66、数字孪生混合架构与机器人技能编程复杂度降低

数字孪生混合架构与机器人技能编程复杂度降低

1. 数字孪生混合架构

在工业维护领域，数字孪生、决策制定和工业维护相结合是具有潜力的研究方向。为了优化成本和资源利用率，维护部门不断改进运营，数字孪生等新技术应运而生。然而，这些新技术也增加了决策的复杂性，因此需要相应的工具和程序来应对。

1.1 关键绩效指标（KPI）

在这个架构中，KPI 是重要的衡量指标。公司可以根据不同的流程和需求定义各种 KPI，例如 OEE（整体设备效率）、MTBF（平均故障间隔时间）、停机次数和成本、维护时间等。这些 KPI 是数据处理结果的一种体现，数据输入（定量数据）通过数据挖掘、流程挖掘等数据处理方法从流程中提取信息或知识得到。

1.2 操作员输入（定性数据）

除了定量数据，操作员的意见（定性数据）也很关键。这通常代表了他们在流程中的经验，也就是所谓的“操作员在环”。其重点在于为模型提供额外的知识，以提高整体决策的正确性。与其他大多数框架不同，这种混合架构的新颖之处在于将操作员纳入决策层，参与工业维护相关的决策。

1.3 多准则决策方法（MCDM）

为了整合定量和定性两种输入数据，建议使用能够处理不同类型数据的 MCDM 方法，如 PROMETHEE、ELECTRE、FITradeoff 等。当然，其他方法如 AHP、ANP、TOPSIS 等在该框架中也是可行的。

1.4 决策支持层输出

决策支持层的输出有两个方向：
- 如果决策是针对虚拟空间，建议进行模拟。
- 如果是针对物理空间，则向评估者提出具体的行动方案。

以下是数字