CC BY
8
E ТАЛ Л О ОБРА Б0 T Ki
УДК 621.791.722; 621.762.04 Б01 10.25960/то.2020.5-6.53
Производственные системы с цифровым двойником
Ю. А. Соколов, С. А. Гусев
ПАО «Электромеханика», Ржев, Россия
Изменение подхода к организации производства в рамках таких концепций, как Industry 4.0, Smart Manufacturing, Manufacturing Cloud, Society 5.0 заключается в создании виртуальной модели производственной системы, прогнозирующей поведение реального объекта с высокой степенью точности. В статье рассмотрена формализация процесса проектирования производственных систем с использованием объектно-ориентированного подхода и унифицированного языка моделирования UML (Unified Modelling Language).
Ключевые слова: цифровой двойник, производство, проектирование, аддитивные технологии, управление процессом.
Цифровые двойники производственной системы
Развитие науки вызывает кардинальные трансформации в инновационных и цифровых технологиях, которые, приникая во все сферы человеческой жизни, являются мощным стимулом для развития производства. В новой парадигме производства особое значение имеет разработка цифрового двойника (виртуальной модели производства), которая осуществляется на базе семейства наукоемких высокоадекватных математических моделей [6]. Формирование цифрового двойника происходит в результате мультидисциплинар-ного численного моделирования и применения аппарата векторной оптимизации. Для повышения адекватности математической модели большое значение имеют данные об изготовлении и эксплуатации изделия, получаемые в реальном и машинном масштабах времени [10-12]. Диаграмма этапов производства с использованием цифровых двойников, разработанная средствами языка моделирования иМЬ, представлена на рис. 1.
Представление о производственной системе совпадает с понятием алгебраической системы-тройки: А, О, Я, где А — множество элементов, О — множество операций, Я — множество отношений [1]. Теория иерархических систем облегчает раскрытие внутренних
закономерностей производственной системы, позволяет выявить различные способы ее декомпозиции в виде иерархий абстрагирования, организации и сложности принятия решений. На этапе проектирования производственной системы рассматривается множество вариантов геометрических форм и свойств изделия, технологий синтеза, исполнений производственного оборудования, управления технологическим процессом. Выбор технологии получения изделия существенно влияет на инфраструктуру производства.
В качестве прикладного инструмента для разработки цифровых двойников используются компьютерные системы автоматизированного проектирования (Computer-Aided Design,
CAD), автоматизированного производства (Computer-Aided Manufacturing, CAM) и инженерных расчетов (Computer-Aided Engineering,
CAE), включая анализ конечных элементов (Finite Element Analysis, FEA), динамику многотельных систем (Multi-Body Dynamics, MBD), вычислительную гидродинамику (Computational Fluid Dynamics, CFD), взаимодействие жидкости с конструкцией (Fluid-Structure Interaction, FSI), электромагнитный анализ (Electro-Magnetic Analysis, EMA), автоматизированную оптимизацию (Computer-Aided Optimization, CAO). Для повышения адекватности математической модели большое значение имеют данные об изготовлении
Стратегическое планирование и управление
Рис. 1. Диаграмма этапов производства:
DT — цифровой двойник; SDT-1 и SDT-2 — умные цифровые двойники соответственно первого и второго уровня Fig. 1. The diagramme of production phases:
DT — the digital twin; SDT-1 and SDT-2 — clever digital twin accordingly the first and second level
и эксплуатации изделия, получаемые в реальном и машинном масштабах времени.
Разработку цифрового двойника производства в силу сложности и многодисциплинар-ности целесообразно осуществлять поэтапно. Для этого необходимо: определить группу взаимосвязанных задач, решение которых позволяет построить совокупность математических моделей производства; предложить эффективные методы реализации моделей; выявить основные закономерности производственных процессов. На рис. 2 представлены информационные связи семейством цифровых двойников: исходного сырья (Digital Twin, DT-1), оборудования (Digital Twin, DT-2), технологического процесса (Digital Twin, DT-3), продукта/изделия (Digital Twin, DT-4). Предлагаемое деление носит условный характер, так как производство представляет собой единую целостную систему. При объединении цифровых двойников DT-i формируется модель умного цифрового двойника первого уровня (Smart Digital Twin, SDT-1), на этапах изготовления и эксплуатации изделия — цифровая тень (Digital Shadow, DS), использующая информацию о параметрах датчиков технологического процесса, оборудования и изделия. Под цифровой тенью подразумевается сбор и накопление информации, для работы с которой необходимы анализ данных и идентификация модели объекта.
Математический аппарат обработки и анализа данных цифровой тени обеспечивает постоянное «обучение» умного цифрового двойника первого уровня. SDT-1, используя возможности «облачных аналитических сервисов», технологии «промышленного интернета вещей» (Industrial Internet of Things, IIoT), трансформируется в умный цифровой двойник второго уровня (SDT-2).
Рассмотрим особенности построения производственной системы для реализации аддитивных технологий.
Цифровой двойник исходного сырья
Модель цифрового двойника исходного сырья (DT-1) описывает влияние геометрических параметров, химических, технологических, механических и теплофизических свойств исходного сырья на качество синтезируемых изделий.
При реализации селективных технологий исходным сырьем являются порошки, которые представляют собой полидисперсные системы, содержащие частицы различных размеров [13]. К основным показателям порошка относятся: распределение порошка и размер частиц, морфология, состояние поверхности, насыпная плотность, текучесть, уплотняе-мость, микротвердость, содержание углерода, кислорода и других химических элементов.
Стратегическое планирование и управление
Логика
Методы принятия решений
Связи
Операции
МЕШШВРАЙТМ
Î
SDT-2: умный цифровой двойник
Эксплуатация (SDS) т
Big Data ТП Оборудование Изделие
Î
SDT-1: умный цифровой двойник
Производство
Логика
Методы принятия решений
Связи
Операции
Д
DT: цифровой двойник
DT-1: сырье DT-2: оборудование DT-3: технологический процесс DT-4: изделие
А
Проектирование и моделирование
CAD CAM CAE FSI MBD CFD EMA FEA CAO HPC
Рис. 2. Организация цифрового двойника производственной системы Fig. 2. The organisation of the digital twin of industrial system
Геометрические параметры свойства порошка оказывают существенное влияние на коэффициент поглощения, высоту и плотность слоя и др. Рекомендуемый размер металлического порошка, используемый для аддитивных процессов, составляет 10-65 микрон. Классификация физических, химических и технологических свойств порошка представлена на рис. 3.
Значение математического моделирования для прогнозирования характеристик и свойств порошка постоянно возрастает. Успех исследования во многом определяется уровнем математических моделей и точностью функциональных зависимостей.
Качество получаемых порошков зависит от метода их получения. Порошки, сформированные физико-химическими и механическими (размолом) методами, не применяются для аддитивных технологий вследствие высокого содержания кислорода и осколочной формы частиц, которые не позволяют обеспечить формирование плотного слоя при селективном
сплавлении или нанесении на поверхность в виде газопорошковой смеси.
Порошки, получаемые газовой, плазменной и центробежной атомизацией, отличаются преимущественно сферической формой и высокой скоростью кристаллизации частиц, что обеспечивает минимальную площадь поверхности и минимальное содержание кислорода (обычно менее 0,01 %) и азота (в зависимости от сплава на уровне 0,005-0,01 %).
Частицы различаются разнообразием форм и, следовательно, размером их поверхности. При этом наименьшей поверхностью обладают частицы сферической формы, а наибольшей — частицы дендритной формы. От размера частиц порошка в сочетании с другими характеристиками зависят удельное давление при выравнивании порошка на подложке и усадка слоя при сплавлении или спекании. Сферическая форма частиц обеспечивает более высокую плотность упаковки.
Химический состав порошков оценивают по содержанию основных компонентов,
Рис. 3. Классификация физических, химических и технологических свойств порошка Fig. 3. Classification of physical, chemical and technological properties of powder
примесей или загрязнений и газов. Предельное содержание примесей в порошках определяется их допустимым количеством в готовой продукции.
Таким образом, к основным требованиям, предъявляемым к порошкам, используемым в аддитивных технологиях, относятся требования: по сферичности (косвенно определяется по текучести порошка) и насыпной плотности; фракционному составу (определяется для конкретных марок материала); химическому составу и газовым примесям (для конкретных металлопорошковых композиций).
Цифровой двойник оборудования
Модель цифрового двойника оборудования DT-2 может быть разработана в семантике универсального языка моделирования, в основу которого положено понятие класса. Класс описывает группу объектов, под которыми понимается концепция, абстракция или сущность, обладающая индивидуальностью и имеющая смысл в рамках технологического приложения. Определенные классы оборудования связаны с разработкой: механических и аппаратных узлов и механизмов, алгоритмического и программного обеспечения, человеко-машинного интерфейса с оператором, технологами, разработчиками и инженерами службы поддержки жизненного цикла.
Под технической реализацией технологии селективного сплавления подразумевают наличие платформы, на которой происходит процесс. Подача порошка и его сплавление разделяются во времени: сначала происходят нанесение и выравнивание слоя, затем выборочно расплавляется материал. Проведем анализ элементов и функций аддитивного оборудования, который позволяет определить элементы, формирующие структуру установки (рабочие камеры, несущие конструкции, бункеры-накопители исходного сырья, источники питания, электромеханические манипуляторы, роботизированные комплексы, механизмы перемещения, вакуумные станции, блоки подачи газа и др.). При разработке следует стремиться к максимально возможному использованию взаимозаменяемых нормализованных узлов и деталей.
Функции производственной системы селективного синтеза изделий рассмотрены до четвертого уровня разбиения. Взаимодействие элементов производственной системы на разных уровнях иерархии можно представить в виде структурно-функционального графа (рис. 4).
Поиск оптимальных решений структуры и параметров оборудования аддитивного производства наиболее эффективно проводить в единой информационной среде проектирования, инженерного расчета, технологической подготовки производства. При проектировании
E ТАЛ Л О ОБРА Б0 T Ki
производственной системы необходимо предусмотреть возврат на предыдущие этапы работ для уточнения проектных решений, так как не всегда удается полностью формализовать связи между всеми элементами.
Одним из инструментов для проектирования производственных систем является унифицированный язык моделирования UML (Unified Modelling Language), разработанный на базе методов Буча, Якобсона (Object-Oriented Software Engineering, OOSE) и Рам-бо (Object Modeling Technique, OMT). UML, словарь и правила которого сосредоточены на концептуальном и физическом представлении системы, включает средства для визуализации моделей, специфицирования, конструирования, документирования артефактов программных систем [2].
Объектно-ориентированный подход к проектированию подразумевает рассмотрение производственной системы в виде совокупности объектов, взаимодействующих друг с другом и подчиненных общей цели функционирования. Выделяя совокупность объектов и отношений между ними, можно построить объектную модель производственной системы и на ее основе разработать программные средства. Проектирование представляет собой итерационный процесс, который характеризуется оперативной реакцией на изменения исходных требований и условий функционирования.
Модель цифрового двойника оборудования, помимо априорных данных и знаний, на этапе изготовления получает данные о состоянии узлов и механизмов установки в реальном масштабе времени. Это позволяет перейти от
Элемент
Функция
Е — оборудование
F — синтез изделий заданной номенклатуры
Е0 — установка синтеза изделий
Е- — контрольно-измерительная система Е2 — вспомогательные устройства Е3 — система управления
Е4 — транспортные устройства Е5 — складские устройства
— синтез изделий с заданными технико-экономическими показателями
Fl — контроль элементов оборудования, ТП, продукта F2 — обслуживание ТП
Fз — обеспечение работы элементов ПС в автоматизированном/автоматическом режиме
F4 — перемещение исходного материала и изделий F5 — хранение и автоматическая загрузка-разгрузка исходного материала, деталей/изделий
Ео-— блок исходных материалов
Е02 — блок источников энергетического
воздействия
Еоз — блок несущей системы
Е04 — блок перемещений
Е05 — система управления установки
Еоб — блок вспомогательных устройств
Fоl — хранение и подача исходных материалов
Fо2 — спекание/сплавление материала, модификация поверхности
Fоз — обеспечение взаимного расположения и направления движений элементов установки
Fо4 — обеспечение перемещений исполнительных механизмов установки
Fо5 — управление работой элементов установки, поддержание технологического режима обработки
Fо6 — обслуживание ТП (получение разрежения в рабочей камере, поддержание контролируемой инертной среды и др.)
Ео2-- — устройство формирования луча/ пучка
Ео2-2 — приводы, электромагнитные системы
Ео2-з — источники питания Ео2-4 — устройство управления
F02.1 — формирование луча/пучка Fо2-2 — отклонение луча/пучка
Fо2.з — управление энергетическими и геометрическими параметрами луча/пучка
Fо2-4 — сканирование луча/пучка по поверхности
Ео2-4-1 — монитор
Ео2-4-2 — программируемое логическое устройство или промышленный компьютер
Е
02-4-3
— блок согласования и управления
Ео2-4-4 — пульт управления
Fо2-4-1 — визуализация энергетических и геометрических параметров луча/пучка
Fо2-4-2 — управление и согласование работы элементов энергетического комплекса
Fо2-4-3 — стабилизация параметров луча/пучка
Fо2-4-4 — обеспечение режима технической диагностики и профилактики
Рис. 4. Структурно-функциональный граф производственной системы
Fig. 4. The structural and functional count of industrial system
профилактического к прогнозируемому обслуживанию. При эксплуатации оборудования различают три основные стратегии управления его техническим обслуживанием и ремонтом: техническое обслуживание по событию, планово-предупредительный ремонт, обслуживание по фактическому состоянию [9]. Техническое обслуживание по событию предполагает замену вышедших из строя деталей по факту их поломки, планово-предупредительный ремонт подразумевает замену деталей через временные интервалы, которые определяются с помощью расчета среднестатистического времени наработки на отказ. Обслуживание по фактическому состоянию обеспечивает устранение отказов оборудования путем оценки технического состояния оборудования по совокупности данных, поступающих с его датчиков, и определения оптимальных сроков проведения ремонтных работ [9].
Цифровой двойник технологического процесса
Модель цифрового двойника технологического процесса (DT-3) основывается на тщательном изучении физики гидрогазодинамических, тепло- и массообменных процессов,
выявлении моментов, которые могут быть использованы для управления свойствами продукта производства. Математическая модель технологического процесса включает построение семейства моделей, описывающих конкретный переход. Необходимо также использовать эффективные методы их реализации на ЭВМ.
Процессы аддитивного производства имеют различную физическую природу: поглощение и рассеяние излучения, плавление, кристаллизация материала, испарение и др. Формирование свободной поверхности расплава происходит под действием как давления потока порошка, так и капиллярных сил. Кристаллизация материалов протекает в условиях больших градиентов температуры и скоростей охлаждения, напряжений и деформаций, что предопределяет неравновесный характер рассматриваемых процессов [7]. Математическое моделирование аддитивного процесса (рис. 5) позволяет прогнозировать значения неизме-ряемых параметров (глубина проплавления, ширина ванны, скорость кристаллизации, скорость растекания частиц и др.). Особенностью модели аддитивного процесса является совместное рассмотрение процессов тепло-и массопереноса, влияющих на структуру и свойства синтезируемых изделий. Используя многопроцессорные средства, можно ускорить процесс моделирования всех этапов технологического процесса: нагрев подложки, синтез изделия, удаление поддержек, постобработка.
При виртуальном исследовании аддитивного процесса определяют значения параметров технологического режима обработки, количество, геометрическую форму и размеры строительных поддержек.
Существует несколько видов преобразования геометрической формы изделия: топологическая оптимизация, генеративный дизайн, бионический дизайн (рис. 6). Топологическая оптимизация заключается во внесении изменений в конструкцию для создания новых границ объема тела и удаления существующих в целях оптимизации геометрической формы изделия по критериям минимизации массы, максимальной жесткости и спектру собственных частот при сохранении прочности; генеративный дизайн — во внесении изменений в конструкцию для замены
ШШШМБОТКА
Теплофизические и механические свойства материала порошка
11
Геометрические характеристики порошка
3Б-модель изделия
Параметры установки
Толщина слоя
Температурное поле
Размеры ванны расплава
Глубина проплавления
Скорость кристаллизации
Остаточные напряжения
Тепловые деформации
Рис. 5. Параметры математической модели аддитивного производства Fig. 5. Characteristics of mathematical model of additive manufacture
сплошного металла на повторяющиеся в объеме простейшие элементы любой формы в целях снижения массы изделия при условии сохранения прочности; бионический дизайн — во внесении изменений в габаритные размеры и форму конструкции для получения новых
границ объема тела и/или удаления существующих в целях придания формы, схожей с формируемыми в природе сложнопрофиль-ными поверхностями [3].
Топологическая оптимизация позволяет определить оптимальную геометрическую
Г
3Б-модель изделия
Модель процесса синтеза изделия
Модель охлаждения изделия
Модель удаления поддержек
Модель постобработки
Рис. 6. Схема математического моделирования аддитивного процесса Fig. 6. The scheme of mathematical modelling of additive process
МЕТАЛЛООБРАБОТКА
ßD-модель изделия
НОВЫЕ МАТЕРИАЛЫ И ТЕХНОЛОГИИ
I
Задание технологического режима
» I
Математическое моделирование
Рис. 7. Алгоритм оптимизации параметров аддитивного производства Fig. 7. Algorithm of optimisation of additive manufacture's characteristics
форму и размеры изделия, рациональное количество строительных поддержек на базе итерационного алгоритма (рис. 7).
Для моделирования аддитивного процесса можно использовать универсальные программные пакеты моделирования: ANSYS Additive Suite [14], Autodesk NetFabb [15].
Средства программного пакета ANSYS Additive Suite, предназначенного для моделирования всех этапов процесса аддитивного производства, позволяют: выполнить топологическую оптимизацию; графически визуализировать накопление напряжений с каждым слоем и областей большой деформации в течение всего технологического процесса; оценить влияние остаточных напряжений и термических деформаций на конечную форму изделия; откорректировать STL-файл с компенсацией коробления; рассчитать оптимальное количество и расположение строительных поддержек; минимизировать брак и количество внештатных ситуаций при изготовлении изделия в реальном масштабе времени [14].
В среде Netfabb моделирование аддитивного производства обеспечивает [15]:
• доступ к функции «облачного моделирования» процесса плавления металлических порошков;
• генеративный дизайн;
• подготовку модели к производству с помощью настройки толщины стенок, сглаживания неровностей и других процедур;
• интеллектуальную настройку траекторий перемещения нескольких источников энергии, одновременно работающих на одной установке;
• полуавтоматические инструменты для создания конструкций опор;
• моделирование аддитивных процессов;
• оптимизацию проектов аддитивного производства.
Аддитивное производство — многомерный объект управления с векторными входами и выходами измеряемых и неизмеряемых параметров. Основной задачей управления процессом послойного синтеза является получение изделий, соответствующих заданным техническим требованиям. При возникновении несоответствия между имеющимся объемом информации и свойствами производственной системы применяется адаптивное управление. В этом случае неопределенность может быть уменьшена или устранена в результате активного воздействия текущей информации.
Важной особенностью модели цифрового двойника технологического процесса являются использование информации от виртуальных и реальных датчиков, работающих
ШШШМБОТКА
параллельно, сравнение их показании, редактирование математической модели, изменение алгоритмов управления и др. (рис. 8).
Значение математического моделирования для изучения влияния управляемых параметров на свойства изделий постоянно возрастает. Информационная сущность процессов управления в элементах различной физической природы позволяет определить связь между параметрами.
В аддитивных процессах ряд контуров регулирования может использовать информацию от видеоустройств и тепловизоров, обработка информации от которых более сложная и иногда требует применения нейросетевых алгоритмов. Это определяется спецификой процесса: синтез изделия осуществляется, как правило, в рабочей камере с контролируемой средой, видеокамера устанавливается извне через иллюминатор, во время процесса происходят случайные засветки области, калибровка размерной сетки и др. В качестве первичного чувствительного устройства используется цифровая видеокамера с фильтром высокой плотности. Обработка изображения выполняется на базе промышленного компьютера: проводятся кадрирование изображений, выбраковка ложных измерений, выделение черно-белого изображения. Подбор фильтра, контрастности и уровня бинаризации выполняется непосредственно в ходе технологического процесса. Оптическая камера обрабатывает сигналы, пропорциональные энергии излучения, и передает по цифровому протоколу
информацию в компьютер, который выполняет программную оцифровку. Аналогично тепловизор в контуре поддержания температурного поля подложки обеспечивает визуализацию теплового поля с учетом расстояния и пропускной способности стекла иллюминатора. В таких контурах регулирования математическое обеспечение может быть разработано с использованием аппарата нейронных сетей, которые представляют собой распределенный параллельный процессор, состоящий из множества устройств обработки информации, накапливающих экспериментальные данные для дальнейшей обработки.
Важной функцией цифрового производства является способность постоянной оптимизации на базе информации, получаемой в процессе изготовления, эксплуатации оборудования/изделия. Производство изделий заданного качества осуществляется с учетом проектных ограничений (трудоемкость изготовления, производительность процесса, стоимость, срок службы узлов оборудования, периодичность технического обслуживания, инженерная инфраструктура и др.). На свойства и характеристики изделия влияют параметры исходного сырья (химический состав, гранулометрический состав, морфология, насыпная плотность, текучесть, механические и теплофизические свойства), структура процесса (методы формирования слоя, типы источников концентрированного потока энергии), параметры технологического режима (мощность, диаметр, скорость сканирования
Рис. 8. Схема адаптивного цифрового двойника технологического процесса Fig. 8. The scheme of the adaptive digital twin of technological process
МЕШПООБМБОТК|»
луча/пучка, химический состав среды, температура подложки и др.), характеристики технологического оборудования (производительность, размеры рабочего поля, тип отклоняющей системы, точность обработки), условия внешней среды (влажность, температура, давление). Для принятия решений по изменению параметров производства обычно привлекаются эксперты. При проектировании интеллектуальных производственных систем необходимо заменить аналитиков-экспертов цифровыми аналитическими устройствами в целях снижения издержек производства. Системы с искусственным интеллектом могут выполнять три основные функции: представление, рассуждение и обучение [8]. Выбор конкретного алгоритма зависит от производственной задачи: создание советующей системы, имитирующей знания эксперта для принятия решения; проектирование самообучающейся системы и др.
Управление производством с использованием нейронной сети представлено на рис. 9. Настройка параметров нейронной сети
выполняется с помощью алгоритма обучения на основе коррекции ошибки, определяемой как разность между вектором выходных параметров у и вектором заданных параметров х.
В системе используется обратная связь, охватывающая стадии технологического процесса и эксплуатации изделия. Вектор выходных параметров у сравнивается с вектором заданных параметров х. Сигнал ошибки е подается на нейроконтроллер для настройки параметров управления. Основной задачей нейрокон-троллера является поддержание состояния, при котором векторы х и у соответствуют друг другу. Пространство состояний производственной системы включает векторы переменных исходного сырья («1, «2, из,..., ищ), технологии (и', и'2, и3,..., и'к), установки (и', и'2, и£,..., Ц). При описании состояний производственной системы используются действительные, комплексные и логические переменные. Алгоритм обучения выстраивает в определенном порядке синаптические веса переменных исходного сырья, технологии, установки (т',
W2,
wm
w i, w 2,
W k;
i,t" w i,
w' 2,
w"s),
_Рис. 9. Схема управления производством с использованием нейронной сети: (uj, u^, us,..., um), (uj, u2, u',..., uk),
(uj, u2, u',..., u"s) — векторы переменных исходного сырья, технологии и оборудования; (wj, w2, ..., wm; wj w..., wk; w"j, w"2, ..., w'S) — синаптические веса векторов переменных
_Fig. 9. The scheme of production management with use of a neural network:(uj,u2,us,...,um), (uj,u2,u',...,uk),
(uj, u2, u',..., u'S) — vectors of variables of initial raw materials, technology and the equipment, (wj, w2, ..., wm;
' 1»
2
'ki
S) — synaptic weight of variables' vectors
T
w
w
w
j
2
их изменение представляет собой традиционный метод настройки нейронных сетей.
Нейронные сети обладают способностью адаптировать свои синаптические веса к изменениям свойств и характеристик изделий, окружающей среды. Такая система является нелинейной, может обрабатывать шумы.
Цифровой двойник изделия
Ключевым преимуществом аддитивных технологий является обеспечение максимальной свободы конструирования и изготовления изделия непосредственно по цифровой 3D-модели изделия. Аддитивные технологии предоставляют возможность изготавливать инженерные конструкции и механизмы оригинальной пространственной формы с внутренними полостями для размещения различных электронных средств, приводов, тепловых труб и других элементов внутри изделия [3]. К продуктам цифровых производственных систем относятся новые материалы, многофункциональные изделия, умные изделия, под которыми понимают структуры, способные выполнять различные функции по передаче и обработке информации. Примером умного изделия может служить крыло самолета, включающее устройства для реализации функций антиобледения (набор датчиков льда
и нагреватели), снижения обнаруживаемости (радиопоглощающие материалы и покрытия), диагностики (комплект датчиков для измерения температуры, ускорения, скорости, деформации, нагрузки) и др. Широкие технологические возможности для синтеза умных изделий предоставляют мультиаддитивные и гибридные технологии. Например, сочетание технологий электронно-лучевой наплавки и аэрозольного осаждения позволяет получать крупногабаритные изделия с электронными устройствами.
Модель цифрового двойника DT-4 прогнозирует механические и теплофизические свойства изделия в течение всего жизненного цикла [4, 5] (рис. 10).
Процесс конструирования изделия включает: задание материала, определение формы, расчет размеров, оптимизацию формы, генерирование поддержек (рис. 11).
При моделировании изделия необходимо учитывать требования к его геометрическим параметрам (диаметр, длина, допуски на размеры и др.), механическим свойствам (предел прочности при сжатии и изгибе, предел текучести, относительное удлинение при растяжении, твердость, сопротивление сдвигу, характеристики смятия, характеристики ползучести, статическая трещиностойкость, скорость роста усталостной трещины, ударная вязкость, предел выносливости), физическим
Конструирование изделия
!
Моделирование процесса изготовления
I
Синтез изделия
CAD (Computer-Aided Design) CAM (Computer-Aided Manufacturing) CAE (Computer-Aided Engineering) FEA (Finite Element Analysis) MBD (Multi-Body Dynamics) CFD (Computational Fluid Dynamics) FSI (Fluid-Structure Interaction) EMA (Electro-Magnetic Analysis) CAO (Computer-Aided Optimization)
Internet of Things, IoT Industrial Internet Big Data M2M
I
Эксплуатация изделия
PLM (Product Lifecycle Management) PDM (Product Data Management) MRP (Material Requirements Planning) ERP (Enterprise Resource Planning) MES (Manufacturing Execution Systems) SCADA (Supervisory Control And Data Acquisition)
Рис. 10. Инфраструктура моделирования изделия на протяжении жизненного цикла Fig. 10. Infrastructure of modelling of a product throughout life cycle
Конструирование изделия *
Задание материала
Определение формы +
Расчет размеров ¥
Оптимизация изделий (топологическая, генеративный и бионический дизайн)
_±_
Ориентация изделия на подложке +
Генерация поддержек
ЭБ-модель для моделирования
Рис. 11. Стадия конструирования изделия Fig. 11. Stage of a product's designing
и теплофизическим свойствам (плотность, теплопроводность, температурный коэффициент линейного расширения), химическому составу (элементный состав фаз), структуре (характеристики структуры), поверхности (внешний вид, шероховатость) [5].
Сложность модели существенно возрастает при исследовании многофункциональных композиционных материалов, полученных различными методами (сплавление, пайка, напыление, модификация поверхности) и др.
Умный цифровой двойник первого уровня (SDT-1) интегрирует информационные потоки цифровых двойников исходного сырья, оборудования, технологического процесса и продукта/изделия. На этапе изготовления изделия рассматриваются динамические, или поведенческие, аспекты производственной системы.
Технология лазерного сканирования позволяет оперативно выполнить контроль размерных параметров изделия. При количественном сопоставлении номинальных проектных характеристик изделия с реальными параметрами в процессе изготовления и эксплуатации открываются дополнительные возможности для усиления адекватности моделей цифровых двойников.
Цифровую тень (Digital Shadow, DS) можно определить как большой массив данных о состоянии технологического процесса, оборудования и изделия в процессе эксплуатации (рис. 12). Следует отметить, что цифровая тень отслеживает поведение объекта по датчикам, но не предсказывает его поведения.
Специфика информационных потоков производства состоит в том, что одни подпространства цифровой тени могут быть представлены аналитическими моделями, другие не поддаются анализу (человеческий фактор, конъюнктура рынка комплектующих и материалов, выбор направления развития и др.). Для устранения аналитических пробелов в сложной модели привлекаются аналитики-эксперты. Задача цифровизации производства заключается в формировании решений по вытеснению неаналитических пространств в производственных системах и замещению аналитиков-экспертов цифровыми аналитическими системами с искусственным интеллектом. Другими словами, по результатам исследования структуры и свойств изделий, характеристик при их эксплуатации выполняются обучение и оптимизация производственной системы в целях снижения издержек производства
E ТАЛ Л О ОБРА Б0 T Ki
Рис. 12. Схема средств управления производственной системы Fig. 12. The scheme of control facilities of industrial system
и уменьшения стоимости продукции. Таким образом, цифровые двойники могут быть аналитическими и умными с функциями искусственного интеллекта.
Производственная система взаимодействуют с внешним миром по технологиям «интернета вещей» (Internet of Things, IoT) и «больших данных» (Big Data). При этом решение наиболее наукоемких задач передается «облачным сервисам», которые осуществляют обработку данных, моделирование, оптимизацию и планирование производства. После обработки и анализа данных через «облако» передаются управляющие команды на полевой уровень для управления технологическим процессом, идентификации и технической диагностики элементов производственной системы, изменения настроек и коэффициентов регулирования контуров управления, обновления версий программного обеспечения в режиме удаленного доступа, модернизации алгоритмов управления, заказа и доставки расходных материалов для безостановочной
работы оборудования и др. Математический аппарат обработки и анализа данных цифровой тени обеспечивает постоянное «обучение» умного цифрового двойника первого уровня. SDT-1, используя возможности «облачных аналитических сервисов», технологии «промышленного интернета вещей» (Industrial Internet of Things, IIoT), трансформируется в умный цифровой двойник второго уровня (SDT-2).
Выводы
Для сокращения сроков освоения новых изделий в производстве большое значение имеет разработка автоматизированных систем научных исследований и автоматизированной технологической подготовки производства. Их составной частью являются современные методы компьютерного моделирования, которые при минимальных затратах времени и материальных средств позволяют изучать и исследовать различные процессы, проводить их
оптимизацию с выходом на проектирование самих изделий, разработку технологических процессов и управляющих программ.
Разработку цифрового двойника производства (полной информационной модели, прогнозирующей поведение процесса/оборудования/ изделия на всех этапах жизненного цикла) в силу сложности и многодисциплинарности целесообразно проводить поэтапно. Для этого необходимо определить группу взаимосвязанных задач, решение которых позволяет: построить совокупность математических моделей производства; предложить эффективные методы реализации моделей; выявить основные закономерности производственных процессов.
Литература
1. Автоматизированное проектирование и производство в машиностроении / Под общ. ред. Ю. М. Соло-менцева, В. Г. Митрофанова. М.: Машиностроение, 1986. 256 с.
2. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений на C++. М.: Бином, 1998. 720 с.
3. Гибсон Я., Розен Д., Стакер Б. Технология аддитивного производства. Трехмерная печать, быстрое прототипирование и прямое цифровое производство. М.: Техносфера, 2016. 656 с.
4. ГОСТ Р 2.0.182-1.006.16. Изделия, полученные методом аддитивных технологических процессов. Методы контроля и испытаний. М.: Стандартинформ, 2017. 16 с.
5. ГОСТ Р 2.0.182-1.009.16. Материалы для аддитивных технологических процессов. Методы контроля и испытаний. М.: Стандартинформ, 2017. 12 с.
6. Публичный аналитический доклад по направлению «Новые производственные технологии» / Сколковский институт науки и технологий, 2015. 210 с.
7. Соколов Ю. А. Особенности проектирования технологической операции электронно-лучевой обработки // Металлообработка. 2014. № 2. С. 16-22.
8. Хайкин С. Нейронные сети: полный курс. М.: Вильямс, 2006. 1104 с.
9. Цифровой двойник (Digital Twin). URL: https:// www.cadfem-cis.ru/products/digital-twin (дата обращения: 02.05.2019).
10. Цифровое производство. Методы. экосистемы, технологии: Рабочий доклад департамента корпоративного обучения Московской школы управления Сколково, 2018. 108 с.
11. Цифровая фабрика (Digital Factory) Института передовых производственных технологий (ИППТ) Санкт-Петербургского политехнического университета Петра Великого. URL: http://fea.ru/news/6387 (дата обращения: 04.05.2019).
12. Digital twin или цифровой двойник — вестник четвертой промышленной революции. URL: https://
nfp2b.ru/2018/08/24/anylogic_digital_twin (дата обращения: 04.04.2019).
13. Halada K., Suga H. Study on parameters for centrifugal atomization with atomizing molten zinc // Journal of the Japan Society of Powder and Powder Metallurgy. 1990. Vol. 37, N 3. P. 398-404.
14. URL: https://cae-expert.ru (дата обращения: 05.07.2019).
15. URL: https://www.autodesk.ru/products/netfabb/ overview (дата обращения: 05.07.2019).
References
1. The automated designing and manufacture in mechanical engineering / Under general edition J. M. Solomentseva, V. G. Mitrofanova. Moscow: Mashinostroenie, 1986, 256 p. (In Russ.)
2. Buch G. Obektno-orientirovannyj analysis and designing with examples of appendices on C ++. Moscow: Binomial, 1998. 720 p. (In Russ.)
3. Gibson Ja., Rozen D, Staker V. Technology of additive manufacture. The three-dimensional press, fast prototyping and direct digital manufacture. Moscow: Technosphera, 2016. 656 p. (In Russ.)
4. GOST P 2.0. The products received by a method of additive technological processes. Monitoring and test methods. Moscow: Standartinform, 2017. 16 p. (In Russ.).
5. GOST P 2. Materials for additive technological processes. Monitoring and test methods. Moscow: Standardinform, 2017. 12 p. (In Russ.)
6. The public analytical report in a direction „New industrial technologies". Skolkovsky Institute of the Science and Technologies, 2015, 210 p. (In Russ.)
7. Sokolov J. A. Features of designing of technological operation of electron beam processing. Metalloobrabotka, 2014, no 2, pp. 16-22. (In Russ.)
8. Khaikin S. Nejronnye of a network: a complete course. Moscow: Vil'jams, 2006, 1104 p. (In Russ.)
9. The digital double (Digital Twin). URL: https:// www.cadfem-cis.ru/products/digital-twin (reference date: 02.05.2019).
10. Digital manufacture. Methods. ecosystem, technologies. The working report of department of corporate training of the Moscow School of Management Skolkovo. 2018. 108 p.
11. Digital Factory (Digital Factory) Institute of the advanced industrial technologies (HnnT) Peter the Great Saint Petersburg Polytechnical University. URL: http:// fea.ru/news/6387 (reference date: 04.05.2019).
12. Digital twin or the digital double — the bulletin of the fourth industrial revolution. URL: https://nfp2b. ru/2018/08/24/anylogic_digital_twin (reference date: 04.04.2019).
13. Halada K., Suga H. Study on parametres for centrifugal atomisation with atomising molten zinc. Journal of the Japan Society of Powder and Powder Metallurgy, 1990, vol. 37, no 3, pp. 398-404.
14. URL: https://cae-expert.ru (reference date: 05.07.2019).
15. URL: https://www.autodesk.ru/products/netfabb/ overview (reference date: 05.07.2019).
Сведения об авторах
Соколов Юрий Алексеевич — доктор технических наук, заместитель технического директора, ПАО «Электромеханика», 172386, Ржев, Заводское шоссе, д. 2, e-mail: s5577@inbox.ru
Гусев Сергей Альбертович — кандидат технических наук, ведущий инженер, ПАО «Электромеханика», 172386, Ржев, Заводское шоссе, д. 2.
Для цитирования: Соколов Ю. А., Гусев С. А. Производственные системы с цифровым двойником. Металлообработка, 2020, № 5-6, c. 53-67. DOI 10.25960/mo.2020.5-6.53
Industrial systems with digital twin
Sokolov Yu. A., Gusev S. A.
PSC „Electromecanics", Rzhev, Russia
Change of attitude to the organisation of manufacture within the limits of such concepts as Industry 4.0, Smart Manufacturing, Manufacturing Cloud, Society 5.0 consists creation of virtual model of the industrial system predicting behaviour of real object with high degree of accuracy. In present article formalisation of process of industrial systems' designing with use of the object-oriented approach and the unified language of modelling UML (Unified Modelling Language) is considered.
Keywords: digital twin, manufacture, designing, additive technologies, process control. Information about the authors
Yury A. Sokolov — Doctor of Engineering Sciences, Assistant of the Technical Director, PSC "Electromecanics", 2, Zavodskoye shosse, Rzhev, 172386, Russia, e-mail: s5577@inbox.ru
Sergey A. Gusev — Candidate of Engineering Sciences, Leading Engineer, PSC "Electromecanics", 2, Zavodskoye shosse, Rzhev, 172386, Russia
For citation: Sokolov Yu. A., Gusev S. A. Industrial systems with digital twin. Metalloobrabotka, 2020, no 5-6, pp. 53-67. DOI 10.25960/mo.2020.5-6.53
UDK 621.791.722; 621.762.04
DOI 10.25960/mo.2020.5-6.53
