电子设备调测工艺过程建模仿真技术研究与应用

Research and application of modeling and simulation technology for the test and adjustment process of electronic equipment

摘要

本研究针对电子设备调测工艺过程中存在的模型维度缺失和生产排程应用难这两大核心问题，提出基于多维度建模与仿真的系统性解决方案。通过构建结构化定义的工艺需求模型，动态表征人员技能、仪器状态与工位属性的资源能力模型，量化生产场景模型，实现工艺要素的结构化表征与多维度精准融合。创新性构建“人、机、料、法、环、时”全维度仿真规则库，将传统工艺经验转化为覆盖全要素的可执行逻辑规则。针对资源排他性、任务顺序及资源-需求匹配等复杂约束，设计多级优化算法，通过要素完整性算法实现模型缺失要素自动补全，结合历史数据驱动的经验匹配算法动态优化工艺过程。基于解决方案开发的调测工艺建模仿真系统，在电子设备工艺过程开发中取得显著成效：通过对A、B、C三类典型电子设备的实证分析表明，经本系统仿真优化后，调测工艺模型的一次排程通过率提高了26.7%，仪器冲突次数降为零，资源均衡率平均提升17%，有效解决了资源分配冲突并提高了生产均衡性。车间级应用结果表明，系统上线后排程问题反馈数量大幅减少，排程调整率下降25%，资源利用率提升约30%，证明了该研究对提升电子设备调测工艺设计质量与生产排程效率具有显著实用价值与推广潜力。

Abstract

This study presents a systematic solution based on multi-dimensional modeling and simulation to address two core challenges in the testing and adjustment process of electronic equipment： the lack of model dimensions and the difficulty in production scheduling application.This study establishes a comprehensive modeling framework by constructing a structurally defined process technology requirements model， a resource capability model that dynamically represents personnel skills， instrument status， and workstation attributes， and a quantified production scenario model. This framework enables the structured characterization and precise multi-dimensional integration of process elements. Innovatively， a comprehensive simulation rule library is developed， encompassing all “man， machine， material， method， environment， and time” dimensions， transforming traditional engineering experience into executable logical rules covering all factors. To manage complex constraints such as resource exclusivity， task sequencing， and resource-demand matching， a multi-level optimization algorithm is designed. Under this framework， an element integrity algorithm achieves the automatic completion of missing model elements， while a historical data-driven experience matching algorithm is utilized for dynamic optimization of the process. The modeling and simulation system for the testing and adjustment process， developed based on the solution， has demonstrated significant efficacy in the process development for electronic equipment. Empirical analysis of three typical electronic devices （A， B， C） showed that after simulation optimization by this system， the first-pass yield of scheduling for the testing and adjustment process model increased by 26.7%， instrument conflicts were eliminated， and the resource balance rate improved by an average of 17%， effectively resolving resource allocation conflicts and enhancing production equilibrium. Furthermore， workshop-level application revealed a substantial reduction in scheduling problem feedback， a 25% decrease in the scheduling adjustment rate， and an approximately 30% increase in the resource utilization rate after the system's implementation. These results affirm the study's significant practical value and potential for widespread adoption in improving the design quality of the testing and adjustment process and the efficiency of production scheduling for electronic equipment.

Graphical abstract

关键词

调测工艺过程 / 过程需求模型 / 资源模型 / 仿真规则 / 仿真优化

Key words

testing and adjustment process / process requirements model / resource model / simulation rules / simulation optimization

在电子设备的研制生产中，调测工艺过程是一套包含“人、机、料、法、环、时”全部生产要素组合的系统性、高技术要求的调整和测试流程，用于指导生产排程与质量控制，从而确保产品的性能、功能和可靠性达到设计要求。当前，航空、航天和雷达等电子设备制造领域，受产品特性及科研生产任务属性的影响，普遍呈现多品种、小批量、短周期^［1］的离散型生产模式特性，且生产模式逐步向订单化生产转型^［2］。同时，电子设备研制生产逐步向数据化、精细化管理方向发展，对调测工艺过程的准确性与可验证性提出了严峻挑战。在本研究开展之前，电子设备的调测工艺过程存在以下核心问题：1） 生产过程、资源要素模型维度缺失，现有工艺规范和工艺资源无法结构化表征工艺路径中人员、设备、物料等资源动态耦合关系；2） 原有设计的调测工艺过程与生产系统不匹配，难以在多约束条件下开展仿真验证，最终引发实际生产排程一次性通过率低、现场资源调度混乱等问题。

生产排程前，对调测工艺过程进行建模与仿真验证是保证其准确性、合理性的关键手段。当前该领域的研究与应用呈现出多元化趋势。在仿真方法层面，研究者们广泛采用成熟的商业仿真软件，如Plant Simulation^［3］、FlexSim^［4］、AnyLogic、Arena^［5］等构建制造系统模型进行性能分析与优化。张莉等^［6］提出了面向生产计划分析的协同制造过程建模语言，通过执行多过程仿真，协助管理人员分析齐套周期和资源利用率等；李宁^［7］通过面向模型对象的集成方法，构建基于MBOM和BBOM的异构信息系统组件化数据链路；在模型构建与数据集成方面，Wan等^［8］和王钰珏等^［9］分别开发了基于本体的制造资源集成架构和机械零件加工工艺本体库，支持资源与工艺信息的结构化建模；Schroeder等^［10］也使用AutomationML对数字孪生系统建模以实现数据交换。在应用层面，研究覆盖了生产计划与排程分析、资源实时定位^［11］、质量控制^［12］、作业资源动态分配以及面向混线工艺的快速调控^［13］等方向。

近年来，数字孪生（Digital Twin，DT）技术因其能实现物理世界与虚拟模型的深度交互与迭代优化而受到高度重视^［14-17］。数字孪生被普遍认为是物理车间的数字化映射模型^［18］，其核心在于通过共享数字空间定义模型间的行为交互^［19］，构建有效数字孪生的基础是准确的数据和模型^［20］。该技术为解决柔性制造系统和可重构制造系统的挑战^［13］提供了新思路，可用于系统规划、设计变更迭代、生产布局规划等方面，通过构建一体化平台，实现构型仿真优化与重构加速。数字孪生模型作为技术的核心^［21］，是对生产线现场的实体映射^［22］，旨在通过虚拟模型存储和管理数据，实现物理实体的数字化重现。研究者们提出了多种构建与应用框架：Min等^［15］针对流程制造数据特点提出了基于机器学习与IIoT的数字孪生优化框架；Ding等^［23］提出了信息物理系统（Cyber Physical Systems， CPS）与数字孪生的融合系统（Digital Twin-Cyber Physical Production Systems， DT-CPPS），并在Plant Simulation中验证；在模型构建方法上，有学者提出将模型具体行为与核心仿真分离以实现灵活性^［24］，或利用有限状态机（Finite State Machine， FSM）对模型内部行为和外部事件的状态转移进行建模^［25］。面向航空等离散制造领域的多品种、小批量需求，模块化智能单元体等模型也被提出^［26-27］。

然而，现有研究存在明显局限：首先，仿真研究基本上是基于Plant Simulation、FlexSim、AnyLogic和Arena等成熟平台对制造过程模型进行仿真，且文献中的制造过程模型与仿真，多为机械加工、装配类工艺^［13］。而电子设备的调测工艺过程在工艺路径、资源定义及动态特性等方面与传统机械加工、装配类工艺过程存在显著差异。其次，虽然数字孪生技术展现出巨大潜力，但其在调测工艺过程这一特定场景下的建模方法、仿真验证机制以及如何有效支持生产排程的研究仍显不足。现有模型往往难以充分表征调测过程中人-机-料-法-环-时的复杂动态耦合关系及其对排程的影响。

因此，本文聚焦于电子设备调测工艺过程的建模与仿真技术研究。旨在针对调测工艺的特点，建立精准定义其要素、行为和规则的模型，并探索有效的仿真验证技术，以评估工艺过程的准确性与合理性^［28］。通过建模仿真验证后的调测工艺过程作为生产排程的输入，将显著提升排程结果对生产现场的指导意义，解决一次性通过率低、资源调度混乱冲突，使用均衡率不高等实际问题。

1 调测工艺过程模型构建

本文所要建立的调测工艺过程模型主要为针对电子设备生产调测过程的一类模型，包括调测工艺过程需求模型、资源能力模型和生产场景模型，通过建立模型准确定义电子设备的调测工艺过程。

1.1 过程需求模型建立

调测工艺过程需求模型采用工艺路径图和相关需求资源属性表的形式对工艺过程进行描述，解决电子设备生产调测过程的定义问题，工艺路径以工序作为最小单元，工艺路径图作为呈现方式，将需求的人力资源、仪器资源、物料资源、工艺方法、工位资源以及定额工时以结构化数据的形式表示，其中每一类需求要素由多个属性定义，需求模型定义如下：1） 工艺路径模型=｛工序序号，工序名称，工序属性，后置工序，工序关系｝；2） 人力资源需求模型=｛角色，数量｝；3） 仪器需求模型=｛类别，名称，规格，数量｝；4） 物料需求模型=｛物料名称，物料型号，数量｝；5） 工艺方法模型=｛工序名称、工艺内容概述｝；6） 工位需求模型=｛工位类型，工位属性，数量｝。

通过对调测工艺过程需求模型结构化描述，将工艺过程中的各类要素进行系统化的定义和整合，提高工艺过程的规范性和可执行性。

1.2 制造资源模型建立

调测工艺过程资源能力模型是针对电子设备生产调测过程中涉及的各类车间资源进行建模，旨在通过对人员、仪器、物料和工位等资源能力进行系统化描述，结合需求模型，为生产排程提供数据支撑。各类资源模型定义如下：1） 人员能力模型=｛姓名，工作证号，角色，技术水平，人员状态｝；2） 仪器能力模型=｛名称，编号，状态，有效期｝；3） 物料模型=｛物料名称，物料型号｝；4） 工位能力模型=｛工位编号，工位类型，工位属性，工位状态，可同时开工数量｝。

通过以上资源模型的建立，能够全面、准确地描述和管理各类资源的能力特征，提高资源管理的效率和准确性，为工艺过程的仿真与优化提供数据支撑。

1.3 生产场景模型建立

电子设备生产场景模型的构建是基于对其生产过程的系统性分析与抽象，通过建模方法将复杂的生产过程转化为可量化的表达式。以生产调测过程中的关键要素为核心，提炼和整合各项约束条件，场景模型定义如下：生产场景模型=｛产品名称、产品代号，计划开始时间，计划交付时间，生产均衡率、生产台套数｝。

该生产场景模型由4个核心要素构成：其中，计划开始时间和计划交付时间共同构成了生产过程的时间约束，反映生产活动的时间序列特性；生产均衡率作为衡量生产资源分配效率的重要指标，体现生产过程中各环节之间的协调性和均衡性；而生产台套数则反映生产规模和资源需求量。这4个要素的有机组合，能够准确描述生产场景的基本特征，并且为调测工艺过程的仿真提供约束条件。

2 调测工艺过程仿真技术研究

本节提出了一种面向调测工艺过程的智能仿真优化方法。该方法通过构建覆盖“人、机、料、法、环、时”全要素的仿真规则库，创新性地开发了基于多级优化算法的仿真算法，实现了工艺过程模型与资源配置的协同优化。本方法的创新主要体现在：1） 将传统工艺规则从经验性描述转化为可执行的逻辑语言规则，实现工艺问题的精准识别；2） 针对工艺优化中的复杂约束条件，提出要素完整性推荐与经验数据匹配相结合的多级优化策略，通过参数优化和约束求解处理，显著提升工艺方案的可行性。

2.1 仿真规则构建

通过系统性研究与梳理，本研究构建了调测工艺过程仿真规则库。该规则库以调测工艺过程为核心，覆盖“人、机、料、法、环、时”的全维度，仿真规则库组成类别如表1所示。

其中每类仿真规则由仿真规则编号、类型、逻辑语言规则，提示类别等4部分信息组成。其中，仿真规则编号为每一条规则的唯一标识，类型分为人员、仪器、物料、工艺方法、工位、工时类，表示该条规则所需类别；逻辑语言规则是对开发调测工艺过程的规范要求、人工经验等隐含语义转化为逻辑语言；提示类别分为FALSE、WARNING两类，其中，FALSE类规则仿真不通过即为错误，必须修改模型直至通过仿真；WARNING类规则仿真不通过表示可能存在问题，但对修改模型无强制要求。

1） 调测工艺过程仿真示例1：不同类别工序对人员角色的需求，如表2所示。

2） 调测工艺过程仿真示例2：稀缺仪器的工序占用最多时长需求，如表3所示。

2.2 仿真优化算法

通过对获取的调测工艺过程需求模型、资源能力模型、场景模型数据的解析方法、约束条件构建方法，基于仿真规则与历史数据运算分析的仿真优化算法进行研究，从而为调测工艺过程仿真优化提供算法支撑。

2.2.1 模型解析算法

模型解析包含对调测工艺过程需求模型、资源能力模型和场景模型解析。

1） 调测工艺过程需求模型解析。调测工艺过程需求模型包含工艺路径以及工艺资源需求两部分组成。设调测过程模型为G=\left(V,\epsilon ,E\right)，其中V=\left\{v_{\mathrm{1}},v_{\mathrm{2}},\dots ,v_n\right\}表示工序节点集合；\epsilon \subseteq V\times V为工序间关系；E表示工艺需求资源集合。

首先，对调测工艺路径的工序关系进行解析，解算工序间的前后顺序及前置、后置工序集，定义其前驱与后继函数如下：

\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{d}\left(v\right)=\left\{u|\left(u,v\right)\in \epsilon \right\}（1）

\mathrm{S}\mathrm{u}\mathrm{c}\mathrm{c}\left(v\right)=\left\{w|\left(u,w\right)\in \epsilon \right\}（2）

其次，将获取的工艺资源需求模型文字信息转化为结构化数据，涵盖人员、仪器、物料、工位、工时需求等信息。

对于任意工序v_i\in V，其工艺需求资源要素定义为元组：

E\left(v_i\right)=\left(P_i,I_i,M_i,F_i,S_i,T_i\right)（3）

其中，P_i为第i个工序人员类资源需求；I_i为第i个工序仪器类资源需求；M_i为第i个工序物料类资源需求；F_i为第i个工序工艺方法类需求；S_i为第i个工序工位类资源需求；T_i为第i个工序工时需求。

2） 工艺能力资源与生产场景模型解析。对人员、仪器、物料和工位等工艺资源能力模型数据与生产时间、规模等生产场景模型数据进行解析，定义资源集合与生产场景参数如下：

\mathrm{ℛ}=\left(P,I,M,S\right)（4）

\mathrm{𝒞}=\left(\mathrm{C}\mathrm{y}\mathrm{c}\mathrm{l}\mathrm{e},\mathrm{E}\mathrm{q}\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{e},\mathrm{S}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{e}\right)（5）

其中，P、I、M、S分别为人员、仪器、物料、工位资源全集；\mathrm{C}\mathrm{y}\mathrm{c}\mathrm{l}\mathrm{e}、\mathrm{E}\mathrm{q}\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{e}、\mathrm{S}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{e}分别为生产周期、均衡率、生产规模。

2.2.2 多级仿真优化算法

通过要素完整性推荐算法与经验数据匹配性算法结合，形成多级优化算法，对调测工艺过程模型进行仿真优化。

1） 要素完整性推荐算法。通过4类映射函数生成候选集合，结合要素分析判定结果，实现自动修改及更新提醒，最终输出优化后的模型。

（a） 规则库定义。设4类规则为映射函数：

R_p:P\to \left\{\mathrm{0,1}\right\}\times \rho \left(P\right)（6）

R_I:I\to \left\{\mathrm{0,1}\right\}\times \rho \left(I\right)（7）

R_M:M\to \left\{\mathrm{0,1}\right\}\times \rho \left(M\right)（8）

R_s:S\to \left\{\mathrm{0,1}\right\}\times \rho \left(S\right)（9）

其中，\rho \left(\bullet \right)表示基于规则推荐补全的候选集合，输出为二元组（完整性标志，推荐补全集）

（b） 要素分析。对任意工序v_i，计算4类规则的判定结果f：

\left(f_p,\widehat{P_i}\right)=R_p\left(P_i\right)（10）

\left(f_i,\widehat{I_i}\right)=R_I\left(I_i\right)（11）

\left(f_m,\widehat{M_i}\right)=R_M\left(M_i\right)（12）

\left(f_s,\widehat{P_i}\right)=R_s\left(S_i\right)（13）

其中，f_p、f_i、f_m、f_s分别表示对应工序人员、仪器、物料和工位是否完整，满足仿真规则，满足为1，不满足则为0。

（c） 模型优化执行。根据要素分析结果，对初始调测工艺过程模型进行优化更新。首先，为避免过度修正，设置必要性约束，仅当f_k=\mathrm{0},k\in \left\{p,i,m,s\right\}时，即人员、仪器、物料和工位要素不完整时，需要进行模型优化。其次，为确保模型优化能够覆盖所有规则项，设置完备性约束{\bigcup }_{k\in \left\{p,i,m,s\right\}}\widehat{k_i}。因此，优化集合{∆}_i=\left\{\delta |\delta \in {\bigcup }_{k\in \left\{p,i,m,s\right\}}\widehat{k_i}\bigwedge f_k=\mathrm{0}\right\}，\delta为要素的修改操作。

由于仿真规则中包含了WARNING类，该类规则仅作为提示项，最终由工艺人员确认是否进行优化。因此，将仿真后生成的模型优化集合执行分为两类：一类是由仿真优化算法自动优化更新；另一类是由工艺人员完成优化确认，具体执行算法如下。

\left\{\begin{array}{l}{∆}_{\mathrm{a}\mathrm{u}\mathrm{t}\mathrm{o}}=\left\{\delta |\mathrm{a}\mathrm{u}\mathrm{t}{\mathrm{o}}_{\mathrm{c}\mathrm{o}\mathrm{n}\mathrm{d}\mathrm{i}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}\left(\delta \right)}=\mathrm{T}\mathrm{r}\mathrm{u}\mathrm{e}\right\}\\ {∆}_{\mathrm{m}\mathrm{a}\mathrm{n}\mathrm{u}\mathrm{a}\mathrm{l}}={∆}_i\backslash {∆}_{\mathrm{a}\mathrm{u}\mathrm{t}\mathrm{o}}\end{array}\right.（14）

其中，{∆}_{\mathrm{a}\mathrm{u}\mathrm{t}\mathrm{o}}表示算法自动优化的内容集合，\mathrm{a}\mathrm{u}\mathrm{t}{\mathrm{o}}_{\mathrm{c}\mathrm{o}\mathrm{n}\mathrm{d}\mathrm{i}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}\left(\delta \right)}为自动修改的判定条件，当该项修改内容在仿真规则库中提示类别为FALSE时，判定为\mathrm{T}\mathrm{r}\mathrm{u}\mathrm{e}；{∆}_{\mathrm{m}\mathrm{a}\mathrm{n}\mathrm{u}\mathrm{a}\mathrm{l}}表示为人工修改的集合，等于集合{∆}_i减去自动修改集合{∆}_{\mathrm{a}\mathrm{u}\mathrm{t}\mathrm{o}}。

对于算法自动优化的内容集合，自动更新模型：

{∆}_{\mathrm{a}\mathrm{u}\mathrm{t}\mathrm{o}},E\left(v_i\right)\leftarrow \mathrm{A}\mathrm{p}\mathrm{p}\mathrm{l}\mathrm{y}[\delta ,E\left(v_i\right)]（15）

2） 经验数据推荐算法。针对工艺过程优化问题，利用历史调测数据（包含工艺过程模型、仪器故障记录、工位状态及时间序列），通过工序分类、参数聚合和差异分析实现自动化模型更新，最终生成优化后的工艺模型。

设历史数据集为H=\left\{H_{\mathrm{1}},H_{\mathrm{2}},\cdots ,H_m\right\}，其中第j条历史数据H_j包含：

H_j=\left(G_j,F_j,W_j,T_j\right)（16）

其中，G_j为历史调测工艺过程模型，F_j仪器故障记录集，W_j为工位状态记录集，T_j为工序开完工时间序列。

（a） 典型参数计算。对于当前模型G的第i个工序v_i\in V，进行同类项目筛选：

定义映射函数\psi :V\to \mathit{\mathbb{N}}标识工序类型，筛选历史数据子集：

H_i=\left\{H_j\in H|\psi \left(v_i^j\right)=\psi \left(v_i\right)\right\}（17）

参数聚合，计算典型值（以仪器类型I_i为例）：

\overline{I_i}=\mathrm{A}\mathrm{g}\mathrm{g}\left(\left\{I_i^j|v_i^j\in H_j,H_j\in H_i\right\}\right)（18）

其中，Agg表示为众数。

（b） 差异分析与更新。基于历史数据计算的典型参数值\overline{k_i}，判断当前模型参数是否需要修正，并在满足条件时自动更新。在修正策略选择方面，考虑了全量更新、比例更新和阈值策略更新，由于阈值策略能够确保仅显著差异时触发更新，避免噪声干扰，比例更新会残留部分偏差，而全量更新会引入振荡。因此，最终选择阈值策略更新，当达到更新阈值时，进行全量更新。对每个仪器、工位、工时要素k\in \left\{I,S,T\right\}，阈值策略更新：

{∆}_{k\left(v_i\right)}=\left\{\begin{array}{l}\overline{k_i}-k_i,\mathrm{i}\mathrm{f}‖\overline{k_i}-k_i‖{\theta }_k\\ \mathrm{\varnothing },\mathrm{o}\mathrm{t}\mathrm{h}\mathrm{e}\mathrm{r}\mathrm{w}\mathrm{i}\mathrm{s}\mathrm{e}\end{array}\right.（19）

其中，k_i为第i个工序的仪器、工位和工时要素；{\theta }_k为差异阈值，选择置信水平95%的最小显著差异。若{∆}_{k\left(v_i\right)}\ne \mathrm{\varnothing }，则自动更新：

k_i\leftarrow k_i+{∆}_{k\left(v_i\right)}（20）

（c） 迭代执行。按照工序序号升序遍历V，最终生成更新后的模型G^{\text{'}\text{'}}。

2.3 仿真优化算法验证

2.3.1 仿真优化算法评价指标

对于电子设备调测工艺过程进行建模仿真优化，评估工艺过程的准确性与合理性，最终体现为能够显著提升排程结果对生产现场指导意义，解决一次性通过率低、资源调度混乱冲突，使用均衡率不高等实际问题。为此，设置以下3个指标对仿真优化算法进行评价。

1） 一次排程通过率。在排程过程中由于所开发的工艺过程不合理、不准确等，需要对工艺过程多次修改才能通过排程。一次排程通过率P_{\mathrm{p}\mathrm{a}\mathrm{s}\mathrm{s}}为首次开发的电子设备调测工艺过程方案满足所有排程约束的工序数量在所有工序中所占的比例。

P_{\mathrm{p}\mathrm{a}\mathrm{s}\mathrm{s}}=\frac{N_{\mathrm{v}\mathrm{a}\mathrm{l}\mathrm{i}\mathrm{d}}}{N_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}}\times \mathrm{100}\mathrm{\%}（21）

其中，N_{\mathrm{v}\mathrm{a}\mathrm{l}\mathrm{i}\mathrm{d}}为满足排程约束的工序数量，N_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}为电子设备调测工艺过程总工序数量。

排程约束包含任务顺序约束、资源-任务匹配约束、资源排他性约束，其约束条件设置如下：

设仿真时间离散化为t\in \left\{\mathrm{1,2},\cdots ,T_{\mathrm{m}\mathrm{a}\mathrm{x}}\right\}，定义决策变量：

x_{i,k}\left(t\right)\in \left\{\mathrm{0,1}\right\},\forall v_i\in V,\forall k\in \mathrm{ℛ},\forall t（22）

其中，x_{i,k}\left(t\right)=\mathrm{1}表示工序v_i在时刻t占用资源k，x_{i,k}\left(t\right)=\mathrm{0}表示工序v_i在时刻t不占用资源k。

（a） 任务顺序约束。定义工序v_i的开始时间s_i和结束时间e_i=s_i+T_i，则：

s_{i+\mathrm{1}}\ge e_i（23）

（b） 资源-任务匹配约束。为确保资源分配与模型定义一致，定义在任一时刻任意一个不属于工艺需求资源模型中的资源均不被占用。

x_{i,k}\left(t\right)=\mathrm{0},\forall k\notin E\left(v_i\right),\forall t（24）

（c） 资源排他性约束。在调测工艺过程仿真中，资源排他性约束是制造系统物理规律的基础性表达，任何实体资源在相同时空维度上不具备可分性，即单一资源单元不可并行服务多个工序任务。因此建立如下约束：

{\sum }_{v_i\in V}{x}_{i,k}\left(t\right)\le \mathrm{1},\forall k\in \mathrm{ℛ},\forall t（25）

其中，x_{i,k}\left(t\right)是判断工序v_i在时刻t是否占用资源k的决策变量；\sum =\mathrm{0}表示资源k时刻空闲，当\sum =\mathrm{1}表示资源k时刻被单一工序占用，对于{\sum }_{v_i\in V}{x}_{i,k}\left(t\right)\le \mathrm{1},\forall k\in \mathrm{ℛ},\forall t约束表示为对于任一时刻任一资源，最多只能被一道工序占用。

2） 仪器冲突次数。同一仪器k在相同时刻t被分配至超过一个工序的次数之和，定义为仪器冲突次数C_{\mathrm{d}\mathrm{e}\mathrm{v}\mathrm{i}\mathrm{c}\mathrm{e}}。

C_{\mathrm{d}\mathrm{e}\mathrm{v}\mathrm{i}\mathrm{c}\mathrm{e}}={\sum }_{t=\mathrm{1}}^{T_{\mathrm{m}\mathrm{a}\mathrm{x}}}{\sum }_{k\mathrm{ϵ}I}\left({\sum }_{v_i\in V}{x}_{i,k}\left(t\right)\mathrm{1}\right)（26）

3） 资源均衡率。资源实际使用时长占仿真时长的加权平均值，用以评判资源是否在整个调测工艺过程是否被合理应用。对于资源k，其利用率U_k=\frac{{\sum }_t{x}_{i,k}\left(t\right)}{T_{max}}，表示该资源占用总时长在仿真总时长中所占比例。设定资源均衡率为对所有资源利用率取平均，资源均衡率计算如下：

U_{\mathrm{a}\mathrm{v}\mathrm{g}}=\frac{\mathrm{1}}{\left|\mathrm{ℛ}\right|}{\sum }_{k\in \mathrm{ℛ}}{U}_k\times \mathrm{100}\mathrm{\%}（27）

其中，\left|\mathrm{ℛ}\right|为资源数量。

2.3.2 仿真优化实例验证

1） 实例化模型构建。调测工艺过程模型G=\left(V,E\right)定义如下（20个工序，关键参数节选）：

V=\left\{v_{\mathrm{1}},v_{\mathrm{2}},\dots ,v_{\mathrm{20}}\right\}；

E\left(v_{\mathrm{1}}\right)=\left\{\mathrm{调测}\mathrm{人员},\mathrm{信号}\mathrm{源},\mathrm{信号}\mathrm{模块},\mathrm{调试},\mathrm{测试}\mathrm{工位},\mathrm{4}\mathrm{h}\right\}；

E\left(v_{\mathrm{2}}\right)=\left\{\mathrm{调测}\mathrm{人员},\mathrm{频谱}\mathrm{仪},\mathrm{信号}\mathrm{模块},\mathrm{检验},\mathrm{检验}\mathrm{工位},\mathrm{2}\mathrm{h}\right\}；

...

E\left(v_{\mathrm{20}}\right)=\left\{\mathrm{包装}\mathrm{人员},\mathrm{塑封}\mathrm{机},\mathrm{设备}\mathrm{整机},\mathrm{包装},\mathrm{包装}\mathrm{工位},\mathrm{1}\mathrm{h}\right\}。

车间工艺资源能力模型（实例化关键节选）：

人员能力模型1=｛张三，P0001，调测人员，中级，在岗｝；

人员能力模型2=｛李四，P0002，检验人员，高级，在岗｝；

...

仪器能力模型1=｛信号源，I14001，空闲，2025.12｝；

仪器能力模型2=｛频谱仪，I15002，空闲，2025.12｝；

...

物料模型1=｛信号模块，M12006｝；

物料模型2=｛电源单元，M12007｝；

...

工位能力模型1=｛S16001，调试工位，专用，空闲，1｝；

工位能力模型2=｛S16002，检验工位，通用，空闲，1｝。

生产场景实例化模型：

生产场景模型=｛电子设备1，CP0001，2025.5.20，2025.6.20，0.8，3｝。

2） 仿真优化。将构建的实例化调测工艺过程、资源能力和生产场景通过仿真算法优化迭代。优化迭代后调测工艺过程模型变更类型统计如表4所示。

3） 仿真优化前后关键指标对比。对比经过仿真优化前后的调测工艺过程进行实际排程，最终关键指标变化如表5所示。

构建的实例化调测工艺过程模型包含了20道工序以及资源需求，在未进行仿真优化时，仅有13道工序满足排程约束，通过率为65%，同时有5个仪器都存在同一时间段被分配至多个工序的情况，资源实际使用较为集中，占总时长的71%；而经过对实例化调测工艺过程的仿真优化，合计18道工序满足排程约束，通过率为90%，未出现仪器在同一时间段被分配多个工序的情况，资源使用占总时长的83%，均衡性得到了明显提升。实例验证表明，调测工艺过程仿真优化算法能够有效提升调测工艺过程的质量。

3 调测工艺过程建模仿真系统建设及应用

3.1 建模仿真系统建设

在调测工艺过程建模方法与仿真技术确定的基础上，本研究设计并建设了调测工艺过程建模仿真系统。该系统采用NetCore服务+WinForm客户端的形式，通过WebSocket双向实时通信，实现软件开发，以支撑调测工艺过程建模仿真优化的有效实施为目标；通过功能模块化设计，实现了对调测工艺过程的全面建模与仿真优化功能。系统功能架构设计如图1所示，主要包括数据管理、建模管理、仿真优化和仿真输出4大核心模块。

其中，数据管理模块提供电子设备产品信息处理功能，支持可视化界面下的本地导入、查询等操作，确保电子设备产品数据的准确性和完整性。过程与资源建模模块支持分别对调测工艺过程需求模型、工艺资源能力模型、生产场景模型进行结构化建模与数据维护。仿真计算模块是系统的核心功能模块，主要包含以下功能：1） 仿真规则管理：支持根据不同需求对仿真规则进行灵活配置；2） 算法管理：实现对仿真过程中所需算法的统一管理与调用；系统根据预设的仿真规则进行逐项计算，并输出相应的计算结果。仿真结果处理模块负责对仿真计算结果进行规范化输出与存储。仿真系统结果界面示意如图2所示。

3.2 应用实践成效

调测工艺过程建模仿真系统自上线运行以来，已完成了对车间制造资源的全面数字化建模，包括人员模型2143条、仪器能力模型824条、物料模型3245条及工位能力模型215条。基于上述模型，系统对上百种电子设备生产过程的调测工艺进行了结构化建模，构建了完整的工艺过程模型，并依据实际生产场景需求进行仿真优化，显著提升了工艺过程的设计效率与质量。为系统验证所构建仿真系统的有效性，本节选取3种典型电子设备（A、B、C）的调测工艺过程优化作为实证案例。

3.2.1 典型电子设备仿真验证工程实例

选择3种典型电子设备A、B、C，其调测过程需求模型及生产场景模型输入参数节选如表6所示。

将上述模型参数输入至仿真系统中，经仿真后，调测过程需求模型优化项统计结果如表7所示。

为量化仿真优化效果，分别对仿真优化前后的调测过程需求模型进行排程验证，关键性能指标对比如表8所示。

结果表明，经仿真优化后，三类电子设备调测工艺过程的一次排程通过率平均提升26.7%，资源均衡率平均提升17.0%，仪器冲突次数全部降为零，验证了仿真系统在多品种电子设备调测工艺过程的通用优化能力。

3.2.2 车间级综合效益分析

系统上线前，传统工艺开发模式因质量问题对生产过程造成显著冲击。2024年，车间问题反馈平台累计接收问题1738条，其中各类问题占比分别为：工艺问题（26%）、人员问题（34%）、工位问题（12%）、仪器资源问题（10%）、工时问题（12%）及物料问题（6%），平均每型设备反馈8.61次，日均反馈5.52次，严重制约生产排程效率。系统上线后，通过对在产百余型电子设备调测工艺的结构化建模与仿真优化，累计发现并优化工艺问题3000余项，排程阶段问题反馈数量大幅降至38条。统计分析表明：排程一次性通过率提升30%，排程调整率减少25%。在此基础上，资源利用率提升了约30%，生产均衡性也提高了约20%。证明了调测工艺过程建模仿真系统在工艺优化和排程生产效率提升方面具有较大的潜力。

4 结论

本研究针对电子设备调测工艺过程生产要素不完备、不准确难以满足高质量的生产排程需求等问题，提出了建模与仿真验证方法，为调测工艺过程的准确性和合理性提供了技术支撑。通过构建调测工艺过程需求模型、资源能力模型和生产场景模型，实现了工艺过程要素的结构化描述与多维度融合，创新性地将传统经验驱动的工艺设计转化为数据驱动的模型化开发流程，建立覆盖“人、机、料、法、环、时”全维度仿真规则库；同时以模型解析、仿真运算与优化算法，解决了因生产过程、资源要素维度缺失，难以在多约束条件下开展仿真验证，以及无法适应生产现场排程的关键难题，突破了现有仿真软件对生产要素组合及工艺路径精准控制能力的局限。

参考文献

[1] Niu S， Lin S L， Li W，et al.Model validation method for discrete event simulation ［J］.Journal of System Simulation， 2017， 29（9）：1984-1990．

[2] Zhang J， Ding G， Zou Y， et al.Review of job shop scheduling research and its new perspectives under Industry 4.0 ［J］.J Intell Manuf， 2019， 30（4）： 1809-1830.

[3] Kumar B S， Raju G J， Janardhana G R.Simulation modelling and analysis of flexible manufacturing systems with flexsim software ［J］.Res J Eng Technol， 2018， 9（1）： 85-89.

[4] Components Visual.Design the factories of the future ［EB/OL］.［2025-03-24］.

[5] Saygin C， Tamma S.RFID-enabled shared resource management for aerospace maintenance operations：A dynamic resource allocation model ［J］.Int J Comput Integr Manuf， 2012， 25（1）： 100-111.

[6] Zhang L， Yang Z T， Ge N，et al.Production plan analysis oriented collaborative manufacturing process modeling language and modeling/simulation system ［J］.Computer Intergrated Manufacturing Systems， 2023， 29（5）： 1415-1428.

[7] 张莉，杨子天，葛宁，等.面向生产计划分析的协同制造过程建模语言及建模仿真系统［J］.计算机集成制造系统， 2023， 29（5）： 1415-1428.

[8] Li N.Research on manufacturing data modeling of complex electronic equipment and integrated application ［J］.Electro-Mechanical Engineering，2021，37（3）：59-64.

[9] 李宁 ．复杂电子装备制造数据建模与集成应用研究［J］.电子机械工程， 2021， 37（3）： 59-64.

[10] Wan J， Yin B， Li D， et al.An ontology-based resource reconfiguration method for manufacturing cyber-physical systems ［J］.IEEE ASME Trans Mechatron， 2018， 23（6）： 2537-2546.

[11] Wang Y J， Liang Y H， Wang S Q，et al.Construction of ontology library for machining process of mechanical parts ［J］.Computer Science， 2022， 49（S1）： 661-666.

[12] 王钰珏， 梁宇豪， 王素琴， 等.机械零件加工工艺本体库构建［J］.计算机科学， 2022， 49（S1）： 661-666.

[13] Schroeder G N， Steinmetz C， Pereira C E， et al.Digital twin data modeling with AutomationML and a communication methodology for data exchange ［J］.IFAC-PapersOnLine， 2016， 49（30）： 12-17.

[14] Huang S， Guo Y， Zha S， et al.A real-time location system based on RFID and UWB for digital manufacturing workshop ［J］.Procedia CIRP， 2017， 63： 132-137.

[15] Xu A M， Gao J M， Chen K.Excavation of critical resource node for quality control of multi-variety mixed production shopfloor based on complex network property ［J］.Proc Inst Mech Eng Part B J Eng Manuf， 2016， 230（1）： 169-177.

[16] Leng B H， Xia T B， Sun H， et al.Digital twin mapping modeling and method of monitoring and simulation for reconfigurable manufacturing system ［J］.Journal of Zhejiang University（Engineering Science））， 2022， 56（5）： 843-855.

[17] 冷柏寒， 夏唐斌， 孙贺， 等.面向可重构制造的数字孪生映射建模与监控仿真［J］.浙江大学学报（工学版）， 2022， 56（5）： 843-855.

[18] Fu Y， Zhu G， Zhu M， et al.Digital twin for integration of design-manufacturing-maintenance： An overview ［J］.Chin J Mech Eng， 2022， 35（1）： 80.

[19] Min Q， Lu Y， Liu Z， et al.Machine learning based digital twin framework for production optimization in petrochemical industry ［J］.Int J Inf Manag， 2019， 49： 502-519.

[20] Tian L， Liu G， Liu S C.Digital twin and production line simulation technology ［J］.Journal of Graphics，2021， 42（3）： 349-358．

[21] Tao F， Zhang H， Qi Q L， et al.Theroy of digital twin modeling and its appliacation ［J］.Computer Integrated Manufacturing Systems， 2021， 27（1）： 1-15．

[22] Zhuang C， Miao T， Liu J， et al.The connotation of digital twin， and the construction and application method of shop-floor digital twin ［J］.Robot Comput Integr Manuf， 2021， 68： 102075.

[23] Vrabič R， Erkoyuncu J A， Butala P， et al.Digital twins： Understanding the added value of integrated models for through-life engineering services ［J］.Procedia Manuf， 2018， 16： 139-146.

[24] Schleich B， Anwer N， Mathieu L， et al.Shaping the digital twin for design and production engineering ［J］.CIRP Ann， 2017， 66（1）： 141-144.

[25] Liu L Y， Du H X， Wang H F，et al.Construction and application of digital twin system for production process in workshop ［J］.Computer Integrated Manufacturing Systems， 2019， 25（6）： 1536-1545．

[26] Tao F， Zhang M， Cheng J F，et al.Digital twin workshop：A new paradigm for future workshop ［J］.Computer Integrated Manufacturing Systems， 2017， 23（1）： 1-9．

[27] 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.

[28] Ding K， Chan F T S， Zhang X， et al.Defining a Digital Twin-based Cyber-Physical Production System for autonomous manufacturing in smart shop floors ［J］.Int J Prod Res， 2019， 57（20）： 6315-6334.

[29] Negri E， Fumagalli L， Cimino C， et al.FMU-supported simulation for CPS digital twin ［J］.Procedia Manuf， 2019， 28： 201-206.

[30] Rocha M， Simão A， Sousa T.Model-based test case generation from UML sequence diagrams using extended finite state machines ［J］.Softw Qual J， 2021， 29（3）： 597-627.

[31] Zhang L， Zhou L F.Modelingsimulation technology in manufacturing ［J］.Journal of System Simulation， 2018， 30（6）： 1997-2012.

[32] 张霖， 周龙飞.制造中的建模仿真技术［J］.系统仿真学报， 2018， 30（6）： 1997-2012.

[33] Liu X G， Guo Y， Li Y，et al.A method for constructing Domain-Specific large language models oriented to manufacturing process design ［J］.Journal of Sichuan University（Natural Science Edition）， 2025， 62（3）： 513-521.

[34] 刘祥根， 郭彦， 李玥， 等.面向工艺设计的领域大模型构建方法［J］.四川大学学报（自然科学版）， 2025， 62（3）： 513-521.

[35] Wang F Q， Qian F， Gao Y， et al.Design and loss analysis of catheter pump motor based on FPCB winding ［J］.Journal of Jiangsu University（Natural Science Edition）， 2024， 45（3）： 337-345.

[36] 王芳群， 钱锋， 高宇， 等.基于FPCB绕组的导管泵用电动机设计及损耗分析［J］.江苏大学学报（自然科学版）， 2024， 45（3）： 337-345.

基金资助

四川省重大科技专题(2020ZDZX0025)

四川省自然科学基金(2024NSFTD0048)