数字孪生技术推动工业园区产—运—存联动

数字孪生驱动下的“产—运—存”联动（即生产—运输—存储）体现在物理与信息的高度融合，对“产—运—存”动态运行过程进行精准映射，并在动态干扰下建立关联单元间的动态协同。

5.5.1　“产—运—存”联动运作分析

5.5.1.1　“产—运—存”运作问题分析

工业园区“产—运—存”运作过程中，生产、运输和存储各环节虽为各自独立的决策体，却在运作上紧密关联。如图5-40所示，“产—运—存”运作流程由外部客户需求驱动，生产单元依据外部需求和内部资源进行生产计划决策并严格按照决策结果执行生产；运输环节按照生产下线结果进行运输计划决策；存储环节的库位规划决策则以运输计划结果中产品的入库信息为依据。工业园区“产—运—存”高效运作的最理想状态即各决策主体的决策结果高度协同以及运作过程无缝衔接。然而，传统工业园区“产—运—存”各环节决策过程大多为串行式的单元内部局部优化过程，由于缺乏从全局的角度进行有效的协同，加之信息沟通不顺畅，极易因运作过程衔接不当而导致资源浪费、运作成本高等问题。如生产环节，由于操作水平不均衡、物料配送不及时、设备运行不稳定等动态性所引发的生产节拍变动造成成品下线不及时，与其相关联的生产和物流环节无法根据其动态性对生产节拍、发车频率和库位规划进行适当的调整，从而导致产品等待，资源浪费等问题；物流环节，由于配送路径改变、运输车辆故障、车辆运行变化等动态性造成运输车队无法在预定的时间以预定的车载能力将成品运输入库，导致生产环节在制品积压、存储环节出现成品库存等待等问题。

5.5.1.2　“产—运—存”动态联动挑战

由上述分析可知，工业园区“产—运—存”运作是一个涉及多环节、多决策体的复杂网络系统，各个环节紧密联系在一起。生产、运输和存储三者之间的高度耦合性使得任何一个环节的不确定性都将引起整个生产物流的不同步。尽管越来越多的生产企业通过动态引入外部资源、柔性重组生产系统、适时调控生产流程来满足客户不断变动的个性化需求。然而，资源与流程重复使用频率的降低却给生产系统运作过程引入了不可避免的动态性。面向具有不确定资源和流程的生产系统，精准地获取、评估并消解动态性干扰，时刻将系统执行过程控制在可能达到的最优状态，是此类生产系统进行管理和控制最理想的状态。目前工业园区“产—运—存”多阶段系统联动运行在状态监控和过程管控方面存在以下3个层面的挑战。

（1）缺乏实时的复杂系统动态性感知手段。由于复杂的“产—运—存”系统各环节涉及人员、设备、物料、车辆、库位等大量动态数据，因此实时动态信息的获取是实现大型系统协同优化决策和动态联动控制的重要支撑。传统工业园区“产—运—存”系统由于缺乏有效的感知手段难以实现对实际执行过程动态信息的全面感知和实时监控，从而无法全面了解系统的实时运作状态，导致不能对动态干扰做出及时的响应。

图5-40　工业园区“产—运—存”运作流程图

（2）缺乏定性的实时动态系统性建模框架。传统“产—运—存”系统的建模仿真过程所得到的结果往往是基于历史数据的静态模型，针对这种基于静态模型所做出的决策只是经验性的决策，而不是实时的精准性决策。由于缺乏在生产系统特定状态下对动态性进行多维度、适应性考量的系统性建模框架，不能将实时散漫动态因素与静态模型相结合，无法形成大型系统实时动态模型进行实时精准决策，导致无法结合外部需求和内部资源约束对系统进行实时动态联动决策。

（3）缺乏定量的多单元实时协调管控机制。“产—运—存”系统各环节之间的决策相互独立，并未考虑其他关联环节的资源与约束进行协同决策。由于缺乏实现系统多单元实时动态协调的控制机制对动态建模后的系统进行定量引导，使得大系统无法根据各关联环节的动态性变化进行实时协调管控，从而导致整体运作水平呈局部管控、静态优化，而非全局管控、动态优化。针对上述问题分析，实现工业园区“产—运—存”多决策环节间联动决策运行不仅需要构建物理系统实时状态感知与虚拟系统信息融合架构，更需要一种联动决策方法为多单元联动决策提供实际方法支撑。而这也形成了数字孪生控制体系下面向高动态性工业园区“产—运—存”联动决策与控制方法的关键内容。

5.5.2　数字孪生框架下的联动决策解决方案

如上节所述，工业园区系统的高效运作需要各决策单元的高度协同运作来保证，同时要求各决策单元能够在高频动态干扰下根据实时状态信息进行自主的、适应性的及时动态调整，以消除或减少动态因素对系统造成的影响，实现“产—运—存”全流程无缝化、智能化协同运作。这种在实时数据的支撑下，通过对动态性的评估，系统采用关联单元之间的协同决策以保证系统平稳、顺畅、高效协同运作的方法即为联动机制。基于联动思想，提出一种基于数字孪生的单元级联动决策解决方案。

5.5.2.1　基于数字孪生的联动信息架构

为实现工业园区“产—运—存”实时、自适应协同决策和联动控制，本节将经典的数字孪生映像体系扩展为符合实时联动需求的数字孪生控制体系，构建基于数字孪生的智能“产—运—存”实时联动信息架构，如图5-41所示。采用基于实时状态感知的虚拟映射技术和智能联动决策方法，为实现生产、物流无缝衔接和高效联动运行提供基础信息和服务支撑。该信息架构包括物理对象层、虚拟模型层、联动服务应用层3个层级。

图5-41　孪生数据驱动的“产—运—存”联动决策信息架构图

（1）物理对象层。主要通过RFID/二维码多源标签、传感器、无线传感网络（wireless sensor networks，WSN）、GPS等智能感知与定位技术对生产环境人、机、物、环境等全要素多源异构信息进行实时感知和监控，实现动态“产—运—存”物理环境的智能感知与互联、实时交互与控制、智能协作与共融。

（2）虚拟模型层。基于物理对象层所采集的生产执行环境多维度、多粒度异构静态模型数据和动态运行数据，将物理层的各个“产—运—存”物理执行单元通过孪生建模技术在虚拟层映射为可反映其实时运行状态的虚拟执行单元，并依照对应于物理层的“产—运—存”运作关系在虚拟层形成虚拟运作系统，对物理层的“产—运—存”运作过程进行系统性实时精准映射和动态反馈控制。

（3）联动服务应用层。在对系统执行状态和环境动态性进行实时精准识别和综合有效评估的基础上，各虚拟执行单元依照管控模型嵌入决策算法（例如生产调度算法）形成虚拟决策单元，并在基于目标级联法所开发的分布式协调框架下进行全局最优协同决策。同时，以服务的形式封装到定制化的物理层交互式智能应用系统中，从而实现信息决策和物理执行的交互和反馈，实现决策过程智能化、运行状态可视化、执行过程可控化。

5.5.2.2　实时动态性驱动的联动决策方法

5.5.2.1节介绍了如何在数字孪生控制体系驱动下为“产—运—存”系统提供精确的实时信息和充足的资源。尽管如此，如何利用这些零散的信息和资源构建大型系统实时动态模型，并在实时动态性驱动下进行实时联动决策来支持“产—运—存”系统高效协同运作是大型“产—运—存”系统过程控制的关键战。本节从定性的角度提供数字孪生控制体系下面向动态性因素的联动决策方法，引入针对多种动态因素影响范围的联动决策机制，将传统以物理对象的“精确映像”为目标的“虚拟模型层”扩展为以联动式生产运作“全生命周期联动决策”为核心的“虚拟决策层”，实现复杂动态环境下大型“产—运—存”系统全生命周期联动决策，减少甚至消除由于动态性造成的协同差异化、提高协同运作精度、减低协同运作成本。实时动态性驱动的联动决策流程图如图5-42所示，其具体过程如下：

（1）物理对象感知。基于物联网感知技术和信息物理融合技术对车间执行现场硬件资源（包括设备运行参数、资源能力信息、人员通勤情况）和软件资源（制造执行系统、物料需求计划、企业资源计划）等多尺度、全要素信息进行实时感知、采集和融合，形成全要素实时信息互联共融和全流程执行情况动态监控的数字化感知环境。

（2）基本静态建模。生产过程计划阶段，基于所采集的“产—运—存”全流程实时多尺度融合数据（人、机、物、单、能等），构建“产—运—存”物理环境的多视图基本静态模型。同时，基于定量的多单元协调决策机制在系统优化目标指导和优化规则约束下通过目标级联、参数耦合、约束关联进行生产计划、运输计划和存储计划的协同优化决策制定初始的运作计划，为“产—运—存”系统协同优化运作提供指导。

（3）实时动态仿真。生产过程执行阶段，基于计划开始执行前所形成的基本静态模型，以驱动事件和变迁时间为驱动，虚拟模型层对“产—运—存”系统底层物理环境的实时运作情况进行完整的镜像映射，构建实时的动态虚拟模型，同时基于实时生产数据、历史生产数据等车间孪生数据对“产—运—存”过程进行监控、仿真、评估及预测。在预测扰动因素的作用下通过对比实际运行结果与实时系统优化状态，根据预期执行偏差值判断对系统的影响范围从而触发多单元实时联动决策机制。

（4）实时协调管控。针对虚拟模型层实时动态仿真及预测结果，基于多学科优化的大系统多单元联动决策模型对复杂动态性作用下的生产过程进行前摄性建模与过程定量描述，从而进行联动状态判断与优态路径引导，生成“产—运—存”系统实时优化运行决策并以调控指令的方式对物理层资源配置结构、设备运行参数、车间作业计划等进行实时调控，实现“产—运—存”运作实时在线调整。

（5）系统各层级重复以上过程反复迭代修正优化，实现大型系统全生命周期多单元协同优化运作。

图5-42　实时动态性驱动的联动决策流程图

5.5.3　“产—运—存”联动决策数学模型

从定量的角度建立孪生层的多个独立决策、联动运作的“产—运—存”多单元决策模型，并采用目标级联法（analysis target cascading，ATC）对其以全局优化、分布控制的模式进行系统性协调与控制，解决复杂系统在动态干扰下的实时联动决策问题。

5.5.3.1　模型假设

批量生产是典型的生产方式，被广泛应用于工业中，例如涂料和食品企业。批量生产的特点包括：①高柔性机器；②多品种，小批量客户订单；③半连续生产过程；④在不同时刻使用的资源可以共享。本节以批量生产方式的典型化工园区生产运作为研究对象，基于上述实时动态性驱动的联动决策方法，研究其生产、运输和存储的多单元协调优化和联动决策问题。由于涂料产品具有高度定制化的特点，不同客户对于相同产品的颜色、粒径、光泽等要求各不相同。假设园区中每个制造商生产一种产品，来自同一客户订单的不同产品被拆分到不同的制造商生产以减少定制化需求对制造商生产资源的约束。Milk-Run运输模式具有多频次、小批量的特点，可以通过运输规模效应减少运输成本。因此，运输环节考虑固定运输频率的Milk-Run方式。固定频率指运输车辆以设定的最小时间间隔的整数倍派发车辆，车辆按照规定的路线循环到各制企业下线点进行取货。存储过程考虑平面仓库，为到达的产品安排库位规划，每个客户订单必须等待所有的产品均到齐后才可发货。综上所述，本节考虑客户动态需求的影响，为简化问题并不失一般性，问题假设如表5-12所示。

表5-12　问题假设表

5.5.3.2　基于目标级联法的联动优化过程

目标级联法（ATC）是一种基于模型的、多层级的、分层的系统设计优化方法［88］，通过将最初的原始系统划分为一系列具有层级之分的子系统，各个子系统有它们自己的分析模型，进而一个大的复杂设计问题被转化为更小的子问题。ATC方法将整个联动系统的动态目标传递过程转化为具有多个层次结构的子系统实时优化过程：各个子系统由其上一级父系统来协调优化，最后达到整个系统的全局优化。

5.5.1.2节挑战分析中提到，虚拟层中各单元均为相互独立决策的个体，由于缺乏参数的关联和约束的耦合，各单元按照各自的局部目标进行独立决策所得到的结果无法保证系统的全局最优。按照ATC算法的结构和建模思路，5.5节将工业园区“产—运—存”联动优化问题按照在生产中完成的任务从下到上分为生产层、运输层和存储层，分别包含车间生产调度子系统、车队运输调度子系统和仓库库位规划子系统。为实现各独立决策单元的全局优化，各子系统之间通过目标级联和参数关联进行全局协调，具体优化过程如图5-43所示。存储层以累计成本TC与系统层目标总成本T偏差最小为目标进行仓库库位规划，同时以订单运输时间合变量对运输层子系统进行协调，保证订单在库时间最短；其次运输层优化结束后将反应变量上传回存储层并以订单下线时间，子系统进行协调，保证同一订单的产品在不同车间下线时间一致；最后，生产层优化后将反应变量上传到运输层。通过以上过程反复迭代直到优化过程收敛到最优解，从而实现“产—运—存”多单元的全局优化决策。

图5-43　“产—运—存”系统ATC分层结构图

5.5.3.3　数学建模

通过前文对“产—运—存”运作的分析，工业园区系统最理想的状态是各独立运作单元之间协同一致运作，具体表现为客户订单的下线时间、运输时间和入库时间的一致性；效益上则以最大的资源利用率和最小的成本来满足客户需求为评价指标，因此在ATC各建模层次设计过程中，以总成本最小作为系统目标，分别以订单下线时间、运输时间和入库时间以及各层的累计总成本作为各层的耦合变量进行数学建模，其具体参数符号如表5-13所示。

表5-13　参数符号信息

续表

续表

(www.chuimin.cn)

（1）存储单元数学模型。

存储单元为运输入库的成品安排库位。为保证货物周转顺畅，订单在库时间必须尽可能短。该层模型中，将成品在库时间转换为仓储成本TCwar。如前文所述，同一订单的不同产品入库时间不一致将间接延长订单的在库时间，因此本层模型与运输层以车间h订单i运输时间为耦合变量，本层目标为最小化存储层累计总成本。

目标函数：

式中：TC为生产物流系统总成本，T为系统层目标总成本，ε0为反应误差，，TCtran和均为运输层上传到本层的反应变量。其中生产物流系统总成本TC由运输层累计成本TCtran、库位使用成本TCwar和订单延迟成本TCtar构成。

约束条件：

其中：式（5-4）和式（5-5）分别表示库位使用成本和订单延迟成本；式（5-6）表示生产单元生产各个订单的总数量；式（5-7）表示不考虑运输车辆在途中的运输时间，订单的运输时间即为入库时间；式（5-8）表示订单中的最后一个产品入库时即可出库发货；式（5-9）表示任一时刻被使用的货道数量约束；式（5-10）表示订单的入库数量等于订单的总数量；式（5-11）表示货道的容量约束；式（5-12）表示任一时刻一条货道最多只能放两个订单。

（2）运输单元数学模型。

运输单元为不同生产车间下线的成品安排车辆运输到仓库。为保证成品下线后能够及时入库，减少下线点的积压，订单运输时间必须尽量与下线时间一致，故本层模型与生产单元的耦合变量为成品下线时间，因运输不及时造成的下线点缓存成本为

目标函数：

式中：TCtran为运输层累计总成本，为车间h订单i的运输时间，ε1为反应误差，和为生产单元上传到本层的反应变量；其中运输层累计成本TCtran由下线点缓存成本、生产成本和派车成本Cv构成。

约束条件：

其中：式（5-15）表示运输层累计成本，为生产成本、缓存成本和派车成本之和；式（5-16）为生产下线点缓存成本；式（5-17）表示入库时间约束，订单i的入库时间等于所运班次的发车时间；式（5-18）表示订单运输约束，一个订单只能由一辆车运输；式（5-19）表示派车约束，每个发车时间只能派一辆车取货；式（5-20）表示运输车载量约束，每一发车班次所运输订单总数不超过所派车辆的载重。

（3）生产单元数学模型。

生产层为各个车间合理地分配订单的加工顺序，使同一客户订单的不同产品在不同车间尽可能同时完成。将各生产车间订单的下线时间作为耦合变量传回运输层，生产层目标是加工完所有产品的时间最短，xi，j，kj和yi，q为生产层各子系统优化的决策变量，分别确定订单在各车间的加工机器和订单加工先后顺序。

目标函数：

其中：式（5-22）为生产层的目标函数，即最大完工时间最小化和订单下线时间差最小，Ci，J为生产车间最后一个下线订单的完工时间，和为运输层为生产层各子系统设置的调度目标。

约束条件：

其中：式（5-24）为订单i的第j道工序的完工时间；式（5-25）为工序加工顺序约束，表示工序必须在上一道工序完工后才能开始加工；式（5-26）表示订单下线时间为最后一道工序的完工时间；式（5-27）表示同一时刻一道工序只能在一台机器上加工；式（5-28）订单加工顺序中，每个优先级位置只能对应一个订单。