紧固件MES系统 — 推荐技术架构与智能制造方案
本文档从04-重构建议中独立出来，专注于重构的技术架构选型、智能制造方案（IoT/AI/APS/物流自动化/数字孪生）。
一、架构总览
针对本系统"以数据库CRUD为核心"的现状，推荐采用 领域驱动(DDD) + 微服务/模块化单体 + 前后端分离 架构：
┌────────────────────────────────────────────────────────────────────────────┐
│ 前端层 (Frontend) │
│ ┌──────────┐ ┌──────────┐ ┌───────────┐ ┌──────────┐ ┌──────────┐ │
│ │ Web管理 │ │ 移动App │ │ 大屏看板 │ │ PDA扫码 │ │ 供应商门户│ │
│ │Vue3+TS │ │uni-app │ │DataV/Grafana│ │ 轻量H5 │ │ Vue3 │ │
│ └─────┬────┘ └────┬─────┘ └─────┬─────┘ └────┬─────┘ └────┬─────┘ │
├────────┼────────────┼───────────────┼─────────────┼──────────────┼────────┤
│ └────────────┴───────────────┴─────────────┴──────────────┘ │
│ API Gateway (网关层) │
│ Ocelot / YARP / Kong — 统一认证、限流、路由 │
├────────────────────────────────────────────────────────────────────────────┤
│ 后端服务层 (Backend) │
│ ┌──────────────────────────────────────────────────────────────────────┐ │
│ │ .NET 8 模块化单体 (Modular Monolith) │ │
│ │ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ │ │
│ │ │生产模块 │ │质量模块 │ │仓库模块 │ │设备模块 │ │销售模块 │ │ │
│ │ │Production│ │Quality │ │Warehouse│ │Equipment│ │Sales │ │ │
│ │ └────┬────┘ └────┬────┘ └────┬────┘ └────┬────┘ └────┬────┘ │ │
│ │ └────────────┴──────────┴────────────┴──────────┘ │ │
│ │ 领域服务 / 应用服务 │ │
│ └──────────────────────────────────────────────────────────────────────┘ │
├────────────────────────────────────────────────────────────────────────────┤
│ 基础设施层 (Infrastructure) │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │SQL Server│ │ Redis │ │RabbitMQ │ │InfluxDB │ │MinIO/OSS │ │
│ │主数据库 │ │缓存/会话 │ │消息队列 │ │时序数据 │ │文件存储 │ │
│ └──────────┘ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │
└────────────────────────────────────────────────────────────────────────────┘
二、后端技术选型
| 层次 |
推荐方案 |
理由 |
| 运行时 |
.NET 8 (LTS) |
性能极强(TechEmpower前列)、C#生态成熟、团队技能可复用 |
| 架构模式 |
模块化单体(Modular Monolith) |
比微服务简单(运维成本低)，比传统单体灵活(模块可独立演进) |
| API框架 |
ASP.NET Core Minimal API + Carter |
轻量高性能，接口定义清晰 |
| ORM |
EF Core 8 + Dapper混用 |
EF Core处理标准CRUD，Dapper处理复杂报表查询（两者互补） |
| 领域建模 |
DDD分层：Domain→Application→Infrastructure→API |
业务逻辑不再散落在窗体/SQL中 |
| CQRS |
MediatR (Command/Query分离) |
写操作走领域模型保证一致性，读操作走Dapper直查保证性能 |
| 消息总线 |
MassTransit + RabbitMQ |
解耦模块间通信（如：工序完成→触发检验→触发入库） |
| 缓存 |
Redis (StackExchange.Redis) |
产品/工序/客户等基础数据缓存，减少DB压力 |
| 认证 |
JWT + Identity Server / Keycloak |
统一认证，支持多终端 |
| 实时通信 |
SignalR |
看板实时推送、工序状态变更通知 |
| 任务调度 |
Hangfire / Quartz.NET |
定时盘库、保质期预警、保养计划触发 |
| 日志/监控 |
Serilog + Seq + OpenTelemetry |
结构化日志、链路追踪、性能监控 |
三、前端技术选型
| 终端 |
推荐方案 |
理由 |
| Web管理端 |
Vue 3 + TypeScript + Vite + Element Plus |
生态成熟、组件丰富、TS类型安全 |
| 移动端/PDA |
uni-app (Vue3) |
一套代码多端运行(H5/App/微信小程序)，PDA适配好 |
| 大屏看板 |
DataV / ECharts + 全屏H5 |
车间大屏展示、实时刷新 |
| 报表 |
开源:Stimulsoft / 商业:帆软FineReport |
替代FastReport，支持Web端在线设计 |
四、数据库架构优化
| 方面 |
当前问题 |
推荐方案 |
| 读写分离 |
单库所有操作 |
主库写入 + 只读副本(报表/看板) |
| 时序数据 |
无 |
InfluxDB/TDengine 存储IoT采集数据（温度/压力/电流） |
| 缓存层 |
无 |
Redis缓存高频读取(产品/工序/客户等基础数据) |
| 全文检索 |
LIKE模糊查询 |
Elasticsearch用于追溯查询/日志检索 |
| 数据库版本管理 |
无 |
FluentMigrator / EF Migrations 管理Schema变更 |
| 索引优化 |
未优化 |
按查询模式建立覆盖索引(GzLh/FkBh/XsDdMxId/CpId等) |
五、领域模型设计（替代"直接CRUD表"）
当前系统的核心问题是业务逻辑散落在SQL和窗体代码中，重构应将业务规则封装为领域模型：
当前方式（反模式）：
窗体按钮点击 → 拼SQL → 直接操作多张表 → 手动维护状态一致性
推荐方式（领域驱动）：
API请求 → Application Service → Domain Model(业务规则) → Repository → DB
↓
领域事件(Domain Event)
↓
其他模块响应(解耦)
示例：工序完工场景的重构对比
// ===== 当前方式：窗体直接操作多张表 =====
UPDATE TbFKGY SET TagComplete=1, EndTime=GETDATE() WHERE GYId=@id
UPDATE TbGxBar SET TagWg=1 WHERE FkBh=@fkbh AND GxId=@gxId
INSERT INTO TbCjYc(...) -- 车间移出
INSERT INTO TbCjYr(...) -- 下道工序移入
// 质量检验逻辑散落在另一个窗体...
// ===== 推荐方式：领域模型封装业务规则 =====
public class ProcessOperation // 工序流转聚合根
{
public void Complete(OperatorId operatorId, decimal weight, decimal quantity)
{
// 业务规则验证
Guard.Against(Status != ProcessStatus.InProgress, "工序未开工不能完工");
Guard.Against(quantity <= 0, "完工数量必须大于0");
// 状态变更
Status = ProcessStatus.Completed;
EndTime = DateTime.Now;
ActualWeight = weight;
ActualQuantity = quantity;
// 发布领域事件 → 由其他Handler响应
AddDomainEvent(new ProcessCompletedEvent(this));
// → QualityInspectionHandler: 触发检验任务
// → WorkshopTransferHandler: 自动生成移出/移入单
// → KanbanNotificationHandler: 推送看板更新
// → ProductionReportHandler: 更新产量统计
}
}
六、关键模块的CQRS拆分
| 模块 |
Command（写操作） |
Query（读操作） |
| 生产执行 |
开工、完工、返工、报废 → 走领域模型+事件 |
在制品查询、看板数据 → Dapper直查+Redis缓存 |
| 质量检验 |
提交检验结果、发起审核 → 走领域模型 |
检验报告查询、SPC数据 → Dapper+时序DB |
| 仓库管理 |
入库、出库、调拨 → 走领域模型+库存聚合 |
库存查询、收发存报表 → Dapper物化视图 |
| 排产计划 |
创建排产、分配机台、制卡 → 走领域模型 |
排产看板、产能统计 → Dapper+缓存 |
七、IoT数据采集架构
冷镦机/搓丝机/热处理炉(PLC/传感器)
│
│ Modbus TCP / OPC-UA
▼
┌──────────────────┐
│ 边缘网关(IoT Edge)│ ← 数据预处理/过滤/缓存
│ .NET Worker/EMQX │
└────────┬─────────┘
│ MQTT
▼
┌──────────────────┐ ┌──────────────────┐
│ 消息中间件 │────→│ 时序数据库 │ ← InfluxDB/TDengine
│ EMQX / RabbitMQ │ │ (原始采集数据) │
└────────┬─────────┘ └──────────────────┘
│
▼
┌──────────────────┐
│ 流处理引擎 │ ← 实时告警/SPC计算/OEE计算
│ 规则引擎 │
└────────┬─────────┘
│ SignalR
▼
看板/预警/APP推送
八、三班倒高强度生产下的设备管理策略
紧固件行业普遍三班倒（甚至两班12小时制），设备利用率75%-90%+，冷镦机和热处理炉基本全年无休。这对设备管理提出极高要求：
八.1 各工序运行强度
| 工序 |
典型排班 |
连续运行原因 |
| 冷镦 |
三班倒 / 两班12h |
启停成本高（预热/调模），连续运转效率最高 |
| 搓丝/滚丝 |
三班倒 |
产能瓶颈，需最大化利用 |
| 热处理 |
24h连续不停炉 |
网带炉升降温耗时耗能，停炉重启成本极高 |
| 表面处理/电镀 |
两班/三班 |
电镀线启停需排液/清洗，连续运行效率高 |
| 筛选/包装 |
两班 |
劳动密集型，强度相对低 |
八.2 高强度运行对设备/模具的影响
| 影响维度 |
具体表现 |
本系统已有能力 |
需补齐能力 |
| 模具寿命缩短 |
冷镦模具寿命3-10万件（高强度件更短），换模频繁 |
TbMjCode.UsedTimes/MaxTimes 跟踪 |
✅ 已有 |
| 设备磨损加速 |
滑块/曲轴/传动轴/搓丝板磨损 |
TbJtByJh(保养计划) |
⚠️ 计划与排产未联动 |
| 保养难执行 |
三班倒下停机保养窗口极少，常"带病运行" |
TbJtBy(保养记录) |
⚠️ 无强制执行/超期预警 |
| 突发故障增多 |
疲劳运行导致故障率上升 |
TbJtWx(维修记录) |
❌ 无预测性维护 |
| 热处理炉体退化 |
连续高温运行导致炉膛/加热元件/网带老化 |
— |
❌ 无温度曲线监控 |
| 润滑不足 |
高频运转下润滑油消耗快 |
— |
❌ 未纳入保养项 |
| 换班交接丢失 |
设备状态/异常信息在换班时丢失 |
TbCzgShift(代班记录) |
❌ 无电子交接班 |
八.3 重构中的设备管理增强方案
高强度生产下的设备管理闭环：
IoT采集(振动/温度/电流/压力)
│
▼
设备健康度评分(AI模型)
│
├──正常──→ 继续生产
│
├──预警──→ 排入下次保养窗口（APS排程联动）
│ └→ 推送通知: "冷镦机#3振动异常，建议48h内保养"
│
└──危险──→ 触发紧急停机工单
└→ APS自动重排受影响订单到其他机台
| 增强功能 |
实现方案 |
与现有系统集成 |
| 保养与排产联动 |
APS排程时将保养窗口作为约束条件 |
TbJtByJh.Xcby(下次保养) → 排程约束 |
| 设备OEE自动计算 |
IoT采集运行/停机/故障时间 → OEE=可用率×性能率×良品率 |
TbFKGY产量数据 + IoT时间数据 |
| 预测性维护 |
振动/温度传感器 + 异常检测模型 |
TbJtWx(历史故障) 作为训练数据 |
| 模具寿命预测 |
基于产品硬度/规格/材质预测模具实际寿命 |
TbMjCode + TbCp产品参数 |
| 电子交接班 |
移动端填写设备状态/异常/待处理事项 |
关联TbCzgShift + 看板展示 |
| 保养超期强制预警 |
超期未保养 → 消息推送 → 工单自动升级 |
TbJtByJh.Xcby < 当前日期 → 告警 |
| 润滑/耗材周期管理 |
按运行时间/件数自动提醒加油/换件 |
TbJtBj(备件) + IoT运行计数器 |
关键洞察：在三班倒环境下，设备管理不能是"事后维修"，必须是"预防+预测"。APS排程引擎应将设备保养窗口、模具剩余寿命作为硬约束纳入排程优化，避免"计划保养让路给生产"的恶性循环。
九、部署架构
| 部署方式 |
适用场景 |
说明 |
| 推荐：Docker + Docker Compose |
中小企业单服务器 |
简单运维，一键部署 |
| 进阶：Kubernetes |
多工厂/大规模 |
弹性伸缩，高可用 |
| 数据库：主从复制 |
读写分离 |
主库写+从库报表查询 |
| CI/CD：GitLab CI / GitHub Actions |
自动化部署 |
代码提交→自动测试→自动部署 |
十、性能基准对比
| 场景 |
当前系统(ADO.NET直连) |
重构后预期 |
提升 |
| 单据保存(入库单) |
~500ms(含临时表) |
~50ms(EF Core批量) |
10x |
| 列表查询(1万条) |
~2s(全表扫描) |
~100ms(索引+缓存) |
20x |
| 看板刷新 |
30s轮询 |
实时推送(SignalR) |
实时 |
| 并发用户 |
~5(全局连接瓶颈) |
500+(连接池+缓存) |
100x |
| 追溯查询 |
~5s(多表JOIN) |
~200ms(ES+物化视图) |
25x |
十一、AI在APS高级排程中的应用
排程是紧固件MES中最复杂的优化问题，AI技术正在深度改变这一领域：
十一.1 AI排程核心技术
| AI技术 |
应用场景 |
成熟度 |
说明 |
| 遗传算法/粒子群 |
多目标优化 |
✅ 成熟 |
同时优化交期达成率、设备利用率、换模次数等互相矛盾的目标 |
| Google OR-Tools |
约束求解 |
✅ 成熟 |
开源免费，处理有限产能+交期+优先级约束，推荐首选方案 |
| 强化学习(RL) |
动态调度 |
⚠️ 半成熟 |
Agent学习最优排程策略，处理实时插单/设备故障等动态场景 |
| 时序预测(Transformer) |
需求预测 |
✅ 成熟 |
基于历史订单预测未来2-4周需求，提前备料/排产 |
| 设备故障预测 |
产能预估 |
⚠️ 半成熟 |
基于IoT数据预测故障概率，排程时自动预留缓冲（依赖数据积累） |
| 大语言模型(LLM) |
自然语言交互 |
🔬 探索中 |
"把A客户订单提前到周五" → 自动转化为约束并重排 |
| 图神经网络(GNN) |
工序依赖建模 |
🔬 探索中 |
将工艺路线建模为有向图，自动学习工序间复杂约束 |
十一.2 紧固件行业AI排程的特殊价值
紧固件排程痛点 → AI解决方案：
├── 换模成本高 → AI学习最优产品排列顺序，相近规格连排减少换模
├── 热处理/电镀常外协 → AI预测外协商交期+产能，联合排程
├── 多品种小批量 → RL动态调度应对频繁切换
├── 材料共用 → AI自动识别可合并排产的订单（相同线材/模具）
└── 交期紧+插单多 → AI实时重排，评估影响并推荐方案
十一.3 推荐落地路径
| 阶段 |
方案 |
预期效果 |
| 第一步：规则+优化算法 |
有限产能排程 + 交期约束 + Google OR-Tools求解 |
替代手动排产，立即见效 |
| 第二步：+预测 |
历史数据训练加工时间预测模型 + 需求预测 |
排程准确度提升30%+ |
| 第三步：+强化学习 |
RL Agent处理动态插单/设备故障/外协延迟 |
应对不确定性能力大幅提升 |
| 第四步：+IoT联动 |
设备实时状态 + 故障预测 → 排程自动调整 |
真正的智能排程闭环 |
务实建议：用 Google OR-Tools（开源免费）+ 基于规则的约束求解就能解决80%的排程问题。AI强化学习适合数据积累充足、基础排程跑顺之后再引入。
十二、车间物流自动化方案
紧固件行业工序间半成品、成品流转普遍依赖人工搬运（桶装为主），这是制约整体效率的关键瓶颈。
十二.1 人工搬送的效率影响
直接损失
| 影响维度 |
具体表现 |
典型损失 |
| 搬运等待 |
冷镦完成后等搬运工来送到搓丝，经常半桶就停机等 |
设备等待率5%-15% |
| WIP堆积 |
车间到处是桶，找料难、混料风险高 |
在制品周转天数3-7天 |
| 人力成本 |
每个车间2-4个搬运工，三班倒就是6-12人 |
年薪酬60-120万 |
| 质量风险 |
桶装倒运碰伤（电镀件/精密件表面磕碰）、混批 |
不良率增加0.5%-2% |
| 追溯断链 |
桶上手写标签易丢失/看错，MES扫码流转断裂 |
追溯失败率10%-30% |
| 场地浪费 |
大量桶/筐占用车间通道面积 |
车间面积利用率低15%-20% |
| 安全隐患 |
重桶（一桶螺栓50-200kg）搬运伤腰、叉车撞人 |
工伤事故隐患 |
隐性损失（更致命）
- 产能瓶颈错觉：以为是设备不够，实际是物流跟不上导致设备空转
- 排程失效：APS排好的计划，因搬运延迟被打乱
- 三班倒夜班更严重：夜班搬运工少、疲劳，物料流转更慢
十二.2 自动化物流方案（从低到高）
第一层：低成本改善（投资5-30万）
| 方案 |
适用场景 |
投资 |
效果 |
| 标准料箱+重力滚筒线 |
工序间距<15m |
3-8万/条 |
消除搬运等待，靠重力滑行 |
| 电动地牛+标准料车 |
跨车间运输 |
2-5万/台 |
替代人力搬运，一人管多条线 |
| 料箱RFID标签 |
全流程 |
1-3万 |
每箱绑定RFID，经过读写器自动报工 |
| 固定路线磁条AGV |
固定路线长距离 |
8-15万/台 |
最简单的AGV，沿地面磁条行走 |
| 看板拉动+灯塔呼叫 |
工序间 |
1-2万 |
下游按钮呼叫→搬运工按灯响应 |
性价比最高组合：标准料箱 + 重力滚筒 + RFID，投资<15万，可解决60%问题。
第二层：中等自动化（投资50-200万）
| 方案 |
适用场景 |
投资 |
效果 |
| 二维码导航AGV小车 |
车间内多点配送 |
15-25万/台（含调度系统） |
自动按任务送料，3台AGV替代6-8个搬运工 |
| 链式/皮带输送线 |
固定工序间连续流转 |
10-30万/条 |
冷镦→清洗→搓丝直连，零等待 |
| 自动称重+计数分桶 |
冷镦出料端 |
5-10万/套 |
自动按重量分桶+贴标，替代人工数数 |
| 自动提升机+料仓 |
热处理进出炉 |
15-40万 |
自动上料→进炉→出炉→接料 |
| WMS货位管理 |
半成品暂存区 |
软件10-20万 |
半成品"有地址"，不再满地找料 |
推荐组合：AGV(2-3台) + 关键工序输送线 + WMS，投资100-150万，搬运人力减半，WIP降50%。
第三层：高度自动化（投资300万+）
| 方案 |
适用场景 |
投资 |
效果 |
| RGV(有轨穿梭车) |
热处理线/电镀线 |
30-80万/台 |
在固定轨道高速穿梭，适合重载 |
| 立体料仓(mini AS/RS) |
半成品暂存 |
80-200万 |
自动存取，桶/箱自动入库出库 |
| 全自动连线(冷镦→搓丝→热处理) |
大批量标准件 |
200-500万/线 |
全流程无人化，工序间自动接驳 |
| AMR(自主移动机器人) |
复杂车间环境 |
20-40万/台 |
无需改造地面，自主避障导航 |
| 数字孪生+调度 |
全厂物流 |
50-100万 |
仿真优化AGV路径/数量/调度策略 |
十二.3 紧固件行业特殊挑战
紧固件不是芯片，物流自动化有行业特殊难点：
| 挑战 |
原因 |
应对 |
| 重 |
一桶螺栓50-200kg，AGV载重要求高 |
选重载AGV(500kg+)或RGV |
| 脏/油 |
冷镦件带油，热处理后带氧化皮 |
料箱要防油防尘，输送线要耐脏 |
| 品种多批量杂 |
同时几十个规格在制，频繁换型 |
RFID/条码必须到每箱，WMS调度 |
| 车间布局老旧 |
多数工厂非新建，通道窄、地面不平 |
AMR优于AGV（不需改地面），或分段输送线 |
| 预算敏感 |
紧固件利润薄（毛利10%-25%） |
分阶段投入，先解决最痛瓶颈 |
十二.4 推荐分阶段实施路径
阶段一（3个月，投资<20万）：
标准料箱统一 + RFID标签 + MES扫码报工
→ 解决：追溯断链、混批风险
→ 搬运工工作不变，但信息流打通
阶段二（6个月，投资50-80万）：
关键瓶颈工序间加重力滚筒/短输送线
+ 半成品区WMS货位管理
→ 解决：瓶颈工序等待、找料难
→ 减少搬运工2-3人
阶段三（12个月，投资100-150万）：
2-3台AGV/AMR覆盖主要路线
+ 自动称重计数
→ 解决：跨车间搬运、人工计数
→ 搬运工减至1-2人/班（仅处理异常）
阶段四（18-24个月，按需）：
热处理自动上下料 / 立体料仓
→ 按ROI逐步投入
十二.5 投资回报估算
| 项目 |
当前成本(年) |
自动化后 |
节省 |
| 搬运人力(10人×8万) |
80万 |
2人×8万=16万 |
64万/年 |
| 设备等待损失(10%产能) |
按年产值5000万估=500万 |
降至2% = 100万 |
400万/年 |
| 碰伤/混批损失 |
50万 |
降80% = 10万 |
40万/年 |
| 合计节省 |
|
|
~500万/年 |
| 总投资（阶段1-3） |
|
|
~200万 |
| 回收期 |
|
|
~5个月 |
十二.6 与MES系统的集成
自动化物流必须与MES深度集成才能发挥价值：
| MES功能 |
与物流集成点 |
| 工单派发 |
MES下发工单 → WMS准备物料 → AGV自动配送到机台 |
| 报工 |
RFID过读写器 → 自动报工（替代手工扫码） |
| 质检 |
抽检指令 → AGV送样到检验室 → 结果回传放行 |
| 追溯 |
每箱RFID全程记录：哪台机、哪个模具、谁操作、何时流转 |
| APS排程 |
排程考虑AGV运力/输送线节拍作为约束 |
| 看板 |
实时显示每箱位置、各工序WIP量、AGV状态 |
十三、数字孪生在紧固件工厂中的应用方案
数字孪生(Digital Twin)是将物理工厂1:1映射为虚拟模型，通过实时数据驱动实现监控、仿真、预测和优化的技术体系。对紧固件行业而言，数字孪生是从"经验管理"迈向"数据驱动"的关键跨越。
十三.1 紧固件工厂数字孪生架构
┌─────────────────────────────────────────────────────────────────┐
│ 数字孪生展示层 │
│ ┌───────────┐ ┌───────────┐ ┌──────────┐ ┌──────────────┐ │
│ │ 3D工厂全景 │ │ 设备仪表盘 │ │ 物流地图 │ │ 仿真推演面板 │ │
│ │WebGL/Unity │ │ Grafana │ │ 2D/3D │ │ What-If分析 │ │
│ └─────┬─────┘ └─────┬─────┘ └────┬─────┘ └──────┬───────┘ │
├────────┴──────────────┴─────────────┴───────────────┴──────────┤
│ 数字孪生引擎层 │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ 孪生模型管理平台 │ │
│ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │
│ │ │设备模型 │ │工艺模型 │ │物流模型 │ │能耗模型 │ │ │
│ │ │(冷镦机/ │ │(温度曲线/ │ │(AGV路径/ │ │(电/气/水 │ │ │
│ │ │ 搓丝机) │ │ 压力/速度)│ │ 物料流) │ │ 单位能耗) │ │ │
│ │ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │ │
│ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │
│ │ │产线模型 │ │质量模型 │ │排程仿真 │ │ │
│ │ │(工序连接/ │ │(CPK/SPC │ │(产能/瓶颈 │ │ │
│ │ │ 节拍平衡) │ │ 趋势预测)│ │ 模拟) │ │ │
│ │ └──────────┘ └──────────┘ └──────────┘ │ │
│ └─────────────────────────────────────────────────────────┘ │
├─────────────────────────────────────────────────────────────────┤
│ 数据接入层 │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ IoT传感器 │ │ MES系统 │ │ APS排程 │ │ ERP/WMS │ │
│ │(OPC-UA/ │ │(工单/质量 │ │(计划/产能 │ │(订单/库存 │ │
│ │ MQTT) │ │ /追溯) │ │ /约束) │ │ /物料) │ │
│ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │
└─────────────────────────────────────────────────────────────────┘
十三.2 紧固件工厂数字孪生的核心应用场景
| 应用场景 |
孪生对象 |
业务价值 |
技术实现 |
| 设备实时监控 |
冷镦机/搓丝机/热处理炉 |
3D可视化每台设备运行状态(转速/温度/振动)，替代巡检 |
IoT→时序DB→3D模型驱动 |
| 模具磨损预测 |
模具3D模型 |
基于冲压次数+材质硬度预测磨损曲线，预警换模时间 |
TbMjCode数据+FEM仿真 |
| 热处理炉温仿真 |
网带炉内部温场 |
模拟炉内不同区域温度分布，优化装炉方式和工艺参数 |
CFD热仿真+温度传感器校正 |
| 物流路径优化 |
AGV/搬运动线 |
模拟不同AGV数量/路线的效率，找到最优配置 |
离散事件仿真(AnyLogic/FlexSim) |
| 产线节拍平衡 |
冷镦→搓丝→热处理→电镀产线 |
找出瓶颈工序，仿真不同机台配置方案 |
产线仿真+APS约束模型 |
| 排程方案推演 |
排程计划 |
新订单插入前，孪生体先模拟影响，预览交期变化 |
APS+数字孪生联动(What-If) |
| 能耗优化 |
全厂能耗模型 |
监控各工序单位能耗，找出异常高耗点 |
电表/气表IoT+能耗建模 |
| 新产品工艺验证 |
工艺路线 |
新产品试产前先在虚拟产线上跑一遍，评估可行性 |
工艺模型+产能仿真 |
十三.3 分阶段落地方案
第一阶段：2D数字看板（投资10-30万，3-6个月）
最务实的起步，用2D车间平面图+实时数据：
┌────────────────────────────────────────────────┐
│ 车间2D数字看板（Web大屏） │
│ │
│ [冷镦区] [搓丝区] │
│ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ │
│ │🟢│ │🟡│ │🔴│ │🟢│ │🟢│ │
│ │#1│ │#2│ │#3│ │#1│ │#2│ │
│ │85│ │72│ │停│ │90│ │88│ │
│ │% │ │% │ │机│ │% │ │% │ │
│ └──┘ └──┘ └──┘ └──┘ └──┘ │
│ │
│ [热处理区] [电镀区] │
│ ┌────────┐ ┌────────┐ ┌──────────┐ │
│ │ 1#炉 │ │ 2#炉 │ │ 电镀线1 │ │
│ │ 860°C │ │ 845°C │ │ 运行中 │ │
│ │ 正常✅ │ │ 偏低⚠️ │ │ pH:4.2 │ │
│ └────────┘ └────────┘ └──────────┘ │
│ │
│ WIP: 冷镦后待搓丝 12桶 | 搓丝后待热处理 8桶 │
│ 今日产量: 冷镦 45.2万件 | 搓丝 38.6万件 │
│ 设备OEE: 冷镦 78% | 搓丝 82% | 热处理 91% │
└────────────────────────────────────────────────┘
| 实现要素 |
方案 |
说明 |
| 车间布局 |
SVG/Canvas绘制2D平面图 |
标注每台设备位置 |
| 设备状态 |
MES工单状态 + IoT信号(有/无) |
🟢运行 🟡待料 🔴故障 ⚪停机 |
| 实时数据 |
SignalR推送 |
产量/温度/OEE每分钟刷新 |
| WIP监控 |
MES工序流转数据 |
各工序间在制品桶数 |
| 技术栈 |
Vue3 + ECharts + SVG |
低成本，开发快 |
第二阶段：3D可视化工厂（投资30-80万，6-12个月）
| 实现要素 |
方案 |
说明 |
| 3D建模 |
Blender/3ds Max建模 → glTF格式导出 |
设备/厂房/料箱3D模型 |
| 渲染引擎 |
Three.js / Babylon.js (Web端) |
浏览器内3D渲染，无需安装 |
| 或 Unity WebGL |
更复杂的交互和动画 |
适合大型工厂 |
| 数据驱动 |
REST API + WebSocket |
3D模型绑定实时数据点 |
| 交互 |
点击设备→弹出详情面板(OEE/温度/振动曲线) |
替代传统SCADA |
| 物料流动画 |
粒子/路径动画显示物料流向 |
直观看到物流瓶颈 |
第三阶段：仿真推演引擎（投资80-200万，12-24个月）
| 能力 |
实现方案 |
紧固件场景 |
| 离散事件仿真 |
AnyLogic / FlexSim / 自研(SimPy) |
模拟全线产能，找瓶颈 |
| What-If分析 |
孪生体+APS联动 |
"如果冷镦机#3停机，交期影响多大？" |
| 换模方案评估 |
模具+设备+排程联合仿真 |
"先做A产品再做B，换模成本 vs 先B后A？" |
| AGV路径优化 |
物流仿真+路径规划 |
"3台AGV够不够？加1台收益如何？" |
| 新产线规划 |
产线布局仿真 |
"新增一条冷镦线放哪里？产能提升多少？" |
十三.4 与MES/APS的集成架构
MES系统
│
┌─────────────┼─────────────┐
▼ ▼ ▼
工单/追溯 质量/检验 设备/模具
│ │ │
└──────┬──────┘ │
│ │
▼ ▼
┌──────────────┐ ┌──────────────┐
│ 孪生数据总线 │←──│ IoT数据平台 │
│ (事件驱动) │ │ (时序数据) │
└──────┬───────┘ └──────────────┘
│
┌──────────┼──────────┐
▼ ▼ ▼
┌────────┐ ┌────────┐ ┌────────┐
│实时监控 │ │仿真推演 │ │AI预测 │
│(3D/2D) │ │(What-If)│ │(故障/ │
│ │ │ │ │ 质量) │
└────────┘ └────────┘ └────────┘
│ │ │
└──────────┼──────────┘
▼
反馈→MES/APS调整
(闭环优化)
| 集成点 |
数据流向 |
说明 |
| MES→孪生 |
工单状态、工序流转、质量结果 |
驱动孪生体实时状态更新 |
| IoT→孪生 |
温度/压力/振动/电流/转速 |
驱动设备模型运行参数 |
| 孪生→APS |
仿真结果(瓶颈/产能/交期预测) |
APS排程方案评估和优化 |
| 孪生→MES |
预警/异常检测结果 |
触发MES工单或质量异常处理 |
| APS→孪生 |
排程计划 |
孪生体模拟排程执行效果(What-If) |
十三.5 紧固件行业数字孪生的特殊价值
| 场景 |
传统方式 |
数字孪生方式 |
价值 |
| 热处理工艺优化 |
靠老师傅经验调温度 |
炉内温场仿真+实测校正，精确控温 |
热处理不良率降30%+ |
| 换模决策 |
拍脑袋决定生产顺序 |
仿真不同排列组合的换模总时间 |
换模时间降20%-40% |
| 新品试产评估 |
实际试产浪费材料/机时 |
虚拟试产评估工艺可行性 |
试产成本降50% |
| 设备故障影响评估 |
故障后手动重排 |
实时仿真故障影响范围和恢复方案 |
故障响应速度提升5倍 |
| 产能规划 |
Excel估算 |
全线仿真不同产能配置方案 |
投资决策准确率提升 |
| 客户交期承诺 |
粗略估算 |
即时仿真当前产线负载+新订单 |
交期准确率提升至95%+ |
十三.6 推荐技术选型
| 层次 |
推荐方案 |
说明 |
| 3D建模 |
Blender(免费) + glTF标准格式 |
设备/厂房建模，glTF是Web3D标准 |
| Web 3D引擎 |
Three.js(轻量) / Babylon.js(功能强) |
浏览器端3D渲染，无需安装客户端 |
| 2D看板 |
Vue3 + ECharts + D3.js |
快速开发2D数字看板 |
| 仿真引擎 |
AnyLogic(商业) / SimPy(开源Python) |
离散事件仿真 |
| 物联网平台 |
EMQX(MQTT Broker) + TDengine(时序DB) |
国产开源，性能优异 |
| 孪生平台 |
自研(推荐) / ThingJS / 优锘科技 |
紧固件场景定制化高，建议自研核心 |
| AI分析 |
Python (scikit-learn / PyTorch) + .NET集成 |
预测模型训练和推理 |
十三.7 投资与回报
| 阶段 |
投资 |
核心产出 |
预期收益 |
| 第一阶段(2D看板) |
10-30万 |
实时可视化、WIP监控、OEE看板 |
管理效率提升，问题发现提速 |
| 第二阶段(3D可视化) |
30-80万 |
3D工厂漫游、设备详情交互 |
替代巡检，远程监控，展示价值 |
| 第三阶段(仿真推演) |
80-200万 |
What-If分析、产能仿真、排程推演 |
决策质量提升，投资回报可量化 |
| 总计 |
120-310万 |
从可视化到智能决策 |
ROI预估2-3年回本 |
务实建议：从第一阶段(2D看板)起步，这是投入最小、见效最快的方案。用Vue3+ECharts+SVG绘制车间平面图，接入MES工单数据和少量IoT数据（如热处理炉温度），即可呈现出"数字工厂"的雏形。3D可视化可作为后续升级方向，仿真推演等到数据积累充分、基础设施完善后再投入。
