基于数字孪生的复杂产品运维与制造集成总体模型

技术领域

本发明属于数字孪生驱动的智能运维与制造的科学领域，具体涉及一种基于数字孪生的复杂产品运维与制造集成总体模型。

背景技术

近年来在复杂产品运维与制造方面的研究取得了重大突破，复杂产品的运维和制造理论体系融入了大数据、云计算、物联网、增强现实、虚拟现实、数字孪生、自动化等新的信息技术，使得复杂产品运维与制造体系数字化和智能化程度越来越高。复杂产品在运维与制造过程中产生大量的具有多源、异构等特性的数据，这些数据成为了降低复杂产品运维成本，实现运维与制造完美对接，保证产品安全可靠运行的决策依据。但是，目前复杂产品运维与制造之间存在严重脱节，造成运维与制造信息可重用性低，制造数据不能有效的服务于运维，如何将处于同一条产业链上的运维与制造环节集成，形成有机的统一体仍值得深入研究。

国内外研究学者提出了一系列产品运维和制造发展模式、策略和方法，针对复杂产品制造需求的动态性和多源性，任杉等(机械工程学报(22),194-203.)通过研究产品生命周期管理过程中产生的数据，提出了以数据为驱动力，为复杂产品的智能制造过程提供服务的框架，促进了产品生命周期各个阶段数据的应用。李浩等(计算机集成制造系统,2019,25(06):1320-1336.)研究了复杂产品设计与制造过程中的信息物理融合，提出了数据驱动的复杂产品环形设计框架，为复杂产品的智能制造落地提供了有效途径。Quintanilla等(Engineering Applications of Artificial Intelligence,2016,55.)提出了一种基于产品制造服务的可定制化产品设计规范方法，针对不同制造过程中的信息重用性，构建了产品制造服务框架，通过创建产品服务本体实现了产品的设计与制造数据集成；陶飞等(中国机械工程,2020,31(07):757-772.)研究了数字驱动的复杂产品智能服务，提出了设备故障识别与动态预测方法以及装备视情维修与备件库存联合多目标决策优化方法，为复杂产品的维修保障方式提供了新方法。Frazzon等(CIRP Annals-ManufacturingTechnology，2018)提出了一种数据驱动的复杂产品动态制造系统自适应计划和控制方法，针对变化的生产条件，基于仿真优化实现了物理制造系统与仿真模型之间的数据集成，为复杂产品的制造数据集成提供了参考。但是国内外的研究学者对复杂产品的运维与制造环节的这些研究理论并不能完全满足于新一代信息技术背景下的复杂产品运维与制造集成一体化要求，大部分研究过程都将运维与制造过程相互隔离研究。对如何实现复杂产品的运维与制造集成研究相对较少。产品运维与制造不能互相有效支撑，在产品实际的运维与制造过程中产生的数据实时动态回馈能力不足。复杂产品的运维与制造过程集成度低导致复杂产品在运维与制造的过程中数据呈现为信息孤岛，整合难度大，在运维与制造的过程中需要花费大量的成本对数据进行处理。并且由于复杂产品运维与制造过程相互分散，因此产生的数据存储也比较分散，对数据的利用率低，运维与制造过程中产生的数据无法为互相提供依据，导致运维与制造过程信息通畅率低，增加运维与制造成本。因此，亟待新的方法支持复杂产品运维与制造过程实现深度集成融合，使得产品运维信息有效融入制造环节，以推动复杂产品运维与制造全面升级。数字孪生作为一种充分利用数据实现虚实交互反馈、迭代优化的技术，为解决这一问题提供了有效的途径。

数字孪生技术是以数据为驱动力，为产品全生命周期提供智能服务的重要手段。最初的概念是在美国2003年的产品全生命周期管理课程上由Grieves(Cocoa Beach:SpaceCoast Press,2011:2-10.)教授提出，随着信息技术的发展，数字孪生逐渐引起国内外学者高度关注，并为其注入新的内涵。陶飞等(doi:10.13196/j.cims.2019.01.001.)提出了数字孪生五维模型及数字孪生十大应用领域，在原有的三维模型基础上增加孪生数据和服务两个新维度，经过多年研究，在产品生命周期管理和产品制造车间形成了基础理论和技术支持。Hu等(Springer,Singapore,2020:123-137.)等研究了数字孪生技术在产品生命周期的设计、规划、装配、运维等阶段的应用，为复杂产品生产车间的智能操作提供了一个有效的方法。Wang等(Zhengli Wu(2020).Model construction of planning and schedulingsystem based on digital twin.109(7-8),2189-2203.)针对车间生产中不确定因素的出现，将数字孪生技术与计划调度相结合，对不确定因素实施管控。

传统的复杂产品运维与制造环节相互分离，制造厂将产品交付用户之后，制造厂的任务就完成了，运维人员在产品运维的过程中很少考虑制造厂的制造信息，这样就导致了运维与制造信息不能及时互通，形成信息孤岛。

发明内容

本发明的目的之一在于提供基于数字孪生的复杂产品运维与制造集成总体模型，实现复杂产品运维与制造过程数据信息互通。

为实现以上目的，本发明提供的基于数字孪生的复杂产品运维与制造集成总体模型，采用如下技术方案：

基于数字孪生的复杂产品运维与制造集成总体模型，包括运维系统模块、虚拟维修单元模块、维修中心模块、制造厂模块以及数据平台模块，所述制造厂模块和维修中心模块构成孪生系统的物理空间，虚拟维修单元模块构成孪生系统的虚拟空间，所述运维系统模块、虚拟维修单元模块、制造厂模块和维修中心模块分别将服务数据、仿真数据、制造数据和维修数据传输给数据平台模块，并接收所述数据平台模块的反馈；所述数据平台模块将采集到的数据信息，经过数据融合处理单元进行数据融合处理后与其他模块进行数据交互，为其他模块的正常运行提供数据支撑；

所述运维系统模块是对复杂产品正常运行的监控，不仅为数据平台模块提供运维服务数据，而且在接收到数据平台的反馈信息之后，及时对运维计划做出调整，保证产品的正常运行；所述运维系统提供的服务数据包括产品运行状态、零件状态信息、故障原因类型、故障分类标准、现场备件库存和运维计划调整数据；

所述虚拟维修单元模块依据从数据平台模块中获取到的维修数据，通过对需要维修的零件仿真建模，模拟零件维修任务，制订出初步的维修方案，并且根据数据平台知识库中的规则，制订出最优维修方案，所述虚拟维修单元模块指导物理空间中承担相应维修任务的维修单元模块发挥作用，根据最优维修方案实施零件的物理维修；

所述维修中心模块根据虚拟维修单元模块制订的最优维修方案，对复杂产品的零部件实施物理维修，分为运行现场维修和维修基地维修；

所述制造厂模块承担着复杂产品所需产品制造、零件制造和需要返厂的零件维修的任务，当运维系统将异常零件信息上传至数据平台，经过故障诊断得到零件的维修状态，如果需要制造厂供应备件，制造厂安排备件库存调度计划，如果需要进行返厂维修，制造厂模块接收到维修信息后，将其作为生产过程中得不确定因素引入日常生产计划管控系统中，对制造厂的生产计划调度方案进行调整，在生产计划系统中进行重新排产后，完成生产计划的制订；制造厂根据生产计划安排备件的生产，终保证复杂产品的正常运维；

所述数据平台模块作为复杂产品的运维与制造集成过程中全部的数据载体，存储着各个模块相互作用产生的孪生数据和运维与制造集成相关的物理数据，利用从其他模块采集到的数据建立和更新知识库和实例库，为复杂产品的运维与制造集成提供数据；所述数据平台模块分为数据采集、存储、处理和应用四个过程。

本申请所述基于数字孪生的复杂产品运维与制造集成总体模型，以运维与制造过程中产生的数据为驱动，借助数字孪生技术，通过在虚拟空间对产品发生故障后与维修中心和制造厂进行信息互通全过程的真实模拟，从而及时发现产品运维与生产计划中可能存在的问题。在运维与制造集成的基础上，通过维修车间与制造车间的孪生数据深度的融合，并不断对数据平台中的数据及时更新，预测未来产品在运行过程中的零件故障和维修计划，保障产品的正常运行，实现智能运维与制造转型升级。

本发明另一目的在于提供一种基于数字孪生的复杂产品运维与制造集成总体模型的运行模式，包括：

1)当复杂产品在运行的过程中发生异常时，运维人员需要在运维系统中对异常原因分析，经过故障诊断得到需要维修的零件维修信息数据，将所述零件维修信息数据输入至数据平台模块；

2)数据平台模块根据历史维修数据、知识库和实例库等数据制订初步的维修方案，在虚拟空间中对初步的维修方案进行仿真模拟，并且调用数据平台中的知识库对初步的维修方案进行判断，如果不是最优维修方案则在虚拟空间中继续进行模拟仿真，对维修方案进行修正，直至形成最优的维修方案；

3)根据最优维修方案中实施对零件的维修；

4)在所需要维修的零件维修任务完成之后将其返回至产品运行现场，保证产品的正常运行；并且在处理产品异常的流程中，当制造厂、运行现场、维修基地完成维修任务之后，将更新后维修数据和制造数据输入至数据平台中，为下一次的维修方案制订提供数据支撑，并且利用相关的维修数据对数据平台中的知识库和实例库进行更新。在数据平台中，一方面，根据处理后的故障数据和维修过程中产生的数据，建立故障预测机制，将故障预测的结果反馈至故障诊断过程，提高诊断效率。另一方面，根据故障零件维修过程中零件的库存数据的变化和制造厂零件的制造数据，建立库存预测机制，为最优维修方案的制订提供库存零件信息。

进一步地，所述步骤3)中根据维修方案中实施对零件的维修，需要返厂维修的运送至制造厂实施维修，需要在现场维修的则在产品运行现场实施维修，需要在维修基地进行维修的则运送至维修基地维修。

如何准确、高效、快速的从复杂产品的各个模块中获取与运维制造集成相关数据，使其产生更高的价值，并且更好服务于运维与制造集成过程，是复杂产品运维与制造集成过程中的一个重要抓手。本申请中所述数据融合处理单元架构分为数据源层、数据预处理层、数据筛选层和数据应用层：

所述数据源层中的数据来源于数据平台中存储的从运维系统模块、制造厂模块和维修单元模块中采集到的数据，所述数据包括产品状态数据、零件故障数据、零件返修周期数据、零件库存数据、备件库存数据、零件故障原因数据、零件生产周围数据，以及零件维修数据等；

所述数据预处理层依据算法模型对数据处理，采集到的数据经过数据清洗、数据整合、数据转换和数据汇总的数据处理之后得到初步数据，对初步数据根据复杂产品运维与制造集成的需要进行数据分类，分为维修数据与制造数据，为维修和制造方案的制订提供依据；所述算法模型包括神经网络、聚类分析、关联分析和深度学习；

所述数据筛选层借助数字孪生技术，建立物理维修-制造空间的孪生体，即虚拟维修-制造单元，在该单元内首先建立虚拟仿真模型，对维修-制造任务分解演化，制订出不同的虚拟维修和制造方案，然后依据不同的方案进行维修-制造任务虚拟仿真，根据仿真的结果，决策出最优的方案；最后，得到最优方案所对应的数据，保存在数据平台中；

所述数据应用层将数据反馈至运维系统模块，优化复杂产品的运维过程；将数据和最优方案反馈至维修单元模块，物理维修单元依据制订的维修方案指导物理维修、实施物理零件维修，并且还可依据反馈的维修数据进行产品故障预测，保障产品运维与制造的顺利集成；将数据反馈至制造厂模块，制造厂模块依据制订的维修和制造方案进行需要返厂维修零件的零件维修和产品制造。

本申请中基于数字孪生的数据融合处理单元，各层之间以数字孪生技术为基础，以数据流为驱动，相互联系，密切配合，实现复杂产品的运维与制造数据融合处理，为运维与制造集成提供重要的数据依据。

零部件故障诊断是保障复杂产品安全可靠运行和提高运维效率的主要科学手段，为了准确识别复杂产品零部件的健康状态是否满足产品运维需求，智能诊断已经逐步取代依靠技术人员经验传统的诊断方法，数字孪生技术能很好利用产品运行过程中产生的数据，通过物理空间与虚拟空间实时交互和反馈，实现智能故障诊断。基于数字孪生的智能诊断技术是通过零件故障诊断机理与数据驱动的产品运行过程动态信息相互映射的诊断方法，利用数据平台中的知识库与智能诊断算法识别零件故障，因此本申请还提供一种基于数字孪生的智能诊断模型，降低维护成本，提高产品运行稳定性。

一种基于数字孪生的智能诊断模型，首先，采集物理空间中各种故障产品关键零部件的在线实测数据与历史运行数据；然后，构建虚拟空间与物理空间产品之间的映射关系模型，在虚拟空间中进行零件模型机理分析，根据动态数据进行对应故障特征提取；最后，通过基于智能诊断算法的自学习优化过程，结合影响因素分析产品故障原因，实现产品智能故障诊断；将最终的故障诊断结果反馈至产品运行的物理空间，为复杂产品正常运行提供科学的理论指导。

所述影响因素包括不同产品、运行环境和维修级别等。

复杂产品在运维的过程中，零部件的故障预测与维修方案制订相互影响和约束，是维修方案决策中重要的制约要素之一。复杂产品的故障预测是以对产品零件的状态检测和故障诊断为基础，对历史数据和在线监控数据进行统计分析，采用模型进行故障预测。故障预测是复杂产品日常运行检修和应急处理的重要保障，是保证复杂产品维修方案的可靠性与合理性的重要因素。因此，如何有效进行故障预测是复杂产品运维与制造集成过程中的一个难点。本申请还提供一种基于数字孪生的故障预测模型，通过故障零件识别，在虚拟空间进行故障状态分解、故障模式推理与故障原因分析，将预测结果与备件库存联合优化，实现故障的精准预测，确保异常零件及时修复，保证产品的正常运行。

基于数字孪生的故障预测模型,首先对物理空间下的故障数据实施感知，包括产品历史运行数据和实时监控数据；其次，通过对数据的处理得到与故障预测相关性强的数据，在虚拟空间中建立故障零件的仿真模型，进行故障状态分解、故障模式推理和故障原因分析；然后，建立相应的故障预测模型，预测故障零件未来可能发生的次数；最后，根据预测结果进行维修方案的制订与库存计划调度，并结合复杂产品维修对备件库存需求多目标联合虚拟实施优化，将优化后的结果反馈至物理空间，实现基于数字孪生的故障精准预测。

本申请所建立的基于数字孪生的故障预测模型能够根据零件历史故障数据在虚拟环境下对零件未来故障状态提前演化、评估、预测，及时做到零件库存的调度，满足复杂产品的正常运维。

运维与制造数据综合感知是实现复杂产品运维与制造集成的首要前提，数据感知更是为运维与制造集成提供服务的基础，智能决策是实现运维数据价值的重要手段。基于运维与制造集成化的数据感知网，有望实现复杂产品运维与制造集成过程中数据的综合运用。因此，本发明还提供一种复杂产品运维与制造集成化数据综合感知系统，包括：①产品运行现场、维修中心和制造厂之间资源共享标准；②通过传感器对产品运行现场、维修中心和制造厂等进行在线监测，实现多尺度和多角度观测，构建复杂产品突发异常感知网；③进行多源异构数据融合，建立复杂产品多源异构数据综合感知指标、共性技术与标准体系；④结构化和非结构化数据的降维处理与存储。

复杂产品运维与制造集成化数据综合感知系统具备以下5个基本特点：①能够兼顾各个产品运维与制造过程中不同场所数据管理要求。②能够高效地管理产品的动态状态数据。③能够高效管理传感网实时观测数据。④能够支持维修与制造过程的实时动态模拟。⑤能够有效建立各种产品、对象、状态、时间、过程等要素的相互联系。

复杂产品运维与制造集成化数据综合感知系统充分利用集成化感知架构实时获取复杂产品运维与制造过程中产生的数据，及时、全面、准确地提取运维与制造过程中的动态变化，使得数据成为产品从制造到运维过程中的驱动力，为实现复杂产品的运维与制造集成运行提供数据基础。

虚拟维修单元的建模与仿真是在数字孪生技术的支撑下，通过数据的有机融合，实现复杂产品运维与制造集成过程中物理维修空间与虚拟维修单元之间的虚实同步，为复杂产品运维与制造集成提供精准服务。虚拟维修单元是复杂产品维修过程的重要组成部分，既是对物理维修单元的数字化镜像，又是制订虚拟维修方案、数据处理、数据交互等过程的重要参考依据，因此构建的虚拟维修单元与物理维修单元的耦合程度直接决定着复杂产品的运维与制造集成性能。虚拟维修单元的建模与仿真复杂产品的维修工作运行包含制造、维修、运行人员的工作流模型、备品备件的模型及库存数据、维修零件的虚拟样机模型和零件故障模型，以及基于数字孪生的维修数据处理结果的智能分析、仿真知识库模型等。虚拟维修单元的建模与仿真不仅包含二维数据与模型，而且包括三维模型与仿真过程，是零件维修过程的完整信息。只有建立复杂产品零件维修的数据与仿真模型，实现数字孪生过程的虚拟维修单元建模仿真，才能有效服务于复杂产品异常零件的快速建模和维修。本申请提供的复杂产品虚拟维修单元建模与仿真包括三个方面：分别为复杂产品物理维修单元的建模仿真、复杂产品虚拟维修单元仿真知识库构建、复杂产品虚拟维修单元关键模块建模。

虚拟维修单元模块由各项维修元素的几何模型和维修数据构成，所述物理维修单元的建模仿真是在数字孪生技术的支撑下，通过对维修过程中的人、零件、配套资源等要素之间建模仿真，实现维修任务的低成本高效率的提供；维修过程建模仿真的物理对象是完成复杂产品零件维修任务的制造厂、运行现场和维修基地，主要元素包括维修任务请求、维修计划、运维调度、维修执行和完工确认等不同阶段的人员、环境和数据建模，并通过这些元素的不同行为建立这些元素之间的相互行为关系，包括备品备件的运输、各类人员活动、各个车间运行以及不同零件的维修活动。

所述复杂产品虚拟维修单元仿真知识库构建是为了保证虚拟维修单元能够真实反映出物理维修单元的零件维修、人员活动、任务分配，构建复杂产品虚拟维修单元仿真知识库，包括仿真时步的规则确定、维修单元划分、不同层面建模工具的确定、以及不同维修单元维修成本的计算。建立可以真实刻画复杂产品维修单元的多层结构，从而有效描述从维修单元子系统到零部件级别的维修单元构成，形成面向复杂产品维修单元的全要素仿真知识库。

所述复杂产品虚拟维修单元建模与仿真过程涉及人、环境、物料、核心装备和辅助装备，是一个设备、人员、环境等多要素耦合的复杂系统。通过复杂产品虚拟维修单元系统动态模型组合，对零件的维修全过程进行分析与模拟，揭示维修零件动态过程及其维修状态演化规律，提高零件维修效率。复杂产品虚拟维修单元关键模块建模，包括所需维修零件几何数据转换与建模、关键零件数字样机建模、零件维修环境建模、以及零件维修过程中产生的数据转换与建模，为复杂产品零件维修的性能分析提供动态化、程序化、可视化的仿真分析平台。

通过以上3个方面构建的虚拟维修单元模块，能够使得虚拟维修单元对物理维修单元维修的行为、过程、操作和结果达到真实模拟，为复杂产品的运维与制造集成过程提供重要支撑。

由于复杂产品在运维与制造集成过程中利用的知识具有多样性、复杂性、模糊性等特点，因此，知识库/实例库的建立对产品的维修与制造具有重要作用。通过知识库/实例库的建立，运维人员能够第一时间对产品运行系统故障和隐患准确判断与及时处理。知识库/实例库的构建是一个非常复杂的动态、多元、非线性、数据量庞大的过程，借助数字孪生技术，构建知识库/实例库，使得知识库/实例库在虚拟空间和物理空间发挥作用，及时迭代优化，更新知识库/实例库，更好的为复杂产品的运维与制造集成提供服务。因此，本申请还提供一种基于数字孪生的知识库/实例库构建方法。

一种基于数字孪生的知识库/实例库构建方法，分为数据采集与评价、数据模式与分类、数据存储与发布、数据计算、数据共享与应用和知识库/实例库虚拟实现六个层次实现；

所述数据采集与评价的数据来源于产品运行现场、维修中心、制造厂以及孪生系统的虚拟空间产生的仿真数据；通过对采集到的数据进行数据模式与分类；借助数据平台进行数据存储与发布，利用数据计算方法进行数据计算；实现数据共享与应用；专家系统、可视化分析、推荐系统和历史搜索模块共同构成知识库/实例库。

将形成的知识库/实例库在虚拟空间中进行方案决策、故障诊断、故障预测、库存预测、计划预测等应用，通过迭代更新，形成的知识库/实例库反馈至复杂产品运维与制造相应的物理空间，实现复杂产品运维与制造集成过程中数据的融合应用。

所述数据计算方法包括数据本体推理、规则推理、相似度计算、不一致检验等。

本申请提供的一种基于数字孪生的复杂产品运维与制造集成总体模型，借助数字孪生技术，提出了基于数字孪生的复杂产品运维与制造集成总体框架和虚实集成的系统集成模型。分析了基于数字孪生的运维与制造集成流程运行模式、建模仿真、数据融合处理等解决方案，探讨了基于数字孪生智能诊断、故障预测、数据综合感知、知识库/实例库构建等关键技术。本发明使复杂产品运维与制造信息深度融合，运维与制造数据交互反馈，通过数字孪生实现复杂产品运维与制造虚实结合，提供更加实时、高效、智能的集成服务。本发明所提出的基于数字孪生的复杂产品运维与制造集成方法，实现复杂产品运维与制造过程的深度集成，消除了运维与制造环节产生的信息孤岛现象。

附图说明

图1为基于数字孪生的复杂产品运维与制造集成总体模型图；

图2为基于数字孪生的复杂产品运维与制造集成总体模型的运行模式图；

图3为数据融合处理单元架构图；

图4基于数字孪生的智能诊断模型图；

图5基于数字孪生的故障预测模型图；

图6基于数字孪生的复杂产品运维与制造集成总体模型的数据综合感知系统图；

图7虚拟维修单元模块的建模仿真构建图；

图8基于数字孪生的复杂产品运维与制造集成总体模型的知识库/实例库构建方法图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

实施例1

如图1所示，基于数字孪生的复杂产品运维与制造集成总体模型，包括运维系统模块、虚拟维修单元模块、维修中心模块、制造厂模块以及数据平台模块，所述制造厂模块和维修中心模块构成孪生系统的物理空间，虚拟维修单元模块构成孪生系统的虚拟空间，所述运维系统模块、虚拟维修单元模块、制造厂模块和维修中心模块分别将服务数据、仿真数据、制造数据和维修数据传输给数据平台模块，并接收所述数据平台模块的反馈；所述数据平台模块将采集到的数据信息，经过数据融合处理单元进行数据融合处理后与其他模块进行数据交互，为其他模块的正常运行提供数据支撑；

所述运维系统模块是对复杂产品正常运行的监控，不仅为数据平台模块提供运维服务数据，而且在接收到数据平台的反馈信息之后，及时对运维计划做出调整，保证产品的正常运行；所述运维系统提供的服务数据包括产品运行状态、零件状态信息、故障原因类型、故障分类标准、现场备件库存和运维计划调整等数据；

所述产品运行状态显示产品运行现场是否出现故障，零件状态信息是追溯产品故障原因的重要数据，故障原因类型、故障等级标准和现场备件库存数据为虚拟维修单元制订维修方案提供重要依据。运维系统模块及时、高效的为运维与制造集成过程提供原始数据信息，保证运维与制造集成过程的数据需求；

所述虚拟维修单元模块依据从数据平台模块中获取到的维修数据，通过对需要维修的零件仿真建模，模拟零件维修任务，制订出不同的维修方案，并且根据数据平台知识库中的规则，以时间成本、维修成本、工艺优化、维修路线等为决策依据，制订出最优的维修方案，包括零件的维修级别、维修方式和维修地点等。不同零件的维修级别及地点存在差异，有些需要日常保养与维修，有些则需要拆分维修；有的需要返厂维修，有的需要在运行现场维修，还有一些需要在维修基地维修。当制订出最优的维修方案之后，虚拟维修单元模块指导物理空间中承担相应维修任务的维修单元模块发挥作用，根据最优维修方案实施零件的物理维修；

所述虚拟维修单元模块提供模拟维修场所进行任务虚拟实施和维修方案决策得到最优维修方案，实现产品运维与制造集成过程中虚拟空间与物理空间的无缝对接、实时交互与融合。在决策的过程中，一方面，通过在虚拟维修单元中根据维修数据建立虚拟维修方案决策模型，另一方面，将虚拟维修方案的可视化结果与物理维修单元的物理环境相结合，通过虚实结合、二元决策主体进行有组织、有逻辑的互动。基于数字孪生的维修方案决策通过虚拟维修单元模块与维修中心模块形成相互调整、相互学习、相互适应的持续改进的模式，通过将虚拟世界与物理世界相互连接在一起，确保决策结果的科学性和客观性，形成“虚-实”协同决策，有助于提高维修效率和质量。虚拟维修单元模块根据从数据平台中获取到维修和制造数据信息，制订初步的虚拟维修方案，然后根据数据平台知识库中的规则决策出最优的维修方案，以指导物理维修过程。

所述维修中心模块根据虚拟维修单元模块制订的维修方案，对复杂产品的零部件实施物理维修，分为运行现场维修和维修基地维修，根据虚拟维修单元模块制订的维修方案中零件的维修地点，需要在运行现场进行维修的，则在产品运行现场实施物理维修，如目视检查、维修保养、性能检测、备件更换以及视情维修等工作。需要在维修基地进行维修的零件，则将零件运送至维修基地进行维修，如定时拆修、设备保养、零件更换、探伤检修以及系统检修等工作。

所述维修中心模块是实现零件物理维修任务的重要场所，因此维修中心的维修效率高低直接影响产品运维的效率。维修中心模块在考虑备件库存的基础上、根据虚拟维修模块制订的维修方案实施物理维修，保证产品运维过程中对零部件准时化需求。

所述制造厂模块承担着复杂产品所需产品制造、零件制造和需要返厂维修的零件维修的任务，当运维系统将异常零件信息上传至数据平台，经过故障诊断得到零件的维修状态，如果需要制造厂供应备件，制造厂安排备件库存调度计划，如果需要进行返厂维修，制造厂模块接收到维修信息后，将其作为生产过程中得不确定因素引入日常生产计划管控系统中，对制造厂的生产计划调度方案进行调整，在生产计划系统中进行重新排产后，完成生产计划的制订；制造厂根据生产计划安排备件的生产，终保证复杂产品的正常运维；制造厂通过数据平台实现与运维系统之间信息的交互，为复杂产品的运维与制造集成顺利运行提供更加实时、高效、智能的服务。制造厂模块根据从数据平台中获取的制造数据信息和虚拟维修模块制订的维修方案实施返厂零件的维修其他零部件的制造，满足产品备件库存的需要，并且根据市场上对产品的需求信息，安排相应的产品制造，满足市场正常需求。

所述数据平台模块作为复杂产品的运维与制造集成过程中全部的数据载体，存储着各个模块相互作用产生的孪生数据和运维与制造集成相关的物理数据，利用从其他模块采集到的数据建立知识库和实例库，为复杂产品的运维与制造集成提供数据。

所述数据平台模块分为数据采集、存储、处理和应用四个过程，从运维系统模块、虚拟维修单元模块、维修中心模块、制造厂模块采集相应的维修与制造数据，从运维系统模块中获取到产品状态数据、零件状态数据，从制造厂采集返厂维修周期数据、零件生产周期数据，从维修中心采集运行现场以及维修基地的库存数据，从虚拟维修单元采集仿真数据。这些产品状态、备件库存、故障原因、故障分类、返修周期、生产周期等数据存储在数据平台中经过数据的融合处理之后再反馈至相应的模块，以提高各个模块的运行效率。数据平台更是对采集到的各种数据的综合应用，不仅可以利用从其他模块采集到的数据建立知识库，为在虚拟维修单元中维修方案的决策提供决策规则服务，而且还可以利用维修与制造过程中产生的孪生数据建立历史实例库和维修知识库，为以后相类似的零件维修任务提供专业指导。还可以利用采集到的数据进行库存预测、故障预测、计划预测，及时应对运维与制造集成过程中发生的异常。总之，数据平台为产品的运维与制造集成提供了全要素、全流程、全业务的数据融合处理与共享平台，消除复杂产品运维与制造集成过程产生的信息孤岛，实现运维与制造的完美对接。

实施例2

如图2所示，一种基于数字孪生的复杂产品运维与制造集成总体模型的运行模式，包括：

1)当复杂产品在运行的过程中发生异常时，运维人员需要在运维系统中对异常原因分析，经过故障诊断得到需要维修的零件维修信息数据，将所述零件维修信息数据输入至数据平台模块；

2)数据平台模块根据历史维修数据、知识库和实例库等数据制订初步的维修方案，在虚拟空间中对初步的维修方案进行仿真模拟，并且调用数据平台中的知识库对初步的维修方案进行判断，如果不是最优维修方案则在虚拟空间中继续进行模拟仿真，对维修方案进行修正，直至形成最优的维修方案；

3)根据最优维修方案中实施对零件的维修；

4)在所需要维修的零件维修任务完成之后将其返回至产品运行现场，保证产品的正常运行；并且在处理产品异常的流程中，当制造厂、运行现场、维修基地完成维修任务之后，将更新后维修数据和制造数据输入至数据平台中，为下一次的维修方案制订提供数据支撑，并且利用相关的维修数据对数据平台中的知识库和实例库进行更新。在数据平台中，一方面，根据处理后的故障数据和维修过程中产生的数据，建立故障预测机制，将故障预测的结果反馈至故障诊断过程，提高诊断效率。另一方面，根据故障零件维修过程中零件的库存数据的变化和制造厂零件的制造数据，建立库存预测机制，为最优维修方案的制订提供库存零件信息。

如何准确、高效、快速的从复杂产品的各个模块中获取与运维制造集成相关数据，使其产生更高的价值，并且更好服务于运维与制造集成过程，是复杂产品运维与制造集成过程中的一个重要抓手。如图3所示，基于数字孪生的数据

(1)数据源层。数据源层中的数据来源于数据平台中存储的从运维系统模块、制造厂模块、维修单元模块中采集到的数据，包括产品状态数据、零件故障数据、零件返修周期数据、零件库存数据、备件库存数据、零件故障原因数据、零件生产周围数据，以及零件维修数据等；

(2)数据预处理层。由于复杂产品在运维与制造过程中产生的数据具有多元、异构等特征，因此这些数据其中有一部分不能服务于运维与制造集成，因此需要对相应的数据进行预处理；依据神经网络、聚类分析、关联分析、深度学习等算法模型对数据处理，采集到的数据经过数据清洗、数据整合、数据转换、数据汇总等数据处理之后得到初步数据，对初步数据根据复杂产品运维与制造集成的需要进行数据分类，分为维修数据与制造数据，为维修和制造方案的制订提供依据。

(3)数据筛选层。经过预处理后的数据可应用于复杂产品运维与制造集成过程，但不同的数据在虚拟维修-制造单元所制订出的方案不同，因此为了得到最优的维修和制造方案，需要对数据进行筛选。借助数字孪生技术，建立物理维修-制造空间的孪生体，即虚拟维修-制造单元，在该单元内首先建立虚拟仿真模型，对维修-制造任务分解演化，制订出不同的虚拟维修和制造方案，然后依据不同的方案进行维修-制造任务虚拟实施(仿真)，根据仿真的结果，决策出最优的方案。最后，得到最优方案所对应的数据，保存在数据平台中。经过上述过程，得到运维与制造集成过程中最有用的数据。

(4)数据应用层。复杂产品在运维与制造过程中产生的源数据经过预处理、筛选之后得到最优方案对应的数据，将它们反馈至不同模块，为运维与制造过程的实施提供保障。将数据反馈至运维系统模块，更加优化复杂产品的运维过程，降低运维成本、提高业务水平；将数据和最优方案反馈至维修单元模块，物理维修单元依据制订的维修方案指导物理维修、实施物理零件维修，并且还可依据反馈的维修数据进行产品故障预测，保障产品运维与制造的顺利集成；将数据反馈至制造厂模块，制造厂模块依据制订的维修和制造方案进行需要返厂维修零件的零件维修和产品(零件)制造。

零部件故障诊断是保障复杂产品安全可靠运行和提高运维效率的主要科学手段，为了准确识别复杂产品零部件的健康状态是否满足产品运维需求，智能诊断已经逐步取代依靠技术人员经验传统的诊断方法，数字孪生技术能很好利用产品运行过程中产生的数据，通过物理空间与虚拟空间实时交互和反馈，实现智能故障诊断。基于数字孪生的智能诊断技术是通过零件故障诊断机理与数据驱动的产品运行过程动态信息相互映射的诊断方法，利用数据平台中的知识库与智能诊断算法识别零件故障，建立基于数字孪生的智能诊断模型，如图4所示：

首先，采集物理空间(包括维修现场与运行现场)中各种故障产品关键零部件的在线实测数据与历史运行数据；然后，构建虚拟空间与物理空间产品之间的映射关系模型(零件物理实体→零件虚拟模型)，在虚拟空间中进行零件模型机理分析，根据动态数据进行对应故障特征提取；最后，通过基于(复杂产品)智能诊断算法的自学习优化过程，其中，复杂产品智能故障诊断算法：深度置信神经网(DBN)、深度卷积神经网(DCNN)，人工神经网络(ANN)和支持向量机(SVM)等，结合不同产品、运行环境、维修级别等影响因素分析产品故障原因，实现产品智能故障诊断；将最终的故障诊断结果反馈至产品运行的物理空间，为复杂产品正常运行提供科学的理论指导。

复杂产品在运维的过程中，零部件的故障预测与维修方案制订相互影响和约束，是维修方案决策中重要的制约要素之一。复杂产品的故障预测是以对产品零件的状态检测和故障诊断为基础，对历史数据和在线监控数据进行统计分析，采用模型进行故障预测。故障预测是复杂产品日常运行检修和应急处理的重要保障，是保证复杂产品维修方案的可靠性与合理性的重要因素。因此，如何有效进行故障预测是复杂产品运维与制造集成过程中的一个难点。本申请还提供一种基于数字孪生的故障预测模型，通过故障零件识别，在虚拟空间进行故障状态分解、故障模式推理与故障原因分析，将预测结果与备件库存联合优化，实现故障的精准预测，确保异常零件及时修复，保证产品的正常运行。

如图5所示，基于数字孪生的备件库存预测模型,首先对物理空间下的故障数据实施感知，包括产品历史运行数据和实时监控数据；其次，通过对数据的处理得到与故障预测相关性强的数据，在虚拟空间中建立故障零件的仿真模型，进行故障状态分解、故障模式推理和故障原因分析；然后，建立相应的故障预测模型，例如，深度神经网络(DNN)和递归神经网络(RNN)，预测故障零件未来可能发生的次数；最后，根据预测结果进行维修方案的制订与库存计划调度，并结合复杂产品维修对备件库存需求多目标联合虚拟实施优化，将优化后的结果反馈至物理空间，实现基于数字孪生的故障精准预测。所建立故障预测系统框架能够根据零件历史故障数据在虚拟环境下对零件未来故障状态提前演化、评估、预测，及时做到零件库存的调度，满足复杂产品的正常运维。

运维与制造数据综合感知是实现复杂产品运维与制造集成的首要前提，数据感知更是为运维与制造集成提供服务的基础，智能决策是实现运维数据价值的重要手段。基于运维与制造集成化的数据感知网，有望实现复杂产品运维与制造集成过程中数据的综合运用。如图6所示，本实施例中的一种复杂产品运维与制造集成化数据综合感知系统，包括：①产品运行现场、维修中心和制造厂之间资源共享标准；②通过传感器对产品运行现场、维修中心和制造厂等进行在线监测，实现多尺度和多角度观测，构建复杂产品突发异常感知网；③进行多源异构数据融合，建立复杂产品多源异构数据综合感知指标、共性技术与标准体系；④结构化和非结构化数据的降维处理与存储。

复杂产品集成化数据综合感知架构具备以下5个基本特点：①能够兼顾各个产品运维与制造过程中不同场所数据管理要求。②能够高效地管理产品的动态状态数据。③能够高效管理传感网实时观测数据。④能够支持维修与制造过程的实时动态模拟。⑤能够有效建立各种产品、对象、状态、时间、过程等要素的相互联系。

运维与制造集成化数据综合感知充分利用集成化感知架构实时获取复杂产品运维与制造过程中产生的数据，及时、全面、准确地提取运维与制造过程中的动态变化，使得数据成为产品从制造到运维过程中的驱动力，为实现复杂产品的运维与制造集成运行提供数据基础。

虚拟维修单元的建模与仿真是在数字孪生技术的支撑下，通过数据的有机融合，实现复杂产品运维与制造集成过程中物理维修空间与虚拟维修单元之间的虚实同步，为复杂产品运维与制造集成提供精准服务。虚拟维修单元是复杂产品维修过程的重要组成部分，既是对物理维修单元的数字化镜像，又是制订虚拟维修方案、数据处理、数据交互等过程的重要参考依据，因此构建的虚拟维修单元与物理维修单元的耦合程度直接决定着复杂产品的运维与制造集成性能。虚拟维修单元的建模与仿真复杂产品的维修工作运行包含制造、维修、运行人员的工作流模型、备品备件的模型及库存数据、维修零件的虚拟样机模型和零件故障模型，以及基于数字孪生的维修数据处理结果的智能分析、仿真知识库模型等。虚拟维修单元的建模与仿真不仅包含二维数据与模型，而且包括三维模型与仿真过程，是零件维修过程的完整信息。只有建立复杂产品零件维修的数据与仿真模型，实现数字孪生过程的虚拟维修单元建模仿真，才能有效服务于复杂产品异常零件的快速建模和维修。如图7所示，本申请提供的复杂产品虚拟维修单元建模与仿真包括三个方面：分别为复杂产品物理维修单元的建模仿真、复杂产品虚拟维修单元仿真知识库构建、复杂产品虚拟维修单元关键模块建模。

虚拟维修单元模块由各项维修元素的几何模型和维修数据构成，所述物理维修单元的建模仿真是在数字孪生技术的支撑下，通过对维修过程中的人、零件、配套资源等要素之间建模仿真，实现维修任务的低成本高效率的提供；维修过程建模仿真的物理对象是完成复杂产品零件维修任务的制造厂、运行现场和维修基地，主要元素包括维修任务请求、维修计划、运维调度、维修执行和完工确认等不同阶段的人员、环境和数据建模，并通过这些元素的不同行为建立这些元素之间的相互行为关系，包括备品备件的运输、各类人员活动、各个车间运行以及不同零件的维修活动。

所述复杂产品虚拟维修单元仿真知识库构建是为了保证虚拟维修单元能够真实反映出物理维修单元的零件维修、人员活动、任务分配，构建复杂产品虚拟维修单元仿真知识库，包括仿真时步的规则确定、维修单元划分、不同层面建模工具的确定、以及不同维修单元维修成本的计算。建立可以真实刻画复杂产品维修单元的多层结构，从而有效描述从维修单元子系统到零部件级别的维修单元构成，形成面向复杂产品维修单元的全要素仿真知识库。

所述复杂产品虚拟维修单元建模与仿真过程涉及人、环境、物料、核心装备和辅助装备，是一个设备、人员、环境等多要素耦合的复杂系统。通过复杂产品虚拟维修单元系统动态模型组合，对零件的维修全过程进行分析与模拟，揭示维修零件动态过程及其维修状态演化规律，提高零件维修效率。复杂产品虚拟维修单元关键模块建模，包括所需维修零件几何数据转换与建模、关键零件数字样机建模、零件维修环境建模、以及零件维修过程中产生的数据转换与建模，为复杂产品零件维修的性能分析提供动态化、程序化、可视化的仿真分析平台。

通过以上3个方面构建的虚拟维修单元，能够使得虚拟维修单元对物理维修单元维修的行为、过程、操作和结果达到真实模拟，为复杂产品的运维与制造集成过程提供重要支撑。

由于复杂产品在运维与制造集成过程中利用的知识具有多样性、复杂性、模糊性等特点，因此，知识库/实例库的建立对产品的维修与制造具有重要作用。通过知识库/实例库的建立，运维人员能够第一时间对产品运行系统故障和隐患准确判断与及时处理。知识库/实例库的构建是一个非常复杂的动态、多元、非线性、数据量庞大的过程，借助数字孪生技术，构建知识库/实例库，使得知识库/实例库在虚拟空间和物理空间发挥作用，及时迭代优化，更新知识库/实例库，更好的为复杂产品的运维与制造集成提供服务。

如图8所示，基于数字孪生的知识库/实例库构建分为数据采集与评价、数据模式与分类、数据存储与发布、数据计算、数据共享与应用和知识库/实例库虚拟实现六个层次实现。知识库/数据库的建立数据来源于产品运行现场、维修中心、制造厂以及孪生系统的虚拟空间产生的仿真数据；通过对采集到的数据进行分类，这些数据包括日常维护、故障维护、维修记录、异常报告、搜索历史等数据；借助数据平台进行数据存储与发布，利用数据本体推理、规则推理、相似度计算、不一致检验等数据计算方法进行数据计算；实现数据共享与应用，专家系统、可视化分析、推荐系统、历史搜索等模块共同构成知识库/实例库。将形成的知识库/实例库在虚拟空间中进行方案决策、故障诊断、故障预测、库存预测、计划预测等应用，通过迭代更新，形成的知识库/实例库反馈至复杂产品运维与制造相应的物理空间，实现复杂产品运维与制造集成过程中数据的融合应用。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。