本發(fā)明屬于數(shù)字孿生，尤其涉及一種基于數(shù)字孿生的sps臺車物料配送方法及系統(tǒng)。

背景技術(shù)：

1、在現(xiàn)代制造業(yè)中，特別是汽車制造等大規(guī)模裝配行業(yè)，物料配送是影響生產(chǎn)效率和質(zhì)量的關(guān)鍵因素之一。豐田公司提出的sps系統(tǒng)通過在特定區(qū)域?qū)⑺栉锪线M行預(yù)先整理和成套供應(yīng)，與生產(chǎn)線同步進行配送，大大提高了生產(chǎn)效率和靈活性。然而，隨著生產(chǎn)線的復(fù)雜化和生產(chǎn)節(jié)奏的加快，傳統(tǒng)的sps系統(tǒng)也暴露出了一些不足之處。

2、首先，傳統(tǒng)的sps系統(tǒng)在面對復(fù)雜多變的生產(chǎn)環(huán)境時，其調(diào)度和配送路徑的優(yōu)化能力有限?，F(xiàn)有系統(tǒng)通常依賴預(yù)先設(shè)定的規(guī)則和路徑，缺乏實時調(diào)整和優(yōu)化的能力。這導(dǎo)致在生產(chǎn)過程中，遇到突發(fā)情況時，如設(shè)備故障、訂單變化等，系統(tǒng)難以快速響應(yīng)和調(diào)整，造成生產(chǎn)中斷或物料供應(yīng)不足。

3、其次，物料需求預(yù)測的準確性較低。傳統(tǒng)的物料需求預(yù)測方法多依賴歷史數(shù)據(jù)和簡單的統(tǒng)計分析，難以充分考慮生產(chǎn)過程中多種因素的影響，如市場需求波動、生產(chǎn)節(jié)奏變化等，導(dǎo)致物料配送的精準度不高，常常出現(xiàn)物料短缺或過剩的情況，影響生產(chǎn)效率。

4、第三，現(xiàn)有系統(tǒng)的協(xié)同調(diào)度能力不足。在一個大型制造環(huán)境中，往往需要多臺sps臺車同時進行物料配送?，F(xiàn)有的調(diào)度系統(tǒng)缺乏有效的協(xié)同機制，容易出現(xiàn)臺車之間的路徑?jīng)_突和資源浪費，進一步降低了配送效率。

5、此外，數(shù)據(jù)共享和隱私保護也是現(xiàn)有系統(tǒng)的一大難點。為了實現(xiàn)更好的協(xié)同優(yōu)化，需要在不同工廠或生產(chǎn)線之間共享物料配送數(shù)據(jù)。但傳統(tǒng)方法在數(shù)據(jù)共享過程中存在數(shù)據(jù)隱私和安全風(fēng)險，限制了跨工廠或生產(chǎn)線的協(xié)同優(yōu)化。

6、最后，現(xiàn)有系統(tǒng)缺乏透明化和可追溯性管理。在物料配送的過程中，往往需要對每一次配送任務(wù)進行詳細記錄，以便于追溯和管理。然而，傳統(tǒng)的記錄方法容易出現(xiàn)數(shù)據(jù)不全、篡改等問題，影響了管理的透明度和可信度。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的設(shè)計一種基于數(shù)字孿生的sps臺車物料配送方法及系統(tǒng)，通過結(jié)合最先進的人工智能和數(shù)據(jù)處理技術(shù)，能夠有效克服現(xiàn)有技術(shù)的缺點，實現(xiàn)高效、精準和透明的物料配送管理。

2、為了達到上述目的，在本發(fā)明第一方面提供了一種基于數(shù)字孿生的sps臺車物料配送方法，所述方法包括：

3、s1、在工廠環(huán)境中安裝多種傳感器，采集生產(chǎn)設(shè)備、物料和sps臺車的實時運行數(shù)據(jù)，并對實時運行數(shù)據(jù)進行預(yù)處理，構(gòu)建物理工廠和sps臺車系統(tǒng)的數(shù)字孿生模型；其中，所述傳感器包括位置傳感器、速度傳感器、重量傳感器、環(huán)境傳感器和狀態(tài)傳感器；

4、其中，所述數(shù)字孿生模型構(gòu)建如下：

5、利用采集到的位置信息，構(gòu)建工廠環(huán)境和sps臺車系統(tǒng)的三維空間模型，表示如下：

6、pi＝(xi,yi,zi)

7、mj＝(xj,yj,zj,wj)

8、其中，pi表示第i個傳感器的三維坐標，mj表示第j個物料的三維坐標和重量，(xi,yi,zi)表示第i個位置傳感器的三維坐標；

9、利用重量傳感器和位置傳感器的數(shù)據(jù)，構(gòu)建物料的三維模型mj，表示如下：

10、mj＝(xj,yj,zj,wj)

11、其中，xj,yj,zj分別表示物料的x、y、z坐標，wj表示物料的重量；

12、根據(jù)環(huán)境傳感器的數(shù)據(jù)，構(gòu)建工廠環(huán)境的模型：

13、e＝(t,h)

14、其中，t表示溫度，h表示濕度，e表示工廠環(huán)境的模型；

15、基于狀態(tài)傳感器的數(shù)據(jù)，構(gòu)建設(shè)備狀態(tài)模型：

16、s＝(s1,s2,…,sl)

17、其中，sl表示第l個設(shè)備的狀態(tài)，s表示設(shè)備狀態(tài)模型；

18、使用流處理技術(shù)處理傳感器實時傳輸?shù)臄?shù)據(jù)，對數(shù)字孿生模型進行實時更新，表示如下：

19、d(t)＝{pi(t),mj(t),e(t),s(t)}

20、其中，d(t)表示時間t的數(shù)據(jù)流，包含所有傳感器、物料、環(huán)境和設(shè)備狀態(tài)的實時數(shù)據(jù)；pi(t)表示時間t的第i個傳感器的三維坐標，mj(t)表示時間t的物料的三維模型，e(t)表示時間t的工廠環(huán)境的模型，s(t)表示時間t的設(shè)備狀態(tài)模型；

21、利用實時數(shù)據(jù)流，動態(tài)更新數(shù)字孿生模型的狀態(tài)：

22、

23、et+1＝et+δt·echange

24、st+1＝st+δt·schange

25、其中，δt表示時間增量，表示第i個位置的速度分量，表示第j個位置的速度分量，echange表示環(huán)境參數(shù)的變化量，schange表示設(shè)備狀態(tài)的變化量，表示更新的三維坐標，表示更新的物料的三維模型，et+1表示更新的工廠環(huán)境的模型，st+1表示更新的設(shè)備狀態(tài)模型；

26、s2、根據(jù)數(shù)字孿生模型構(gòu)建基于強化學(xué)習(xí)的調(diào)度模型，根據(jù)調(diào)度模型對sps臺車的物料配送路徑和策略進行實時優(yōu)化；

27、s3、利用圖神經(jīng)網(wǎng)絡(luò)對歷史數(shù)據(jù)和實時數(shù)據(jù)進行分析和建模，預(yù)測各生產(chǎn)節(jié)點的物料需求；

28、s4、根據(jù)各生產(chǎn)節(jié)點的預(yù)測物料需求，構(gòu)建基于sps臺車的多智能體協(xié)同調(diào)度模型動態(tài)調(diào)整調(diào)度策略；

29、s5、構(gòu)建聯(lián)邦學(xué)習(xí)模型對多個工廠之間的數(shù)據(jù)進行共享與協(xié)同優(yōu)化；

30、s6、構(gòu)建區(qū)塊鏈網(wǎng)絡(luò)對物料配送數(shù)據(jù)進行管理，對每一次sps臺車的物料配送進行記錄。

31、進一步的，將所述數(shù)字孿生模型進行融合和仿真，融合各類傳感器數(shù)據(jù)，構(gòu)建統(tǒng)一的數(shù)據(jù)集，表示如下：

32、f(t)＝φ(p(t),m(t),e(t),s(t))

33、其中，f(t)表示時間t的融合數(shù)據(jù)集，φ表示數(shù)據(jù)融合函數(shù)；

34、基于融合數(shù)據(jù)集進行仿真，模擬sps臺車和物料在工廠環(huán)境中的運行狀態(tài)，表示如下：

35、s(t)＝ψ(f(t))

36、其中，s(t)表示時間t的仿真狀態(tài)，ψ表示仿真函數(shù)。

37、進一步的，所述基于強化學(xué)習(xí)的調(diào)度模型構(gòu)建如下：

38、構(gòu)建物料配送的狀態(tài)空間，表示當前sps臺車的位置、速度、載重量以及工廠環(huán)境的狀態(tài)，則狀態(tài)向量表示如下：

39、st＝(pt,vt,wt,et,st)

40、其中，pt表示當前所有臺車的位置，vt表示當前所有臺車的速度，wt表示當前所有臺車的載重量，et表示當前的環(huán)境狀態(tài)，st表示當前的設(shè)備狀態(tài)；

41、定義調(diào)度系統(tǒng)的動作空間，包括臺車的移動、加速、減速和裝卸物料，則動作向量表示如下：

42、at＝(a1,t,a2,t,…,ai,t,an,t)

43、其中，ai,t表示第i個臺車在時間t的動作；

44、設(shè)計獎勵函數(shù)表示如下：

45、rt＝r(st,at)＝α·efficiency(st,at)-β·energy(st,at)-γ·conflict(st,at)

46、其中，α,β,γ是權(quán)重系數(shù)，efficiency表示配送效率，energy表示能源消耗，conflict表示路徑?jīng)_突；

47、使用q學(xué)習(xí)算法，構(gòu)建q值函數(shù)對獎勵函數(shù)進行優(yōu)化，其中，q值函數(shù)表示如下：

48、

49、其中，γ是折扣因子，表示未來獎勵的衰減程度；

50、利用ε-貪心策略進行動作選擇，則動作選擇策略表示如下：

51、

52、其中，∈是探索率。

53、進一步的，根據(jù)基于強化學(xué)習(xí)的調(diào)度模型實時規(guī)劃最優(yōu)路徑，表示如下：

54、pi,t+1＝pi,t+δt·vi,t+ai,t

55、其中，pi,t表示第i個臺車在時間t的位置，vi,t表示第i個臺車在時間t的速度，ai,t表示第i個臺車在時間t的動作，δt表示時間增量；

56、在路徑規(guī)劃過程中，實時檢測臺車之間的路徑?jīng)_突，并進行調(diào)整，其中，沖突檢測表示如下：

57、

58、其中，∥pi,t-pj,t∥表示第i和第j個臺車之間的距離，dmin是最小安全距離；

59、根據(jù)實時數(shù)據(jù)更新，動態(tài)調(diào)整調(diào)度策略，表示如下：

60、

61、其中，πt表示時間t的調(diào)度策略，α表示學(xué)習(xí)率，表示q值函數(shù)的梯度。

62、進一步的，所述圖神經(jīng)網(wǎng)絡(luò)的損失函數(shù)表示如下：

63、

64、其中，表示預(yù)測的物料需求，di表示實際的物料需求，n表示節(jié)點數(shù)量；

65、用梯度下降法訓(xùn)練圖神經(jīng)網(wǎng)絡(luò)，更新網(wǎng)絡(luò)參數(shù)，使損失函數(shù)最小化，其中，參數(shù)更新公式如下：

66、

67、其中，θ表示網(wǎng)絡(luò)參數(shù)，η表示學(xué)習(xí)率，表示損失函數(shù)關(guān)于網(wǎng)絡(luò)參數(shù)的梯度。

68、進一步的，根據(jù)訓(xùn)練好的圖神經(jīng)網(wǎng)絡(luò)進行實時需求預(yù)測，輸入當前節(jié)點和邊的屬性，輸出預(yù)測的物料需求，其中，預(yù)測公式如下：

69、

70、其中，表示節(jié)點vi的預(yù)測物料需求，ψ表狀態(tài)更新函數(shù)；hi表示節(jié)點vi的屬性向量，包括歷史物料需求di、實時物料需求ri和生產(chǎn)狀態(tài)si；mij表示圖神經(jīng)網(wǎng)絡(luò)中節(jié)點vi從節(jié)點vj接收的消息；表示節(jié)點vi的鄰居節(jié)點集合。

71、進一步的，在所述多智能體協(xié)同調(diào)度模型中，每個sps臺車作為一個智能體ai，ai＝(pi,vi,wi,si)，其中，pi表示第i個智能體的位置，vi表示第i個智能體的速度，wi表示第i個智能體的載重量，si表示第i個智能體的狀態(tài)；智能體狀態(tài)向量為其中，表示第i個智能體在時間t的狀態(tài)；所述多智能體協(xié)同調(diào)度模型的目標函數(shù)j表示如下：

72、

73、其中，n表示智能體數(shù)量，α,β,γ表示權(quán)重系數(shù)，efficiency表示配送效率，energy表示能源消耗，conflict表示路徑?jīng)_突；

74、采用多智能體強化學(xué)習(xí)算法進行策略更新，每個智能體根據(jù)當前狀態(tài)和鄰居智能體的狀態(tài)，選擇最優(yōu)動作，表示如下：

75、

76、其中，q表示q值函數(shù)，表示鄰居智能體的狀態(tài)，表示第i個智能體在時間t的動作；其中，狀態(tài)-動作值函數(shù)表示智能體i在狀態(tài)和鄰居狀態(tài)下采取動作的價值，表示如下：

77、

78、其中，表示即時獎勵，γ表示折扣因子，表示更新的智能體的狀態(tài)；表示更新的第i個智能體的動作；表示更新的鄰居智能體的狀態(tài)；

79、根據(jù)實時數(shù)據(jù)，智能體動態(tài)調(diào)整策略，策略調(diào)整公式，表示如下：

80、

81、其中，表示第i個智能體在時間t的策略，α表示學(xué)習(xí)率，表示q值函數(shù)的梯度；

82、每個智能體通過共享信息和資源，進行協(xié)同優(yōu)化，表示如下：

83、

84、其中，o表示協(xié)同優(yōu)化的結(jié)果，表示第i個智能體的策略，表示第i個智能體的狀態(tài)。

85、進一步的，所述聯(lián)邦學(xué)習(xí)模型的全局損失函數(shù)表示如下：

86、

87、其中，表示第i個工廠的局部損失函數(shù)，ni表示第i個工廠的數(shù)據(jù)樣本數(shù)量，n表示所有工廠的數(shù)據(jù)樣本總數(shù)，表示本地數(shù)據(jù)集，w表示全局模型；

88、通過聯(lián)邦學(xué)習(xí)迭代過程，優(yōu)化聯(lián)邦學(xué)習(xí)模型的全局模型，使全局損失函數(shù)最小化，表示如下：

89、

90、其中，w*表示更新的全局模型。

91、進一步的，所述s6，具體包括：

92、s601、創(chuàng)建一個專用的區(qū)塊鏈網(wǎng)絡(luò)，包括各節(jié)點的初始化和配置；

93、s602、定義需要上鏈的數(shù)據(jù)，將數(shù)據(jù)記錄打包成交易，使用公私鑰對對交易進行簽名；

94、s603、編寫智能合約對物料配送的業(yè)務(wù)邏輯進行管理，同時定義智能合約的接口，將智能合約部署到區(qū)塊鏈網(wǎng)絡(luò)中，每個節(jié)點都可以調(diào)用智能合約接口執(zhí)行相應(yīng)的操作；

95、s604、定義區(qū)塊鏈網(wǎng)絡(luò)的共識機制，當新交易被廣播到整個網(wǎng)絡(luò)，節(jié)點通過共識機制驗證交易的有效性并將其打包到新區(qū)塊中，新區(qū)塊被添加到區(qū)塊鏈中，并通過共識機制達成一致；

96、s605、提供基于區(qū)塊鏈的查詢接口，用戶通過智能合約查詢物料的狀態(tài)和歷史記錄。

97、在本發(fā)明的第二方面提供了一種基于數(shù)字孿生的sps臺車物料配送系統(tǒng)，所述系統(tǒng)包括：

98、數(shù)據(jù)采集模塊，用于在工廠環(huán)境中安裝多種傳感器，采集生產(chǎn)設(shè)備、物料和sps臺車的實時運行數(shù)據(jù)，并對實時運行數(shù)據(jù)進行預(yù)處理，構(gòu)建物理工廠和sps臺車系統(tǒng)的數(shù)字孿生模型；其中，所述傳感器包括位置傳感器、速度傳感器、重量傳感器、環(huán)境傳感器和狀態(tài)傳感器；

99、其中，所述數(shù)字孿生模型構(gòu)建如下：

100、利用采集到的位置信息，構(gòu)建工廠環(huán)境和sps臺車系統(tǒng)的三維空間模型，表示如下：

101、pi＝(xi,yi,zi)

102、mj＝(xj,yj,zj,wj)

103、其中，pi表示第i個傳感器的三維坐標，mj表示第j個物料的三維坐標和重量，(xi,yi,zi)表示第i個位置傳感器的三維坐標；

104、利用重量傳感器和位置傳感器的數(shù)據(jù)，構(gòu)建物料的三維模型mj，表示如下：

105、mj＝(xj,yj,zj,wj)

106、其中，xj,yj,zj分別表示物料的x、y、z坐標，wj表示物料的重量；

107、根據(jù)環(huán)境傳感器的數(shù)據(jù)，構(gòu)建工廠環(huán)境的模型：

108、e＝(t,h)

109、其中，t表示溫度，h表示濕度，e表示工廠環(huán)境的模型；

110、基于狀態(tài)傳感器的數(shù)據(jù)，構(gòu)建設(shè)備狀態(tài)模型：

111、s＝(s1,s2,…,sl)

112、其中，sl表示第l個設(shè)備的狀態(tài)，s表示設(shè)備狀態(tài)模型；

113、使用流處理技術(shù)處理傳感器實時傳輸?shù)臄?shù)據(jù)，對數(shù)字孿生模型進行實時更新，表示如下：

114、d(t)＝{pi(t),mj(t),e(t),s(t)}

115、其中，d(t)表示時間t的數(shù)據(jù)流，包含所有傳感器、物料、環(huán)境和設(shè)備狀態(tài)的實時數(shù)據(jù)；pi(t)表示時間t的第i個傳感器的三維坐標，mj(t)表示時間t的物料的三維模型，e(t)表示時間t的工廠環(huán)境的模型，s(t)表示時間t的設(shè)備狀態(tài)模型；

116、利用實時數(shù)據(jù)流，動態(tài)更新數(shù)字孿生模型的狀態(tài)：

117、

118、et+1＝et+δt·echange

119、st+1＝st+δt·schange

120、其中，δt表示時間增量，表示第i個位置的速度分量，表示第j個位置的速度分量，echange表示環(huán)境參數(shù)的變化量，schange表示設(shè)備狀態(tài)的變化量，表示更新的三維坐標，表示更新的物料的三維模型，et+1表示更新的工廠環(huán)境的模型，st+1表示更新的設(shè)備狀態(tài)模型；

121、生產(chǎn)調(diào)度模塊，用于根據(jù)數(shù)字孿生模型構(gòu)建基于強化學(xué)習(xí)的調(diào)度模型，根據(jù)調(diào)度模型對sps臺車的物料配送路徑和策略進行實時優(yōu)化；

122、物料預(yù)測模塊，用于利用圖神經(jīng)網(wǎng)絡(luò)對歷史數(shù)據(jù)和實時數(shù)據(jù)進行分析和建模，預(yù)測各生產(chǎn)節(jié)點的物料需求；

123、多節(jié)點調(diào)度模塊，用于根據(jù)各生產(chǎn)節(jié)點的預(yù)測物料需求，構(gòu)建基于sps臺車的多智能體協(xié)同調(diào)度模型動態(tài)調(diào)整調(diào)度策略；

124、數(shù)據(jù)共享模塊，用于構(gòu)建聯(lián)邦學(xué)習(xí)模型對多個工廠之間的數(shù)據(jù)進行共享與協(xié)同優(yōu)化；

125、數(shù)據(jù)追溯模塊，用于構(gòu)建區(qū)塊鏈網(wǎng)絡(luò)對物料配送數(shù)據(jù)進行管理，對每一次sps臺車的物料配送進行記錄。

126、本發(fā)明的有益技術(shù)效果至少在于以下幾點：

127、(1)本發(fā)明通過建立物理工廠和sps臺車的數(shù)字孿生體，實時同步虛擬和現(xiàn)實環(huán)境。通過傳感器和物聯(lián)網(wǎng)設(shè)備實時采集數(shù)據(jù)，并在虛擬環(huán)境中進行仿真和優(yōu)化，使系統(tǒng)在面對復(fù)雜多變的生產(chǎn)環(huán)境時，具備更強的調(diào)整和優(yōu)化能力，快速響應(yīng)突發(fā)情況，確保生產(chǎn)線的連續(xù)運行。

128、(2)本發(fā)明采用先進的人工智能算法，包括強化學(xué)習(xí)和圖神經(jīng)網(wǎng)絡(luò)(gnn)，來優(yōu)化物料配送路徑和調(diào)度策略。強化學(xué)習(xí)算法能夠通過不斷的學(xué)習(xí)和反饋，逐步優(yōu)化調(diào)度策略，實現(xiàn)自適應(yīng)復(fù)雜環(huán)境的能力。而圖神經(jīng)網(wǎng)絡(luò)可以處理復(fù)雜的生產(chǎn)網(wǎng)絡(luò)關(guān)系，準確預(yù)測各生產(chǎn)節(jié)點的物料需求，避免物料短缺或過剩，保障生產(chǎn)的順利進行。

129、(3)本發(fā)明引入多智能體系統(tǒng)(mas)和聯(lián)邦學(xué)習(xí)算法，實現(xiàn)多個sps臺車的協(xié)同工作和跨工廠或生產(chǎn)線的數(shù)據(jù)共享與協(xié)同優(yōu)化。多智能體系統(tǒng)使各個sps臺車能夠共享信息和資源，協(xié)調(diào)配送任務(wù)，避免路徑?jīng)_突和資源浪費，提高配送效率。聯(lián)邦學(xué)習(xí)算法在保障數(shù)據(jù)隱私和安全的前提下，實現(xiàn)數(shù)據(jù)共享和協(xié)同優(yōu)化，推動跨工廠或生產(chǎn)線的協(xié)同優(yōu)化。

130、(4)本發(fā)明利用區(qū)塊鏈技術(shù)記錄和管理物料配送流程，實現(xiàn)全流程的透明化和可追溯性。區(qū)塊鏈能夠確保數(shù)據(jù)的透明和不可篡改，對每一次物料配送進行詳細記錄，提高管理的可信度和透明度。