Professional Documents
Culture Documents
Digital Twin-Driven Service Model and Optimal Allocation of Manufacturing Resources in Shared Manufacturing - ScienceDirect
Digital Twin-Driven Service Model and Optimal Allocation of Manufacturing Resources in Shared Manufacturing - ScienceDirect
制造系统杂志
第59卷, April 2021, Pages 165-179
展示更多
https://doi.org/10.1016/j.jmsy.2021.02.008
获取权利和内容
Highlights
• 构建数字孪生驱动的共享制造资源服务模型。
• 资源配置模型考虑了资源提供者的信用。
• 采用分布式优化方法来保持提供商的决策自主权。
• 案例研究的结果表明了所提出方法的有效性。
抽象的
共享经济已被公认为互利共赢的经济模式。共享制造源于共享经济的理念,在先进信息技术和制造技术的支持下被提出。制造资源配置作为实施共享制造的核心部分,旨在协调跨组织资源,为个性
化制造需求提供按需服务。然而,一些挑战仍然阻碍共享制造有效和高效的资源配置。传统的集中式优化方法只有一种决策模型,难以维护资源提供者的自主决策权。因此,他们很难适应跨组织资
源协调的情况。此外,在资源配置过程中很少考虑资源提供者的信用,这不利于共享制造中促进更可靠的贸易。为了解决这些问题,本研究提出了一种集成架构来促进共享制造中的资源配置。构建
数字孪生驱动的服务模型,对共享制造资源进行无缝监控。资源配置模型是在考虑资源提供者信用的基础上构建的。为了保持资源提供者的决策自主权,采用增强拉格朗日协调方法对构建的资源分
配模型进行分析。进一步采用案例研究来验证所提出的方法在共享制造中执行资源分配的有效性和效率。
Previous 下
Abbreviations
SM, 共享制造; 小型反应堆, 共享制造资源; 物联网, 物联网; 消费者保护计划, 网络物理系统; DT, 数字孪生; SMROA, 共享制造资源优化配置; 社交M, 社会制造; CA, 信用意识; 短信, 共享制造服务; 对
等, 点对点; 产品生命周期管理, 产品生命周期管理; QoS, 服务质量; 自动化机器学习, 自动化标记语言; 国际标准化组织, 国际标准化组织; 丽莎, 线路信息系统架构; 粒子群算法, 粒子群优化; ALC, 增强
拉格朗日协调; 遗传算法, 遗传算法
关键词
共享制造; 数字孪生; 服务模式; 制造资源配置; 增强拉格朗日协调
1 . 介绍
随着先进信息技术(如物联网[1], cloud computing [2], cyber physical system [3], and digital twin [4,5]), the new manufacturing paradigm, shared manufacturing that derives from
sharing economy is proposed and preliminarily applied in practice [6,7]. Shared manufacturing becomes an important driving force for a new round of industrial revolution due to
its promising features of connecting the supplier and demander of manufacturing resources conveniently, breaking the information asymmetry, and making full use of idle
manufacturing resources.
作为实施共享制造的核心部分,共享制造资源配置旨在通过资源组合和优化选择的过程,提供一套满足个性化制造需求的能力/服务。高效的共享制造资源配置不仅可以实现对多样化制造需求的快
速响应,而且有利于企业资源的全面共享[ 8 , 9 ]。
首先,在共享制造中,通过对共享资源和服务的远程监控和控制,将制造商和客户紧密联系在一起。由于共享制造是一种新兴的制造范式,因此这方面的研究较少。因此,需要采用先进的信息技术
来获取制造资源的服务模型,并对共享资源/服务进行无缝监控。
其次,共享制造的参与者(即资源提供者、客户)彼此之间总是不熟悉的。因此,资源提供者的信用是共享制造中实现可靠贸易的重要参数。然而,目前的研究很少将资源提供者的信用纳入共享制
造配置过程,这可能会影响资源配置结果的满意度。因此,共享制造资源的信用感知分配模型对于弥合资源/服务提供商和客户之间的信用差距以及促进共享制造中的可靠贸易至关重要。
第三,跨组织的资源协调是共享制造的一大亮点。资源提供者在跨组织协调过程中倾向于保持决策自主权,以保持可持续的竞争优势。然而,现有研究大多采用集中式方法/策略来完成制造资源配
置,仅用一种决策模型很难维持资源提供者的决策自主权。因此,分布式方法/策略对于共享制造资源配置势在必行,同时保持资源提供者的决策自主权并促进资源的跨组织协调。
数字孪生被认为是一种能够无缝连接资源的物理空间和网络空间的技术。数字化已在许多领域得到研究,例如加工仿真[ 13 ]、规划和调度[14], and product design [4]. Through the digital twin
model, the remote monitoring and control of manufacturing resources can be achieved efficiently. The optimal allocation of resources will be effective, and the production tasks
can be completed with high efficiency and quality through the support of the real-time information of resources. Digital twins can effectively ensure that demanders participate in
the implementation process of manufacturing resources. Digital twins provide support for the full lifecycle management of manufacturing resources and make resources service-
oriented, which exploit the capability of shared resources. Meanwhile, a distributed optimization method, namely augmented Lagrangian coordination (ALC) has been widely used
to deal with many engineering problems such as multidisciplinary design optimization [15,16], supply chain configuration [17]. ALC has shown its advantages in maintaining
autonomous decision rights of stakeholders.
https://www.sciencedirect.com/science/article/pii/S027861252100042X#sec0065 1/16
2024/1/26 11:04 Digital twin-driven service model and optimal allocation of manufacturing resources in shared manufacturing - ScienceDirect
鉴于上述挑战以及数字孪生和ALC的前景特点,本研究提出采用数字孪生和ALC进行服务模型构建和共享制造资源的优化配置。更具体地说,我们感兴趣的研究问题是:(1)如何利用数字孪生技
术构建共享制造资源的服务模式?(2)如何构建共享制造资源的信用配置模型?(3)如何通过ALC方法在保持资源提供者决策自主权的同时得到共享制造资源的最优配置结果?
本文的其余部分安排如下。第2节回顾相关文献。第三节简要概述了共享制造中的资源分配。第四节阐述了共享制造中的服务模式和资源优化配置。第5节演示了一个案例研究来验证所提出的方
法。第6节列出了贡献和未来的工作。
2 . 文献综述
与本研究相关的三个文献流是共享制造的发展、数字孪生模型的应用和制造资源配置。
2.1 . 共享制造
共享经济是一种点对点(P2P)的经济模式,它使资源所有者(产品或服务提供者)在为客户提供更方便、更实惠的产品或服务的同时获得额外收入[18 ]。在共享经济和先进制造、信息技术发展的
推动下,共享制造被提出,以P2P的方式支持制造业消费的能力/服务的消费[ 9 ]。共享制造也与一些类似的制造范式有很大不同,例如云制造[ 19 ]和社会制造[ 20、21 ]。它们之间的区别如表1所
示。
Table 1. Comparison between shared manufacturing and other similar manufacturing paradigms.
资源分配 分散式 集中 集中 集中
共享制造发展相关文献包括以下几个方面。第一个方面重点关注共享制造的新颖架构。例如,共享制造系统的架构旨在帮助制造商获得战略竞争优势[ 22 ]。江等人。提出了共享制造的理论框架,
并给出了共享工厂的案例[ 8 ]。于等人。描述了共享制造的概念和定义,并提出了共享制造的混合集成和互操作架构[ 9 ]。第二个方面是共享制造资源。设计了一种新颖的方法来构建具有IT功能的
共享服务模型[ 23 ]。他等人。分析了基于互联网的仓储共享的价值并验证了其可行性和有效性[ 24 ]。第三个方面主要是指共享制造知识。制造业的知识共享被认为是服务驱动的商业模式创新[ 25
]。李等人。提出了共享和面向服务的数控加工系统,在不同系统之间共享加工数据库[ 26 ]。黄等人。采用区块链技术并构建了点对点网络来提高参与者之间的数据和知识共享效率[ 27 ]。春古拉
等人。开发了一个基于本体论方法的可互操作的制造知识系统[ 28 ]。
尽管取得了重大进展,共享制造的现有研究缺乏对实现有效和高效的资源配置的方法和应用的研究。
2.2 . 数字孪生模型
数字孪生 (DT) 可以定义为通过数据和模拟器实现物理资产的虚拟表示,用于实时预测、优化、监控和改进决策 [29]. Two issues are relevant to the applications of the digital twin model.
从产品的角度来看,DT模型是通过将物理产品镜像到虚拟产品来构建的,用于产品生命周期管理(PLM)或装配。陶等人。提出了一种DT驱动的产品设计框架,可以使制造商利用DT信息进行产品
设计[ 4 ]。林等人。提出了一种用于工程产品系列设计和优化的DT增强系统[ 30 ]。提出了一种新颖的应用框架,通过物理孪生空间、信息处理空间和全参数化DT空间三个模块来实现基于DT的产
品生命周期管理[ 31]]. Bao et al. proposed a modeling approach of product, process, operation and used Automation Markup Language (AutomationML) for modeling a structural
parts machining cell [32]. Sun et al. proposed the construction method of assembly-commissioning total factor information model of high precision products [33]. A framework of
DT-based complex product assembly is proposed to promote production management and control in the shop-floor [34].
从制造设备的角度来看,刘等人。提出了机床网络孪生的开发方法,以实现物理世界、网络空间和人类之间不同类型的反馈循环[ 35 ]。提出了一种DT驱动的并行控制模型,以在智能车间中建立信
息物理连接[ 36,37]. Xin et al. proposed a DT-enabled framework for the data visualization and analysis of the intelligent machine tool [38]. Urbina Coronado et al. proposed a digital
model of the shop floor, which used the protocol, known as MTConnect to collect data from machine tools [39]. Botkina et al. conducted a DT model of cutting tools and used
international standard ISO 13,399 and event-driven line information system architecture (LISA) to message data [40].
调查表明,数字孪生可以通过共享和融合多维过程数据来建模、监控和控制加工过程。但目前的研究多集中在产品和制造设备上,对共享制造资源的服务模式关注较少。
In summary, centralized optimization methods/strategies were widely used for the manufacturing resource allocation, and decision autonomy of providers were rarely taken into
account.
2.4 . 研究差距
尽管上述文献取得了重大进展,但仍然存在一些研究空白。
1)关于服务模型,大多数研究考虑了云制造环境中的服务,这些服务是由不同的供应商使用各种标准和通信协议/接口以松散耦合的方式提供的,很少考虑云制造环境中服务和资源之间的交互和
集成。共享制造。因此,提出了数字孪生制造服务模型来描述制造资源并对共享资源进行无缝监控。
2)在资源配置方面,大多数研究以能耗、成本和时间为优化目标,而很少考虑共享制造资源配置过程中的信用问题。为了填补这一空白,提出了信用感知的共享制造资源分配模型,以促进共享制
造中的可靠贸易。
3) In respect of cross-organizational coordination of resources, most research adopted a lot of centralized algorithms to obtain optimal results. Those algorithms could hardly
maintain the decision autonomy of resource providers with only one decision model. Therefore, a distributed ALC method for manufacturing resources allocation is introduced in
this paper.
https://www.sciencedirect.com/science/article/pii/S027861252100042X#sec0065 2/16
2024/1/26 11:04 Digital twin-driven service model and optimal allocation of manufacturing resources in shared manufacturing - ScienceDirect
3 . 共享制造中的资源分配
共享制造被定义为一种由先进信息技术支持的制造范式,它可以通过P2P方式允许能力/服务的供需来支持个体之间的共享消费[ 9 ]。本节旨在概述拟议的服务模型和共享制造资源的分配。
3.1 . 共享制造中的资源共享
在共享制造中,企业或个人应该共享其丰富的资源提供的制造能力/服务,而需求者可以轻松地获取共享的能力/服务。这样,供需双方就能达到双赢的局面。
图。1 shows the overall architecture of resource sharing in shared manufacturing. Both individuals and enterprises have multiple roles and can be the “providers” or
“customers”. The providers can provide resources with various on-demand services/capabilities. Then, the manufacturing resources and tasks are matched and allocated on the
shared manufacturing platform. The platform acts as the interfaces to support the consumers to access to the on-demand services/capabilities in a P2P manner. Customers can
timely monitor the execution process of manufacturing tasks and get the feedback from the platform. After the manufacturing task is completed, providers receive the shared fee
paid by the customers, and customers can evaluate the credit of the provided manufacturing resources.
下载:下载高分辨率图像 (573KB)
下载:下载全尺寸图像
图。1。共享制造中的资源共享。
3.2. Overall architecture of service model and allocation of shared manufacturing resources
为了清楚地描述所提出的方法,首先给出制造资源和服务的概念。制造资源(MR)是一种具有静态传输介质的客观物理形式。它可以定义为参与实际生产活动的物理实体,包括人力资源、制造设
备、台车等。制造服务(MS)可以认为是制造制造资源的抽象。它是制造资源的虚拟表示。制造服务既包括制造资源的功能信息,也包括相关制造资源的加工质量信息、服务状态等生命周期信
息。
基于资源共享的工作逻辑,设计了共享制造资源的服务模型和分配的总体架构,如图2所示。它由传感器配置、数字孪生制造服务模型、共享制造资源优化配置三个模块组成。
下载:下载高分辨率图像 (1MB)
下载:下载全尺寸图像
3.2.1 . 传感器配置
该模块是共享制造资源的数字孪生服务模型的基础。通过配置智能传感器,物理制造资源变得“智能”,可以轻松识别其实时状态。因此,上层管理系统可以及时感知和跟踪制造资源和生产过程的
实时信息。此外,共享制造资源还可以准确地接收和执行来自上层管理系统的更明智的决策。
3.2.2 . 数字孪生制造服务模式
该模块用于构建物理制造空间的孪生虚拟空间,将制造资源的能力封装成按需服务。采用多层次结构(即机器层、单元层、车间层),在虚拟环境中准确反映实际生产过程,提取生产关键绩效指标
和制造资源属性。对制造资源的能力进行层层封装,建立共享制造服务模型。
https://www.sciencedirect.com/science/article/pii/S027861252100042X#sec0065 3/16
2024/1/26 11:04 Digital twin-driven service model and optimal allocation of manufacturing resources in shared manufacturing - ScienceDirect
3.2.3 . 制造资源优化配置
当一个制造任务提交到共享制造平台时,它会被分解为一系列子任务。根据所提供的能力/服务的需求,可以形成每个子任务的候选制造资源集。然后,根据一定的时间约束和逻辑规则,调用优化
方法来实现共享制造资源的分配。在获得优化分配结果后,所选择的共享制造资源将提供按需服务/能力来执行制造任务。通过数字孪生服务模型,可以在共享制造资源执行任务时对其进行监视和
控制。
4 . 共享制造资源的服务模式与优化配置
4.1 . 数字孪生制造服务模式
制造服务是物理制造资源和制造能力封装的结果。与制造任务和制造资源的多层次特征相对应,制造服务也是多维度的。在共享制造范式下,制造服务不是由单个企业提供,而是可以由不同地理位
置的多个企业协作完成。它们是异构的、分布式的和动态的。
图3展示了共享制造资源的数字孪生服务模型。主要由物理资源域、虚拟模型域、服务域三个域组成。物理资源包括一组具有特定能力的客观实体(即存储资源、处理资源、测试资源等)。虚拟模
型包括物理实体的数字模型,能够完整、真实地反映物理资源的实时状态。服务域整合生产、装配、检测等多种制造能力,提供满足个性化制造需求的应用服务。
下载:下载高分辨率图像 (944KB)
下载:下载全尺寸图像
物理资源领域涵盖了制造资源和制造要素的各种要素。它利用物理实体来执行制造任务。图4所示为共享制造资源模型的信息模板。物理制造资源可以描述为等式:(1) .
(1)
图4 . 共享制造资源模型的信息模板。
多域制造资源颗粒(如存储资源、加工资源、测试资源、搬运资源、传感资源)聚合形成具有基础制造能力的资源集群。聚合过程可以由制造商或约束和聚合规则主导。从资源域来看,不同资源集
群聚集形成结构和功能稳定的制造能力群。
在数字孪生技术的支持下,物理制造资源被虚拟化为相应的虚拟模型。同一物理对象的虚拟模型不需要重复创建,只需复制虚拟模型即可。同一虚拟模型可以同时被不同的应用程序使用。因此,虚
拟模型不仅可以实现对物理制造资源的远程监控和控制,还可以为共享按需能力/服务提供信息基础。虚拟模型可以表示为式(1):(2) .
(2)
服务封装是将数字孪生模型的组件转换为具有统一描述的服务。图5所示为共享制造服务模型的信息模板。服务模型可以描述为等式:(3) .
(3)
Where indicates the basic attributes to identify a manufacturing service, and includes registration date, service ID, service life, service type, service name and service
owner. 是对资源制造能力的继承和抽象,表示制造服务所拥有的能力,包括能力特征名称、能力特征参数、能力等级、加工成本、加工效率、加工方法、组合MR和组合逻辑。
indicates the real-time status of the manufacturing service, and includes load status, processing information, location information, task sequence, perception method,
service interface, service evaluation. 表示制造服务的质量评价,包括故障率、按时交货率、信用度。
https://www.sciencedirect.com/science/article/pii/S027861252100042X#sec0065 4/16
2024/1/26 11:04 Digital twin-driven service model and optimal allocation of manufacturing resources in shared manufacturing - ScienceDirect
下载:下载高分辨率图像 (588KB)
下载:下载全尺寸图像
图5。共享制造服务模型信息模板。
The service unit is the mapping of the resource cluster in the service domain, and can be described as Eq. (4).
(4)
在哪里 表示服务单位中的所有制造服务。 表示服务之间的关系,如约束关系、时序关系等。 denotes the capability of service unit, is the inheritance and synthesis
of the manufacturing capability of each particle in the resource cluster.
对应于资源视角下的制造能力群,服务域视角下的共享制造服务系统的形式化表达可描述为:(5) .
(5)
4.2 . 制造资源优化配置
服务封装后,可以对制造资源进行管理,供不同用户共享。传统作坊信息透明度较低。生产中的干扰会严重制约制造资源优化配置的准确性,如物料短缺、人员流动、设备故障等。通过数字孪生驱
动的服务模型对制造资源进行虚拟表示,将无缝监控制造资源,获取资源的实时状态信息,有效降低扰动的影响,实现资源的优化配置。此外,共享制造资源分布在不同地点、不同车间。当制造资
源的状态通过数字孪生驱动的服务模式共享时,将有助于实现多样化生产流程的自组织。
4.2.1 . 共享制造资源优化配置工作流程
制造资源优化配置的流程如图6所示。制造任务的分解和排序是制造任务与候选资源匹配的前提。根据制造需求将制造任务分解为子任务。制造任务分解排序后,形成一系列具有时序关系的子任
务。对于每个子任务,经过搜索和匹配后可以形成具有提供按需服务/能力潜力的候选资源集。因此,有许多不同的资源链来执行所有子任务。共享制造资源配置模型可以通过优化方法构建和求
解。最终选择最优的共享制造资源链来协调执行制造任务。
下载:下载高分辨率图像 (675KB)
下载:下载全尺寸图像
图6 . 共享制造资源分配的工作流程。
4.2.2 . 信用感知共享制造资源配置数学模型
With the help of digital twins and the industrial Internet of Things, historical data provides a strong basis for describing the credibility of manufacturing resources and services.
Participants (i.e. resource provider, customer) in shared manufacturing are always unfamiliar with each other. Hence, the credit is necessary when selecting the most appropriate
resource for the manufacturing task. In this section, the credit-based allocation model of shared manufacturing resources is constructed.
所提出的共享制造资源分配模型是基于以下假设构建的:(1)模型中的所有任务都遵循串行顺序;(2)各任务的候选共享制造资源能够满足质量和生产能力的要求,并且可以执行相关任务;(3)
每个候选制造资源只能被选择执行一项任务,并且每个任务只能分配给一个候选共享制造资源;(4)信用度作为共享制造资源最优配置结果的评价标准。信用评分越高,资源越好;(5)以时间、成
本、信用作为共享制造资源最优配置结果的评价标准。
表 2 . 注释。
符号 描述
完成所有任务的总制造时间
完成所有任务的总制造成本
完成全部任务的总信用评价
完成所有任务的最大制造成本
https://www.sciencedirect.com/science/article/pii/S027861252100042X#sec0065 5/16
2024/1/26 11:04 Digital twin-driven service model and optimal allocation of manufacturing resources in shared manufacturing - ScienceDirect
符号 描述
完成所有任务的最低信用评价
完成全部任务的制造成本权重系数
th 候选者共享制造资源 第一个任务
候选资源数量 第一个任务
制造时间为 完成 第一个任务
制造成本为 完成 第一个任务
链接时间为 和
链接成本为 和
选择系数为
Objective function
(6)
(7)
(8)
(9)
(10)
(11)
按照采用ALC解决工程问题的流程,首先是将原有的信用感知共享制造资源分配问题分解为多个要素。那么,原问题的分解可以如图7所示,它由n个元素组成,即 。
下载:下载高分辨率图像 (75KB)
下载:下载全尺寸图像
图7 . 原问题的分解。
基于分解模型,原问题的数学模型可以重写如下。
目标函数
(12)
(13)
(14)
配方 :
目标函数
(15)
(16)
(17)
https://www.sciencedirect.com/science/article/pii/S027861252100042X#sec0065 6/16
2024/1/26 11:04 Digital twin-driven service model and optimal allocation of manufacturing resources in shared manufacturing - ScienceDirect
(18)
配方 :
目标函数
(19)
(20)
(21)
(22)
(23)
(24)
(25)
配方 :
目标函数
(26)
(27)
(28)
(29)
(30)
(31)
5 . 案例分析
5.1 . ALC方法解决共享制造资源分配问题
本节通过一个由五个任务组成的案例来验证ALC方法在解决信用感知共享制造资源分配问题上的有效性和效率。表3列出了有关任务和候选共享制造资源的信息。 链接时间为 和
。 是链接成本 和 。资源提供者信用评价分为0至10 11个等级。
表3。有关任务和候选共享制造资源的信息。
任务 SMR( O i.j )
t (1.1,2.1) = 5 钴(1.1,2.1) = 10
t (1.1,2.3) = 8 钴(1.1,2.3) = 17
t (1.2,2.1) = 3 钴(1.2,2.1) = 9
t (1.2,2.3) = 6 钴(1.2,2.3) = 15
任务1
t (1.3,2.1) = 8 钴(1.3,2.1) = 16
t (1.3,2.3) = 10 钴(1.3,2.3) = 21
t (1.4,2.1) = 5 钴(1.4,2.1) = 11
t (1.4,2.3) = 9 钴(1.4,2.3) = 19
https://www.sciencedirect.com/science/article/pii/S027861252100042X#sec0065 7/16
2024/1/26 11:04 Digital twin-driven service model and optimal allocation of manufacturing resources in shared manufacturing - ScienceDirect
任务 SMR( O i.j )
t (2.1,3.2) = 6 钴(2.1,3.2) = 28
t (2.2,3.1) = 12 钴(2.2,3.1) = 18
氧2.2 16 55 6
t (2.2,3.2) = 13 钴(2.2,3.2) = 19
t (2.3,3.1) = 10 钴(2.3,3.1) = 22
氧2.3 18 60 7
t (2.3,3.2) = 12 钴(2.3,3.2) = 26
t (3.1,4.1) = 0 钴(3.1,4.1) = 0
t (3.1,4.2) = 10 钴(3.1,4.2) = 6
t (3.1,4.4) = 4 钴(3.1,4.4) = 19
t (3.1,4.5) = 3 钴(3.1,4.5) = 7
任务3
t (3.2,4.1) = 10 钴(3.2,4.1) = 6
t (3.2,4.2) = 0 钴(3.2,4.2) = 0
t (3.2,4.4) = 2 钴(3.2,4.4) = 8
t (3.2,4.5) = 9 钴(3.2,4.5) = 10
t (4.1,5.1) = 6 钴(4.1,5.1) = 21
t (4.1,5.2) = 9 钴(4.1,5.2) = 24
4.1 _ 14 25 8
t (4.1,5.3) = 7 钴(4.1,5.3) = 18
t (4.1,5.4) = 8 钴(4.1,5.4) = 7
t (4.2,5.1) = 3 钴(4.2,5.1) = 15
t (4.2,5.2) = 6 钴(4.2,5.2) = 17
4.2 _ 16 21 6
t (4.2,5.3) = 1 钴(4.2,5.3) = 20
t (4.2,5.4) = 2 钴(4.2,5.4) = 22
t (4.3,5.1) = 3 钴(4.3,5.1) = 12
t (4.3,5.2) = 5 钴(4.3,5.2) = 15
任务4 4.3 _ 13 28 7
t (4.3,5.3) = 9 钴(4.3,5.3) = 29
t (4.3,5.4) = 10 钴(4.3,5.4) = 10
t (4.4,5.1) = 2 钴(4.4,5.1) = 13
t (4.4,5.2) = 3 钴(4.4,5.2) = 14
4.4 _ 15 30 9
t (4.4,5.3) = 0 钴(4.4,5.3) = 0
t (4.4,5.4) = 5 钴(4.4,5.4) = 10
t (4.5,5.1) = 4 钴(4.5,5.1) = 20
t (4.5,5.2) = 1 钴(4.5,5.2) = 19
4.5 _ 12 32 10
t (4.5,5.3) = 5 钴(4.5,5.3) = 10
t (4.5,5.4) = 0 钴(4.5,5.4) = 0
5.1 _ 1 41 10 -- --
5.2 _ 3 39 8 -- --
任务5
5.3 _ 2 38 9 -- --
5.4 _ 4 29 8 -- --
表4对比了遗传算法和分布式ALC方法获得的信用感知共享制造资源配置的最优结果。可以看出,分布式ALC方法取得了与基于GA的集中式优化方法相同的优化分配结果(即选项、目标函数值)。
表 4 . 共享制造资源的优化配置结果。
遗传算法(GA) 分布式ALC
1 氧1.1 9 40 10 氧1.1 9 40 10
2 氧2.1 20 54 10 氧2.1 20 54 10
4 4.5 _ 12 32 10 4.5 _ 12 32 10
5 5.4 _ 4 29 8 5.4 _ 4 29 8
然后分析了ALC方法在解决共享制造资源分配问题上的性能。分析包括两个方面。第一个方面是关于ALC方法的收敛性能。第二个方面是关于优化结果的获得率的表现。为了更好地说明,终止容忍
的情况 , ,和 在本节中进行了研究。
整个优化过程完成的迭代次数用于评估每种方法的收敛性能。对于不同的终止容差,GA方法和分布式ALC方法在解决信用感知共享制造资源分配问题时的迭代时间比较如图8、图9和图10所示。如
图8所示,当端接公差设置为 ,遗传算法和分布式ALC运行50次的平均迭代次数分别为52.36、14.72。如图9所示,当端接容差设置为 ,遗传算法和分布式ALC运行50次的平均迭
代次数分别为60.56、15.02。如图10所示,当端接容差设置为 ,遗传算法和分布式ALC运行50次的平均迭代次数分别为61.00、15.18。因此,GA方法比ALC方法需要更多的迭代次数来
完成整个过程。由此可见,ALC方法在解决信用感知的共享制造资源分配问题上具有较好的收敛性能。
https://www.sciencedirect.com/science/article/pii/S027861252100042X#sec0065 8/16
2024/1/26 11:04 Digital twin-driven service model and optimal allocation of manufacturing resources in shared manufacturing - ScienceDirect
下载:下载高分辨率图像 (195KB)
下载:下载全尺寸图像
图8 . 迭代次数 ( )。
下载:下载高分辨率图像 (205KB)
下载:下载全尺寸图像
图9 . 迭代次数 ( )。
下载:下载高分辨率图像 (201KB)
下载:下载全尺寸图像
图10。迭代次数 ( )。
如5.1节所述,信用感知共享制造资源分配问题的已知优化结果为0.1892。对于不同的终止容差,GA方法和分布式ALC方法得到已知优化结果的速率比较如图11、图12和图13所示。如图11所示,
当端接容差设置为 ,遗传算法和分布式ALC得到优化结果的率分别为20%、70%。如图12所示,当端接容差设置为 ,遗传算法和分布式ALC得到优化结果的比率分别为26%、
68%。如图13所示,当端接容差设置为 ,遗传算法和分布式ALC获得优化结果的比率分别为26%、64%。可以看出,ALC方法比GA方法获得已知优化结果的比率更高。因此,ALC方法在
解决信用感知的共享制造资源分配问题上更加可靠。另外,如图11、图12、图13所示,GA方法得到的最优值的波动范围远大于ALC方法,这表明ALC方法的稳定性优于ALC方法。遗传算法方法解
决信用感知的共享制造资源分配问题。
下载:下载高分辨率图像 (258KB)
下载:下载全尺寸图像
图11。优化结果获得率( )。
下载:下载高分辨率图像 (247KB)
下载:下载全尺寸图像
图12。优化结果获得率( )。
https://www.sciencedirect.com/science/article/pii/S027861252100042X#sec0065 9/16
2024/1/26 11:04 Digital twin-driven service model and optimal allocation of manufacturing resources in shared manufacturing - ScienceDirect
下载:下载高分辨率图像 (228KB)
下载:下载全尺寸图像
图13。优化结果获得率( )。
5.2 . 共享制造资源管理平台原型系统
在本节中,开发了一个原型系统来证明所提出方法的可行性。系统实现了共享资源管理、共享资源分配和进程监控三大功能。图 14给出了系统的概述。
下载:下载高分辨率图像 (1MB)
下载:下载全尺寸图像
图14。共享制造资源管理平台。
图14 (a)显示了系统的主页。包含资源分类导航和需求分类导航,以及资源和需求。
图14 (b)示出了系统的资源管理模块。提供商以统一、标准化的格式注册加工中心、数控机床、检测仿真设备等制造资源,形成各类松耦合的虚拟资源,实现服务的虚拟共享。提供者还可以在“我
的资源”模块中修改和删除共享资源。所有提供的服务形成各种服务库。例如车削服务、铣削服务。如图14 (b)所示,通过基础信息、加工信息和QoS的收集和转换来注册高速CNC。
图14(c)显示了资源分配模块,包括三个主要步骤:1)需求提交,2)需求匹配,3)生产计划。客户统一描述制造任务,提交要求和加工方法。然后,将任务分解为子任务,对子任务进行匹
配,得到候选资源集。通过调用优化方法来执行资源分配。最终得到详细的优化生产计划。
图14(d)和(e)示出了生产过程监控模块,其包括两个主要部分:1)物理车间,2)虚拟车间。生产过程监控主要由设备运行状态监控、任务进度跟踪、生产进度及物料消耗监控、工艺参数监
控等组成。监控可以实时展示。如图14 (d)和(e)所示,ID为L001的高速CNC在物理车间正常运行以完成任务1,在虚拟空间中进行仿真和成本分析。
5.3 . 管理影响
共享制造模式将成为新一轮工业革命的重要驱动力。这种共赢的合作模式不仅可以满足大型制造企业(如沉阳机床集团[ 7 ])的改革创新要求,也有利于中小型制造企业的创业发展:1)有利于经
济收入的增加(通过租赁闲置的制造资源和能力来获得额外的经济回报),2)还有利于制造成本的降低,如以较低的成本按需获取外部资源。共享制造可以满足资源不足、资金短缺的中小型制造
企业的发展需求。因此,它具有促进可持续生产的潜力和推广的可行性。
6 . 结论
在共享经济和新一代信息技术的推动下,共享制造被提出,实现大规模制造资源和能力的充分共享。共享制造有利于中小企业增加经济收入、降低制造成本。本文尝试使用数字孪生和ALC方法来解
决共享制造中的信用感知资源分配问题。
本文的主要贡献总结如下。首先总结了共享制造的概念和特点,在此基础上设计了共享制造资源服务模式和资源配置的总体架构。其次,考虑共享资源的多个生产域,构建共享制造资源的数字孪生
服务模型。三是构建共享制造资源信用感知配置模型,促进可信贸易。第四,引入分布式优化机制来解决共享制造中的信用感知资源分配问题。第五,通过案例研究验证了ALC方法解决所提出问题
的有效性。此外,还开发了共享制造资源管理平台原型系统,验证了该方法的可行性。
未来的工作可能会从几个方面进行。
(1)制造资源的生产调度。与企业独立资源的管理相比,共享资源的管理更加动态(例如设备可以随时加入或退出共享服务)。这样一来,生产调度的难度就会大大增加。
(2)共享和非共享资源的动态控制。由于客户需求的波动性,很难准确预测。为了实现收益最大化,资源提供商需要根据客户需求的波动,及时适当调整共享资源和非共享资源的分配比例。
(3)定制服务的成本控制和效率提升。共享制造的一大优势是提供定制服务。与普通服务相比,定制服务往往具有成本高、耗时长等特点,因此共享定制服务的低成本、高效运营成为重要问题。
竞争利益声明
作者声明,他们没有已知的可能影响本文报告工作的相互竞争的经济利益或个人关系。
致谢
https://www.sciencedirect.com/science/article/pii/S027861252100042X#sec0065 10/16
2024/1/26 11:04 Digital twin-driven service model and optimal allocation of manufacturing resources in shared manufacturing - ScienceDirect
作者谨此感谢国家自然科学基金(批准号U2001201)、国家重点研发计划(2019YFB1705401 )的资助。
Recommended articles
参考
[1] 王杰、张勇、刘勇、吴娜 _ _ _
基于多代理和讨价还价游戏的物联网灵活作业车间实时调度
[2] 徐旭 _
从云计算到云制造
[3] 郭子、张勇、赵小、宋小 _ _ _ _
基于CPS的智能生产物流系统自适应协同控制
[8] P. Jiang, P. Li
Shared factory: a new production node for social manufacturing in the context of sharing economy
Proc Inst Mech Eng Part B J Eng Manuf, 234 (2020), pp. 285-294, 10.1177/0954405419863220
View in Scopus Google Scholar
[10] Y. Lu, X. Xu
Resource virtualization: a core technology for developing cyber-physical production systems
Proc Inst Mech Eng Part B J Eng Manuf, 227 (2013), pp. 1901-1915, 10.1177/0954405413492966
https://www.sciencedirect.com/science/article/pii/S027861252100042X#sec0065 11/16
2024/1/26 11:04 Digital twin-driven service model and optimal allocation of manufacturing resources in shared manufacturing - ScienceDirect
[14] Y. Wang, Z. Wu
Model construction of planning and scheduling system based on digital twin
G.G. Lenssen, N.C. Smith (Eds.), Creating shared value BT - managing sustainable business: an executive education case and textbook, Springer Netherlands, Dordrecht (2019), pp. 323-346,
10.1007/978-94-024-1144-7_16
Google Scholar
[19] Y. Lu, X. Xu
Cloud-based manufacturing equipment and big data analytics to enable on-demand manufacturing services
Proc Inst Mech Eng Part B J Eng Manuf, 230 (2016), pp. 1961-1968, 10.1177/0954405416666903
View in Scopus Google Scholar
[24] J. He, X. Gu
Value analysis of shared warehousing system based on Web
Jisuanji Jicheng Zhizao Xitong/Computer Integr Manuf Syst CIMS, 24 (2018), pp. 2322-2328, 10.13196/j.cims.2018.09.020
View in Scopus Google Scholar
[28] N. Chungoora, G.A. Gunendran, R.I.M. Young, Z. Usman, N.A. Anjum, C. Palmer, et al.
Extending product lifecycle management for manufacturing knowledge sharing
Proc Inst Mech Eng Part B J Eng Manuf, 226 (2012), pp. 2047-2063, 10.1177/0954405412461741
View in Scopus Google Scholar
https://www.sciencedirect.com/science/article/pii/S027861252100042X#sec0065 13/16
2024/1/26 11:04 Digital twin-driven service model and optimal allocation of manufacturing resources in shared manufacturing - ScienceDirect
Part data integration in the Shop Floor Digital Twin: mobile and cloud technologies to enable a manufacturing execution system
https://www.sciencedirect.com/science/article/pii/S027861252100042X#sec0065 14/16
2024/1/26 11:04 Digital twin-driven service model and optimal allocation of manufacturing resources in shared manufacturing - ScienceDirect
Google Scholar
[52] Y. Zhang, D. Zhang, Z. Wang, C. Qian
An optimal configuration method of multi-level manufacturing resources based on community evolution for social manufacturing
IEEE Trans Syst Man Cybern Syst, 50 (2020), pp. 2386-2397, 10.1109/TSMC.2018.2814686
Google Scholar
Proc Inst Mech Eng Part B J Eng Manuf, 233 (2019), pp. 1890-1901, 10.1177/0954405418808190
View in Scopus Google Scholar
Cited by (72)
Knowledge-aware manufacturing services collaboration: A comprehensive study of evolutionary transfer optimization approaches
Show abstract
GRU-based digital twin framework for data allocation and storage in IoT-enabled smart home networks
Show abstract
Show abstract
How the digital infrastructure construction affects urban carbon emissions—A quasi-natural experiment from the “Broadband China” policy
Show abstract
An innovative model of personalized product service system (PPSS) for open community collaborative supply (OCCS): Selection, configuration, and optimization
Show abstract
Show abstract
https://www.sciencedirect.com/science/article/pii/S027861252100042X#sec0065 15/16
2024/1/26 11:04 Digital twin-driven service model and optimal allocation of manufacturing resources in shared manufacturing - ScienceDirect
View Abstract
© 2021 The Society of Manufacturing Engineers. Published by Elsevier Ltd. All rights reserved.
All content on this site: Copyright © 2024 Elsevier B.V., its licensors, and contributors. All rights are reserved, including those for text and data mining, AI training, and similar technologies. For all open access content, the Creative Commons licensing terms apply.
https://www.sciencedirect.com/science/article/pii/S027861252100042X#sec0065 16/16