CN112131782A - 一种多回路智能工厂边缘侧数字孪生场景耦合装置 - Google Patents
一种多回路智能工厂边缘侧数字孪生场景耦合装置 Download PDFInfo
- Publication number
- CN112131782A CN112131782A CN202010881839.6A CN202010881839A CN112131782A CN 112131782 A CN112131782 A CN 112131782A CN 202010881839 A CN202010881839 A CN 202010881839A CN 112131782 A CN112131782 A CN 112131782A
- Authority
- CN
- China
- Prior art keywords
- scene
- production
- simulation
- module
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000008878 coupling Effects 0.000 title claims abstract description 30
- 238000010168 coupling process Methods 0.000 title claims abstract description 30
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 30
- 238000004519 manufacturing process Methods 0.000 claims abstract description 127
- 238000004088 simulation Methods 0.000 claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 12
- 239000000463 material Substances 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 16
- 239000002994 raw material Substances 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000011160 research Methods 0.000 abstract description 4
- 238000002474 experimental method Methods 0.000 abstract description 2
- 230000003068 static effect Effects 0.000 description 7
- 238000010606 normalization Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000009776 industrial production Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 239000003921 oil Substances 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007670 refining Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 239000010779 crude oil Substances 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 241000039077 Copula Species 0.000 description 2
- 241000221696 Sclerotinia sclerotiorum Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 150000004945 aromatic hydrocarbons Chemical class 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000002283 diesel fuel Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 238000005984 hydrogenation reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000003350 kerosene Substances 0.000 description 1
- 239000003915 liquefied petroleum gas Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- -1 naphtha Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011958 production data acquisition Methods 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多回路智能工厂边缘侧数字孪生场景耦合装置，包括构成多个回路的产线边缘侧数字孪生***的虚拟空间和物理空间、决策支持工具、数字化工具、在线动态场景数据库；所述的虚拟空间包括基于Wasserstein生成对抗网络的Conditional WGAN动态场景发生方法、场景发生器、仿真模型；所述的物理空间包括物理***；所述的回路包括：数字孪生仿真决策回路、场景仿真回路、动态场景发生回路。该耦合装置可以作为一项服务嵌入至智能工厂边缘侧智能算法***用于数字孪生生产场景的耦合生成，亦可为其他实验与研究提供可靠的原始数据及训练样本，进行针对性研究。
Description
技术领域
本发明涉及智能工厂产线边缘侧数字孪生领域，尤其涉及一种多回路智能工厂边缘侧数字孪生场景耦合装置。
背景技术
在工业4.0和智能工厂的大背景下，生产企业希望通过利用数字孪生技术来模拟并分析工业生产过程中的数据并实现故障预警和工艺参数的优化。随着重大工程自动化控制***技术装备体系以及通信标准体系的逐步完善，现代数字化工厂能够在生产过程中通过数据采集与监视控制***(Supervisory Control And Data Acquisition，SCADA)、人机接口(Human Machine Interface，HMI)等记录海量的生产数据。
任何数据的采集和传输都是昂贵的，尽管信息电子技术的发展催生了一大批智能化、高精度的微型传感器的出现，物联网技术、工业互联网技术以及边缘侧计算的发展增加了数据传递的规模降低了数据传输的成本，但在有限时间和有限资源下的数据采集仍旧是困扰工业界的巨大难题。
在实际生产数据采集过程中，需要根据不同类型的数据来对生产过程中出现的状况进行分析，并通过仿真来验证优化后场景的具体结果，从而提高实际生产过程的效益以及降低生产过程中带来的故障。其中静态场景样本可以很好地模拟生产过程中场景特性的分布特性及耦合特性，动态场景样本直观展现了场景变量随时间的变化，记录了时间分布规律。
公开号为CN110471279A的中国专利文献公开了一种基于vine-copulas的工业生产静态场景发生方法，包括如下步骤：从初始场景数据库模块采集已有的场景数据，经场景聚类模块、特征标准化模块和特征降维模块等预处理，通过模型拟合模块、优度检验模块和二元copula模型库模块采用vine copula方法构建场景发生模型，再利用场景采样模块和反映射模块产生所需要的场景。
肖静华在文献“智能制造、数字孪生与战略场景建模”(北京交通大学学报(社会科学版)2019第18卷第2期，69～77页)中，指出在数字孪生中，场景的构建可以较方便地模拟或重构企业战略决策的复杂推演过程，从而丰富和深化对企业战略进程的全面性和不确定性的认知。
公开号为CN111027195A的中国专利文献公开了一种面向智能驾驶领域的仿真场景生成方法，包括如下步骤：获取采集装置在预设场景中采集的多个时刻的传感数据，预设场景中包括至少一个障碍物；将传感数据转换为结构化数据，结构化数据包括各障碍物的轨迹信息，一个障碍物的轨迹信息包括该障碍物在每个时刻的运行状态信息；对结构化数据中的至少一个障碍物的轨迹信息进行调整，得到仿真场景对应的结构化数据。
公开号为CN110998663A的中国专利文献公开了一种仿真场景的图像生成方法，包括如下步骤：获取场景白模的语义分割信息和实例分割信息；接收场景白模的实例文本信息；实例文本信息为可编辑的信息，且用于描述实例的属性；基于语义分割信息、实例分割信息、实例文本信息和预先训练的生成对抗网络，生成仿真场景的图像。
公开号为CN111190689A的中国专利文献公开了一种数字孪生***仿真方法及装置。该方法包括：获取数字孪生***中至少两个待仿真事件；确定互异概率保证值；基于所述互异概率保证值为所述至少两个待仿真事件分配仿真优先级；以及基于所述仿真优先级对所述至少两个待仿真事件进行仿真以生成仿真结果。
综上可知，目前针对工业领域的包含多种场景生成及仿真的工业生产数字孪生场景耦合装置的应用还存在诸如仿真场景单一、场景发生数据种类单一、多场景数据存在数据孤岛无法耦合协同等问题，无法满足智能制造生产模式下工业场景数字孪生对于多源异构场景数据的协同仿真需求。，如何合理有效通过场景生成来进行数字孪生场景耦合是亟需解决的问题。
发明内容
本发明提供了一种多回路智能工厂边缘侧数字孪生场景耦合装置，该耦合装置可以作为一项服务嵌入至智能工厂边缘侧智能算法***用于数字孪生生产场景的耦合生成，亦可为其他实验与研究提供可靠的原始数据及训练样本，进行针对性研究。
本发明的具体技术方案如下：
一种多回路智能工厂边缘侧数字孪生场景耦合装置，包括构成多个回路的产线边缘侧数字孪生***的虚拟空间和物理空间、决策支持工具、数字化工具、在线动态场景数据库；所述的虚拟空间包括基于Wasserstein生成对抗网络的Conditional WGAN动态场景发生方法、场景发生器、仿真模型；所述的物理空间包括物理***；
所述的回路包括：
数字孪生仿真决策回路，连接产线边缘侧数字孪生***的虚拟空间和物理空间，使其形成互相耦合映射关系；
场景仿真回路，收集物理空间的实际生产数据或虚拟空间的仿真数据，通过场景发生器，辅助用户进行仿真场景的配置，快速生成物理生产场景的仿真样本；
动态场景发生回路，采用动态场景发生方法对场景数据库中场景数据进行学习，为场景发生器提供符合历史场景样本统计规律的动态虚拟场景，扩充在线动态场景数据库。
数字孪生仿真决策回路为第一回路：在虚拟空间中，不同场景仿真的结果通过决策支持工具快速生成决策变量，作用于物理***；物理***的信息通过数字化工具，如传感器网络、RFID、虚拟现实设备等，形成数字孪生场景数字资源，存放在在线动态场景数据库中，用于动态虚拟场景的生成和仿真模型的优化。
场景仿真回路为第二回路。
动态场景发生回路其核心是一种基于Wasserstein生成对抗网络的ConditionalWGAN动态场景发生方法，是动态场景发生器的支持回路，为边缘侧智能计算提供大量的动态虚拟场景样本，构成装置的第三回路。
根据仿真模型的仿真结果形成调度方案；决策支持工具根据调度方案构建生产指令并发布到物理***；物理***根据生产指令进行生产，将产生的生产数据采集到在线动态场景数据库中；将在线动态场景数据库中的生产数据发生给仿真模块进行仿真，构成数字孪生仿真决策回路。
所述的数字孪生仿真决策回路中包括故障监测模块、生产统计模块、再调度模块、指令下达模块、计划调度优化模块以及在线动态场景数据库；
故障监测模块从PCS层接口接受实际生产执行数据和状态数据，监测生产是否偏离预期以通过再调度模块调整生产并下达再调度指令；生产统计模块对生产结果以及生产效率进行记录，通过计划调度优化模块调整调度方案；指令下达模块根据再调度指令和调整后的调度方案下达生产指令；同时，故障监测模块和生产统计模块将监测统计结果上传至在先动态场景数据库中。
场景发生器根据在线动态场景数据库中的参数配置(如库存情况、订单情况和产率模型)建立场景模型，仿真模型根据场景模型进行排产计算，获得调度方案；调度方案回传至在线动态场景数据库中，构成场景仿真回路。
所述的场景模型以调度周期为时间单位；所述的场景模型为：
其中，wvu，n为二元变量，表示生产单元u在事件点n是否进行了生产；bu，n表示事件点n开始到结束的时间范围内装置u的物料总承接量；sts，n表示物料s在事件点n的结束时的库存；Tsu，n，Tfu，n分别表示事件点n时单元u中生产任务的开始时间和结束时间；
表示产物s在调度周期t结束时的库存；optt表示优化目标，即整体生产成本；
表示物料s在调度周期t的初始库存；rhopu，s表示物料s在单元u产物中的物料占比；rhocu，s表示物料s在单元u原料中的物料占比；
表示产物s在调度周期t的需求缺口。
在场景模型中，
为输入，在仿真***中属于排产调度环节输入的待配置静态参数；
optt为输出，在仿真***中属于排产调度环节输出的第t调度周期的调度结果。
所述的仿真模型通过CPLEX求解器求解计划调度混合正数线性优化(MILP)问题来进行优化仿真，将得生产排产的调度方案。
所述的场景仿真回路中包括场景发生器、参数配置模块、计划调度优化仿真模块、生产过程仿真模块、再调度模块、生产统计模块以及在线动态场景数据库；
从在线动态场景数据库中提取预处理后的数据到场景发生器中，根据所要应对的场景需求通过参数配置模块配置参数，根据配置的参数通过计划调度优化模块对调度方案进行优化，生产过程仿真模块根据调度方案进行生产仿真，并通过再调度模块和生产统计模块对仿真过程进行干预；再调度模块产生的再调度指令以及生产统计模块记录的生产过程数据回传至在线动态场景数据库中。
动态场景发生回路中包括场景发生器和在线动态场景数据库；所述的场景发生器包括基于白噪声的场景生成器以及用于训练场景生成器的对抗性分辨器；所述场景发生器采用基于Wasserstein生成对抗网络的Conditional WGAN动态场景发生方法生成场景模拟样本。
基于Wasserstein生成对抗网络的Conditional WGAN动态场景发生方法，包括以下步骤：
通过对实际生产场景以及历史场景数据中的时间序列场景数据进行采集，构建真实场景样本数据库；
(2)通过在网络的输入层与隐藏层中加入样本的标签信息，构建基于Wasserstein生成对抗网络的Conditional WGAN动态场景发生模型；
(3)基于零和博弈思想，从真实场景样本数据库中选取真实场景样本数据作为训练集数据，对Conditional WGAN动态场景发生模型进行训练，不断校正模型，从而得到场景发生器；
(4)根据所述的场景发生器，生成包含真实场景特征的时间序列动态场景样本数据。
所述的时间序列动态场景样本数据中，需要包含训练集数据中所包含的不同特征，数据的特征需要呈现一致性，但数据的场景表现要呈现多样性。
步骤(1)中，所述的时间序列场景数据包含场景特征和对应的时间；所述的场景特征包括设备参数、库存数据。
步骤(2)中，在构建基于Wasserstein生成对抗网络的ConditionalWGAN动态场景发生模型时：
(a)设定生成器网络学习率αg(αg∈(0，0.1]，默认值为0.001)，分辨器网络学习率αd(αd∈(0，0.1]，默认值为0.001)，单次训练选取的样本数(batch size)m(m∈[10％M，20％M]，M为样本总数)，分辨器网络与生成器网络的迭代次数比ncritic(ncritic∈[2，20]，默认值为5)，令Lipschitz常数K＝1，并设定梯度惩罚权重λ(λ∈[0，1))，以及Adam学习器参数β1，β2(β1，β2∈[0，1))；
(b)在设定好参数后，对生成器网络G(·；ωG)和分辨器网络D(·；ωD)进行初始化操作，其中，生成器网络G(·；ωG)和分辨器网络D(·；ωD)均是由全连接层、卷积层、反卷积层构成的多层网络；两个网络的激活单元分别采用整流线性单元(Rectified LinearUnits，ReLU)和漏型整流线性单元(Leaky Rectified Linear Units，LReLU)。
步骤(3)中，采用从真实场景样本数据库中选取的真实场景样本数据对Conditional WGAN动态场景发生模型进行训练，包括以下步骤：
(3-1)从真实场景样本数据中随机抽取m条数据
其中PX为真实场景所记录下来的难以建模的未知分布，{x，y}为样本对；
(3-2)从高斯分布中随机采样m条噪声样本数据
其中PZ为高斯分布，{z,y}为样本对；
(3-3)设置梯度惩罚项以使分辨器网络满足Lipschitz连续；
(3-3-1)从[0，1]均匀分布中采样一个随机数ε；
(3-3-2)构造插值样本
其中，x和z分别为遵循PX和PZ分布的样本；
(3-3-3)构造梯度惩罚项
其中
为
与
的Wasserstein距离；
(3-4)更新分辨器网络参数ω(D)；
(3-5)重复(3-1)～(3-4)ncritic次；
(3-6)从高斯分布中随机采样m条噪声样本数据
(3-7)更新生成器网络参数ω(G)；
(3-8)重复(3-1)～(3-7)直到参数ω(D)收敛。
为使分辨器网络满足Lipschitz连续条件，步骤(3-3)和(3-4)在分辨器网络的损失函数中加入梯度惩罚项，相较于原生WGAN所采用的对分辨器网络参数进行裁剪以满足Lipschitz条件，本发明的方法能够避免分辨器网络参数二值化而造成的梯度消失现象，并能够显著提高网络的训练速度。
步骤(3-3)和(3-5)中，采用了自适应的Adam优化算法迭代更新网络权重，它能够通过计算梯度的一阶和二阶矩估计自动调节学习速率。所述的场景生成器和对抗性分辨器采用Xavier初始化法进行初始化。
为了进一步提高训练的稳定性，分别在生成器网络和对抗性分辨器网络的隐藏层之前采用Layer Normalization和Batch Normalization以标准化隐藏层的输入数据。
分辨器网络与生成器网络的迭代次数比ncritic设置为5，每5次分辨器网络参数更新后，生成器网络参数更新一次，并且为了使初始化后的分辨器网络得到充分训练，在分辨器网络参数更新25次之后，生成器网络才进行首次更新。
与现有技术相比，本发明的有益效果为：
本发明针对工业领域中的大规模复杂场景，可以根据场景的不同特性和不同时空对多场景来进行静态、动态耦合场景生成，从而满足现阶段工业生产企业对场景仿真的应用模式和智能制造时代制造企业的感知、分析、决策和执行集成的需求。在动态场景发生回路方面，不同于传统的时间序列预测方法，本发明所包含的方法可以提供场景更多的样本独立性以及样本多样性，并在此基础上通过场景耦合装置进行多源异构场景数据的耦合协同，从而可以满足工业领域中出现的各式各样纷繁复杂的耦合场景。
附图说明
图1为多回路智能工厂边缘侧数字孪生场景耦合装置的结构示意图；
图2为某石化企业的综合生产线生产流程示意图；
图3为数字孪生仿真决策回路的实现流程示意图；
图4为场景仿真回路的实现流程示意图；
图5为动态场景发生回路的实现流程示意图；
图6为基于Conditional WGAN的动态场景发生方法模型训练流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
如图1所示，本发明的一种多回路智能工厂边缘侧数字孪生场景耦合装置，包含以下回路：
1.数字孪生仿真决策回路，连接产线边缘侧数字孪生***的虚拟空间和物理空间，使其形成互相耦合映射关系，构成装置的第一回路。在虚拟空间中，不同场景仿真的结果通过决策工具快速生成决策变量，作用于物理***。物理***的信息通过数字化工具，如传感器网络、RFID、虚拟现实设备等，形成数字孪生场景数字资源，存放在在线动态场景数据库中，用于场景的生成和模型的优化。
2.场景仿真回路，收集实际生产数据或仿真数据，通过虚拟空间的场景发生器，辅助用户进行仿真场景的配置，快速生成物理生产场景的仿真样本。构成装置的第二回路。
3.动态场景发生回路，其核心是一种基于Wasserstein生成对抗网络的Conditional WGAN动态场景发生方法，是动态场景发生器的支持回路。场景发生方法通过在线动态场景数据库中场景数据的学习，为场景发生器提供符合历史场景样本统计规律的动态虚拟场景，扩充在线动态场景数据库。为边缘侧智能计算提供大量的动态场景样本，构成装置的第三回路。
本实施例以某石化企业的综合生产线流程为原型，流程图如图2所示，基于生产调度工作流对所述多回路智能工厂边缘侧数字孪生场景耦合装置进行回路流程描述。此石化企业生产线以原油为主要原料，经原料预处理、加氢精制、常一线加氢、延迟焦化、加氢异构、产品精制、连续重整、芳烃抽提、尾油预分流等九个生产单元深加工，生产饱和液化石油气、石脑油、柴油、汽油、煤油、芳烃等多种炼化产物，部分供给企业中的乙烯分公司作为生产原料，其余用作外销。
第一回路主要包含了从仿真模型开始，根据仿真结果，从而形成一些调度方案，决策支持工具根据这些调度方案来构建生产指令并发布到物理***中。物理***在根据指令进行生产的过程中，会将生产数据等通过数据采集工具采集到场景数据库中，并再将这些数据通过一些方式重新发送到仿真模块，以进行进一步的优化调度方案制定。
其实施例的具体过程可以参考图3，计划调度仿真模块再根据场景数据库中的参数配置(如库存情况、订单情况和产率模型)进行场景模型scet的建立并基于此来进行排产的计算。此模型是以调度周期为时间单位的场景模型：
其中，wvu，n为二元变量，表示生产单元u在事件点n是否进行了生产；bu，n表示事件点n开始到结束的时间范围内装置u的物料总承接量；sts，n表示物料s在事件点n的结束时的库存；Tsu，n，Tfu，n分别表示事件点n时单元u中生产任务的开始时间和结束时间；
表示产物s在调度周期t结束时的库存；optt表示优化目标，即整体生产成本；
表示物料s在调度周期t的初始库存；rhopu，s表示物料s在单元u产物中的物料占比；rhocu，s表示物料s在单元u原料中的物料占比；
表示产物s在调度周期t的需求缺口。
这个模型中，
为调度模型的输入，在仿真***中属于排产调度环节输入的待配置静态参数；
optt为调度模型输出，在仿真***中属于排产调度环节输出的第t调度周期的调度结果。
通过CPLEX求解器求解计划调度混合正数线性优化(MILP)问题来进行优化仿真后，将得出的生产排产调度方案(调度周期设定为24小时)传到指令下达模块，指令下达模块主要是对排产方案进行分解。由于在排产调度阶段采用了基于批处理的建模方法，调度方案给定了在
到
的时间段内生产单元u的总加工量bu，n，通过产率模型
可以得到生产单元各侧线在
到
的总流量。为驱动在单位时间上的推进以配合PCS层级的动态过程，可以将各侧线的总流量再次分解为单位时间的流量控制量传递给PCS层接口。指令下达模块将调度方案按照生产指令频率(单位时间设定为30秒)来进行作业指令的制定，并下达到上文所述的实际生产场景中，指令控制了9个生产单元在单位时间内的侧线流量。
生产过程中，故障监测模块会对生产过程产生的生产偏差进行监测，生产统计模块则会对生产的结果以及效率等进行记录，两个模块都会根据实际生产过程中不确定性导致的偏差进行修正运算并将这些记录分别传到指令下达模块以及计划调度优化仿真模块以便于对生产过程进行干预。对于故障监测模块，主要是指生产人员从PCS层接口接受实际生产执行数据和状态数据，监测生产是否偏离预期以调整生产并下达再调度指令。由于多种因素制约，对于监测到的问题的处理往往存在滞后性。会在监测阶段掌握的故障有多种，比如因生产单元故障而导致的生产单元单批次最大生产能力
的下降，或者因管道泄漏而导致的物料流失，会引发
和
的改变等。当生产监控环节监测到生产的波动时，可以通过对指令重新进行下达的方式对生产进行调整。通过再调度算法计算
和
利用动态场景发生方法重新生成指令序列。对于生产统计模块而言，统计人员基于通过传感器反映的原料消耗、产品产量和库存变化等的实际变化进行自底向上的生产统计，形成班次数据、日数据、周数据、月数据等考核报表，并进一步用于对生产的调整。由于在指令下达和生产监控阶段的模拟中进行了单位时间上的流量控制和流量监控。同时，这两个模块也会将这些信息同时保存到实时动态场景数据库中，以便于在进一步优化调度的过程中对场景的提取。
第二回路如图4所示，主要是从场景数据库中提取预处理后的数据到场景发生器中，根据所要应对的场景需求来进行参数配置的操作，在实施例中，以一次两调度周期的场景仿真为例。第一个调度周期的产品需求量
和
依据经验人工给定，
和
则需要在第一个调度周期的仿真完成后得到。而两个调度周期产率模型的
和
均通过静态场景发生方法得到。首先从***数据库中选取相关的流量测控点，其分布如表1所示，采集这些流量测控点一个月的流量时序数据。由于产率模型表现了生产单元侧线流量间较为稳定的相互关系，因此对时序数据进行进一步处理，分别计算每一个测控点的每一小时的平均流量，最后得到共计372组30维的样本数据，并放入场景数据库。以上述372组样本为训练样本，使用基于vine-copulas的静态场景发生方法进行场景样本的降维及标准化、场景模型的创建以及场景样本的生成，发生得到1000组生成样本，放入场景数据库中。
表1炼化***测控点分布
随机选取的一组生成样本计算任一调度周期的产率模型
以原料预处理单元为例，随机生成的一组样本中F01～F06分别为74944.37kg/h、92155.5kg/h、120137.2kg/h、126953.3kg/h、10617.81kg/h、113717kg/h，则可以通过
s＝F01，F02，F03，F04，F05，F06这个公式分别得到原料预处理单元输出侧常一线油、直馏柴油、减压蜡油、减压渣油、液化气、直馏石脑油所有六个侧线流量占比分别为0.139、0.171、0.223、0.236、0.020、0.211。
对于表1中未包括的侧线，实际的生产***由于成本等因素限制未对流量进行记录，因而生成的场景样本中同样不包含这一场景特征，无法直接通过生成样本进行计算，这种情况则可以通过生产单元的物料平衡和侧线流量占比归一化约束来间接计算获得。比如，基于生产单元物料平衡约束，原料预处理单元输入侧的原油侧线的流量为F01～F06之和，又基于侧线流量占比归一化约束，其为原料预处理单元输入侧的唯一侧线，因此得到其在输入侧的侧线流量占比
与
共同组成了原料预处理单元的产率模型，其他生产单元的产率模型均可以通过相同方法获得。
之后便可以根据这些参数，进行第一回路中的仿真模型建立以及求解，并将这些求解结果进行指令分解模拟以及生产仿真，并按照再调度模块以及数据统计单元来对仿真过程进行干预，这些再调度指令以及生产过程产生的数据将会全部回传至场景数据库中。
第三回路的流程如图5所示，其中包含了场景样本的采样，基于白噪声的场景样本生成器，用于训练生成器的对抗性分辨器等。采集常一线油流量测控点的时序数据，对实时动态数据库中的数据进行预处理后，以5min的采样间隔对经常一线油出数据进行时常为1h的时序样本的采样构造样本(例如05∶05至06∶05的时序数据为一个样本、05∶10至06∶10的时序数据为下一个样本)，每个样本为120个样本点的时间序列，放入场景数据库。然后利用这些样本作为训练样本。其中将80％作为训练样本，剩余20％作为验证。通过以白噪声为元数据的生成器与分辨器的不断对抗，依照分辨结果来进行训练校正，最终将场景发生模型中的生成器发生的符合要求的生成场景样本通过场景样本输出步骤输出到***外，形成模拟场景样本。此模拟场景样本的目标是生成与样本具有相似模式和相同长度的时间序列样本，最后发生得到5000个场景样本。
生成器与分辨器的对抗训练过程如图6所示，生成器网络和分辨器网络均采用Xavier来进行初始化。单次训练选取同样的样本数，以在梯度下降准确的同时减小训练振荡。为了进一步提高训练的稳定性，在生成器网络和分辨器网络的隐藏层之前分别采用了Layer Normalization和Batch Normalization以标准化隐藏层的输入数据。分辨器网络与生成器网络的迭代次数比ncritic设置为5，每5次分辨器网络参数更新后，生成器网络参数更新一次，并且为了使初始化后的分辨器网络得到充分训练，在分辨器网络参数更新25次之后，生成器网络才进行首次更新。经过多次更新迭代之后，D(x)和D(G(z))趋于相等，分辨器网络的损失函数在“0”附近波动，此时生成器就能产生所需要的时间序列样本了。
基于Wasserstein生成对抗网络的Conditional WGAN动态场景发生方法包括以下步骤：
通过对实际生产场景以及历史数据中的时间序列数据进行采集，为场景样本发生提供训练用原始数据；
(2)通过在网络的输入层与隐藏层中加入样本的标签信息，构建基于Wasserstein生成对抗网络的Conditional WGAN场景发生模型；
(3)基于零和博弈思想，通过从真实场景样本数据库中选取的真实样本数据对Conditional WGAN场景发生模型进行训练，不断校正模型，从而得到动态场景模拟样本发生模型；
(4)根据所训练出来的动态场景模拟样本发生模型，生成包含真实场景特征的时间序列动态场景样本数据。所述时间序列动态场景样本数据中，需要包含训练集数据中所包含的不同特征，数据的特征需要呈现一致性，但数据的场景表现要呈现多样性。
步骤(1)在采集工业生产过程的实际生产场景及历史场景中的时间序列数据时，所收集的场景数据除了要包含例如设备参数、库存数据等一定数量的场景特征，还要对所收集的场景数据对应的时间进行记录。
步骤(2)在构建基于Wasserstein生成对抗网络的Conditional WGAN场景发生模型时：
(a)需要设定生成器网络学习率αg，分辨器网络学习率αd，单次训练选取的样本数(batch size)m，分辨器网络与生成器网络的迭代次数比ncritic，令Lipschitz常数K＝1，并设定梯度惩罚权重λ，以及Adam学习器参数β1，β2。
(b)在设定好参数后，对生成器网络G(·；ωG)和分辨器网络D(·；ωD)进行初始化操作，其中，生成器网络G(·；ωG)和分辨器网络D(·；ωD)均是由全连接层、卷积层、反卷积层构成的多层网络。两个网络的激活单元分别采用整流线性单元(Rectified LinearUnits，ReLU)和漏型整流线性单元(Leaky Rectified Linear Units，LReLU)。
步骤(3)从真实场景样本数据库中选取的真实样本数据对Conditional WGAN场景发生模型进行训练可以归纳如下：
(3-1)从打乱的历史样本数据中随机抽取m条数据
其中PX为真实场景所记录下来的难以建模的未知分布，{x，y}为样本对；
(3-2)从高斯分布中随机采样m条噪声样本数据
其中PZ为高斯分布，{z，y}为样本对；
(3-3)设置梯度惩罚项以使分辨器满足Lipschitz连续；
(3-3-1)从[0，1]均匀分布中采样一个随机数ε；
(3-3-2)构造插值样本
其中，x和z为分别遵循PX和PZ分布的样本；
(3-3-3)构造梯度惩罚项
其中
为
与
的Wasserstein距离。；
(3-4)更新分辨器网络参数ω(D)；
(3-5)重复(3-1)～(3-4)ncritic次；
(3-6)从高斯分布中随机采样m条噪声样本数据
(3-7)更新生成器网络参数ω(G)；
(3-8)重复(3-1)～(3-7)直到参数ω(D)收敛。
为使分辨器网络满足Lipschitz连续条件，步骤(3-3)和(3-4)在分辨器网络的损失函数中加入梯度惩罚项，相较于原生WGAN所采用的对分辨器网络参数进行裁剪以满足Lipschitz条件，本文所用方法能够避免分辨器网络参数二值化而造成的梯度消失现象，并能够显著提高网络的训练速度。
步骤(3-3)和(3-5)中，采用了自适应的Adam优化算法迭代更新网络权重，它能够通过计算梯度的一阶和二阶矩估计自动调节学习速率。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种多回路智能工厂边缘侧数字孪生场景耦合装置，其特征在于，包括构成多个回路的产线边缘侧数字孪生***的虚拟空间和物理空间、决策支持工具、数字化工具、在线动态场景数据库；所述的虚拟空间包括基于Wasserstein生成对抗网络的Conditional WGAN动态场景发生方法、场景发生器、仿真模型；所述的物理空间包括物理***；
所述的回路包括：
数字孪生仿真决策回路，连接产线边缘侧数字孪生***的虚拟空间和物理空间，使其形成互相耦合映射关系；
场景仿真回路，收集物理空间的实际生产数据或虚拟空间的仿真数据，通过场景发生器，辅助用户进行仿真场景的配置，快速生成物理生产场景的仿真样本；
动态场景发生回路，采用动态场景发生方法对场景数据库中场景数据进行学习，为场景发生器提供符合历史场景样本统计规律的动态虚拟场景，扩充在线动态场景数据库。
2.根据权利要求1所述的多回路智能工厂边缘侧数字孪生场景耦合装置，其特征在于，根据仿真模型的仿真结果形成调度方案；决策支持工具根据调度方案构建生产指令并发布到物理***；物理***根据生产指令进行生产，将产生的生产数据采集到在线动态场景数据库中；将在线动态场景数据库中的生产数据发生给仿真模块进行仿真，构成数字孪生仿真决策回路。
3.根据权利要求1所述的多回路智能工厂边缘侧数字孪生场景耦合装置，其特征在于，所述的数字孪生仿真决策回路中包括故障监测模块、生产统计模块、再调度模块、指令下达模块、计划调度优化模块以及在线动态场景数据库；
故障监测模块从PCS层接口接受实际生产执行数据和状态数据，监测生产是否偏离预期以通过再调度模块调整生产并下达再调度指令；生产统计模块对生产结果以及生产效率进行记录，通过计划调度优化模块调整调度方案；指令下达模块根据再调度指令和调整后的调度方案下达生产指令；同时，故障监测模块和生产统计模块将监测统计结果上传至在先动态场景数据库中。
4.根据权利要求1所述的多回路智能工厂边缘侧数字孪生场景耦合装置，其特征在于，场景发生器根据在线动态场景数据库中的参数配置建立场景模型，仿真模型根据场景模型进行排产计算，获得调度方案；调度方案回传至在线动态场景数据库中，构成场景仿真回路。
5.根据权利要求4所述的多回路智能工厂边缘侧数字孪生场景耦合装置，其特征在于，所述的场景模型以调度周期为时间单位；所述的场景模型为：
其中，wvu，n为二元变量，表示生产单元u在事件点n是否进行了生产；bu，n表示事件点n开始到结束的时间范围内装置u的物料总承接量；sts，n表示物料s在事件点n的结束时的库存；Tsu，n，Tfu，n分别表示事件点n时单元u中生产任务的开始时间和结束时间；
表示产物s在调度周期t结束时的库存；optt表示优化目标，即整体生产成本；
表示物料s在调度周期t的初始库存；rhopu，s表示物料s在单元u产物中的物料占比；rhocu，s表示物料s在单元u原料中的物料占比；
表示产物s在调度周期t的需求缺口。
6.根据权利要求1所述的多回路智能工厂边缘侧数字孪生场景耦合装置，其特征在于，所述的场景仿真回路中包括场景发生器、参数配置模块、计划调度优化仿真模块、生产过程仿真模块、再调度模块、生产统计模块以及在线动态场景数据库；
从在线动态场景数据库中提取预处理后的数据到场景发生器中，根据所要应对的场景需求通过参数配置模块配置参数，根据配置的参数通过计划调度优化模块对调度方案进行优化，生产过程仿真模块根据调度方案进行生产仿真，并通过再调度模块和生产统计模块对仿真过程进行干预；再调度模块产生的再调度指令以及生产统计模块记录的生产过程数据回传至在线动态场景数据库中。
7.根据权利要求1所述的多回路智能工厂边缘侧数字孪生场景耦合装置，其特征在于，所述的动态场景发生方法是基于Wasserstein生成对抗网络的Conditional WGAN动态场景发生方法。
8.根据权利要求7所述的多回路智能工厂边缘侧数字孪生场景耦合装置，其特征在于，所述的场景发生器包括基于白噪声的场景生成器以及用于训练场景生成器的对抗性分辨器。
9.根据权利要求8所述的多回路智能工厂边缘侧数字孪生场景耦合装置，其特征在于，基于Wasserstein生成对抗网络的Conditional WGAN动态场景发生方法，包括以下步骤：
通过对实际生产场景以及历史场景数据中的时间序列场景数据进行采集，构建真实场景样本数据库；
(2)通过在网络的输入层与隐藏层中加入样本的标签信息，构建基于Wasserstein生成对抗网络的Conditional WGAN动态场景发生模型；
(3)基于零和博弈思想，从真实场景样本数据库中选取真实场景样本数据作为训练集数据，对Conditional WGAN动态场景发生模型进行训练，不断校正模型，从而得到场景发生器；
(4)根据所述的场景发生器，生成包含真实场景特征的时间序列动态场景样本数据。
10.根据权利要求9所述的多回路智能工厂边缘侧数字孪生场景耦合装置，其特征在于，步骤(3)包括：
(3-1)从真实场景样本数据中随机抽取m条数据
其中PX为真实场景所记录下来的难以建模的未知分布，{x，y}为样本对；
(3-2)从高斯分布中随机采样m条噪声样本数据
其中PZ为高斯分布，{z，y}为样本对；
(3-3)设置梯度惩罚项以使分辨器网络满足Lipschitz连续；
(3-3-1)从[0，1]均匀分布中采样一个随机数ε；
(3-3-2)构造插值样本
其中，x和z分别为遵循PX和PZ分布的样本；
(3-3-3)构造梯度惩罚项
其中
为
与
的Wasserstein距离；
(3-4)更新分辨器网络参数ω(G)；
(3-5)重复(3-1)～(3-4)ncritic次；
(3-6)从高斯分布中随机采样m条噪声样本数据
(3-7)更新生成器网络参数ω(G)；
(3-8)重复(3-1)～(3-7)直到参数ω(D)收敛。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010881839.6A CN112131782B (zh) | 2020-08-27 | 2020-08-27 | 一种多回路智能工厂边缘侧数字孪生场景耦合装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010881839.6A CN112131782B (zh) | 2020-08-27 | 2020-08-27 | 一种多回路智能工厂边缘侧数字孪生场景耦合装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112131782A true CN112131782A (zh) | 2020-12-25 |
| CN112131782B CN112131782B (zh) | 2024-05-14 |
Family
ID=73847573
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010881839.6A Active CN112131782B (zh) | 2020-08-27 | 2020-08-27 | 一种多回路智能工厂边缘侧数字孪生场景耦合装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112131782B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112762100A (zh) * | 2021-01-14 | 2021-05-07 | 哈尔滨理工大学 | 一种基于数字孪生的轴承全生命周期监测方法 |
| CN112859789A (zh) * | 2021-01-29 | 2021-05-28 | 重庆邮电大学 | 一种基于cfd构建数据中心数字孪生体的方法及*** |
| CN113219922A (zh) * | 2021-05-11 | 2021-08-06 | 浙江大学 | 内生不确定性下基于边缘侧数据的集成控制方法 |
| CN113741910A (zh) * | 2021-09-01 | 2021-12-03 | 上海商汤智能科技有限公司 | 场景交互方法及装置、电子设备和存储介质 |
| CN114418177A (zh) * | 2021-12-13 | 2022-04-29 | 中国科学院合肥物质科学研究院 | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 |
| CN115148064A (zh) * | 2022-06-23 | 2022-10-04 | 广东三向智能科技股份有限公司 | 一种虚拟仿真教学***的智能工厂模拟装置 |
| CN115828719A (zh) * | 2022-07-17 | 2023-03-21 | 东南大学溧阳研究院 | 基于生成对抗网络的电力***次同步振荡数据生成方法 |
| WO2023045463A1 (zh) * | 2021-09-22 | 2023-03-30 | 西安热工研究院有限公司 | 基于数字孪生技术的电站管道在线监测预警***及方法 |
| CN117130351A (zh) * | 2023-09-18 | 2023-11-28 | 上海勘测设计研究院有限公司 | 基于数字孪生技术的新能源场站区域联合控制保护*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180131907A1 (en) * | 2016-11-08 | 2018-05-10 | Rockwell Automation Technologies, Inc. | Virtual reality and augmented reality for industrial automation |
| CN108445777A (zh) * | 2017-01-14 | 2018-08-24 | 费德姆技术公司 | 虚拟资产的数据转换 |
| WO2019076233A1 (zh) * | 2017-10-17 | 2019-04-25 | 广东工业大学 | 一种智能车间快速定制设计方法及*** |
| US20190163215A1 (en) * | 2017-11-27 | 2019-05-30 | General Electric Company | Building energy modeling tool systems and methods |
| CN110471279A (zh) * | 2019-07-25 | 2019-11-19 | 浙江大学 | 一种基于vine-copulas的工业生产模拟场景发生器及场景发生方法 |
| CN111161410A (zh) * | 2019-12-30 | 2020-05-15 | 中国矿业大学(北京) | 一种矿井数字孪生模型及其构建方法 |
| WO2020138603A1 (ko) * | 2018-12-27 | 2020-07-02 | 부산대학교 산학협력단 | 기계장치의 제어 시나리오를 최적화하는 디지털트윈 시스템 및 방법 |
| US20200265329A1 (en) * | 2019-02-14 | 2020-08-20 | Rockwell Automation Technologies, Inc. | Ai extensions and intelligent model validation for an industrial digital twin |
-
2020
- 2020-08-27 CN CN202010881839.6A patent/CN112131782B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180131907A1 (en) * | 2016-11-08 | 2018-05-10 | Rockwell Automation Technologies, Inc. | Virtual reality and augmented reality for industrial automation |
| CN108445777A (zh) * | 2017-01-14 | 2018-08-24 | 费德姆技术公司 | 虚拟资产的数据转换 |
| WO2019076233A1 (zh) * | 2017-10-17 | 2019-04-25 | 广东工业大学 | 一种智能车间快速定制设计方法及*** |
| US20190163215A1 (en) * | 2017-11-27 | 2019-05-30 | General Electric Company | Building energy modeling tool systems and methods |
| WO2020138603A1 (ko) * | 2018-12-27 | 2020-07-02 | 부산대학교 산학협력단 | 기계장치의 제어 시나리오를 최적화하는 디지털트윈 시스템 및 방법 |
| US20200265329A1 (en) * | 2019-02-14 | 2020-08-20 | Rockwell Automation Technologies, Inc. | Ai extensions and intelligent model validation for an industrial digital twin |
| CN110471279A (zh) * | 2019-07-25 | 2019-11-19 | 浙江大学 | 一种基于vine-copulas的工业生产模拟场景发生器及场景发生方法 |
| CN111161410A (zh) * | 2019-12-30 | 2020-05-15 | 中国矿业大学(北京) | 一种矿井数字孪生模型及其构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 林润泽;王行健;冯毅萍;赵久强;: "基于数字孪生的智能装配机械臂实验***", 实验室研究与探索, no. 12 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112762100A (zh) * | 2021-01-14 | 2021-05-07 | 哈尔滨理工大学 | 一种基于数字孪生的轴承全生命周期监测方法 |
| CN112859789B (zh) * | 2021-01-29 | 2024-02-06 | 重庆邮电大学 | 一种基于cfd构建数据中心数字孪生体的方法及*** |
| CN112859789A (zh) * | 2021-01-29 | 2021-05-28 | 重庆邮电大学 | 一种基于cfd构建数据中心数字孪生体的方法及*** |
| CN113219922A (zh) * | 2021-05-11 | 2021-08-06 | 浙江大学 | 内生不确定性下基于边缘侧数据的集成控制方法 |
| CN113219922B (zh) * | 2021-05-11 | 2022-05-03 | 浙江大学 | 内生不确定性下基于边缘侧数据的集成控制方法 |
| CN113741910A (zh) * | 2021-09-01 | 2021-12-03 | 上海商汤智能科技有限公司 | 场景交互方法及装置、电子设备和存储介质 |
| WO2023045463A1 (zh) * | 2021-09-22 | 2023-03-30 | 西安热工研究院有限公司 | 基于数字孪生技术的电站管道在线监测预警***及方法 |
| CN114418177A (zh) * | 2021-12-13 | 2022-04-29 | 中国科学院合肥物质科学研究院 | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 |
| CN114418177B (zh) * | 2021-12-13 | 2024-03-29 | 中国科学院合肥物质科学研究院 | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 |
| CN115148064A (zh) * | 2022-06-23 | 2022-10-04 | 广东三向智能科技股份有限公司 | 一种虚拟仿真教学***的智能工厂模拟装置 |
| CN115828719B (zh) * | 2022-07-17 | 2023-10-03 | 东南大学溧阳研究院 | 基于生成对抗网络的电力***次同步振荡数据生成方法 |
| CN115828719A (zh) * | 2022-07-17 | 2023-03-21 | 东南大学溧阳研究院 | 基于生成对抗网络的电力***次同步振荡数据生成方法 |
| CN117130351A (zh) * | 2023-09-18 | 2023-11-28 | 上海勘测设计研究院有限公司 | 基于数字孪生技术的新能源场站区域联合控制保护*** |
| CN117130351B (zh) * | 2023-09-18 | 2024-03-19 | 上海勘测设计研究院有限公司 | 基于数字孪生技术的新能源场站区域联合控制保护*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112131782B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112131782A (zh) | 一种多回路智能工厂边缘侧数字孪生场景耦合装置 | |
| CN107977737B (zh) | 基于mxnet框架深度神经网络的配变负荷预测方法 | |
| CN105302096B (zh) | 一种工厂智能调度方法 | |
| CN106326585B (zh) | 基于贝叶斯网络推理的预测分析方法以及装置 | |
| CN110516901A (zh) | 基于大数据的客户价值分层模型构建***及客户分层方法 | |
| CN103310286A (zh) | 一种具有时间序列特性的产品订单预测方法及装置 | |
| CN103902816A (zh) | 基于数据挖掘技术的带电检测数据处理方法 | |
| CN109726503A (zh) | 缺失数据填补方法及装置 | |
| DE10223725A1 (de) | Verschmelzung von Prozeßleistungsüberwachung mit Prozeßausrüstungsüberwachung und -steuerung | |
| CN104407589A (zh) | 面向车间制造过程的实时生成性能主动感知与异常分析方法 | |
| CN107918831A (zh) | 基于浏览器的bim进度计划管理方法及其*** | |
| Raikov et al. | Big data refining on the base of cognitive modeling | |
| CN105260835A (zh) | 多来源业务大数据的建模、分析、自我优化的方法 | |
| CN112330050A (zh) | 一种基于双层XGBoost考虑多特征的电力***负荷预测方法 | |
| CN105893669A (zh) | 一种基于数据挖掘的全局仿真性能预测方法 | |
| CN108038616A (zh) | 一种输电线路工程造价分析方法 | |
| CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及*** | |
| Ungermann et al. | Data analytics for manufacturing systems–a data-driven approach for process optimization | |
| CN113627784A (zh) | 一种基于工业互联网的企业资产管理智能决策*** | |
| CN106292591A (zh) | 一种设备大数据平台监测诊断*** | |
| CN117578440A (zh) | 一种基于神经网络的电网负荷预测方法 | |
| CN110941646A (zh) | 基于10kv工程三率数据挖掘的项目进度管控*** | |
| Friederich et al. | A Framework for Validating Data-Driven Discrete-Event Simulation Models of Cyber-Physical Production Systems | |
| CN115118578A (zh) | 一种基于web的scada*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |