摘要：近年来，随着社会建设的不断发展，以车间生产、设备、能源、安全环境管理四大需求为出发点，以物联网、云计算、大数据等新兴技术为基础，利用仪表、传感器、PLC、SCADA等电控组件实时采集数据，实现对车间运行状态的数字化管控。同步开发移动端应用，用以实现远程运维，节省人力成本。结合3D数字孪生模型，实现对异常设备快速定位排障。自动生成生产物量、设备运行状态、能源消耗等日常报表，对车间总体状况作全面分析，迭代优化，提升效率。

关键词：数字化工厂；车间智能；管控系统；总体架构

引言

我国造船行业已连续多年位居全球市场份额第一，产能结构也在逐步优化。但由于超大型钢结构产品的特殊性，不管是车间生产还是总装搭载阶段，自动化程度都不高。在单位成本、能源环保、精益管理等方面也有很大的提升空间。

1总体架构及兼容扩展性

兼容扩展性，本系统兼容车间内已安装的电气控制组件，包括PLC、CC-LINK总线、SCADA、组态软件等，部分不具备数据远传功能的机械式仪表需要更换。本系统接口协议开放，可与部分工厂已部署的ERP、企业云、OA等管理系统互通数据，企业管理层和平级部门可根据不同授权，按需要实时直接查看车间运行数据。系统数据流架构、硬件网络结构系统总体架构划分为如下层次。SCADA：集中采集和控制PLC中设备IO点，并提供监控图、趋势图、报表统计等。数据转发：MQTT数据转发模块通过OPC采集组态系统IO点数据，组成主题报文，使用MQTT协议，发布到消息中间件EMQx。消息中间件：使用EMQx接收数据主题报文，并通过规则引擎将报文解析存入时序库TDEngine中。同时可向其它数据消费者直接提供消息订阅服务，以便于对实时数据进行展示和处理。通过消息中间件，有效地解除了上层业务系统之间、上层业务系统与下层数据集采应用之间的耦合程度。数据持久化：时序数据库TDEngine负责高频数据的持久化存储，满足上层业务系统分析时的数据需求。关系数据库MySQL存储设备信息、数据映射、缩频过滤和统计结果等。

2智能管控

2.1生产任务自动排产与调度

机加零部件生产具有多品种、大批量、长流程、混线生产的特点，在排产调度约束方面具有突出的自身特点。机加生产过程排产约束。综合考虑4方面的约束：1）订单交货期、生产数量、工艺流程、工时等基本约束；2）订单整体分批、过程分批等订单柔性组织约束；3）订单整体流水、过程流水、单一工艺工序拆分到多设备上的并行生产等周转组织约束；4）车间所具有的加工关联牵引的协调生产约束等。主要采用启发式规则和智能优化算法相结合的思路，在人机交互方面，采取支持工作日制调整、更换设备、更换队列等方式，支持充分发挥调度人员的经验以及排产安排习惯，生成更加符合实际的适用性排产方案。基于自动排产与人机交互的多品种混线生产智能排产与动态调度技术方案。机加生产中存在较为突出的大批量生产型订单，一般属于批产性订单，采用压件式周转和设备组分配的方法，为大规模批产性订单提供流水式生产周转保证。其中：压件策略将采用平行顺序移动的处理方式计算前后关联工序的开始-结束时间得以实现；并行策略采用基于可用设备列表以及考虑前后工序生产节拍的均衡性进行分配和计算。针对在执行过程中存在大量各种形式的生产扰动，基于执行状态反馈的动态调度技术通过分析生产扰动事件的影响调整方式，采取分类模块化的处理思路，实现对作业排产方案及时有效的动态调整。通过对典型生产扰动事件进行分析可知对排产调度方案的影响主要体现为：移动调整、插入调整、删除调整、追加调整4种基本调整方式，从而为后续分类模块化的处理方式提供了支持。

2.2分布式数据采集与存储

数据采集与交互技术，机加车间设备提供对外通信接口，车间现场层通过通信接口提供制造执行过程数据，数据采集与交互层通过协议解析，实现设备数据的自动采集，包括：开停机状态、坐标、主轴转速、报警、忙闲等设备状态数据；工艺步骤、工艺参数等工艺数据；合格/不合格数量等在制品相关数据。通过数据融合处理将数据分发给上层管控系统，同时接收管控系统的生产指令及相关工艺参数文件，分发给现场的设备进行加工。制造执行过程数据管理。生产过程中涉及的设备数据具有数据量大的特点，主要包括计划数据、设备数据、质量数据等。建立制造执行数据中心，用以存储和管理制造过程现场的实时数据和非实时数据，实现数据的分类、分级、统一管理，为制造执行过程管控提供统一的数据源，指导和优化生产过程。数据分类管理：采用数据库对采集的数据进行存储管理，按业务类型对生产相关数据进行分类存储，形成不同业务数据库，如生产任务数据库、设备数据库等。数据中心预留数据接口，为上层管控系统提供基础数据。管控系统根据需要从数据中心提取数据，进行数据查询、对比分析、生产过程可视化监控等公共操作，实现设备运行监控和管理功能。数据分级管理：针对设备运行状态、加工参数等实时性要求高、数据量大的数据，存放在实时数据库中；针对上层管控系统计划、设备管理等业务数据，存放在业务数据库中。通过对实时数据库中的数据进行融合、抽取、处理、装载等操作，实现两级数据库的数据转换、共享。

3车间生产行为智能管控的核心需求

3.1车间宏观管控——人员检测、位置定位、轨迹追踪

生产车间内的不同作业区域通常有着严格的人数要求，作业期间人员也必须专注于生产任务，不得随意离开作业区域。车间内对于人员的宏观管控通常可分为三个步骤——人员检测、位置定位、轨迹追踪。人员检测是指从大量的视频图像数据中识别出可能存在的人员的过程。传统的方法通常着眼于视频图像的帧间差异，分析同一坐标的像素在时间域上的变化规律，这类方法在面对持续移动的目标时有不错的效果，一旦停驻则会快速丢失目标。深度学习的方法则是依赖于网络模型强大的学习能力深入分析人员的多维度特征，在经历足够轮次的迭代优化后，得到的模型参数能够使得人员检测模型在面对复杂的车间场景也能够保证鲁棒性。人员位置定位是将图像中检测到的人员二维坐标映射到三维物理空间中的过程。一般而言，角度恒定的摄像机所采集到的图像中的每个像素点在三维物理空间中都有唯一的对应，两者间通过多次线性变换进行转化，过程中涉及到的大量参数则是基于摄像机的内外参拟定。人员的轨迹追踪可以看作是多次人员检测结果的集合，但当图像中的人员为复数时，需要额外考虑如何将相邻帧中多个人员的检测结果一一对应。目前，主流的方法仍旧是基于深度学习网络模型，融合人员服饰、体态、空间信息等多模态数据实现人员的重识别，再将连续的人员定位数据组合起来形成人员轨迹。

3.2车间微观管控——人员违规行为检测、规范行为指导

车间微观管控重点关注人员的肢体动作等信息，主要针对人员在车间范围内的制造、装配等行为进行分析。车间生产行为智能管控系统会对识别到的人员危险行为、不符合标准的制造装配行为进行警报，对部分操作繁琐、规范严格的工作岗位进行指导，确保车间生产作业过程安全、有序、高效。目前，主流的人体行为识别方法是基于三维人体关节点设计的。传统的基于关节点的方法采用手工特征表示人体行为，再用随机森林、AdaBoost、支持向量机等机器学习方法进行识别。然而，手工特征的设计过程中通常存在主观偏向且容易局限于某个特定的应用场景，难以在泛用性和准确性上达成双赢的局面。近年来，深度学习技术不断发展，其在各领域已经超越了传统方法。根据深度网络模型的种类区分，可分为RNN、CNN和GCN三类。

4系统实现与部署

4.1技术架构

系统采用基于JavaEE技术和B/S架构开发的WEB类应用，可快速移植到国产化操作系统，采用SpringApplicationFramework+Hibernate等组件，采用表现层（UI）、业务流程层（BPL）、业务逻辑层（BLL）、数据访问层（DAL）相分离的先进多层架构设计，采用“浏览器+应用服务器+数据库服务器”的多层架构，能够将表现逻辑、业务处理逻辑和数据访问逻辑分离开来，支持大量用户访问和海量数据的存储、检索和管理，同时确保应用系统的安全性和可靠性。

4.2现场部署

系统以某机加车间为实施应用对象，以车间生产组织过程为依据，开发大批量多品种混线生产智能排产与集成管控系统，数据采集与存储模块实现现场18台设备420项数据的秒级采集与存储，任务排产与调度实现现场10余项任务的排产与调度，智能管控模块实现任务、进度、产量等6项业务功能的数字化建模和集中管理。

6车间生产行为智能管控系统发展趋势

6.1基于片段信息的复杂生产行为时域定位和预测方法研究

行为识别的任务通常是分析给定的一段视频内可能存在的人体行为。但在实际车间生产过程中，行为起止的时间点是未知的。在识别生产行为的类别之前，需要先确定该行为发生的起始时间。在此基础上，车间摄像头自起始时间开始获取的视频流数据可理解为完整生产行为的片段信息，如何从片段信息中提取、凝练出能够表述整个生产行为的关键表达特征，是计算机视觉算法需要解决的重要问题。同时，需要考虑的是，许多生产行为在开始时的一段时间内具有较大的相似性，如何推测、定位两个生产行为差异产生的时间节点，并基于此实现完整生产行为的预测，对车间生产行为的实时检测有着至关重要的作用。总之，基于片段信息的复杂生产行为时域定位和预测方法，可以帮助实现车间生产动态信息的实时掌握，为车间生产行为智能管控系统提供实时的生产行为数据，保证车间的高效生产，并预测出可能出现的意外情况，从而在关键时间点做出及时、有效的矫正，规避意外风险。

6.2数字孪生驱动的车间生产行为智能管控技术

数字孪生技术旨在采用数字化手段多维度、多尺度地虚拟化物理实体，构建物理世界和虚拟世界深度融合与映射的纽带，并基于虚拟模型对物理实体及其行为进行仿真、分析和优化。目前，针对数字孪生技术的研究，大多都关注如何构建机器、产品、产线的数字孪生体，却忽略了人员在生产场景中的重要地位。如果能够在进入生产现场前，先用同样的数字化手段多维度、多尺度地虚拟化人体，构建真实、可靠的人体数字孪生模型，再通过计算机视觉技术在生产作业过程中对该人体数字孪生模型进行实时的修正，那么就能够获取到该工作人员最真实的物理状态，并基于此实现多模态数据融合的车间生产行为智能管控。

结语

在工业互联网相关技术的加持下，近年制造业正在以机械化、电气化、自动化为基础，快速向数字化、智能化方向转型升级。车间智能管控系统以传感器、仪表、网关等数据采集硬件为基础，以时序数据库、消息中间件、HTML5、关系数据库等网络技术为实现手段，将车间整体运行情况透明化，将传统上由个人经验主导的管理模式，转换为以实际运行记录为依据的数字化管理模式。本系统在运行一段时间并积累一定数据量之后，可以依托大数据算法，得到各个单一数据的正常运行区间，确定自动报警等场景的合理阈值，实现车间管理的智能化，进而提升生产效率、降低生产成本、减少单位产出能源消耗。

参考文献：

[1]冷羽.涂装生产线可视化监控平台的研究与设计[D].吉林大学，2022.

[2]廉迎战，向德志，罗声权，等.智能涂装MES系统软件分析与设计[J].机电工程技术，2022，12.

[3]柯裕根，雷纳尔·戴森罗特，沈斌.HYDRA制造执行系统指南完美的MES解决方案[M].北京：电子工业出版社，2022.