基于数字孪生的复杂产品装配物料过程齐套时间预测

doi:10.3901/JME.2025.08.384

机械工程学报 ›› 2025, Vol. 61 ›› Issue (8): 384-398.doi: 10.3901/JME.2025.08.384

• 交叉与前沿 • 上一篇

扫码分享

基于数字孪生的复杂产品装配物料过程齐套时间预测

朱海华¹, 付泰然¹, 李霏², 刘长春¹, 蔡祺祥¹, 唐敦兵¹

1. 南京航空航天大学机电学院南京 210016;
2. 北京电子工程总体研究所北京 100854

收稿日期:2024-04-22 修回日期:2024-12-11 发布日期:2025-05-10
作者简介:朱海华(通信作者)，男，1985年出生，博士，副教授，硕士研究生导师。主要研究方向为网络协同制造、大数据分析。E-mail：h.zhu@nuaa.edu.cn;付泰然，男，2000年出生。主要研究方向为数字孪生车间技术。E-mail：ftr258@nuaa.edu.cn;李霏，男，1983年出生，博士。主要研究方向为数字化设计制造。E-mail：leafy777@qq.com;刘长春，男，1995年出生，博士研究生。主要研究方向为增强现实、物联制造车间的智能运维和工业大数据。E-mail：651979759@qq.com;蔡祺祥，男，1984年出生，博士。主要研究方向为智能制造系统。E-mail：cqx@nuaa.edu.cn;唐敦兵，男，1972年出生，博士，教授，博士研究生导师。主要研究方向为智能制造系统、制造系统与自动化、数字化设计与制造。E-mail：d.tang@nuaa.edu.cn
基金资助:
国家重点研发计划(2021YFB1716304)、江苏省卓越博士后计划 (2024ZB194)、中国博士后科学基金第75批面上(2024M754122)、国家资助博士后研究人员计划(GZB20240972)、江苏省自然科学基金(BK20241389)和江苏高校“青蓝工程”资助项目。

Prediction of Process-level Kitting Time of Assembly Materials for Complex Products Based on Digital Twin

ZHU Haihua¹, FU Tairan¹, LI Fei², LIU Changchun¹, CAI Qixiang¹, TANG Dunbing¹

1. College of Mechanical & Electrical Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 210016;
2. Beijing Institute of Electronic System Engineering, Beijing 100854)

Received:2024-04-22 Revised:2024-12-11 Published:2025-05-10

摘要/Abstract

摘要： 物料齐套是复杂产品装配过程高效有序开展的重要保障和先决条件。随着装配车间数字化网络化能力不断攀升，传统的装配过程物料齐套模式由产品级齐套向工序级齐套转变，这一转变对物料需求预测准确性提出了更高的要求。由于装配过程涉及大量人工操作，且经常出现研制型号与批产型号混流共线的情况，导致传统仿真手段难以预计工序完工时间，进而影响物料需求预测。为更好地支撑装配过程生产调度，保障多品种、小批量复杂产品装配任务有序进行，以某防空导弹复杂产品为典型对象，提出一种基于数字孪生的防空导弹产品装配物料过程齐套时间预测方法。构建面向复杂产品装配过程的数字孪生模型，为装配过程物料齐套各阶段任务耗时提供仿真环境；以齐套过程仿真结果数据为基础，结合装配任务实时生产数据，设计物料过程齐套时间预测算法模型，通过历史生产特征数据捕捉车间状态与人工效率的关系，提升待执行工序物料齐套时间的预测精度；最后，以某防空导弹装配车间为对象进行应用示范，验证所提方法的有效性。

关键词: 物料齐套时间, 数字孪生车间, 虚拟仿真, 预测模型, 装配车间

Abstract: Material kitting is an important guarantee and prerequisite for the efficient and orderly conduct of the assembly process of complex products. With the continuous improvement of digital and network capabilities in assembly workshops, the traditional material kitting mode in assembly processes is undergoing a shift from product-level kitting to process-level kitting. This shift poses higher demands for the accuracy of material demand forecasting. Due to the extensive manual operations involved in the assembly process, and the frequent occurrence of mixed-flow co-linearity between developmental models and batch production models, traditional simulation methods face challenges in predicting process completion times, consequently impacting material demand forecasting. To better support production scheduling in the assembly process and ensure the orderly execution of complex assembly tasks involving multiple varieties and small batches, a method for predicting the process-level kitting time of assembly materials for a specific type of anti-aircraft missile complex product based on digital twins is proposed. This involves constructing a digital twin model tailored to the assembly process of complex products, providing a simulation environment for the time consumption of tasks in each stage of the assembly kitting process. Based on the simulation results data of the assembly kitting process and combined with real-time production data of assembly tasks, design a material process kitting time prediction algorithm model. By capturing the relationship between workshop status and manual efficiency through historical production feature data, enhance the accuracy of predicting the kitting time for pending assembly tasks. Finally, an application demonstration is conducted in a specific anti-aircraft missile assembly workshop to validate the effectiveness of the proposed method.

Key words: material kitting time, digital twin workshop, virtual simulation, prediction model, assembly workshop

中图分类号:

TH186
TP183

朱海华, 付泰然, 李霏, 刘长春, 蔡祺祥, 唐敦兵. 基于数字孪生的复杂产品装配物料过程齐套时间预测[J]. 机械工程学报, 2025, 61(8): 384-398.

ZHU Haihua, FU Tairan, LI Fei, LIU Changchun, CAI Qixiang, TANG Dunbing. Prediction of Process-level Kitting Time of Assembly Materials for Complex Products Based on Digital Twin[J]. Journal of Mechanical Engineering, 2025, 61(8): 384-398.

参考文献

[1] ZHU H，WANG J，LIU C，et al. An MBD-driven order remaining completion time prediction method based on SSA-BiLSTM in the IoT-enabled manufacturing workshop[J]. International Journal of Production Research，2023，62(10)：3559-3584.
[2] 周玮. 航天产品总装车间生产效率仿真及优化研究[D].武汉：华中科技大学，2019. ZHOU Wei. Research on the Simulation-based productivity analysis and optimization of aerospace product assembly workshop[D]. Wuhan：Huazhong University of Science and Technology，2019.
[3] 朱琳，何其昌，范秀敏. 多品种混合装配车间配料区物料摆放布局优化[J]. 中国机械工程，2012，23(22)：2708-2714. ZHU Lin，HE Qichang，FAN Xiumin. Optimization of warehouse ltems layout in a mixed assembly workshop[J]. China Mechanical Engineering，2012，23(22)：2708-2714.
[4] 陈畅宇，贺文兴，易旺民，等. 航天器总装技术状态的数字化管理方法[J]. 航空学报，2018，39(S1)：139-147. CHEN Changyu，HE Wenxing，YI Wangmin，et al. Digital configuration management method for spacecraft assembly[J]. Acta Aeronautica et Astronautica Sinica，2018，39(S1)：139-147.
[5] 巴黎，李言，曹源，等. 考虑批量装配的柔性作业车间调度问题研究[J]. 中国机械工程，2015，26(23)：3200-3207. BA Li，LI Yan，CAO Yuan，et al. Research on flexible jop-shop scheduling prolem with consideration of batch splitting and assembly[J]. China Mechanical Engineering，2015，26(23)：3200-3207.
[6] 胡杰明，姜旭东，金纯旺，等. 基于离散仿真技术的整车制造物料齐套判断方法与实践[J]. 时代汽车，2021(24)：140-142. HU Jieming，JIANG Xudong，JIN Chunwang，et al. Method and practice in the inspection of vehicle production material completeness based on discrete simulation technology[J]. Auto Time，2021(24)：140-142.
[7] SALI M，SAHIN E，PATCHONG A. An empirical assessment of the performances of three line feeding modes used in the automotive sector: line stocking vs. kitting vs. sequencing[J]. International Journal of Production Research，2015，53(5)：1439-1459.
[8] 曹阳. 基于物料齐套的混流装配车间调度方法研究[D].北京：电子科技大学，2021. CAO Yang. Research on the scheduling problem of mixed-flow assembly workshop based on complete kit of materials[D]. Beijing：University of Electronic Science and Technology of China，2021.
[9] ZHOU B，HE Z. A material handling scheduling method for mixed-model automotive assembly lines based on an improved static kitting strategy[J]. Computers & Industrial Engineering，2020，140：106268.
[10] 丁涛，蔡易君. 渐增式物料齐套控制技术[J]. 电子机械工程，2023，39(1)：52-57. DING Tao，CAI Yijun. Incremental complete kit control technology[J]. Electro-Mechanical Engineering，2023，39(1)：52-57.
[11] 张博茹，胡蓉，钱斌，等. 增强三维分布估计算法求解分布式生产-运输-装配集成调度问题[J]. 机械工程学报，2024，60(2)：323-341. ZHANG Boru，HU Rong，QIAN Bin，et al. Enhanced Three-dimensional estimation of distribution algorithm for solving integrated scheduling problem of distributed production，transportation and assembly[J]. Journal of Mechanical Engineering，2024，60(2)：323-341.
[12] 周亚勤，肖蒙，吕志军，等. 基于DQN算法的考虑AGV小车搬运的离散制造车间调度方法[J]，机械工程学报，2024，60(11)：1-11. ZHOU Yaqin，XIAO Meng，LÜ Zhijun，et al. Study on the discrete manufacturing workshop scheduling method based on DQN algorithm considering AGV[J]. Journal of Mechanical Engineering，2024，60(11)：1-11.
[13] FULLER A，FAN Z，DAY C，et al. Digital twin：Enabling technologies，challenges and open research[J]. IEEE Access，2020，8：108952-108971.
[14] 陶飞，张萌，程江峰，等. 数字孪生车间——一种未来车间运行新模式[J]. 计算机集成制造系统，2017，23(1)：1-9. TAO Fei，ZHANG Meng，CHENG Jiangfeng，et al. Digital twin workshop：A new paradigm for future workshop[J]. Computer Integrated Manufacturing Systems，2017，23(1)：1-9.
[15] WANG S，ZHANG J，WANG P，et al. A deep learning-enhanced digital twin framework for improving safety and reliability in human–robot collaborative manufacturing[J]. Robotics and Computer-Integrated Manufacturing，2024，85：102608.
[16] QIAN W，GUO Y，ZHANG H，et al. Digital twin driven production progress prediction for discrete manufacturing workshop[J]. Robotics and Computer-Integrated Manufacturing，2023，80：102456.
[17] ZHUANG C，LIU J，XIONG H. Digital twin-based smart production management and control framework for the complex product assembly shop-floor[J]. The International Journal of Advanced Manufacturing Technology，2018，96：1149-1163.
[18] GUO M，FANG X，WU Q，et al. Joint multi-objective dynamic scheduling of machine tools and vehicles in a workshop based on digital twin[J]. Journal of Manufacturing Systems，2023，70：345-358.
[19] ZHOU B，HE Z. A material handling scheduling method for mixed-model automotive assembly lines based on an improved static kitting strategy[J]. Computers & Industrial Engineering，2020，140：106268.
[20] 王炳刚. 混流加工/装配系统集成优化研究[J]. 机械工程学报，2010，46(17)：114-122. WANG Binggang. Research on integrated optimization for mixed-model fabrication/assembly systems[J]. Journal of Mechanical Engineering，2010，46(17)：114-122.
[21] ZHU Y，CHENG J，LIU Z，et al. Production logistics digital twins：Research profiling，application，challenges and opportunities[J]. Robotics and Computer-Integrated Manufacturing，2023，84：102592.
[22] 张连超，刘蔚然，程江峰，等. 卫星总装数字孪生车间物料准时配送方法[J]. 计算机集成制造系统，2020，26(11)：2897-2914. ZHANG Lianchao，LIU Weiran，CHENG Jiangfeng，et al. Just-in-time material distribution method for satellite assembly digital twin shop-floor[J]. Computer Integrated Manufacturing Systems，2020，26(11)：2897-2914.
[23] 陶飞，刘蔚然，张萌，等. 数字孪生五维模型及十大领域应用[J]. 计算机集成制造系统，2019，25(1)：1-18. TAO Fei，LIU Weiran，ZHANG Meng，et al. Five-dimension digital twin model and its ten applications[J]. Computer Integrated Manufacturing Systems，2019，25(1)：1-18.

基于数字孪生的复杂产品装配物料过程齐套时间预测

Prediction of Process-level Kitting Time of Assembly Materials for Complex Products Based on Digital Twin

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	王培旭, 裴凤雀, 刘检华, 郭昊鑫, 庄存波. 考虑多技能水平工人分配的复杂产品装配调度问题[J]. 机械工程学报, 2025, 61(4): 389-402.
[2]	田业冰, 马振, 钱乘, AHMAD S, 马锡峰, 苑祥昱, 范增华. 磁性剪切增稠抛光材料去除特性与预测模型[J]. 机械工程学报, 2024, 60(23): 365-376.
[3]	朱海华, 王健杰, 李霏, 刘长春, 蔡祺祥. 基于特征选择和SSA-LSTM的车间订单剩余完工时间预测[J]. 机械工程学报, 2024, 60(20): 388-402.
[4]	胡成亮, 苗宏量, 曾凡, 赵震, 汤敏俊, 汤晓峰. 热成形条件下软磁材料的磁感应强度预测模型[J]. 机械工程学报, 2024, 60(2): 132-139,149.
[5]	郭江, 杨哲, 张鹏飞, 李琳光, 俞学雯, 潘博. FeCrAl合金化学机械抛光粗糙度预测模型研究[J]. 机械工程学报, 2023, 59(23): 310-319.
[6]	谢家乐, 李增超, 王光, 姚天琪. 基于电热耦合效应的18650锂离子电池内外温度预测模型[J]. 机械工程学报, 2023, 59(16): 342-352.
[7]	陈贵坤, 曾凯, 邢保英, 何晓聪. 铝合金自冲铆工艺参数的多元非线性回归模型[J]. 机械工程学报, 2022, 58(22): 227-234.
[8]	乔国朝, 戴立达, 张争艳. 激光辅助球头磁流变抛光表面粗糙度预测模型[J]. 机械工程学报, 2022, 58(15): 166-176.
[9]	唐新姿, 顾能伟, 黄轩晴, 彭锐涛. 风电功率短期预测技术研究进展[J]. 机械工程学报, 2022, 58(12): 213-236.
[10]	张启飞, 金淼, 陈雷, 张禹森, 杨帅, 郭宝峰. 近a型钛合金航空锻件宏观清晰晶形成机理及预测模型[J]. 机械工程学报, 2021, 57(8): 133-145.
[11]	刘雨农, 徐展, 倪中华, 魏蔚, 严岩. 车载深冷高压储供氢过程预测和影响因素研究[J]. 机械工程学报, 2021, 57(6): 52-59.
[12]	荆林国, 荆仲毅, 张韶晶, 张韶颖. 考虑随机影响因素的电网饱和负荷概率预测方法[J]. 电气工程学报, 2021, 16(3): 99-105.
[13]	马帅, 刘秀波, 任松斌, 陈茁, 刘玉涛. 朔黄重载铁路曲线钢轨侧磨预测研究[J]. 机械工程学报, 2021, 57(18): 118-125.
[14]	李莎莎, 舒亮, 杨艳芳, 陈定方. 逻辑与模型数据并行计算的数字孪生车间系统快速架构方法[J]. 机械工程学报, 2021, 57(17): 76-85.
[15]	孙国芹, 尚德广, 王杨. 金属多轴疲劳行为与寿命预测研究进展[J]. 机械工程学报, 2021, 57(16): 153-172.