基于时空图神经网络的数字孪生代理模型,用于一般装配线中的吞吐量估计

《JOURNAL OF MANUFACTURING SYSTEMS》:Spatio-temporal graph neural network based digital twin surrogate for throughput estimation in general assembly lines

【字体: 大 中 小 】 时间:2026年04月07日 来源:JOURNAL OF MANUFACTURING SYSTEMS 14.2

编辑推荐:

  实时性能分析与优化在复杂多站装配线中至关重要,传统方法因计算成本高难以支持快速决策。本文提出基于时空图神经网络(ST-GNN)的数字孪生代理框架,将装配线建模为显式空间关系的图结构,结合双向LSTM捕获时间动态,并通过注意力机制优化关键时间节点。实验表明,GAT-BiLSTM架构在30分钟数据聚合时R2达0.80,显著优于线性回归、随机森林、XGBoost及标准LSTM等基准模型,验证了时空联合建模的有效性。

  
穆罕默德·瓦西姆(Muhammad Waseem)| 唐长白(Changbai Tan)| 奥世昌(Seog-Chan Oh)| 乔治·阿雷内斯(Jorge Arinez)| 周子军(Zijun Zhou)| 张庆(Qing Chang)
美国弗吉尼亚大学机械与航空航天工程系,夏洛茨维尔,VA 22904

摘要

实时性能分析和优化复杂的多站装配线对于在现代制造业中保持竞争优势至关重要。虽然离散事件仿真或全尺寸数字孪生等传统方法可以提供高保真的分析,但它们通常在计算上要求过高,无法支持快速决策。替代模型提供了一种数据驱动、计算效率高的解决方案。然而,准确预测系统级吞吐量需要捕捉生产线中的复杂时空依赖关系。本文提出了一种基于时空图神经网络(ST-GNNs)的新型替代数字孪生框架来解决这一问题。该框架将装配线概念化为一个图,以明确表示空间关系,同时使用双向长短期记忆(Bi-LSTM)网络等循环神经网络架构来捕捉其时间演变。本研究还通过评估在一分钟、十分钟和三十分钟间隔聚合的数据上的模型性能,来探讨时间数据粒度的影响。进行了全面的比较研究,将所提出的ST-GNN与线性回归(Linear Regression)、随机森林(Random Forest)、XGBoost、深度神经网络(DNN)和标准LSTM等基线模型进行了对比。结果表明,结合图注意力网络(GAT)和Bi-LSTM网络以及时间注意力机制的模型具有更优的性能。使用三十分钟的数据聚合步骤时,该模型的预测准确率达到了0.80,这突显了模型架构和适当数据分辨率对于创建有效的数字孪生替代模型的重要性。

引言

在工业4.0时代,制造系统正演变为高度互联和数据丰富的环境。从汽车到电子等多个行业的通用装配线就是这类复杂系统的典型例子。这些装配线的性能通常通过吞吐量来衡量,受许多相互依赖的因素影响,包括站点处理时间、缓冲区容量以及由机器故障等随机事件引起的停机时间[1]。为了保持竞争力,制造商需要能够实现实时性能监控、瓶颈检测和“假设情景”分析的工具,以便做出主动决策。
传统上,离散事件仿真(DES)一直是分析和优化这些系统的主要工具。尽管功能强大,但开发高保真度的DES模型是一个耗时且资源密集的过程。此外,高昂的计算成本使其不适用于需要快速反馈的实时应用[2]。最近,数字孪生(DT)的概念应运而生,它提供了物理系统的高保真虚拟表示,并能根据现实世界数据动态更新。然而,全尺寸的DT通常基于仿真模型构建,继承了相同的计算负担,限制了其在即时分析中的实用性[3]。在实践中,这种限制尤为明显,因为基于仿真的DT常常因在估计静态输入参数(如平均故障间隔时间(MCBF)和平均修复时间(MTTR)时涉及的大量数据操作而受到批评,这些参数无法捕捉到实际操作的动态特性。虽然工厂工程师需要短期吞吐量预测来主动识别即时约束,但这些基于仿真的DT往往侧重于估计长期稳态吞吐量,因此无法满足实际制造操作的动态和时间敏感需求。
为了弥补这一差距,替代模型的概念受到了关注。这些计算效率高的模型可以提供近乎即时的预测,使其非常适合集成到实时决策支持系统中。最初的方法使用了随机森林(RFR)和XGBoost等传统机器学习模型[4]。尽管在某些程度上有效,但这些模型往往将系统组件视为独立变量,未能捕捉到潜在的空间和时间关系。更先进的技术使用长短期记忆(LSTM)网络来模拟生产系统的时间动态,但它们仍然无法准确表示站之间的物理布局和空间依赖关系[5]。一个站点的事件可能会对其上游和下游站点产生连锁效应,这种关系本质上是时空性的。此外,数据驱动模型的有效性对输入数据的时间粒度非常敏感[4];选择合适的聚合级别是一个非平凡的挑战,直接影响模型性能。
本文认为,准确预测复杂装配线的性能需要一个能够从事件的时间序列和生产线本身的空间结构中学习的模型。为此,提出了一种基于时空图神经网络(ST-GNNs)的新型数字孪生替代框架。通过将装配线表示为一个图,其中站点是节点,中间缓冲区是边,可以明确编码系统的拓扑结构。这种图结构允许图神经网络(GNN)学习空间依赖关系,而循环神经网络组件(如双向LSTM(Bi-LSTM)则捕捉操作数据中的时间模式。
本工作的主要贡献如下:
  • 1.
    一种基于ST-GNN的新框架,用于开发复杂装配线的高保真、计算效率高的数字孪生替代模型。
  • 2.
    将所提出的模型与多个基准模型进行全面的比较分析,包括传统机器学习和深度学习模型(LR、RFR、XGBoost和DNN)、纯时间模型(LSTM)以及各种GNN架构。
  • 3.
    展示了使用GAT-BiLSTM架构和时间注意力机制进行系统级吞吐量准确预测的潜力。
  • 4.
    研究了数据时间粒度的影响,确定了所研究系统中用于吞吐量预测的最佳30分钟聚合步骤。
  • 本文的其余部分组织如下:第2节回顾相关文献,第3节详细介绍了所提出的方法论,包括数据处理和ST-GNN架构。第4节展示了比较研究的实验设置和结果。第5节讨论了研究结果的意义,第6节以总结和未来工作方向结束本文。

    节选内容

    文献综述

    在现代制造研究中,替代模型作为数字孪生框架中的不可或缺的工具逐渐崭露头角,它们在保真度和计算效率之间取得了平衡,这是传统基于物理的仿真所缺乏的[6]、[7]。一篇全面的综述强调了替代模型如何在优化、调度和控制等多种应用中替代复杂仿真,大幅降低了计算成本,同时保持了可接受的准确性。

    提出的数字孪生框架

    本节首先描述了所研究的制造系统,然后概述了本研究提出的方法论。主要重点是开发基于时空图的模型,因为系统的结构和数据本质上是图状的。为了提供一个可靠的基准,将所提出方法的性能与传统的机器学习和深度学习模型进行了比较。

    实验设置

    本节详细介绍了所提出方法的实验验证过程,从案例研究背景和数据准备开始。

    结果与讨论

    实验首先在高粒度数据上评估了模型性能,随后探讨了时间聚合的影响。对表现最佳的数据集进行的最终消融研究验证了所提模型的架构选择。

    结论

    本文成功展示了一种基于时空图神经网络(ST-GNN)的框架,用于创建复杂汽车装配线的高保真、计算效率高的数字孪生替代模型。通过将系统建模为一个动态图,所提出的GAT-BiLSTM架构结合时间注意力机制有效地学习了原始操作数据中的空间和时间依赖关系。该模型的R2得分达到了0.80,超越了广泛的其他模型

    CRediT作者贡献声明

    穆罕默德·瓦西姆(Muhammad Waseem): 数据整理、软件开发、可视化、撰写——初稿。唐长白(Changbai Tan): 监督、验证。奥世昌(Seog-Chan Oh): 架构构思、方法论设计。乔治·阿雷内斯(Jorge Arinez): 资金获取、资源协调。周子军(Zijun Zhou): 文稿撰写——审阅与编辑。张庆(Qing Chang): 资源协调、撰写——审阅与编辑。

    利益冲突声明

    作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

    致谢

    我们感谢通用汽车公司对本研究的支持。
    相关新闻
    生物通微信公众号
    微信
    新浪微博

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号