是智能化制造和数字化制造最根本的区别。人工智能、边缘计算和网络数据信息安全这三个关键点缺一不可。网络和数据安全也非常关键。因为纵向集成,一网到底,黑客侵入以后直接可以破坏底层的传感器和执行机构。如果对黑客攻击的防范稍微不到位,包括底层的设备和自动化就有可能被破坏。
西门子智能制造平台已经具备了智能化。西门子于2019年年初正式发布了边缘计算和人工智能。AI处理器并行在自动化底层总线上。以西门子成都电装工厂为例,它是生产PLC的电子装配工厂。该厂主要生产PCB,然后封装、测试,形成PLC控制器的模块,它接到总线就可以开始运行。PCB的最后一个重要工位是检测,或者叫质量门。对于PCB,前面十几道工序下来,为了检测焊接质量,最后要上一个X光机,通过机器视觉、拍照,检验这个PCB所有的焊接点是否合格,然后封装、测试。要实现每天有一万片PCB从流水线下到总装这个检测工位,需要四台X光机并行工作。西门子和Intel合作研发的人工智能芯片并行在PLC生产过程中间,所起作用如下。PCB生产中前面十几道工序采集所有焊接焊点的工业参数,包括压力、温度、电压、电流等,通过大数据分析,然后与X光机拍出来的每一张照片进行比对。在云端通过深度学习的训练,建立工业参数和最后合格率的逻辑关系,转化成一种算法,植入AI芯片,该芯片相当于最后一道工艺前面的总控制开关。它根据前面十几道工序焊接下来的PCB与照片的比对数据做出决策,发现40%的PCB实际上不用上X光机。工厂最终根据前面的工艺参数决定对这些PCB直接采用旁路模式,封装测试就完成了。这样能大幅度减少昂贵的X光机的使用,大大提升了产线效率,而且减少X光机的投入,既节约了投资成本,又提高了效率。这就是人工智能的作用。
进一步考察,对更加复杂的汽车制造业而言,人工智能到底是什么呢?实际上,现在的汽车制造,无论是整车制造、焊接工艺,还是总装线,都更复杂,因为它有很多手动工位、半自动工位、混合的人机协作等,需要大量的数据,而且要现场处理,不能等到L3(数字化层)再让机器做出判断和决策,而是要保证实时性。实时做决策,才能提高产能和效率。抽象地讲人工智能和边缘计算可能并不直观,举个例子,如电池制造行业。制造电池电芯的过程中有一道工艺是裁布。裁布以后要涂布,涂布以后卷绕、切割、形成电芯,然后加电极、焊接等。裁布这道工艺非常重要,因为要裁的是金属而不是普通布料。金属布料裁了以后,出现的毛刺可能有各种排列方式,如果有尖峰,卷绕以后毛刺就会戳破绝缘层,从而导致这个电芯不合格。怎么处理?不可能再等MES处理,而需要依赖机器视觉,而且这个机器视觉是高速的,如一分钟裁两米布,通过高速的机器视觉判断这一段布裁下来以后,产生的毛刺是否会导致电芯不合格,对此需要进行大数据分析。过去,如果是几万米布,对于裁下来的毛刺的数据信息通常选用最小二乘法计算,然后将这个算法放到AI处理器,AI处理器在下一个工位就要做出决策,即这段布是否可以通过。这是要在一两分钟内决策的事情,有很多特别的需要在现场做的决策。又如汽车的焊接工艺,比如激光焊。如果说15厘米的焊缝有一千个焊珠,激光焊枪打过去,只需要几秒钟;对于是否合格,要在进入下一道工序之前快速做出判断,这仍要用到机器视觉。机器视觉数据不是PLC控制的一个程序——PLC程序在PLC中运转,进行逻辑控制就可以了,它必须通过人工智能、边缘计算做出判断,从而提高效益。而这些是不太可能由人来胜任的。减少人工不在于少发了几个人的工资,主要在于减少了差错,提高了效益。这个差错率在理论上可降低为零。某德国豪华车总装车间已经开始了试点,它把总装所有的拧紧参数,如角度参数、力矩参数,通过AI在工厂的不同工位进行分配和判断,然后在底层实时处理这样的数据。现在通过OPC协议将数据打包,然后再传送上去。这种复杂应用在汽车制造中现在还没有看到。但就拧紧拧松这样非常清晰的行为,通过简单的边缘计算和人工智能模块就可以完全在现场处理掉。这就是智能制造,也就是从数字化工厂到智能制造的一个升级。
PSE的另外一个重点是工艺数字化模拟仿真,包括虚拟调试,对现在的数字化企业来说它已经是一个非常成熟和非常基本的工具和平台了。西门子在平台研发上投入巨大,只专注提供平台,集成商和用户可以在平台上开展自己的想象,因为客户最懂工艺。客户懂工艺,所以他们可以提出算法的要求;西门子懂平台,所以可以集成这些算法。然后双方在这个算法上达成一致,并将其植入边缘计算和处理芯片中,在工艺上进行验证和实施。所有的算法靠线体商、集成商和最终用户一起讨论决定,最后可以形成基于线体商或者最终用户自主知识产权的算法和工艺流程,即优化了的工艺流程。
三、IIoT(工业物联网)
第三个是基于云的工业物联网。与处理大量的实时数据不同,它可以把边缘计算、人工智能,以及MES数据放在云上。它在进行大量的数据分析以后,把结果反馈给工艺产线,甚至反馈到原始设计端来进行产品的生命周期优化,以进行产线、工艺过程和经营生产管理的优化。这就是一个更大的开放平台的概念。西门子工业物联网操作系统MindSphere已经于2019年4月入驻阿里云。这个操作平台的架构、操作系统和推荐的编程语言(Java和C++)都已经定了下来。现在主机厂、集成商、线体商也在招聘很多掌握这些高级语言的IT人才,客户自己可以做很多应用开发,也可以委托第三方,当然也可以委托西门子。这样就形成了一个完整的闭环,即一个智能制造平台。
当然智能制造也不意味着整个工厂、所有的机器都能够自学习,所有的人和机器都可以相互直接协作,机器都能读懂人的每个动作,等等。目前还达不到这个程度,可能也没必要达到这个程度。实际上,若通过边缘计算和人工智能可以提高生产效率,减少设备投入,真正减轻人员的负担,降低错误率,就可以说达到整个智能制造的要求了。
“Talk is cheap. Show me the model.”本书以MBD为基础,把MBE分为如下九大领域模型:基于模型的系统工程,基于模型的三维设计与仿真,基于模型的电子电气系统工程,基于模型的产品型谱化和模块化管理,基于模型的软件全生命周期管理,基于模型的产品成本管理,基于模型的工艺与虚拟验证,基于模型的闭环制造,基于模型的MBE数字化服务。编者希望读者可以通过本书,快速鸟瞰数字化企业主要的数字孪生模型,拓展知识领域,学习工业软件领域的新技术、新方法和新应用。
本书借鉴了以下文献的精华:2012年西门子工业软件内部编写的《基于模型的数字化企业白皮书》和2015年由机械工业出版社出版的《工业4.0实战:装备制造业数字化之道》,随着西门子数字化工业整合虚拟世界和物理世界过程的不断深入,我们追求完美的数字孪生模型的旅程也在不断前进。在这里,编委会特别感谢戚锋博士和夏纬先生,是他们的远见和经验促进了我们对工业自动化和数字孪生两大领域相互交融的理解,得以“闭环”。
本书编委会
2019年9月