数字孪生驱动的造船精细化工时管理模式及应用研究
张浩 邵家伟
摘 要：为进一步提升我国船舶制造企业生产管理水平，实现生产全过程监控，提高造船效率，提出一种基于数字孪生理论的精细化造船工时管理模式，通过建立二维三维数字孪生模型、系统架构和数据映射逻辑结构，在生产计划、监控通讯设备及企业知识的助力下，实现生产数据实时信息共享及人员、设备、材料有效集成。试验结果表明，数字孪生技术的运用使返工率降低17.6%，修正吨位提高12.4%。基于数字孪生驱动的造船精细化工时管理模式完成了数字化、集成化、智能化、标准化的工时管理信息系统构建，可降低生产管理成本，提高生产效率，提升造船企业核心竞争力。
关键词：船舶;精细化;工时管理;数字孪生
DOI：10. 11907/rjdk. 201253????????????????????????????????????????????????????????????????? 开放科学（资源服务）标识码（OSID）：
中图分类号：TP319 ? 文献标识码：A ??????????????? 文章编号：1672-7800（2020）011-0169-05
Research on Management Model and Application of
Refined Industry Time Driven by Data Twin
ZHANG Hao， SHAO Jia-wei
（School of Economics and Management，University of Science and Technology，Zhenjiang 212003，China）
Abstract： In order to further improve the production management level of Chinas shipbuilding enterprises， monitor the production process and improve the shipbuilding efficiency， based on the digital twin theory， a refined shipbuilding man hour management mode is proposed. By establishing a two-dimensional and three-dimensional digital twin model， system architecture and data mapping logic structure， real-time information sharing of production data and effective integration of personnel， equipment and materials are realized with the help of production planning， monitoring communication equipment and enterprise knowledge. The results show that with the application of digital twin technology， the rework rate was reduced by 17.6% and the corrected tonnage was increased by 12.4%. The time management mode of shipbuilding fine chemical industry based on digital twin drive completed the construction of digital， integrated， intelligent and standardized man hour management information system， which can reduce production management cost， improve production efficiency and the core competitiveness of the enterprise.
Key Words： ship; refinement;man-hour management; data twin
0 引言
船舶制造企業是知识、技术与劳动密集型企业，具有高投资、高风险等特点。近年来，在国家政策和资金的大力扶持下，2016年我国船舶制造行业新接和手持订单量均位居世界第一，份额分别为65.2%和43.9%，然而企业营业收入和利润分别为6 975.7和147.4亿元，利润率仅为2.11%，重点监测企业利润率更低至0.5%[1];2018年我国船舶制造行业新接和手持订单量占比分别为39%和42.6%，企业营业收入和利润也只有4 577.9和112.3亿元，利润率仅为2.45%。显而易见，虽然我国船舶制造业收入高，但是利润低，主要表现为我国船舶制造企业管理粗放，思想固化。而工时是企业进行生产管理的重要决策依据，也是企业决策者进行管理决策的有效手段，很多企业工时测算和生产管理依旧依靠经验，导致误差较大，等工误工等现象屡见不鲜[2]。
近年来，工时管理等问题日益凸显，许多专家学者对其进行了深入研究。叶正梗等[3]针对零件特征层，利用拓扑结构、精度等级和切削量等参数衡量零件拓扑结构复杂度和工艺属性复杂度，针对作业要素层和操作者认知层，引入信息熵评价生产要素复杂度和操作认知复杂度;常建娥等[4]将装配工时按特性分为取料时间、定位时间和连接时间，提取影响各部分工时的关键因素，通过计算样本与基准零件的装配相似系数，结合装配工时在MATLAB中构建拟合曲线，最后在函数关系式和GM（0，N）模型中分别预测定位时间和连接时间;朱韩刚等[5]针对现阶段工时管理存在的不足，以工程分解中的标准任务包为核心，建立工时物量定额基本方法，并以回归统计分析的方法完成对工时定额的修正;赵东等[6]阐述了现代造船模式下中间产品工时/物量之间的关系，建立数据统计分析系统关键技术，提出了研究工时/物量数据统计分析系统的总体方案;索哲等[7]通过建立工时体系模型，对实动工时和基准工时的关系进行梳理，并通过编程使其收集和分析自动化;张志英等[8]对项目工时中的图纸作业和非图纸作业进行研究，建立了非图纸作业工时定额模型与图纸作业工时定额神经网络模型;Nitta等[9]基于工序特征运用工时估算模型进行工时误差分析;Dong等[10]基于工作研究及基元理论，通过工时评估模型简化了工时定额制定流程;刘滨等[11-12]应用相似性理论对装配阶段的中间产品进行分类，并选用BP算法计算中间产品装配工时;Lee等[13-14]运用BP神经网络算法计算船舶分段装配工时，完成了工时定额智能测算。
在数字孪生應用方面，郭东升等[15]运用数字孪生技术对航天结构件工艺、资源等进行了建模研究;陈振等[16]在数字孪生理论基础上构建了飞机装配框架，并对其关键技术进行了介绍;孙亚东等[17]构建了本体元模型数字化样机，实现了复杂产品研发信息集成;庄存波等[18]认为利用数字孪生技术可为当今制造业提供新的发展理念和机遇。
综上所述，数字孪生已成为现今工艺设计和生产管理的重要工具[19]，因此数字孪生技术将传统生产管理模式转变为高集成度、智能化的管理模式已是大势所趋。然而，上述研究并未将数字孪生技术运用于生产管理，或在生产管理中提及数字孪生的重要性。因此，本文提出基于数字孪生的造船工时管理模式，着力于建立基于数字孪生的数字化、集成化、智能化、标准化的工时管理信息系统，实现船舶生产全要素、全数据、全流程的集成交互，为提高船舶生产管理效率、降低生产成本提供一种有效的生产管理模式和方法。
造船工时管理模式指船舶制造企业在生产管理过程中，以工时作为纽带，以信息流的方式贯穿生产管理每一个阶段，实现各管理系统之间的有效集成和联动。传统工时管理模式主要采用任务派工的方式进行作业任务跟踪反馈，一般情况下，生产管理部门会将反馈工时物量数据与生产计划进行对比分析，若反馈数据不符合生产计划，则需在纳期允许的范围内重新调整生产计划并安排人员设备进行生产。但是，这种生产管理方式反应慢、准确性差、效率低，难以满足当今复杂产品生产装配的需要。因此亟需一种更高效的造船工时生产管理模式。
数字孪生是一组虚拟模型的综合，可从微观到宏观完整刻画潜在或真实的物理制造产品[20]。其最早由美国Grieves教授于2003年提出，不久便引起了行业关注和重视。随后美国PTC、达索系统、通用电气、德国西门子和特斯拉等均尝试将数字孪生应用到各自产品研发和销售中[21]。数字孪生理论虽然在我国发展较迟，但是近些年来也取得了长足发展，在汽车等行业中已相当成熟，但暂未渗入至船舶制造业中。
因此，本文在借鉴已有研究的基础上，引入数字孪生理论，提出数字孪生驱动的造船精细化工时管理模式。该管理模式致力于实现各管理层数据的有效集成和利用，运用工时数据作为纽带将任务派工、数据传输、生产调度和监控、模型构建等结合到一起，形成完整的造船工时管理系统，完成实时生产数据分享和调用，可极大发挥生产力，减少生产成本并精简管理，实现良好的实践效果。
1 数字孪生驱动的造船工时管理
数字孪生驱动的精细化造船工时管理模式管理流程如图1所示，运用数字孪生理论技术，根据生产作业车间和工位的真实信息构建二维三维空间模型，并利用管理人员与智能设备结合的方法实现生产数据采集与交互，最后，在此基础上建立完整的数字孪生工时管理模型。
生产设计完成后，生产管理人员在充分分析各专业各类BOM表数据的基础上，完成对各类抽取模型的数据来源（EXCEL、SQL、TRIBON等）、信息模型及增量式接收规则等定义，并运用SQL语句采用COM-OBJECT的抽取方法，从TRIBON等三维模型中提取船舶建造过程中各类BOM数据、舾装托盘等详细的制造信息，包括计算所需的各种子类参数信息，形成数字模型设计。
根据抽取的数字模型，参考各企业虚拟库，按照规则及提前设置的推理关系，通过推理机将设计物量特征值与该专业对应的定额测算标准进行遍历，并在遍历过程中与虚拟库进行匹配，将所有满足条件的规则送入冲突集中，然后根据冲突消解策略从中选择一条最优匹配规则，按照规则进行定额工时测算。
工时作为企业进行生产管理和排产的依据，生产管理部门需综合考虑纳期、库存、一线生产人员、生产设备等方面，从各模型（人员模型、设备模型、仓库模型等）中进行实时映射，完成数据采集和对企业现阶段生产能力的统计分析，最后进行计划安排和生产调度，实现均衡生产。
在生产过程中产生了大量生产数据（物量、工时等），这些数据通过管理人员及智能设备反馈的方式统一进入生产管理系统，由管理人员进行分类统计，在建立数字模型的基础上形成孪生数据。在对照生产计划和孪生模型的同时，对反馈数据作出反应，一方面根据实时数据修改原始设计数字模型，形成修正数字模型，并在计算工时的同时进行合理的生产调度;另一方面工时等数据将作为参考数据用于现有虚拟库优化，使虚拟知识库更加符合企业当下实际生产情况。
2 数字孪生驱动的工时管理孪生模型构建
2.1 工时管理各数字模型构建
数字孪生驱动的工时管理孪生模型分为人、机、料、环四大类，包括人员、设备、仓库、运输设备、零部件、生产环境等，它们共同作用于船舶制造过程，并影响制造工时长短。因此，本文将数字孪生驱动的船舶制造工时管理数字模型表示为：
定义1：DT=DTM？DTL？DTP？DTE
其中，DT表示船舶制造过程数字孪生模型;DTM为加工设备数字孪生模型，主要指工业机器人数字孪生模型;DTL为人员数字孪生模型;DTE为环境数字孪生模型; DTP为零部件/加工产品数字孪生模型。
2.1.1 设备孪生模型
制造过程中，设备包括运输设备和加工设备，例如AGV和工业机器人等。为实现物理模型和孪生模型的实时映射，每种设备均需融入生产管理系统，完成设备各维度信息与生产管理系统实时联动，保证工时数据时效和价值，为生产决策起到推动作用。设备数字孪生模型定义为：
定义2：DTM=（Num;Function;Location;State）
其中Num表示设备号，Function表示功能，Location表示地点，State表示状态（即是否正在工作）。根据生产管理的需要，系统需对每一台设备建立孪生模型，实现对特征、状态、地点及其它信息的实时联动。当进行任务派工时，管理人员根据任务种类和工时选择功能合适且不在服务中或满足等工要求的设备，并向其发出任务指令，设备对指令作出反应进行生产，完工后反饋相应的工时物量数据。设备中的数据传输接收主要通过单片机、PLC或传感器实现。
2.1.2 人员孪生模型
人员共分为两类：一线作业人员和生产管理人员。人员数字孪生模型定义为：
定义3：DTL=（Num;Type;Location;State）
其中Num表示工号，Type表示工种，Location表示地点，State表示状态。在制造过程中，主要采用图像识别和RFID技术进行身份识别和位置定位，并确认其工作状态确认，以便对其作出派工指令。船舶制造施工人员较多，因此其反馈的工时物量数据将作为生产管理中重要的参考数据和对虚拟库进行修正的依据。
2.1.3 产品孪生模型
产品主要关系到原材料、零部件、半成品和仓库，生产管理部门需对制造对象的加工状态进行确认，掌握产品在制造的流动过程，最后结合工艺信息以数字几何模型的形式进行传输反馈。人员数字孪生模型定义为：
定义4：DTP=（Name;Model;Function;Location;State）
其中Name表示产品名称，Model表示产品型号，Function表示用途，Location表示地点，State表示状态（即有无存货或者是否正在加工）。
2.1.4 环境孪生模型
环境因其影响较小，在系统中处于弱化地位。对于环境孪生模型，现阶段主要通过温度传感器等设备结合人员感官进行环境状态分析，最后向系统输入数字孪生模型，环境孪生模型定义为：
定义5：DTE=（Type;State;Analysis）
数据主要包括Type（天气类型）、State（状态）和Analysis（影响大小）。虽然有多重设备对环境进行监测，但受限于技术条件，影响力大小无法测量，因此可通过熵权法等方法确定，但缺点是具有主观性。
2.2 造船工时管理数据映射结构
在船舶制造过程中，对工时产生较大影响的因素主要分为人、机、料、法、环五大类，除了技术无法实时监测外，其余均须实时收集分析数据，以便进行合理有效的生产管理。因此，系统根据需要收集的数据信息向映射对象（人、机、料、环）的对应模型进行相应数据收集，船舶制造数据映射逻辑结构如图2 所示。各对象根据对应的反馈渠道（人员、传感器、监控设备等）进行数据反馈，并在各模型中实现实时状态等信息数据在生产管理系统中的映射。系统根据反馈的实时数据进行计划比对和工时数据分析，然后进行生产安排和调度，反馈信息将形成指令将工单下发到各设备和人员，完成后自动进入下一循环。数字孪生驱动的船舶制造工时管理系统架构模型如图3所示。
3 关联机制
结合数据映射逻辑结构可看出数字孪生驱动的精细化工时管理系统主要通过影像设备、传感器、单片机、PLC等传输数据，并根据传输的数字模型建立二维或三维的孪生模型，再根据孪生数据进行系统修正和生产管理。
在船舶制造工时管理系统中，加工设备、运输设备、仓库、人员、半成品/材料、影像设备、传感器、可编辑逻辑编辑器（PLC）、读写器等部件共同组成生产系统，完成对产品从零部件到成品入库的任务派工、生产、信息反馈传输等一系列过程。通过虚实通讯接口（VR Interface），如RFID、PLC等与实体之间的有机结合实现实体实时数据与孪生模型之间的信息实时交互共享，并根据传输的数字模型建立二维或三维的孪生模型，实现信息交互融合，保持数据时效性。此外，实时工时物量数据将同步上传到工时管理系统云平台，生成孪生数据，生产管理部门将基于反馈的数据运用大数据、DEA等方法进行耗时、效率等分析，并与生产计划进行比对，进行生产调度;反馈的工时数据也将同时对虚拟知识库进行更新，实时跟进生产实际，以便为后续生产进行更有效的安排提供参考。工时管理系统联动实现如图4所示。
4 案例论证
A企业是国内一家集成产品设计、制造一体的造船企业，有多年从事产品生产、设计、服务及销售经验，该企业坚持创新，具有很强的活力和竞争力，是行业翘楚，在多年运营过程中积攒了大量有效数据，尤其是在工时方面，数据跟进及时，更新较快，信息化程度较高，为本文研究提供了条件。本文以船厂为例，对其进行管理方式改进，并将最终结果与往年数据进行对比，比较效率大小。
首先对设计数据分类抽取，套用相应计算模块计算工时数据，并以工时数据为参考，调用设备、人员等实时数据和模型，确定企业实时生产能力，向作业场地中的设备、人员发出相应生产指令、任务，任务派工如图5所示。
生产人员和设备在生产过程中通过通讯和传感设备上传实时工时物量数据，生产管理部门根据监控和传感设备进行任务核对，将没有问题的数据上传工时管理系统云平台，建立相应的二维三维模型，并形成孪生数据。
任务反馈完成后，管理人员一方面对生产数据进行分析并与生产计划进行比对，制定合理的生产调度安排;另一方面基于工时数据对虚拟知识库进行修正，将超过阈值的知识进行修正，计算出生产效率等指标作为生产改进的依据。阈值一般设置为0.9和1.1。
整个工时管理系统从数据抽取和工时计算开始，流经派工、映射、分析修正，再进行修改数据抽取计算，直至产品完工。
结果表明，数字孪生技术使A船厂生产率大幅提高，较于历史数据，返工率降低17.6%，修正吨位（吨位/时间）提高12.4%，生产和管理效率大幅提高，成本明显降低。
5 结语
本文通过对数字孪生驱动的造船工时管理系统构建和相关技术创新，实现了船舶制造自动化和有效化，改善了管理环境，提高了生产率，大幅降低了生产成本，但由于船舶制造企业管理的局限性，在管理过程中还无法实现真正的无人化，这是后续研究方向。
参考文献：
[1]? ? ? ?李根，张光明，刘家国. 我国船舶工业技术效率地区差异及收敛性分析[J]. 中国造船，2017，58（2）：165-177.
[2] 朱钰，杨锋，江利景，等. 基于共享回馈DEA模型的中国省际高技术产业创新效率研究[J]. 控制与决策，2020，35（8）：1997-2005.
[3] 叶正梗，蔡志强，周福礼. 基于多层次复杂度的工时定额综合研究[J]. 计算机集成制造系统，2019，25（3）：556-565.
[4] 常建娥，李帅，莫易敏，等. 基于装配相似性与灰色模型的汽车装配工时预测[J]. 工业工程，2018，21（3）：87-92.
[5] 朱韩刚，马晓平. 船舶建造中的工时物量定额应用方法研究[J]. 江苏造船，2014，31-39.
[6] 赵东，马晓平，蒋志勇. 船舶制造中的工时物量数据统计分析系统研究[J]. 造船技术，2003（2）：8-9.
[7] 索哲，滕勇，刘金华，等. 船舶生产设计工时管理分析及其自动化[J]. 江苏船舶，2011，6（28）：32-34.
[8] 张志英，李珍，何成能，等. 船舶生产设计工时体系及预测模型研究[J]. 中国造船，2009，50（4）：177-185.
[9] NITTA I，SHIBUYA T，HOMMA K. Method and apparatus for estimating man-hour[P]. JAPAN： JP 20072111760，2007.8.
[10] DONG Q Y，KAN S L，？HUANG Z H，et al. The assembly task man-hour estimate model based on primitives and work study[J]. Institution of Engineering and technology，2002：1150-1152.
[11] 刘滨，蒋祖华. 船舶装配作业工时智能估算技术[J]. 上海交通大学学报，2005，39（12）：1979-1983.
[12] 李淑娟，李言，洪伟.? 基于神经网络的加工时间定额确定方法[J]. 机械科学与技术，2000，19（2）：30-32.
[13] LEE J K.Developing scheduling systems for Daewoo shipbuilding：DAS project[J]. European Journal of Operational research，1997（2）：380-395.
[14] LEE J K，KIM H D. Man-hour requirement estimation for assemblies using neural networks[C]. Proceedings of 94 Japan/Korea Joint Conference on Expert Systems，1994：203-206.
[15] 郭東升，鲍劲松，史恭威，等. 基于数字孪生的航天结构件制造车间建模研究[J]. 东华大学学报：自然科学版，2018，44（4）：578-585，607.
[16] 陈振，丁晓，唐健钧，等. 基于数字孪生的飞机装配车间生产管控模式探索[J]. 航空制造技术，2018，61（12）：46-50.
[17] 孙亚东，张旭，宁汝新，等. 面向多学科协同开发领域的集成建模方法[J]. 计算机集成制造系统，2013，19（3）：449-460.
[18] 庄存波，刘检华，熊辉，等. 产品数字孪生体的内涵、体系结构及其发展趋势[J]. 计算机集成制造系统，2017，23（4）：753-768.
[19] MACCHI M，RODA I，NEQRI E，et al. Exploring the role of digital twin for asset lifecycle management[J]. IFAC -Pa-personline，2018，51（11）：790-795.
[20] GRIEVES M.Virtually perfect：driving innovative and lean products through product lifecycle management[M]. Florida：Space Coast Press，2011.
[21] SCHLEICH B，ANWER N， MATHIEU L，et al.Shaping the digital twin for design and production engineering[J]. CIRP Annals-Manufacturing Technology，2017，66（1）：141-144.
（责任编辑：江 艳）
