[论文解读] Enhancing an Intelligent Digital Twin with a Self-organized Reconfiguration Management based on Adaptive Process Models

Timo Müller, B. Lindemann+3 more|arXiv (Cornell University)|Jan 1, 2021

Flexible and Reconfigurable Manufacturing Systems参考文献 22被引用 3

一句话总结

本文提出了一种自组织重构管理机制，通过将自适应过程模型整合到智能数字孪生中，实现对信息物理生产系统（CPPS）的管理。该方法利用数据驱动学习持续优化配置模型，实现自主、最优的重构，通过实时适应与多准则评估，提升生产效率、成本与能效。

ABSTRACT

Shorter product life cycles and increasing individualization of production leads to an increased reconfiguration demand in the domain of industrial automation systems, which will be dominated by cyber-physical production systems in the future. In constantly changing systems, however, not all configuration alternatives of the almost infinite state space are fully understood. Thus, certain configurations can lead to process instability, a reduction in quality or machine failures. Therefore, this paper presents an approach that enhances an intelligent Digital Twin with a self-organized reconfiguration management based on adaptive process models in order to find optimized configurations more comprehensively.

研究动机与目标

• 为应对由于产品生命周期缩短和个性化需求上升导致的工业自动化中重构需求增加的挑战。
• 通过利用实时过程数据实现动态模型自适应，克服静态工程模型在重构管理中的局限性。
• 通过在智能数字孪生中采用数据驱动的自适应过程建模，提升重构决策的可靠性和最优性。
• 开发一种自组织、去中心化的自主重构方法论，通过运行反馈持续优化。

提出的方法

• 采用智能数字孪生，同步镜像物理CPPS，并持续收集实时过程数据。
• 应用学习技术，利用获取的运行数据优化过程模型，实现自适应模型演化。
• 采用包含四个阶段的重构管理框架：重构需求识别、替代配置生成、基于成本-效用分析的评估，以及最优配置选择。
• 采用归一化成本-效用评估方法，结合努力值与准则权重，效用通过归一化得分的加权和计算。
• 将异常与扰动影响投影到三个关键准则：时间、成本与能效，以提升模型真实性。
• 将该方法论集成到数字孪生架构中，实现在运行周期中逐步优化。

实验结果

研究问题

• RQ1 如何使信息物理生产系统中的重构管理实现自组织化，并适应动态运行条件？
• RQ2 与静态工程模型相比，数据驱动的自适应过程模型在多大程度上能提升重构决策的准确性和可靠性？
• RQ3 如何系统性地将异常与扰动影响整合到重构评估过程中，以增强模型真实性？
• RQ4 将自适应过程模型集成到智能数字孪生中，对生产参数优化与系统性能有何影响？

主要发现

• 所提出的的方法论实现了去中心化、可并行化且自主的重构过程，能够适应系统状态的变化。
• 自适应过程模型通过学习实时过程数据，显著提升了模型准确性，从而带来更可靠的配置评估。
• 将异常影响整合到评估框架中，使配置决策更加真实且稳健。
• 基于效用的评估模型，结合归一化努力值与加权准则，实现了最优配置的一致且可比的选择。
• 智能数字孪生架构支持重构管理的渐进式优化，每个运行阶段均能提升模型与决策质量。
• 该方法通过数据驱动的自适应优化，在时间、成本与能效效率方面展现出提升系统性能的潜力。