2. 产线数字孪生总体建模的参考架构

产线数字孪生不是把三维模型做得漂亮就够了，它的本质是让物理产线的状态、行为和约束在数字空间里持续可计算、可追溯、可驱动。要做到这一点，总体建模必须先把系统切成职责清晰、接口稳定的若干层。业界较为通用的参考架构是五层结构：物理产线层、数据采集层、模型层、孪生服务层、应用层。这五层不是简单的软件分层，而是从“真实世界”到“决策世界”的逐级抽象与逐级反馈。

一、五层各自的职责边界

物理产线层是孪生的被映射对象，包含设备本体、工装夹具、物料、人员以及现场控制单元（PLC、机器人控制器、CNC、AGV 调度器等）。这一层的关键不是“有什么设备”，而是“哪些量可以被观测、哪些动作可以被下达”。因此在总体建模阶段就要建立设备台账与可观测点清单，例如某台贴片机可提供节拍、抛料率、吸嘴真空压力、报警码，可接收换线配方与启停指令。

数据采集层负责把物理层的异构信号统一成有时间戳、有质量码、有语义标签的数据流。它通常由边缘网关、工业协议适配（OPC UA、Modbus TCP、Profinet、MQTT）、时序数据库和消息总线组成。采集层要解决三件事：采样频率对齐、时间同步（如 NTP/PTP）、数据质量标记（好值、坏值、超时、插补）。

模型层是数字孪生的“骨架与肌肉”，包含几何模型、物理机理模型、逻辑模型与数据驱动模型。几何模型回答“长什么样、在哪里”，机理模型回答“为什么这样变化”，逻辑模型回答“状态如何迁移”，数据驱动模型回答“接下来会怎样”。模型层必须与物理层的设备编号、工位编号建立唯一映射，否则孪生体只是孤立的模型文件。

孪生服务层把模型能力封装成可复用的服务：状态同步、仿真推演、故障诊断、参数寻优、虚拟调试、预测性维护。它向上提供统一 API，向下调用模型与数据，是“模型可被使用”的关键一层。

应用层面向具体角色与场景：产线监控大屏、排产优化、OEE 分析、能耗管理、培训与远程运维。应用层不直接读原始信号，而是通过孪生服务层获取已经过模型处理的结果。

二、接口关系：上行数据流与下行控制流

五层之间最核心的接口关系是两条方向相反的流。上行是数据流：物理层产生原始信号，采集层完成协议转换与时间对齐，模型层把数据绑定到模型参数，孪生服务层把模型状态封装为服务结果，应用层消费结果。下行是控制流：应用层产生决策意图，孪生服务层将其转化为可执行的模型指令，模型层校验指令是否满足约束，采集层把指令翻译为设备可识别的协议报文，物理层执行动作。

这里有一个容易被忽略的约束：下行控制必须经过模型层的约束校验。例如应用层要求把某工位节拍从 12 秒压缩到 9 秒，孪生服务层不能直接把速度指令发给 PLC，而应先调用机理模型检查电机扭矩、温升和节拍瓶颈是否允许。只有校验通过，指令才进入采集层。这一设计把“数字孪生”从可视化工具提升为安全可控的决策闭环。

三、部署形态：三种典型选择

参考架构是逻辑分层，不等于物理上必须部署成五台服务器。实际工程中常见三种部署形态：

• 边缘集中式：采集层与模型层部署在产线边缘服务器，孪生服务层与应用层部署在厂级机房。适合实时性要求高、网络带宽受限的场景，例如高速贴装线。
• 云边协同式：边缘侧只保留采集与轻量模型，重模型训练与全局优化放在云端。适合多产线、多工厂统一管理，但需接受秒级到分钟级的同步延迟。
• 全本地式：五层全部部署在厂内，数据不出厂。适合保密要求高或网络条件不稳定的场景，代价是运维成本较高。

选择部署形态时，关键判断依据是闭环控制周期与数据合规要求。若控制周期在 100 毫秒以内，采集与模型必须靠近设备；若只是做 OEE 统计与排产建议，云端部署完全够用。

四、一个可落地的建模示例

以一条 SMT 贴片产线为例，假设有 3 台贴片机、1 台回流焊、1 台 AOI。物理层可观测点包括：贴片机节拍（秒/板）、抛料率（%）、吸嘴真空压力（kPa）、回流焊各温区温度（℃）、AOI 缺陷类型与位置。采集层以 100 ms 周期采集贴片机状态，以 1 s 周期采集温度，时间戳统一到同一时钟源。

模型层建立三类模型：贴片机节拍机理模型（输入速度、吸嘴数量、元件类型，输出理论节拍）、回流焊热传导模型（输入温区设定与传送速度，输出板面温度曲线）、AOI 缺陷数据驱动模型（输入图像特征，输出缺陷概率）。孪生服务层提供“节拍瓶颈定位”服务：当实际节拍偏离理论值超过 8% 时，自动比对抛料率与真空压力，输出可能原因排序。应用层在监控大屏上以工位为单位展示偏差与建议。

理解这五层的职责、接口与部署形态，是后续开展产线数字孪生总体建模的起点。层与层之间的边界越清晰，模型越容易被复用，系统越容易随产线调整而演进。