[发明专利]一种边云协同数字孪生智能排产应用运行位置适配方法

说明书

本发明提供了一种边云协同数字孪生智能排产应用运行位置适配方法，应用的智能排产系统包括云层、边缘层和设备层。在边缘层和云层都设置生成的数字孪生系统；在云层设置有适配策略控制器。适配策略控制器在生产过程中动态感知边缘以及云端资源状态、应用属性等，以最小化数字孪生智能排产决策周期延迟为目标，分确定环境和非确定环境两种情况下对数字孪生智能排产应用的运行位置进行实时适配切换；在非确定环境下采用基于预测的数字孪生智能排产应用运行位置实时适配切换。采用本发明方法确定数字孪生智能排产应用运行位置，减少了基于数字孪生系统由于数据交互以及指令下达存在延迟所带来的性能减损，提高了基于数字孪生排产精度的保障。

技术领域

本发明涉及工业智能排产、数字孪生、边缘计算等技术领域，具体涉及一种基于边云协同的工业数字孪生智能排产应用运行位置适配方法。

背景技术

实施车间作业调度(JSS,Job Shop Scheduling)，即智能排产是指将生产任务分配至生产资源的过程。在考虑能力和设备的前提下，在物料数量一定的情况下，安排各生产任务的生产顺序，优化生产顺序，优化选择生产设备，使得等待时间减少，平衡各机器和工人的生产负荷，从而优化产能，提高生产效率。

生产排产将一批工件分配给有限个设备加工，每个工件有特定的加工工艺，通过安排工件在每台设备上的加工顺序，优化某些指标，如加工时间、设备能耗、设备利用率等。然而在实际生产过程中，各种动态扰动因素会对调度过程产生巨大干扰，甚至导致原有调度方案无法正常执行。其中，由设备磨损、疲劳、破损等引起的设备不可用是主要扰动。

当前，随着物联网技术的发展，越来越多的车间数据，如设备运行状态、环境数据、工件参数等，能够被获取，并用于预测设备的可用性，然而这些数据仍不够全面，这是因为他们主要由传感器测量得到，对于难以直接测量的数据缺乏考虑。而数字孪生技术能够在考虑传感器测量数据的同时，基于数字孪生模型仿真得到大量难以直接测量的数据，并通过融合两种数据提升预测模型的准确性。同时，基于数字孪生的多维模型能够对设备的尺寸形状、物理参数、能耗行为、规则约束等多为属性进行描述，从而在生产任务执行前，对生产调度方案的性能指标进行全面评估，使其满足预定义的要求。最后，数字孪生技术具有三个重要特性：实时性、动态性和双向性。

传统基于数字孪生的生产排产将排产应用部署在云服务器中，然而云计算服务器距离用户较远。因此，获取到车间状态数据实时性差，无法满足数字孪生对实时性的要求，因此导致直接测量的实时物理数据以及由这些数据预测的仿真数据精度下降，由此导致智能排产应用精度下降。

因此，现有一些研究开始将数字孪生系统部署在边缘服务器中。边缘计算是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间，或处于物理实体的顶端。而云端计算，仍然可以访问边缘计算的历史数据。

边缘侧服务器可以实时对生产状况进行数据获取与监控，部署各类数字孪生应用可以降低任务处理时延、节省带宽，但是通常来说边缘侧底层资源能力受限，在资源紧张的情况下，受限且异构的边缘计算、存储和网络资源导致基于数字孪生的智能排产应用排产效率低、决策周期延迟高，很难适应实时动态变化的工业互联网环境。

由于数据传输以及排产指令下达所带来的延迟是影响原本智能排产精度的重要指标。因此，相对于云端，边缘侧相对于用户较近，可以更实时获取表示车间状态的动态信息，包括工人在设备上完成某工序的实际花费时间，设备健康状态等，通过实时数据的获取，边缘侧服务器可以实时对生产状况进行监控，以实现基于数字孪生设备的精确排产。然而，边缘侧计算、存储和网络资源在忙时由于资源受限，很难承载基于数字孪生的智能排产应用。

发明内容