数字孪生
【论文1：】 数字技术的最新趋势和发展使新的制造模式成为可能。数字系统可以通过创建物理世界的虚拟副本和分散决策来监控、优化和控制过程。该模型依赖于数字对应的发展，即数字双胞胎，每个生产资源都参与整个制造过程。虽然数字双胞胎的实际应用在技术和操作细节上可能有所不同，但在过去的几年里，为了确定和定义关键功能和属性。 现代制造技术的主要挑战之一是通过小批量生产提高产品类型的能力。当前的制造过程要求生产资源快速适应和响应生产环境的变化，为整个生产过程提供灵活性、可重构性、抗干扰性和更高的效率。模拟、代码生成、调试和测试阶段需要即时连续执行，以避免浪费与不断变化的产品和相关要求不兼容的时间。因此，借助工业 4.0 技术在这些阶段被虚拟化并集成到过程本身中，成为物理过程本身的实时模拟和控制对应物。基于数字制造层的反馈，甚至在生产前。根据这一愿景，生产中的反应得到了改进 Digital Twins 的模型；优化算法允许在线重新配置；虚拟调试缩短了专用制造系统的交付时间。
- 物联网 (IoT) 解决方案，特别是工业物联网，提供无处不在的传感能力，可以从不同的车间资源、工厂和流程中收集数据；
- 网络物理系统（CPS）整合计算和物理能力，使物理资源能够计算、通信和控制；
- 云计算为操作复杂模型提供了强大的计算能力；
- 当延迟、数据安全和带宽问题可能阻碍基于云的解决方案时，边缘计算为分散资源提供计算能力；
- 大数据和人工智能为实体、模型和系统提供智能。
存在的问题：
- 通信协议：如何确认两个世界之间的同步和一致性，如何实现双向通信协议？
- 保真模型的生成与集成：模型的高保真与同步。只有这样，高保真数据才能基于受可变性、干扰和不确定性影响的物理资源数据开发
- 整合不同领域：存储、管理、检查和验证数字孪生数据。
- 经济成本分析：投资与收益的比例是一个部署问题。
【s】 本文回顾了近年来制造系统和数字双驱动技术的发展，分析了工业4.数字双驱动智能制造的内涵、应用场景和研究问题。为了了解数字双胞胎及其在制造业的未来潜力，我们总结了数字双胞胎的定义和最新的发展成果。在数字双胞胎参考模型的基础上，总结了智能制造数字双胞胎的现有技术，系统地开发了数字双胞胎。回顾代表性应用，重点是与提出的参考模型的一致性。最后，指出了智能制造数字双胞胎发展的突出研究问题。 从物理设备到工厂管理，再到生产网络，各级制造都变得智能化，通过认知智能获得学习、配置和执行的能力。本部分总结了智能制造的发展趋势，讨论了数字双驱动智能制造的内涵，重点介绍了数字双驱动对未来制造的可能影响。 美国能源部智能制造(DoE)国家标准与技术研究所(NIST)由多个机构创造。根据Davis从其他人的角度来看，智能制造是贯穿整个制造供应链企业的智能制造。它包括对制造过程各个方面的实时理解、推理、计划和管理，通过广泛使用基于传感器的先进数据分析、建模和模拟，促进了这一过程。NIST将智能制造系统定义为完全集成的、协同的制造系统，实时响应以满足工厂、供应网络和客户需求中不断变化的需求和条件 在智能制造中，工厂实体通过标准网络网关与工业互联网连接，在网络空间中抽象为数字双胞胎。网络空间中的每一个数字双胞胎都是物理世界中对应物的抽象，反映了其物理状态。从连接物理对象的流数据中存储和处理网络空间。在动态工作条件下，这些数据被用来建模、模拟和预测每个物理物体的状态。大数据处理(Big Data Processing)、人工智能(Artificial Intelligence)随着智能技术的普及，制造活动的每一刻都取。本地连接工厂和网络空间的集体智慧为企业内部运营、企业间合作和生产模式的一些戏剧性变化铺平了道路，如图3所示。 数字双胞胎在智能制造的愿景中起着关键作用。它将过去的分析转化为预测未来。通过数字双胞胎对现实的实时呈现，我们可以从事后的数据收集和分析发展到实时和事先的业务实践。呼应图3中智能制造的愿景，Digital Twin从以下几个方面可以影响未来的制造业 制造资产可以通过其数字双胞胎连接和抽象到网络空间。通过从资产中获得的实时数据，制造商可以更清楚地了解生产资产的实际性能和操作条件，并做出积极的最佳操作决策。通过制造资产的真实信息流，制造商可以提高情况感知能力，提高操作灵活性和灵活性，特别是在大规模的个性化环境中。 Digital Twins车间工人也可以连接。对一个人的描述，包括体重、健康数据、活动数据和情绪状态，可以帮助建立模型，了解人类在工厂的个人幸福和工作条件。了解人类在劳动力中的状态，有助于设计以人为本的人机合作策略，提高工人的身心健康，达到最佳的生产效果。工人还可以通过超逼真的培训项目提高技能，将实际工厂设置与虚拟假设场景相结合。建立基于工人和工厂数字双胞胎的个性化虚拟培训计划的能力可以引领潮流，以巨大的资源优化和运营效率引领潮流。 数字双胞胎也可以为工厂工作，复制真实的工厂环境。数字双胞胎和数据驱动的生产操作可以建立一个具有完整操作可视性和灵活性的自组织工厂环境。整个制造过程中的连接和数据跟踪将工厂运行转化为数据驱动的循证实践，提供跟踪产品故障来源、分析生产效率瓶颈、预测未来资源需求的能力。 通过数字双胞胎连接制造资产、人员和服务，可以虚拟呈现企业的各个方面。分布式连接公司Digital Twins它将使公司建立一个虚拟连接的生产网络。利用大数据能力，该策略为运营业绩提供了前所未有的可见性，并创造了预测数字双胞胎网络未来需求的可能性。 数字孪生反映了物理对象及其虚拟模型在网络空间中的双向动态映射。一个Digital Twin它提供了一管理系统做出接近实时的决策策提供了一个中间件架构。图4显示了数字双胞胎参考模型。在技术核心方面，数字双胞胎的发展需要三个组成部分：（1）抽象物理对象规格的信息模型；（2）在数字双胞胎和物理对等体之间传输双向数据的通信机制；（3）数据处理模块可以从异构多源数据中提取信息，构建物理对象的实时表示。为了构建一个数字双胞胎，这三个组件必须一起工作。如果没有抽象物理实体特征的信息模型，传输到网络空间的数据将失去其意义和上下文。如果物理模型和信息模型之间没有数据同步机制，这两个端点之间的连接和反射就会断开，信息模型就会变成物理模型的一次性快照。高性能数据处理是弥合异构数据流与数字孪生信息模型差距的关键。
【】 作业车间调度在制造过程中起着重要作用，是影响制造效率的决定性因素之一。在生产调度的实际过程中，存在一些不确定事件、信息不对称和异常干扰，会导致执行偏差，影响调度执行的效率和质量。传统的调度方法不能很好地解决这个问题。针对数字双胞胎技术的兴起，提出了基于数字双胞胎技术的作业车间调度方法，具有虚拟现实交互、实时映射、共生进化等特点，减少了调度偏差。本文介绍了新作业车间调度模式的系统结构和工作原理。随后，提出了调度资源参数更新方法和动态交互调度策略，实现了实时准确的调度。最后，设计了验证工作车间调度模式有效性的原型系统。
基于dt作业车间调度系统结构由物理空间和虚拟空间组成，如图1所示。两部分通过CPS单元通信。在虚拟空间中，调度数据可以从设备、工人、任务信息等物理空间的监控资源中获取。利用获得的资源数据，建立调度模型和算法，得到调度策略并模拟。最终验证的调度计划反馈给物理空间。在物理空间中，计划被分解为机器执行、操作员分配和物料运输。 一方面，通过这种新的调度机制，我们可以使用相关参数（加工时间、工人技能水平、成本、能耗等）进行统计和数据建模；通过虚拟空间和现实空间的不断交互和演变，准确的调度参数的准确概率分布。另一方面，车间的各种干扰信息可以通过两个空间之间的数据交换来调整相应的约束。因此，调度计划可以更新并返回物理车间，以获得更好的适应性和及时响应。 虚拟现实交互是用来在虚拟空间和现实空间之间建立桥梁的。如图2所示，实现虚拟现实交互包括三个步骤。首先，物理车间的各种数据需要实现虚拟空间与物理空间的实时交互。采用射频识别、无线传感器网络、智能仪表、各种传感器，对车间生产过程进行数据采集和监控。其次，基于收集到的车间数据，设计了高速稳定的定制数据传输协议，实现虚拟空间与物理空间数据的同步与集成；当车间发生异常事件时，包括加工工艺异常、设备故障等，将异常数据发送到虚拟车间。最后，通过对虚拟空间的建模和模拟优化分析，得到及时准确的新方案，并反馈给物理车间的执行系统。车间的动态变化可以通过物理车间与虚拟车间的交互实时掌握和响应。生产工艺也可以不断优化。 在传统的作业车间调度中，相关调度资源的参数与车间的实际生产条件不一致。根据实际生产经验粗略估计调度中使用的参数。在传统的调度计划中，参数通常是通过统计获得的，并作为已知常数。例如，机器上一项任务的处理时间被认为是常数。但在实际的车间生产中，一个操作的加工时间不仅与加工机和工人有关，还与需要加工的操作有关。机器上一项工作的处理时间总是假定为固定常数。忽略了不同工种工人的影响和添加时间的变化。因此，由固定时间参数生成的调度计划在实际车间中无法很好地执行。参数更新方法，如图3所示。 作业车间调度数据包括物理执行数据和虚拟车间数据，如加工时间、成本、操作数据、历史仿真数据等。利用虚拟空间和物理空间的数据融合和分析得到的调度数据，拟合出机器和工人的效率分布函数。通过不断的数据迭代和融合，可以丰富和改进参数，使其更加精确。通过仿真和验证，将调度方案反馈到物理车间执行。 在这种新的调度机制下，通过相关的分布函数可以得到精确的参数值。该模型在虚拟空间中可以得到精确的调度计划通过相应的调度算法。在连续的循环执行过程中更新相关参数的准确分布。生成了更符合实际情况的新的调度方案。
【论文4： Digital twin-driven carbon emission prediction and low-carbon control of intelligent manufacturing job-shop】 随着传感技术和数据处理技术的发展，基于网络物理系统(CPS)的智能制造是制造业的发展趋势。数字双胞胎已经被认为是CPS的一种实施方法。考虑到离散制造作业车间的复杂性和不确定性，制造系统的碳排放数据自动集成和低碳控制是两大挑战。为实现智能制造车间的碳减排，提出了一种智能制造作业车间的数字双驱动碳排放预测与低碳控制，包括低碳制造作业车间的数字双驱动模型、低碳制造的数字双数据交互与融合、数字双驱动碳排放预测与低碳控制。研究了低碳制造作业车间数字孪生数据处理、基于数字孪生的碳排放评价与预测服务、数字孪生数据驱动的制造作业车间低碳控制方法等3项关键使能技术。该方法将最新的信息和计算技术与低碳制造相结合，通过虚拟车间验证和优化控制方案。同时，碳排放评估和预测可以封装为机床为客户提供的服务。 对于数字孪生虚拟车间，它不仅可以与物理世界进行模拟，而且可以同步更新。为了实现这一目标，首先要构建数据传感器网络。对于低碳制造车间，碳排放收集传感器网络是指低碳制造的数据收集网络，包括碳排放数据、机床状态数据和在制品数据。结合实际生产过程，传感器网络的结构包括静态网络结构和动态网络结构两部分。通过对制造系统的设计，实现了静态网络配置制造系统的物理配置过程。另一方面，动态传感器网络是针对生产规划调度后的某一或若干特定的生产任务，即选择合适的传感器构建子网络，为该任务的逻辑配置过程服务。通过动态网络建设，可以获取所需的数字数据，传感器的使用效率也很高。
数字孪生数据主要来自四个方面，分别是与物理车间相关的数据、与虚拟车间相关的数据、与车间服务系统相关的数据，以及以上三部分融合而来的数据。由于数字孪生数据涉及到不同类型的数据，数据处理对于后续的模拟、预测和决策至关重要。提出了一种低碳制造作业车间数字孪生数据处理方法，如图2所示。 由于离散的制造过程是随机的，生产过程是不断变化的时间。将偏差作为输入数据，基于人工智能算法训练预测模型，即增量学习。数据处理主要包括三个步骤:数据预处理、偏差比较和基于增量学习的预测模型。 数据预处理由于碳排放、机器状态、在制品状态等原始数据可能存在错误、重复或冗余的情况，需要对数据进行预处理。在这里，预处理包括三个步骤:数据清理、数据集成和数据压缩。a)数据清理:由于能源相关生产数据是自动即时采集的，因此存在大量重复记录、未完成记录等错误。在这种情况下，可以使用一种有效的清理方法来实现数据清理; b)数据集成:清理后的数据通常来自不同的数据源，需要形成一致的数据存储，如数据仓库; c)数据压缩:由于获取的数据量大且复杂，对数据进行分析和挖掘Workshop需要大量的时间，不具备可操作性。数据压缩可以获得更小的数据量，但不会破坏原始数据的完整性。
- 偏差比较 在获得预处理数据后，将实际状态和计划状态进行比较，实现偏差比较，其中包括过程状态、物流状态和缓冲状态。因为这三个数据会影响机床的加工进度。
- 基于增量学习的预测与低碳控制模型 通过数据预处理和偏差比较，可以采用基于增量学习的预测模型对某台机床的碳排放进行预测。通过一些历史数据对模型进行训练，这些历史数据包括过程数据、机器数据、计划数据和物流数据。训练后的预测模型可用于机床碳排放的预测。
区块链
【论文5 】 区块链是推动商业和工业创新的新一代安全信息技术。针对工业4.0下区块链安全智能制造的资源组织和系统运行的关键赋能技术进行了大量研究。然而，这些区块链应用程序的发展和推广从根本上受到了可伸缩性、灵活性和网络安全方面各种问题的阻碍。本调查讨论了区块链系统如何克服潜在的网络安全障碍，以实现工业4.0中的智能化。在这方面，在制造系统中确定了8个网络安全问题(CIs)。在调查区块链安全智能制造研究时，设计了在制造系统中实现区块链应用的十个指标。本研究揭示了文献中对这些ci的研究。基于上述分析得出的见解，提出了区块链安全智能制造的未来研究方向，这可能会对实现工业4.0智能的迫切网络安全问题的研究提供指导。 【论文6 】 随着物联网技术获取海量数据，集成协同制造系统应运而生。然而，在制造商与客户、供应商、分销商、政府、服务提供商和其他制造商的无数次合作中，对它们征收的信托税非常高。区块链是一种新兴技术，可以实现更透明、安全和高效的交易。它代表了一种新的范式和新思维，即如何在不必要地相互信任的不同利益相关者、组织和系统之间安全地存储、集成和通信数据。区块链对于降低信托税有很大的帮助，特别是对于必须承受比老牌制造商更重的信托税的中小企业。本文研究了基于区块链的安全与信任机制，阐述了区块链在智能制造战略重点之一的质量保证中的具体应用。利用智能制造过程中产生的数据，可以检索材料来源，方便设备管理，提高交易效率，创建灵活的定价机制。乳业被用来实例化区块链对质量保证的价值主张。
【论文7 】 基于对设备可靠性和质量预测的各种要求，智能制造系统正在发展。为此，许多机器学习技术正在接受研究。另一个被认为是工业重要组成部分的问题是数据安全和管理。为了克服上述问题，我们采用区块链和机器学习相结合的方法来保护系统事务，并处理一个数据集来克服假数据集。为了管理和分析收集到的数据，我们使用了大数据技术。区块链系统在私有Hyperledger Fabric平台上实现。同样，基于混合预测技术对故障诊断预测方面进行了评估。采用非线性机器学习技术对系统的质量控制进行评价，对复杂环境进行建模，得出系统质量控制方法的真阳性率 本文的主要贡献如下: •基于物联网环境传感器的实时监控。 •使用区块链减少决策的延迟。 •应用区块链来保护去中心化和透明的交易。 •使用智能合约来增强制造网络。 •基于制造系统故障诊断的预测分析。 •应用大数据技术管理大规模制造数据集。
【论文 】 如今，传感器和物联网(IoT)的不断部署，推动了智能城市中制造数据的数量。通过传感数据，全球工厂之间的联系正迅速变得更加紧密。大数据一般有五个V:大容量、高值、高准确性、高多样性、高速度。延迟、可伸缩性、集中化、可靠性、安全性和隐私性是智能制造、智能工厂等先进智能城市应用的主要挑战。同时，区块链是一种新兴的分布式技术，部署它的目的是在最近的应用程序中最大限度地减少中央权限控制并提供安全的环境。另一方面，深度学习是前沿技术之一，为数据的处理和分析提供现代分析工具，并在智慧城市的智能工厂应用中提供可扩展生产。在本文中，我们提出了DeepBlockScheme:一种基于深度学习的区块链驱动的安全智慧城市方案，其中区块链在雾层以分布式的方式使用，以确保制造数据的完整性、去中心化和安全性。在云层面利用深度学习提高产量，实现数据分析自动化，增加智慧工厂和智慧制造应用在智慧城市的通信带宽。我们提出了一个汽车制造的案例研究，该案例具有所提出方案的最新服务场景，并将其与使用安全和隐私工具等关键参数的现有研究进行了比较。最后，还讨论了基于该方案的开放式研究挑战。
第一层有各种物理物联网设备，分为三部分:工业设备(流量计、功率表、速度表等)、传感器设备(RFID、光传感器、近距离传感器、压力和超声波传感器)和物联网设备(智能汽车、手表、摄像头、监视器和扬声器)。这些设备用于收集与各种智慧城市(SC1、SC2、SC3)相关的物联网原始数据。 第二层包括智能城市边缘层的各种工业网关，作为设备层和区块链层之间的数据通信媒介。 第三层，智能城市边缘层采用基于区块链的分布式信息枢纽边缘节点。这个联盟区块链由受信任的实体(由政府和/或智能制造设计)控制，它的主要作用是在将数据添加到区块链之前验证和验证数据。 第四层是数据处理和分析层，对设备层收集并经过网络层验证的所有数据进行分析，使用基于深度学习的方法提取知识。 第五层，也是最后一层，是应用层，从数据分析层提取的所有知识和结果，直接应用到应用层，实现智能制造的自我管理、自我分布、自我自动化、可扩展生产和快速发展。
提出的安全智能城市驱动方案的方法流程方案中，功能分为三个模块:数据采集、数据通信和数据处理分析。在雾层提供区块链技术，以确保通信安全，并将数据存储在不可变或防篡改的账本上，在云层使用深度学习进行数据处理和分析。随着深度学习的发展，智能制造的生产根据智慧城市的要求不断增加。本文提出的安全智慧城市方案的方法论流程如图2所示，下面讨论模块分类 数据收集:作为设备层的一部分，数据收集是该方案的第一个模块。该层包含各种类型的设备，包括工业设备、传感器和物联网设备(流量计、功率表、超声波、接近传感器、智能手表和智能监视器)。所有这些设备产生的原始数据，如温度、转速、电力和电流，这些数据被传输到智能城市应用，包括智能制造、智能电网等。这些应用程序从原始数据中获取有用的信息。 数据通信:作为本文提出的智慧城市方案的第二个模块，在边缘层可用。在工业网关的帮助下，有用的信息或数据被传输到区块链网络。整个智能制造是中心化的，所以存在安全和隐私等缺点。为了缓解这个问题，我们将数据或信息传递给区块链网络。 基于区块链的分布式信息集线器:雾层由一个基于区块链的分布式信息集线器模块组成，该模块具有一些区块链网络。这个网络有各种各样的政府矿工和本地节点。验证和验证功能由矿工完成，作为工作共识算法的证明。首先，智能制造在区块链网络中传输信息，然后所有矿工发起验证过程。验证过程由一个矿工先完成，就像解决一个计算难题一样。然后，验证信息在区块链网络中传输，并由所有其他miner节点验证。当验证信息的miner节点超过51%时，验证过程完成，向区块链添加一个block;否则，不需要向区块链中添加该块。在区块链分布式网络的帮助下，我们提供了防篡改和不可变账本的安全性和私密性。 数据分析与处理:这是提出的智慧城市应用驱动方案的最后一个模块，称为数据分析与处理。这被用于数据分析或云层，提供深度学习。因此，在这一层中，我们使用了基于深度学习的智能云功能。在这个过程中，它由三部分组成:输入层、多个隐藏层和输出层。输入层使用当前生产和分析数据作为输入。然后，数据被传输到各个隐藏层。通过隐藏层，我们可以预测未来的输出，并增加数据的产量或可伸缩性。然后将这些数据传输到深度学习的输出层。隐藏层A1、A2、A3如图2所示。这个输出随后被通信到最后一层，称为应用层。在智能制造、智能电网等智慧城市应用中，为数据的快速发展、数据的可伸缩生产、数据的自自动化、自管理、自分发、自贡献等提供了多种优势。