数字孪生智能制造复杂性研究
1. 摘要
2.引言
复杂性管理在制造业的重要性不言而喻，其在很大程度地影响着制造过程中的各种决策问题，如交货期，可靠性，灵活性，成本等。对于大型制造项目（航天飞机，盾构机，精密机床等）来说，由于其跨学科、多系统以及多任务处理的本质，复杂性管理的影响似乎更为深刻。
传统意义上，复杂性管理仅仅涉及到可变性、操作灵活性、以及响应性三者之间的权衡。而如今，随着学术界更加重视产品全生命周期管理，复杂性管理的范围正在被进一步拓宽。
制造业的复杂性有两个典型定义：在物理域，制造复杂性指的是描述系统所需要的信息。在功能域，制造复杂性指的是实现功能需求所包含的不确定性。复杂性管理被广泛认为是最具挑战性的工程目标之一，因为它仍然具有模糊性，且与大量的工程因素相耦合。
几大因素导致了制造复杂性的迅速增加。（1）产品包含了更多的产品特征（功能、系统、概念等）。（2）市场竞争是导致制造复杂性增加的另一个重要因素。（3）此外，全球生产（或分布式制造）也增加了制造的复杂性。因此，工程师在制造复杂性管理方面面临越来越多的挑战。
智能制造技术与复杂性管理存在着共衍关系。与传统制造模式相比，智能制造更趋向数字化、主动化、自治化、高适应性和高效化的方向发展。在这一趋势下，智能制造将从三个方面转变复杂性管理：
（1）复杂性管理将更加数据化，以提高决策的可靠性。(2) 复杂性管理将更加自主。许多活动可以被人工智能和自动机器取代。(3) 复杂性管理将涵盖产品全生命周期，以考虑它们对设计、使用、维护和废弃处置的影响。同时，复杂性管理引导智能制造的实现。
智能制造是一个复杂的框架，由大量系统（例如，自动化系统、人因工程系统、数据处理系统）和单元（例如，装配机、输送机、检验机）组成。此外，智能制造技术对波动的工作环境具有更好的应对能力。在这种情况下，复杂性管理对于保证智能制造的协调性、可靠性和适应性显得至关重要。
作为一项新兴技术，数字孪生在智能制造中扮演着至关重要的角色。然而，关于数字孪生在制造设计中的应用研究相对有限。
本文设想了智能制造背景下由数字孪生驱动的复杂性管理。在第二章节，本文回顾了传统的复杂性管理方法和智能制造技术，以强调数字孪生对于制造复杂性管理的价值与潜力。本文第三章节设想了一个创新的数字孪生驱动的复杂性管理框架。该框架覆盖了三大制造复杂性的主要来源，包括产品设计、生产线和供应链。本文第四章将以一个飞机制造的案例研究阐述该框架。第五章将总结并提出未来进一步的工作。
3.文献回顾
（1） 制造复杂性及其挑战
复杂性存在于制造业的方方面面。2012 年，EIMaraghy等人总结出了制造复杂性的三大来源，包括：
①设计和产品开发的复杂性（零件数量、可制造性、尺寸等）；
②制造系统的复杂性（生产线的可变性、灵活性和操作性）；
③ 业务和市场复杂性（供应链、全球竞争、市场动荡）。
本文将关注这三类复杂性在产品设计、生产线和供应链方面的问题。
如之前所述，复杂性有两种典型的定义。根据状态和时期，这两种定义中的制造复杂性可以进一步细分。保持不变的复杂性被归类为物理域中的静态复杂性（结构、计算、网络交互等）或功能域中的与时间无关的复杂性。随时间波动的制造复杂性被归类为物理域中的动态复杂性（市场动荡、产品多样性、供应链动态等）或功能域中的时间相关复杂性。
图1 制造的复杂性及其增长趋势
（2） 智能制造时代下的复杂性管理及其挑战
智能制造构成了制造业未来的蓝图。在信息物理空间、物联网、增强现实和人工智能等多项新兴技术的支持下，智能制造促进了自主、数字化和协作生产系统。同时，智能制造制定了未来工厂的设计原则，包括互连、信息透明、技术援助和分散决策。此外，在商业方面，智能制造将提高生产力并降低风险，进而增加企业收入。
如上文所述，智能制造和复杂性管理之间存在着共同进化的关系。然而，这种协同进化可能受到三方面的限制：虚拟模型质量不足、虚拟-物理通信中的差距、以及有限的数据。克服这三个挑战是智能制造时代提升复杂性管理能力的关键。
同时，智能制造引入了额外的制造复杂性。智能制造是一个复杂的系统，需要大量组件和系统来支持数据收集、数据处理、功能输出和通信。智能制造必然给制造复杂性带来更多的信息内容、状态和资源。此外，这些部件的工作给制造系统带来了额外的协调、干扰、耦合和僵化。因此，在智能制造时代，整体复杂性将急剧增加。
（3） 数字孪生对制造复杂性管理的价值与潜力
作为新兴的信息技术，数字孪生可以克服智能制造所面临的挑战，进而加强复杂性管理。在本文中，数字孪生将基于Tao的五维模型，包括物理实体、虚拟实体、孪生数据、服务 和连接。
智能制造受到物理-虚拟通信的不一致性的挑战，而数字孪生则同步了这两个空间。数字孪生旨在实现物理空间和虚拟空间的实时数据交换。从物理实体收集的数据将不断转发给 虚拟实体进行更新，而虚拟实体生成的新数据将指导物理实体的工作。此外，这些数据将由孪生数据中心动态提取、清理、分析和打包，其成果将推动数字孪生的工作。
图2 展示了数字孪生如何在智能制造时代提升复杂性管理。数字孪生可以通过同步物理和虚拟空间、动态和全面的数据收集以及高保真虚拟建模来克服这些挑战。因此，数字孪生可以促进更加自主、分析和全面的复杂性管理方式。在这里，“自主”代表具有自我意识、自我决定和自我反应的人类中立状态；“分析”代表由数据情境化和数学处理驱动的决策；“全面”代表整个产品生命周期的覆盖。
图2 数字孪生驱动的智能制造复杂性管理的重要性
应该指出的是，数字孪生仍然面临一些技术和道德方面的挑战。例如，人们普遍认为数据处理能力、通信能力限制了数字孪生，如何通过新技术降低数据传输延迟是实现数字孪生的关键。同时，对隐私保护的日益关注也成为应用数字孪生的障碍。尽管如此，近年来对数字孪生的研究仍在迅速增长，越来越多的研究人员正在为实现数字孪生做出贡献。
4.数字孪生驱动的制造
复杂性管理方法框架
如图3所示，本节提出了数字孪生驱动的智能制造复杂性管理框架。该框架是基于复杂性管理问题与智能制造中数字孪生功能的结合而创新的。该框架的一个重要假设是数字孪生被广泛部署到制造设备和产品中。
（1） 用于复杂性管理的数字孪生服务
在适应性和非适应性制造系统中，复杂性管理的动机各不相同。就适应性制造系统而言，复杂性管理旨在最大限度地减少依赖性和不确定性。在非适应性制造系统中，复杂性管理旨在控制由依赖性和不确定性引起的风险和成本。尽管制造复杂性出现在不同的场景中，但数字孪生通常为复杂性管理提供了三个重要的服务。
图3 数字孪生驱动的智能制造复杂性管理框架示意图
实时监控和数据收集：在传感技术和物联网的支持下，数字孪生可以在物理和虚拟世界中监控其产品和环境。在此过程中，将实时收集数据。数据可以从物理实体、虚拟实体、历史调查、在线资源和同行产品中收集。这些数据将支持对制造系统复杂性的分析。此外，此类数据还有助于用户和开发人员评估制造系统中的不确定性。表 1 提供了一些可以为此目的收集的数据实例。
制造复杂性的识别、诊断和预测：传统情况下，受限于知识、经验和认知，工程师很难识别、诊断和预测制造复杂性。在海量数据和分析方法的支持下，数字孪生将这些目标转化为更加客观和理性的方式。复杂性在制造系统中表现为耦合关系和系统故障。由于数字孪生动态监控制造系统，所有接合部件的状态将被记录，通过跟踪和检查这些状态，数字孪生可以快速找出耦合和系统故障，进而识别复杂性。对于复杂性诊断，数字孪生将结合目标系统、记录系统和先前决策的数据。这些数据的融合将使 数字孪生 能够从现有样本中进行比较和学习，以诊断复杂性原因。基于训练模型，数字孪生将学习复杂性数据集的模式，从而预测复杂性预测方面的趋势。此外，开发人员可以通过编辑和过滤特定数据来自定义训练模型。除了训练模型外，还可以在虚拟实体中通过仿真和验证来进行预测。与训练模型类似，虚拟实体中的虚拟模型也可以自定义以提高模拟精度。
强化人机交互：尽管智能制造旨在促进更加自主的生产，但人工具备的灵活性和知识经验对于处理复杂的问题仍然不可或缺。数字孪生提供了参与人工干预的新兴方法。通过增强现实和虚拟现实，用户可以灵活修改虚拟实体的虚拟模型。由于虚拟实体与物理实体 同步，物理实体将根据虚拟实体的变化做出反应。因此，用户还可以远程方便地控制物理制造系统。同时，由于虚拟实体是物理实体的数字镜像，用户可以灵活地观察物理实体的方方面面。此外，数字孪生 还使用户可以通过简单地编辑设置、命令和数据来控制制造系统。通过这些方式，当数字孪生无法自主处理问题时，用户可以快速、远程、方便地指导复杂性管理。
（2） 数字孪生驱动的由产品设计产生的制造复杂性的管理
如前文介绍，产品设计产生的制造复杂性主要来源于产品制造分割与多样的产品物理特征。大体上讲，由产品设计产生的制造复杂性的管理主要有两种方式：为制造产线进行针对的产品设计优化，及为产品特征进行制造方案升级。对于由产品设计产生的制造复杂性的管理，数字孪生的参与致力于降低 制造方案中的环节依赖性以及制造系统的不确定性。
图4 制造计划的拆解与子项
虽然数字孪生强调自治，但设计者、使用者的参与在很多场景下仍然非常重要。这些场景下，数字孪生也可以协助设计者、使用者的参与。
（3）数字孪生驱动的由生产线产生的制造复杂性的管理
如前文介绍，生产线产生的制造复杂性主要来源于产品多样性、生产操作误差、及质检环境与实际环境的差异性。而三者产生的制造复杂性的特性又有性质上的不同。因此，对于三者产生的复杂性的管理的目的、方针也应分别制定。文章详述了数字孪生在制造复杂性管理三个方面中的作用。
产品多样性管理：数字孪生通过诊断和虚拟仿真优化生产线的适应性、可靠性和生产率。
操作偏差管理：数字孪生动态监控工件数据，识别并替换高不确定性工件。
质量预测：数字孪生利用大数据和虚拟仿真预测产品生命周期中的不确定性，支持优化决策。
（4）数字孪生驱动的由供应链产生的制造复杂性的管理
供应链产生的制造复杂性主要由多变的市场与供应链各单元的不确定所产生。
对于市场的多变性，数字孪生通过预测供应变化、计划生产与物流来应对。部署于产品的数字孪生可以有效的追踪产品沿着整条供应链的移动。基于这点，数字孪生可以实时追踪供应与库存的变化来预测短期需求的变动。与此同时，数字孪生的虚拟仿真也使管理者可以自由调试方案来做出长期计划。
对于供应链单元的不确定性，数字孪生通过风险评估、损失预测、及制定应急方案来应对。
5.以飞机制造场景为案例的方法说明
图5 案例内容汇总
（1） 数字孪生驱动的由飞机设计产生的制造复杂性的管理
如前文介绍，飞机设计中的复杂性多由复杂结构与复合材料产生。本节以机舱横向切面框架的制造为例阐述了数字孪生通过分析相关的飞机制造案例与数据来降低 制造计划中的依赖性与不确定性。
（2） 数字孪生驱动的由飞机生产线产生的制造复杂性的管理
基于动态监测与虚拟仿真的服务，数字孪生可以在保证生产线必要适应性的情况下降低复杂性。本节以机舱的拼装为例阐述了数字孪生如何作用于由产线产生的制造复杂性管理，包括协助替换具有高度制造不确定性的工件，以及预测飞机整个生命周期的不确定性。
（3） 数字孪生驱动的由供应链产生的复杂性管理
数字孪生可以协助预测供应量的变化及评估风险。飞机制造是全球化产业的典型代表，供应商、制造工厂、物流中转站分布全球且各地情况不一。本节以客机起落架为例详述了数字孪生如何作用于由供应链产生的复杂性管理。
6.结论及后续工作
实时监控与数据收集、
对制造复杂性的识别、诊断与预测、
及对人机交互的强化。
对于由产品设计产生的制造复杂性，数字孪生致力于减少生产计划中产生的依赖性与不确定性。对于由生产线产生的制造复杂性，数字孪生致力于（1）平衡生产线适应性、可靠性、及生产力；（2）及时更换具有高不确定性的工件；（3）预测产品整个生命周期中的不确定性。对于由供应链产生的制造不确定性，数字孪生致力于预测供应变化、评估风险、预测损失、及制定应急方案。
这篇文章为制造复杂性的管理提出了一个创新性的方案。传统方法完全由人因、人力来主导驱动，而数字孪生使得这一过程更加的自治、可分析、全面。同时，相比于其它的信息物理空间系统，数字孪生在将两个世界同步的同时，极大的提升了模型精度和数据量。对于强调数字化、自治化、及自由度的智能制造而言，由数字孪生驱动的复杂性管理将更好的迎合、推动这一趋势。与此同时，对数字孪生的研究而言，由于还处于初步阶段，其概念、技术、应用场景都还需要不断的拓宽。当前关于数字孪生的应用研究大多关注于大型设备的开发、城市管理、医疗等领域，而对于制造中设计管理的部分涉入有限。本文中提出的方法更是第一个关于复杂性管理的数字孪生应用框架，进一步拓宽了数字孪生的应用领域。对于设计研究而言，这篇文章中提出的方法进一步填充了传统设计方法和设计架构与当代新兴科技的融合。后续的相关研究可以沿着这个方向，进一步探索数字孪生与其它设计分支的结合。
后续的工作主要会关注两个问题。一个是如何将这个方法框架进一步细化并在工厂中落地验证。另一个问题是如何管理由数字孪生所带来的复杂性。数字孪生本身就是一个包含了大量数据、设备、子系统的高度耦合的大系统，在支撑制造复杂性管理的同时，数字孪生本身也会引入新的复杂性问题。这也是后续研究需要关注的一大重点。
