AI赋能的精益智能数字孪生仿真体系

1. 1 精益智能数字孪生仿真系统基本特征

随着数字孪生技术的日益普及,越来越多的领域开始尝试构建孪生系统,精益智能数字孪生仿真系统实质上等同于在新质生产力的驱动下实现“精益管理+人工智能+孪生模型”。新质生产力为人工智能和数字孪生提供了广阔的应用场景,为各行业提供智能化、自动化的解决方案,提高生产效率、降低成本并提升服务质量。 

数字孪生通过对随机非线性真实世界进行精确模拟,为新质生产力提供仿真、预测和优化平台,并结合精益管理方法不断提升价值流动效率;人工智能以其强大的计算能力和数据处理能力,为新质生产力提供智能决策支持。人工智能是数字孪生生态实现的底层关键技术,通过对低价值密度的海量数据进行训练和学习,提取物理系统的规律和特征,进而构建出高保真数字孪生仿真模型。 

人工智能还可以实现对孪生模型的持续优化和更新,确保其与物理系统的虚实一致性。同时,数字孪生为新质生产力和人工智能提供了验证与优化平台。采用数字孪生技术可以构建真实世界各种情景的孪生模型,为新质生产力和大模型提供了一个安全、可控的虚拟测试环境,通过实时数据分析和大模型训练,及时发现潜在的问题和瓶颈,实现对物理系统的实时监控、预测维护和自优化决策。精益智能数字孪生仿真系统具有柔性化、集成化、知识-数据混合驱动、服务驱动管理的基本特征。

柔性化特征：数字孪生仿真系统在动态变化的环境中不断运行,必须保证发生需求变化、资源故障等动态扰动事件时,智能决策系统可以对孪生空间中的资源流和信息流快速调整,结合实时数据和历史数据进行智能决策分析,生成新的柔性决策方案与任务目标动态匹配。

集成化特征：精益智能数字孪生仿真生态系统由多个数字孪生子系统集成,包含设备数字孪生子系统、产品数字孪生子系统和供应链数字孪生子系统等,各个子系统相互独立且交互,在时间和空间维度上均具有动态演变性。

知识-数据混合驱动特征：知识驱动和数据驱动相结合,将精益智能数字孪生仿真系统获取的实时数据进行预处理,结合人工智能技术驱动调度决策的生成,采用精益管理方法对决策进行科学全面的评估与优化,提高系统运作的效率和质量。

服务驱动管理特征：精益智能数字孪生仿真系统运行过程中突发的不确定事件,会对孪生系统运作策略产生影响,造成运作执行偏差。孪生系统需形成运行管理过程中所需的智能服务,并进行服务融合来满足智能运作、精准管控等实际需求,形成“服务智能决策机制-服务动态匹配-服务组合性能评估”层级反馈关系。

1. 2 精益智能数字孪生仿真系统架构设计

传统的数字孪生方法只能针对静态系统中的单一或特定流程进行优化,智能化程度相对较低。而人工智能技术和数字孪生技术的结合展现出提高复杂系统响应性、稳健性和运作效率的重要作用,以强大的数据收集、分析和处理能力,为运作流程优化提供了有利的支持。同时,精益管理理念以其独特的改善方法,能够精准识别和消除运作流程中的瓶颈及浪费环节,并提升运作效率。精益管理理念、人工智能技术与数字孪生技术的有效融合,可以充分发挥各方优势,实现运作流程的高效执行和精准优化。

图 1 精益智能数字孪生仿真系统架构

基于此,文中提出了一种 AI 赋能的精益智能数字孪生仿真系统架构如图 1 所示,建立数字孪生仿真模型,实现对供应链、交通运输、生产制造和物流仓储等复杂系统全面感知、高保真模拟、实时交互的基础上,结合人工智能技术优化系统决策与系统配置,并在实时数据的驱动下提供智能服务。

精益智能数字孪生仿真系统是基于精益管理理念,实现复杂系统建模与仿真、优化与决策。将人工智能技术和数字孪生技术结合,可以实时收集运作过程中的各项数据,为精益管理工具的应用提供丰富的数据支持。通过进行价值流分析,精准识别运作过程中的非增值环节和浪费活动,进而制订有效的改善方案。同时,通过建立反馈机制对优化后的流程进行持续监控和评估,对实时收集的数据进行分析,确保运作流程的稳定性和高效性,并根据反馈结果及时调整改进措施,实现运作流程的持续改进和迭代优化。

复杂系统建模与仿真即构建精益智能数字孪生仿真模型,使用模型构建-仿真验证-迭代优化全链路系统集成方法,实现对随机非线性真实世界的精准刻画,其行为需要满足真实世界时间和空间维度的动态演变,应具有准确性、鲁棒性和自主性特征。 

为了准确获取物理系统的实时数据,需要通过摄像头、RFID 和传感器等物联网设备对其进行监控,基于机器视觉对原始图像进行校正、分离和特征提取,实现对物理系统的实时定位、目标识别、运动跟踪和状态监测。同时,根据捕获的实体行为,建立数字孪生仿真模型多智能体运作逻辑关系,保证数字孪生仿真模型运作逻辑的准确性。 

在孪生模型验证和校正阶段,使用 AI 强化学习技术对数字孪生仿真模型参数进行虚实一致性映射,以最小化物理系统与孪生模型之间的差距为目标,将智能体置于复杂不确定环境中进行训练,通过环境给予的奖励不断优化状态行为对应关系,实现对物理系统的精准建模仿真。在系统状态预测方面,结合实时数据、历史数据与相关知识构建神经网络预测模型,选择最近的历史数据作为训练数据集,对预测模型进行训练,并不断收集最新的数据作为测试数据集,对模型预测效果进行评估。基于此,数字孪生仿真模型可以根据实时数据,合理预测物理系统未来可能会发生的动态扰动事件,并采取相应的应对策略。

复杂系统优化与决策即在构建精益智能数字孪生仿真模型的基础上,基于机理模型和数据模型,寻找最佳运作策略,形成精益智能决策,实现对物理系统和孪生模型的动态优化。精益智能数字孪生仿真模型获取物理系统实时状态及调度目标,基于精益智能决策形成最优调度策略,对运作过程进行控制。 

AI 大模型具有数百亿甚至上千亿级别的参数规模,经过大规模数据集训练和学习后,能够提取出更加精准和有用的信息,从而适应各种不同的应用场景和任务需求,具有多场景应用、泛化和规模化复 制等优势。但在 AI 大模型训练过程中,会出现模型不稳定、泛化能力差、过拟合等问题,导致 AI 大模型性能无法满足实际要求。通过使用优化算法和硬件加速等技术手段可以对模型参数进行优化调整,提高 AI 大模型训练效率和应用性能,帮助 AI 大模型在训练过程中更快地收敛,减少过拟合现象,提高模型的泛化能力,进而更好地应对不同的场景和任务。

3. 1 半导体制造车间应用架构

半导体制造车间具有生产连续性强、设备状态复杂多变的特点。在半导体制造过程中,生产信息透明度低会导致车间难以及时全面获取产品生产状态信息,在发生计划调整、设备故障等动态扰动事件时无法进行实时响应,造成生产执行偏差,影响调度执行效率。数字孪生技术可以实现对车间设备的数字化建模和仿真,实现设备的智能化和自主化。 

在车间存在动态扰动事件时,能够结合精益管理方法,根据订单要求对不同资源配置策略下的成本效益和生产效率进行仿真评估,进而选择最优的资源配置方案指导车间生产,实现对生产过程的精细化管理。文中以“物联感知-数据传输-分析处理-应用服务” 为主线,搭建半导体制造车间精益智能数字孪生仿真系统应用架构如图 4 所示,在实现物理系统和孪生模型双向映射、实时交互的基础上,对车间生产过程进行全面感知、精确控制和可视化监控,便于管理者做出决策并采取直接行动。

图 4 半导体制造车间精益智能数字孪生仿真系统应用架构

物联感知层：物理制造车间中的各类生产要素所产生的多源异构数据,是构建数字孪生仿真模型和对生产过程进行控制和优化的基础。针对车间动态复杂的作业环境及各类生产要素的特征属性,通过部署 RFID,UWB、传感器及二维码等各类感知设备,构建车间全要素信息采集和物联感知环境,确保物理制造车间多源异构数据能够被实时、准确、全面地采集。

数据传输层：将物联感知层收集到的来源多样且分布广泛的数据进行分类,并针对实时数据采集端所具备的传输特点和需求,综合使用工业以太网、工业现场总线等保证数据有效传递和交换,支撑半导体制造车间数字孪生模型信息化智能运作。针对生产要素数据时空变化特性,从时间、空间和状态维度对多源异构数据进行建模与集成,并将其按照静态数据和动态数据进行分类存储,以便生产过程决策与分析。

分析处理层：半导体制造车间生产任务多样、生产工况多变、数据采集环境复杂,采集的数据存在冗余、乱序和不确定性。针对规模庞大、价值密度低的制造过程,大数据通过数据导入、关联、降维与生成,将其转化为可用于制造过程建模、分析与决策的有效数据集。实现数字孪生虚实同步的核心和关键是将车间复杂的运作过程进行抽象,通过融合人工智能技术构建多智能体运作逻辑关系,进而搭建半导体制造车间孪生模型,并基于数据驱动展示半导体制造车间实时运作过程。

应用服务层：精益智能数字孪生仿真系统价值的核心体现,将多源异构数据用于车间实时生产状况的监控、分析和决策,并通过统一的数据集成接口,与企业现有MES,ERP,PDM等信息系统紧密集成,保持孪生仿真模型与车间实际状态的统一,保障系统决策预测的有效性。通过三维驱动组件展示半导体制造车间实时运作动态,监控车间关键信息,把控车间生产状况。将收集到的实时数据进行统计与计算,包括工件加工进度、产品完工数据、订单交付状况、设备利用率、瓶颈工位分析及车间产能分析等,实现对半导体制造车间实时化、透明化和可视化的精准分析与智能管控。

3. 2 仿真建模与复杂作业智能调度策略应用

精益智能数字孪生仿真系统的核心是构建其模型,并通过数据驱动实现对半导体制造车间运作过程的自适应控制与自优化决策。基于 AnyLogic构建半导体制造车间精益智能数字孪生仿真系统,实现对半导体制造车间外观布局、行为特征及逻辑规则等多维属性的精准映射,形成“模型驱动-实时映射-信息感知-智能决策”智能制造新模式。搭建的精益智能数字孪生仿真系统环境如图 5a 所示,实现了对物理车间整体布局的全息映射,对半导体工件、加工设备和运输设备实时状态进行监控,并以可视化的形式呈现车间生产运作过程。 

仿真系统实时订单输入面板、参数模组及运作逻辑规则如图 5b 所示,包含 Digital twin elements,Workshop basic elements,Agent elements,Real time scheduling elements 等模组,实现了对车间全要素数据、工件工艺数据、算法库基本参数、实时调度决策数据和可视化数据的存储,并搭建了半导体车间运作逻辑规则,包含半导体工件、AGV 及设备智能体多层交互关系。

图 5 半导体制造车间精益智能数字孪生仿真系统

针对半导体制造可重入混合流水车间特性,设计了加工机器与 AGV 联合调度的 ENSGA-Ⅱ算法,提出了融合改进 NEH 算法的种群初始化策略、动态自适应交叉变异概率,并针对车间机器分配特性设计了不同的交叉变异规则,有效避免了非可行解的出现,保障调度方案的可行性。在此基础上,提出了半导体制造车间复杂作业智能调度流程,如图6 所示。

图 6 基于 ENSGA-Ⅱ算法的复杂作业智能调度流程

将 ENSGA-Ⅱ算法嵌入 AnyLogic 精益智能数字孪生仿真模型,根据车间实时数据生成最优调度方案,结合精益管理价值流分析对方案进行调整优化,并在其验证后执行。当车间发生计划调整、设备故障等动态扰动事件时能够进行实时响应,综合考虑生产调度优化目标、排程混合调度策略及任务并行调度策略,制订最优重调度方案对生产方案进行调整,并基于孪生车间对决策方案进行验证及优化,确保调度方案的科学性和合理性,最终在物理车间执行生产决策,实现对制造过程的可视化、可控化、可追踪及快速响应。精益智能数字孪生仿真系统对生产过程进行实时监控,能够实时调用 ENSGA-Ⅱ算法生成适配的调度方案,形成实时数据驱动的制造过程动态闭环优化,加强车间自组织、自决策和自适应能力,提高了车间的生产效率。

3. 3 融合机器学习的设备故障预测应用

半导体加工设备集成化程度高,任意一台设备发生故障均会导致生产线停产并造成巨大损失。为避免非计划停机对车间生产运作造成的影响,文中融合精益智能数字孪生仿真模型与卷积神经网络算法设计了半导体加工设备故障预测模型,对设备运维健康进行管理,包含设备状态监测孪生模型和设备故障预测算法流程,在实现加工设备孪生模型与实时运行数据集成的基础上,通过数据处理、预测模型搭建和故障预测评估,实现对半导体加工设备的实时监测和故障预测,有助于减小故障导致意外停机对生产运作造成的影响,实现设备的自我感知、自我预测和自我决策。 

图 7 设备实时状态监测孪生模型

设备实时状态监测孪生模型如图 7 所示,通过数据采集模块收集加工设备运行数据,结合设备运行特征构建加工设备孪生模型以同步各类数据信息,这些数据信息以训练数据集、测试数据集和实时数据集等形式,存储于卷积神经网络算法的 Datasets 数据存储模组之中。卷积神经网络算法能够从海量数据中分析有用信息、挖掘本质特征,具有对数据特征进行分层抽象能力,可以通过历史数据发现正常和异常监测数据之间的高维关联特征,并在数据和故障之间建立关联规则模型,对设备的行为和状态进行监测和预测,在设备实时状态监测孪生模型中用绿、黄、红 3 种颜色分别表示设备正常运行、轻微故障和故障的实时状态。

图 8 融合机器学习的设备故障预测流程

设备故障预测流程如图 8 所示,导入 NumPy,Pandas,TensorFlow 等相关库作为机器学习模型搭建的基础,将预处理后的历史数据分为训练集和测试集,对卷积神经网络预测模型进行训练和性能评估,进而利用该设备故障预测模型对孪生仿真模型设备运行数据进行实时分析,根据设备不同状态制定相应的维护策略,并及时调整工件加工方案,有助于降低设备维护成本和运行过程中的不确定性,保证车间高效稳定运行。

文中提出了一种 AI 赋能的精益智能数字孪生仿真系统,将精益管理理念、人工智能技术与数字孪生技术进行有效融合,实现精益智能数字孪生仿真系统的自适应控制与自优化决策,进而提高运作过程柔性化、精益化和智能化管理水平,并探讨了该系统在半导体制造车间中的应用。同时,AI 大模型作为深度学习技术的集大成者,以其强大的计算能力和海量的数据处理能力,能够轻松适应各种应用场景和任务需求,将引领人工智能领域的发展,为制造、交通及物流等领域带来深刻的变革,为经济社会的持续繁荣和发展注入新的动力和活力。在构建精益智能数字孪生仿真模型及基于 AI 技术进行精益智能决策的过程中,都需要海量数据以获得期盼的输出,这些来源广泛的数据属于企业运行的敏感数据。建立完善的数据管理与隐私保护制度,防止企业敏感信息的泄露和滥用,成为精益智能数字孪生仿真体系发展面临的挑战。

原文刊载于《机械设计》2024年11月 作者：刘亮 贺禹铭