CN116822380A - 一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法 - Google Patents
一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法 Download PDFInfo
- Publication number
- CN116822380A CN116822380A CN202311094435.2A CN202311094435A CN116822380A CN 116822380 A CN116822380 A CN 116822380A CN 202311094435 A CN202311094435 A CN 202311094435A CN 116822380 A CN116822380 A CN 116822380A
- Authority
- CN
- China
- Prior art keywords
- data
- parameters
- model
- unit
- output
- 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
- 238000000034 method Methods 0.000 title claims abstract description 157
- 230000008569 process Effects 0.000 title claims abstract description 117
- 238000005457 optimization Methods 0.000 title claims abstract description 63
- 238000003723 Smelting Methods 0.000 title claims abstract description 60
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 33
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 33
- 239000010949 copper Substances 0.000 title claims abstract description 33
- 238000004064 recycling Methods 0.000 title claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims abstract description 91
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 claims abstract description 90
- 238000006477 desulfuration reaction Methods 0.000 claims abstract description 76
- 230000023556 desulfurization Effects 0.000 claims abstract description 76
- 238000006243 chemical reaction Methods 0.000 claims abstract description 51
- 239000002253 acid Substances 0.000 claims abstract description 43
- 238000004891 communication Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000002360 preparation method Methods 0.000 claims abstract description 6
- 230000003993 interaction Effects 0.000 claims abstract description 5
- 239000007788 liquid Substances 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 47
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 46
- 238000003062 neural network model Methods 0.000 claims description 39
- 238000004088 simulation Methods 0.000 claims description 35
- 239000007789 gas Substances 0.000 claims description 34
- 238000007405 data analysis Methods 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 17
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 15
- 230000007774 longterm Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 238000012800 visualization Methods 0.000 claims description 15
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 14
- 239000003546 flue gas Substances 0.000 claims description 14
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 12
- 230000006872 improvement Effects 0.000 claims description 12
- 229910052717 sulfur Inorganic materials 0.000 claims description 12
- 239000011593 sulfur Substances 0.000 claims description 12
- 230000033228 biological regulation Effects 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000013079 data visualisation Methods 0.000 claims description 10
- 230000003009 desulfurizing effect Effects 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 10
- 238000011084 recovery Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 10
- 238000007418 data mining Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 239000003344 environmental pollutant Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007620 mathematical function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 231100000719 pollutant Toxicity 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 230000020477 pH reduction Effects 0.000 claims 1
- 239000002184 metal Substances 0.000 abstract description 2
- 229910052751 metal Inorganic materials 0.000 abstract description 2
- 238000009776 industrial production Methods 0.000 abstract 1
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- BFNBIHQBYMNNAN-UHFFFAOYSA-N ammonium sulfate Chemical compound N.N.OS(O)(=O)=O BFNBIHQBYMNNAN-UHFFFAOYSA-N 0.000 description 2
- 229910052921 ammonium sulfate Inorganic materials 0.000 description 2
- 235000011130 ammonium sulphate Nutrition 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- AKEJUJNQAAGONA-UHFFFAOYSA-N sulfur trioxide Chemical compound O=S(=O)=O AKEJUJNQAAGONA-UHFFFAOYSA-N 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000012071 phase Substances 0.000 description 1
- 238000005191 phase separation Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/30—Administration of product recycling or disposal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Sustainable Development (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法,属于金属冶炼尾气回收利用的智能控制领域。对硫酸反应塔的状态参数以及过程参数进行采集,获取整个生产流程的完整数据信息,其次,根据上述数据构建脱硫制酸生产工艺流程的数字孪生模型,利用所构建的生产工艺流程数字孪生模型通过BPNLP神经网络不断迭代获取最优运行参数,与实体设备实时数据分析比较,并将所获取数据通过通信协议上传至人机交互界面,实现整个工业生产与客户端的“虚‑实联动”;最后,根据最优化参数结果通过过程参数控制***对实际生产流程工艺的运行参数进行实时优化控制,实现“以虚控实”,长期保证脱硫效率以及硫酸制取速度的最大化。
Description
技术领域
本发明涉及金属冶炼尾气回收利用的智能控制领域,具体涉及一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法。
背景技术
目前,邱祖军、张峰等人提出MGG(Mitsubishi Gas-gas Heater)的烟气换热技术,烟气中SO2被吸收氧化为硫酸铵,再经蒸发浓缩结晶,获得硫酸铵产品,蔡兵等人提出了一种双氧水烟气脱硫技术,已成为目前较多工厂解决二氧化硫大气污染的主要手段,但是在整个工艺流程中涉及到二氧化硫与双氧水的液相分离的精馏操作,该操作是典型的多输入多输出(MIMO)、大迟延、严重非线性化、强参数耦合的复杂工艺,多年来其中的建模、优化、控制问题均是众多学者研究的热点问题。并且目前大量的研究集中在以污染防治为目的的脱硫制酸代替传统脱硫的研究上。在制酸过程中,液位、温度、物料比等相关参数的输入都会对输出参数二氧化硫转化率、吸收率产生较大影响。同时现有脱硫制酸的研究大多集中在其环境污染评价方面,或者仅仅关注硫酸的回收效率。针脱硫制酸过程污染防治与资源回收的协同优化方法研究较少。
BP神经网络是一种广泛应用于工业过程优化的模型;而BP神经网络采用的梯度法往往福尔斯局部极小值;如果拟合函数过于复杂,可能会出现多个拟合局部最小值,这将给实际应用带来很大障碍。
发明内容
针对制酸精馏操作中的优化问题,本发明的目的在于提供一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法,能够实现制酸过程中状态参数的实时采集、分析、决策下达,通过分析二氧化硫方法、将多参数耦合关联布局、脱硫工艺流程,建立可交互、可视化、可优化的烟气制酸***数字孪生模型,达到“虚实结合、以虚控实”的目的,实现二氧化硫制酸的生产速率最大化以及更大的经济价值,具体包括以下步骤:
Step1:从以往数据库中调取熔炼过程脱硫制酸的状态参数、过程参数、以及评价指标,并对数据进行预处理、数据预测与数据挖掘,构建以往数据库。
Step2:通过现场工业的接触式、电磁式等传感器或依靠人工试验记录等方式采集实时数据,包括状态参数和过程参数,这些参数共同构成实时数据库;所述状态参数包括炉体内温度、压力、液位、气液比值;所述过程参数包括输入二氧化硫、双氧水的浓度与流速、输出硫酸的浓度与流量。
Step3:以往数据库和实时数据库构成数字孪生动态模型数据库,通过TCP通信协议实现数字孪生动态模型数据库与服务器、服务器与unity3D组成的前端界面之间的数据互通连接,并将数字孪生动态数据库中相关数据的可视化图形显示在该前端界面上。
Step4:将步骤Step3的得到的数字孪生动态模型数据库作为数字孪生模型仿真信号引入到脱硫制酸的数字孪生模型中,该模型通过数据进行模拟仿真,仿真模型采用基于两阶段BPNLP神经网络的非线性优化结合近似全局优化算法进行搭建,用于不断优化通过数字孪生模型得出的最优参数对应的过程参数,根据以二氧化硫脱硫率与硫酸转化率的最大化参数得到最适合的生产最优工程参数。
Step5:将预测得到二氧化硫脱硫率与硫酸转化率最大的状态下的过程参数与以往数据库进行数据挖掘同类聚合、进行降噪、弥补缺失值处理,然后与实时数据库进行参数比较,判断目前的实时数据还有哪些参数需要改进;最终在实时数据下通过优化全局算法得到的最优参数改进方案。
Step6:通过TCP协议,将最优参数数据改进方案进行可视化,并将数据的可视化图形显示在unity3D前端的人机界面上。
Step7:在最优参数改进方案中,操作人员根据得到的参数改进方案以及人工经验进行控制指令下达。
Step8:控制指令通过TCP协议与simulink的脱硫制酸仿真控制模型(包括气液进出的液位-流量串级控制***,塔内的液位—压力串级控制***、塔内温度的双输入与双输出分级解耦控制***这三个控制***)连接,构成控制***,如图3所示,控制***远端连接实际工业服务器,将最优参数值与实时数据值比较,根据其差值对实际炉体进行参数控制,控制生产中的阀门、调节器实现对实际生产的指导。
Step9:继续重复Step2~Step5的步骤,采集实时数据,通过仿真神经网络数字孪生模型得到最优控制参数,再将该两个数据进行比较,进而又再反馈控制炉体过程参数,不断重复,长久保证脱硫效率以及硫酸制取速度的最大化。
由于整个反应过程最终硫酸产量以及脱硫转化率是受塔内温度、压力、催化剂与双氧水液位等多因素耦合在一起共同影响的,所以仿真模型采用S4所述的基于两阶段BPNLP神经网络的非线性优化结合近似全局优化算法进行搭建;所述两阶段BPNLP网络模型,在第一阶段的神经网络预处理形成冶炼过程的拟合后,基于拟合后的神经网络模型进行冶炼参数优化过程;根据整个两阶段过程的特点,以及相应的条件约束和BP神经网络输出函数的平滑过程,采用近似全局优化算法,形成了形式统一约束的两阶段BPNLP网络模型,具体构成、涉及路线、操作流程如图3所示,具体包括以下内容:
S1:对数据模型库中的数据进行处理,规定从数据库中传来的输入样本;根据铜冶炼中脱硫制酸的生产工艺,在输入样本服从正态分布的情况下,选取样本中的均值和标准差σ。
S2:BP神经网络模型属于误差反向传播神经网络,需要构建如下三个方面:输入层、隐藏层和输出层;该模型包含神经元、权重、阈值、层和激活函数;本发明根据脱硫制酸过程的实时状态参数和污染物硫的回收利用转化率建立BP神经网络模型。
S3:首先是输入层、隐藏层和输出层参数的建立,根据数据库里的五个状态参数作为BP自然网络模型的输入变量,即压力、塔内温度、液位、气液比值和硫气的流量通入,输出层是硫酸的转化率与脱硫效率,在BP神经网络模型隐藏层计算的基础上,将二次脱硫工艺冶炼参数与硫酸协同优化之间的隐藏层设置为两层,并根据实际工艺设置节点。
S4:对上述两个隐藏层的转换函数可以定义为
其中p和q是输入和输出变量的维数,N是样本的数量;i是神经元的隐藏层,i=1表示输入层,即为输入变量,如/>为冶炼过程中的反应炉压力、/>为塔内温度、/>为塔内液位、/>为输入管道到塔内的气液比值和/>的硫气的流量通入等,/>则是表示输出变量参数,并对上述/>中的每一类输入变量的样本数量分别被定义为/>,以对每个样本都进行计算,具体如下:
因为i是神经元的隐层,所以每个样本都需要计算出它的输出值具体如下:
这里假设对于第k层,有s个神经元;l(l=1,2,……H)是隐藏层的的层数;其中代表上述每个输入变量对应的权重,θ为偏置值,/>即为第k层第1隐藏层的偏置值,p为固定值表示样本数量;/>为在第k层的输入变量的样本节点。
同样,以作为模型的输入,可以得到输出/>:
为使结果逼近目标,将输出与实际输出的误差从输出层反向传送到网络的下一层;/>表示每一次传递中第i隐藏层的偏置值,每传递一次,便对神经元的阀值和权值进行调整;重复这个递归过程,直到第k个隐藏层,因此可以得到输出层的函数值/>:
S5:但由于BP神经网络模型泛化能力不足,可能导致模型仿真结果出现异常值,因此,需要对模型输出进行二次平滑处理;对非平滑前模型的泛化精度定义为奇异值(负数)在所有样本预测值中所占的比例;使得泛化精度可以设定为可接受范围;
根据本发明核心:在什么样的条件下,在什么样的状态、过程参数组合下,获得最大的转化率,最大的脱硫效率;于是对上述模型进行泛化精度优化,采用进行参数优化后的BP神经网络进行二阶段BPNLP的预测模拟学习。
S6:将BP神经网络模型的输出函数设定为冶炼烟气中硫酸最大转化率与最大的脱硫效率,为将BP神经网络模型进行更好的仿真预测,解决冶炼烟气脱硫输出函数最小化问题;采用的污染减排优化的BPNLP神经网络模型表示为如下数学函数:
J表示索引函数,用于表示要得到的最优脱硫转化率与速率的函数索引,函数Min表示从二阶段BPNLP估计结果的输出的映射,其中输入变量x为期望的索引;其中c是线性变换向量,为硫酸的转化率与脱硫效率的2×1向量;表示 BP 模型预测的估计结果,表示从具有输入变量的 BPNLP 模型的输出估计结果到期望索引的线性变换。
为了最小化排放问题,非线性规划如下:
其中,b,L,U是常数列向量,f是一个非线性函数,x是决策变量向量,其是包括压力、塔内温度、液位、气液比值和二氧化硫的流量,通入的5×1向量;A是常数矩阵,线性截断函数Ax表示通过归一化域后并消除异常后的数据。
S7:通过上述拟合函数N(x),x可以生成多个局部最小值,产生多个解并且进一步影响全局优化;采用随机散点法选取初始值,以适应初始值优化的等步长变化;确认从最优值中的优化结果中选择模型模拟的最小值;对于整个神经网络模型,将待优化变量的区域进行网格化使用“网格和样本”方法,与局部搜索技能相结合,进化框架内的求解过程,来找到全局最优解。
S8:此外,对输出函数进行平滑处理,使预测值有意义;假设输出样本取输出值的某个维度值,然后需要进一步扩展模型的比较来模拟输出值,从而使输出函数平滑地取域中的值,并过滤掉不合理的值(例如在基本相同的条件下,预测输出值与其相邻的输出值差异明显的过大或过小)。
S9:最终完成数据孪生模型最优参数的求解,将得出的结果如一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法具体步骤S6中进行数据可视化发送到unity3D中完成人机交互的后续内容。
本发明的另一目的在于提供一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化***,如附图2所示,包括数据库模块、数据分析模块、可视化模块、设备管理控制模块、通信服务模块。
所述数据库模块用于对冶炼过程脱硫制酸运行过程中的实时的数据进行采集,获取整个工艺流程中塔体的数据信息;包括几何参数数据单元、运行状态参数单元、实时过程参数单元、神经网络模型单元。
所述数据分析模块则是从上述数据库模块得到状态数据,对数据进行预处理、分析通过数字孪生模型得到最优参数预测值,达到脱硫制酸工艺中资源回收协同优化的目的;包括算法库单元、数据预处理单元、特征提取单元、数据挖掘单元。
所述可视化模块主要用于图形化显示上述两个模块的数据;包括融合模型单元、结果传输单元、数据图形化单元、图形动态显示单元。
所述设备智能管理模块用于结合上述模块结果,包含依据上述数据库模块,实现设备全生命周期信息获取,完成设备实时智能优化运维,并根据最优运行参数,在控制***的输出下,对实际生产的状态参数进行实时高效的控制;包括评价指标单元、控制模块单元、智能决策单元以及控制指令单元。
所述通信服务模块主要实现上述四个模块之间的相互关联,将数据库模块内的数据实时调取到数据分析模块,并将数据分析模块得到的结果发送到可视化模块,最终根据数据可视化的结果应用到设备智能管理模块,完成各个模块之间的信息调取,关联;包括生产数据文本、现场图像等多种类型的消息;并提供实时通信功能完成可视化模块中的图像实时更新功能,并确保通信的正确性、稳定性和安全性,保证设备智能运维模块正确的指令下达,完成调控;并记录各模块用于记录平台的运行日志,以便后续分析和排错。
优选的,本发明所述几何参数数据单元含有实际生产的现场设备数据:包括生产炉体、进出管道的相关尺寸、气液流量、生产参数等,并对长期运行数据进行存储、调取;
本发明所述运行状态参数单元含有在生产冶炼的运行数据,包括生产炉体内的温度、压力、液位等相关信息,描述***或设备在运行时的状态和性能;并提供关于整个***或设备健康状况、工作效率、资源利用情况等方面的信息,并对长期运行数据进行存储、调取。
本发明所述实时过程参数单元含有更新实时进入反应的管道加入输入量、生产输出量,用于描述和评估***、设备或过程的当前状态和性能,提供关于整个***或设备健康状况、工作效率、资源利用情况等方面的信息,并对长期运行数据进行存储、调取。
本发明所述神经网络模型单元,则是进行记录长期运行状态下,神经网络模型中每一次的运行日志记录,记录每一次的相关参数权重、迭代次数、输出输入比值。
本发明所述算法库单元用于对BP模型的输出进行二次平滑处理,利用其较强的非线性映射能力和灵活的网络结构来提高预测可靠性,对铜冶炼脱硫制酸工艺这类大样本数据趋于更好的拟合,并结合全局最优搜索方法,完成数据孪生模型最优参数的求解。
本发明所述数据预处理单元通过对历史数据中最优参数改变,提前对实时数据采集中经常出现的数据缺失,大偏差噪声进行预处理,避免设备数据进行重复大量的相同优化。
本发明所述特征提取单元通过BP神经网络模型,根据数据库里的五个状态参数作为BP自然网络模型的输入变量,输出层是硫酸的转化率与脱硫效率,以及隐藏层的设置来对数据进行预测训练并验证样本分类。
本发明所述数据挖掘单元则是发现长期生产数据中的隐藏模式、关联规则和趋势,在进行特征提取之前之前,进行提前的数据分析,对得到的生产输入信息整体特征进行挖掘,从而识别出数据中的趋势、异常模式和相关性。
本发明所述融合模型单元模型融合是将多个数据分析模块的预测结果结合起来,以获得更准确和可靠的预测;通过将不同数据、不同日期在模型中得到的预测结果相互结合,提高整个***的性能,以获得更高的准确率和鲁棒性。
本发明所述结果传输单元是将有数据分析模块得到的最优参数进行定时调取,实时更新所得到的最优参数,将这些输出结果以合适的形式传递给后端的数据分析***,以便支持决策、提供洞察、驱动后续可视化流程并进行进一步的分析。
本发明所述数据图形化单元则是将由结果传输单元得到的结果最优参数数据进行可视化图形展示,利用如条形图、折线图、散点图以及饼图等对输出参数、过程参数等传达数据之间的关系、趋势、模式。
本发明所述图形动态显示单元主要驱动整个模块不断向数据分析模块调取实时数据并进行数据可视化的图形更新,使得图形可以随着数据的实时或频繁变化而更新,以便及时呈现最新的信息和趋势。
本发明所述评价指标单元主要是对得到的最优运行参数与实时运行参数进行比较,根据评价指标得到哪些参数需要加权,在不同的评价指标下需要有很高的权重去进行调控,衡量模型的准确性、性能和可靠性,帮助工作人员了解模型的表现并做出决策。
本发明所述控制模块单元是根据比较得出的改变值,进行气液进出的液位-流量串级控制***,塔内的液位—压力串级控制***、塔内温度的双输入与双输出分级的解耦控制,在反馈的调节下,完成在数字孪生仿真模拟到实际生产的控制。
本发明所述智能决策单元是利用数据分析模块现有的数据和信息作为基础,通过分析、挖掘和整合得到的最优参数与现场实际生产数据,识别出模式、趋势和规律,从而提供有针对性和可靠性的生产决策建议。
本发明所述控制指令单元指在智能决策单元后负责生成、验证和发送智能决策后的控制指令,并监测***状态和接收反馈的关键组件;完成操作人员通过向***发送命令来调控实际生产中的对实际生产控制参数的阀门、调节器、控制器下达有关阀开度、控制器开度调节的控制指令,指导最终目标铜冶炼尾气脱硫制酸资源回收的协同优化。
本发明所述通信服务模块,提供了将上述四个模块连接、传输和交互的能力;该通信模块允许不同***、设备或节点之间通过物理或虚拟通道进行通信,并支持从数据库模块中数据的发送、接收和处理消息传递,以及数据分析模块消息的传输和接收,包括生产数据文本、现场图像等多种类型的消息;并提供实时通信功能完成可视化模块中的图像实时更新功能,并确保通信的正确性、稳定性和安全性,保证设备智能运维模块正确的指令下达,完成调控;并记录各模块用于记录平台的运行日志,以便后续分析和排错。
与现有技术相比,本发明至少具有以下有益效果:
(1)本发明所述的基于两阶段BPNLP网络模型在铜冶炼尾气脱硫制酸中资源回收协同优化数字孪生平台,主要针对典型的多输入多输出、大迟延、严重非线性化、强参数耦合的复杂工艺,在建模、优化、控制问题上的复杂问题,利用数字孪生技术与BPNLP神经网络算法,来建立实时数据上传交互、建立数字孪生模型来进行实时数据分析并得出脱硫效率与硫酸转化率预测的最优运行参数、实时数据比较与指令下达,达到了通过数字孪生平台实现资源回收协同优化,能够有效提高环境保护能力以及企业效益,具有广泛的应用前景。
(2)本发明据实际生产中铜冶炼脱硫制酸生产工艺的特点,采用基于BP神经网络的二次平滑处理与非线性优化结合的BPNLP神经网络用近似全局优化的方法来获得最优的脱硫参数。本发明通过搭建仿真模拟平台,该平台可实时通过TCP通信实时获取烟气制酸精馏过程中的关键参数信息如塔内压力、温度、液位高度,并且可实现各个单元的数据共享进行虚实联动,根据二氧化硫的转化反应进行数字孪生仿真,进而预测获得烟气制酸过程中的最佳二氧化硫脱硫率与硫酸最佳平衡转化率,以及在此最佳平衡速率下的对应温度、压力等过程参数,最终通过反馈控制实际生产设备控制器达到最佳脱硫效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明基于两阶段BPNLP网络模型在铜冶炼尾气脱硫制酸中资源回收协同优化数字孪生的方法流程图;
图2是本发明所构建的脱硫制酸工艺流程与数字孪生模型;
图3是本发明采用的二阶段BPNLP神经网络模型运行流程图;
图4是实施例硫酸最优参数控制参数结果图;(a)实施例1中在BPNLP算法下最大硫酸转化率的迭代优化调控过程;(b)实施例1中在BPNLP算法下最大脱硫率的迭代优化调控过程;(c)实施例中假定液位40米为最优输出值时,实际液位的控制过程。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法,具体包含以下步骤:
S1:从以往数据库中调取熔炼过程脱硫制酸的状态参数、过程参数、以及评价指标,并对数据进行预处理、数据预测与数据挖掘,构建可交互、可计算、可优化的以往数据库。
以往数据库中所采用的数据内容具体包括:塔体设备几何特征如塔体高度、塔体直径、塔体封头大小以及由管道通入的给风量、柴油量、给氧量等以及包括脱硫制酸塔内,塔体脱硫制酸塔的塔体温度、液位、压力、比值等的状态参数;以及输入端(二氧化硫与双氧水通入的流量、流速、浓度等相关参数)、输出端(表征二氧化硫转化率的硫酸含量以及表征脱硫率的水的产出量等相关参数)等过程参数;以及对结果输出进行尾气处理转化率、脱硫效率、硫酸转化率、输出尾气含硫量等相关评价指标。
S2:通过现场工业的接触式、电磁式等传感器或依靠人工试验记录等方式采集实时数据,所述状态参数包括炉体内温度、压力、液位、气液比值的状态参数,所述过程参数包括输入二氧化硫、双氧水的浓度与流速以及输出硫酸的浓度与流量的过程参数,由这些参数共同构成实时数据库。
S3:所述以往数据库和实时数据库构成数字孪生动态模型数据库,通过TCP通信协议实现数字孪生动态模型数据库与服务器、服务器与unity3D组成的前端界面之间的数据互通连接,并将数字孪生动态数据库中相关数据的可视化图形显示在该前端界面上。
S4:利用采集的以往数据和实时生产数据构建铜冶炼尾气脱硫制酸工艺流程的数字孪生模型:将S3得到的数字孪生动态模型数据库作为数字孪生模型仿真信号引入到脱硫制酸的数字孪生模型中,该模型通过数据进行模拟仿真,采用基于两阶段BPNLP神经网络的非线性优化结合近似全局优化的方法,来不断优化通过数字孪生模型得出的最优参数对应的过程参数,根据以二氧化硫脱硫率与硫酸转化率的最大化参数得到最适合的生产最优工程参数。
S5:将预测得到二氧化硫脱硫率与硫酸转化率最大的状态下的过程参数与以往数据库进行数据挖掘同类聚合、进行降噪、弥补缺失值处理,然后与实时数据库进行参数比较,判断目前的实时数据还有哪些参数需要改进;最终在实时数据下通过优化全局算法得到的最优参数改进方案。
S6:同样通过TCP协议,将最优参数数据改进方案进行可视化,并将数据的可视化图形显示在unity3D前端的人机界面上。
S7:在最优参数改进方案中,操作人员根据得到的参数改进方案以及人工经验进行控制指令下达。
控制指令通过TCP协议与simulink的脱硫制酸仿真控制模型(包括气液进出的液位-流量串级控制***,塔内的液位—压力串级控制***、塔内温度的双输入与双输出分级解耦控制***这三个控制***)连接构成控制***,如图3所示,控制***远端连接实际工业服务器,将最优参数值与实时数据值比较,根据其差值对实际炉体进行参数控制,控制生产中的阀门、调节器实现对实际生产的指导。
S8:继续重复S2~S5的步骤,采集实时数据,通过仿真神经网络数字孪生模型得到最优控制参数,再将该两个数据进行比较,进而又再反馈控制炉体过程参数,不断重复,长久保证脱硫效率以及硫酸制取速度的最大化。
作为本发明进一步优选实施方案:
本发明整个铜冶炼烟气脱硫制酸脱硫的具工艺是将熔炼炉排放的烟气进行干燥、洗涤后,其中的二氧化硫在转化器中催化氧化成三氧化硫,而后在吸收塔中与水发生反应生成硫酸,反应过程的化学方程式为:
式中Q为化学反应放出的热量。
由于整个反应过程最终硫酸产量以及脱硫转化率是受塔内温度、压力、催化剂与双氧水液位等多因素耦合在一起共同影响的,所以仿真模型采用S4所述的基于两阶段BPNLP神经网络的非线性优化结合近似全局优化算法进行搭建;所述两阶段BPNLP网络模型,在第一阶段的神经网络预处理形成冶炼过程的拟合后,基于拟合后的神经网络模型进行冶炼参数优化过程;根据整个两阶段过程的特点,以及相应的条件约束和BP神经网络输出函数的平滑过程,采用近似全局优化算法,形成了形式统一约束的两阶段BPNLP网络模型,具体构成、涉及路线、操作流程如图3所示,具体包括以下内容:
(1)对数据模型库中的数据进行处理,在训练神经网络之前,需要对样本数据进行处理;首先是规定输入样本;根据铜冶炼中脱硫制酸的生产工艺,假定输入样本服从正态分布,利用统计数据处理的基本原理,选取样本中的均值和标准差σ;通过扩展模型的实际区间输出值,样本方差2σ,即样本数据与期望值之差的平方和;训练并验证样本分类,主要内容包括将所有的实验数据分为训练样本和仿真验证样本来构建BP自然网络模型;并通过校准训练集和预测集来比较相应的模型误差。
(2)BP神经网络模型属于误差反向传播神经网络,需要构建如下三个方面:冶炼生产中的参数输入层、隐藏层和预测结果输出层;该模型包含神经元、权重、阈值、层和激活函数;本实施例根据脱硫制酸过程的实时状态参数和污染物硫的回收利用转化率建立BP神经网络模型。
(3)首先是输入层、隐藏层和输出层参数的建立,根据数据库里的五个状态参数作为BP自然网络模型的输入变量,即压力、塔内温度、液位、气液比值和硫气的流量通入;输出层是硫酸的转化率与脱硫效率;在BP神经网络模型隐藏层计算的基础上,BP神经网络模型是维度为“5-25-15-4”的网络组成结构,将二次脱硫工艺冶炼参数与硫酸协同优化之间的隐藏层设置为两层,并根据实际工艺设置节点。
(4)对上述两个隐藏层的转换函数可以定义为
即为输入变量,如/>为冶炼过程中的反应炉压力、/>为塔内温度、/>为塔内液位、/>为输入管道到塔内的气液比值、/>的硫气的流量通;/>为输出量,/>则表示输出的硫酸转化率,/>为硫酸制取速度。
重复BPNLP两阶段的优化预测迭代这个递归过程,直到第H个隐藏层,因此可以得到关于五维输入x以及两维输出y的函数值:
(5)但在实际应用于铜冶炼的行业中时,由于脱硫工艺操作是典型的多输入多输出、大迟延、严重非线性化、强参数耦合的复杂工艺,单一采用BP神经网络模型存在泛化能力不足,仿真结果不够准确的问题;因此需要对模型输出进行二次平滑处理;非平滑前模型的泛化精度定义为奇异值(负数)在所有样本预测值中所占的比例;使得泛化精度可以设定为可接受范围。
(6)将BP神经网络模型的输出函数设定为冶炼烟气中硫酸最大转化率与最大的脱硫效率,为将BP神经网络模型进行更好的仿真预测,解决冶炼烟气脱硫输出函数最小化问题;采用的污染减排优化的BPNLP神经网络模型表示为如下数学函数:
J表示索引函数,用于表示要得到的最优脱硫转化率与速率的函数索引,函数Min表示从二阶段BPNLP估计出很多结果中对得到预测输出的映射,其中输入变量x(每种输入参数)为期望的索引;其中c是线性变换向量,为硫酸的转化率与脱硫效率的2×1向量;表示 BP 模型预测的估计结果,表示从具有输入变量的 BPNLP 模型的输出估计结果到期望索引的线性变换。
为了最小化排放问题,非线性规划如下:
其中,b,L,U是常数列向量,f是一个非线性函数,x是决策变量向量,其是包括压力、塔内温度、液位、气液比值和二氧化硫的流量,通入的5×1向量;A是常数矩阵,线性截断函数Ax表示通过归一化域后并消除异常后的数据。
(7)通过上述拟合函数N(x),x可以生成多个局部最小值,这可以产生多个解并且进一步影响全局优化;采用随机散点法选取初始值,以适应初始值优化的等步长变化;确认从得到的脱硫制酸工艺中最优值中的优化结果中选择模型模拟的最小值。
(8)此外,对输出函数进行平滑处理,使预测值有意义,假设输出样本取输出值的某个维度值,然后需要进一步扩展模型的比较来模拟输出值,从而使输出函数平滑地取域中的值,并过滤掉不合理的值(例如负值)。
(9)最终完成数据孪生模型最优参数的求解,将得出的结果如一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法具体步骤S6中进行数据可视化发送到unity3D中完成人机交互的后续内容。
作为本发明的进一步优选实施方式:
S1:调取以往数据库,同时以铜冶炼工厂中脱硫制酸工艺的数据例作为实时生产数据来进行演示:
本次的物理参数、状态过程参数表示如下:设定反应塔内温度在1000℃-1200℃之间,压力在2MPa左右,反应塔的高度为70米,直径为10米,,硫酸的通入流速为500立方米每小时,流速为5米每秒。
S2:将给定设备连接到基于数字孪生的滚动轴承剩余寿命在线预测装置,包括:数据库模块、数据分析模块、可视化图形模块、通信服务模块、设备智能管理模块;
S3:假定以S1中用于采集到的数据为实际生产中采集到的实时数据,将上述实时数据输入到数字孪生仿真模型中,构建一个以上述数据为运行状态的数字化模型,目的是实现通过数据进行与实际生产设备的动态交互与虚实联动。
S4:根据S3中构建的数字孪生模型,通过算法库对上述状态参数、物理参数、过程参数相关数据进行模拟生产状况的运行,并在算法库中的主要模型——BPNLP神经网络模型的不断重复模拟迭代下,根据五维输入变量(反应炉压力、塔内温度、塔内液位、输入管道到塔内的气液比值、硫气的流量)去寻找预测最优运行输出参数(最适合的脱硫效率与硫酸转化率);根据上述输入得到本次实验模拟出的最优输出为:脱硫率94.23%、以及硫酸转化率98.9%,气体浓度8%。整个迭代过程中脱硫率与硫酸转化率结果如图4(a)、图4(b)所示。
S5:根据通信服务模块,将上述数字孪生数据库、仿真数据连接到通信网络中,通信模块具体包括:数据打包单元、通信架构单元、数据解码单元、传输调度单元,传输至可视化平台上,并进行数据可视化折线图显示,并显示最优参数。
S6:在实际生产中操作人员可以根据显示的最优参数与目前实时运行参数的比较以及数据权重,下达控制指令,而在本次模拟下,对此时最优输出参数脱硫率94.23%、以及硫酸转化率98.9%,在历史数据库中找到对应的各项生产指标,以炉内液位,液位控制在40米左右在是最合适的,之后下达目标液位40米的控制指令。
S7:上述控制指令连接到simulink搭建的反馈控制***中,控制***根据输入设定值与当前值的不断反馈比较完成过程参数调控,以液位为例,整个液位的调控过程如图4(c)所示。
S8:通过上述通信服务模块连接实际生产工况下的阀门、调节器、控制器完成对实际生产的指导;并根据实际生产需要,不断重复实时数据采集、数字孪生仿真、可视化图表更新、以虚控实,长期保证脱硫效率以及硫酸制取速度的最大化。
实施例
一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化***,如附图2所示,包括数据库模块、数据分析模块、可视化模块、设备管理控制模块、通信服务模块。
本实施例所述数据库模块用于对冶炼过程脱硫制酸运行过程中的实时的数据进行采集,获取整个工艺流程中塔体的数据信息;包括几何参数数据单元、运行状态参数单元、实时过程参数单元、神经网络模型单元。
本实施例所述几何参数数据单元含有实际生产的现场设备数据:包括生产炉体的相关尺寸、高度、生产参数等,并对长期运行数据进行存储、调取;
本实施例所述运行状态参数单元含有在生产冶炼的运行数据,包括生产炉体内的温度、压力、液位等相关信息,描述***或设备在运行时的状态和性能;并提供关于整个***或设备健康状况、工作效率、资源利用情况等方面的信息,并对长期运行数据进行存储、调取。
本实施例所述实时过程参数单元含有更新实时进入反应的管道加入输入量、生产输出量,用于描述和评估***、设备或过程的当前状态和性能,提供关于整个***或设备健康状况、工作效率、资源利用情况等方面的信息,并对长期运行数据进行存储、调取。
本实施例所述神经网络模型单元,则是进行记录长期运行状态下,神经网络模型中每一次的运行日志记录,记录每一次的相关参数权重、迭代次数、输出输入比值。
本实施例所述数据分析模块则是从上述数据库模块得到状态数据,对数据进行预处理、分析通过数字孪生模型得到最优参数预测值,达到脱硫制酸工艺中资源回收协同优化的目的;包括算法库单元、数据预处理单元、特征提取单元、数据挖掘单元。
本实施例所述算法库单元用于对BP模型的输出进行二次平滑处理,利用其较强的非线性映射能力和灵活的网络结构来提高预测可靠性,对铜冶炼脱硫制酸工艺这类大样本数据趋于更好的拟合,并结合全局最优搜索方法,完成数据孪生模型最优参数的求解。
本实施例所述数据预处理单元通过对历史数据中最优参数改变,提前对实时数据采集中经常出现的数据缺失,大偏差噪声进行预处理,避免设备数据进行重复大量的相同优化。
本实施例所述特征提取单元通过BP神经网络模型,根据数据库里的五个状态参数作为BP自然网络模型的输入变量,输出层是硫酸的转化率与脱硫效率,以及隐藏层的设置来对数据进行预测训练并验证样本分类。
本实施例所述数据挖掘单元则是发现长期生产数据中的隐藏模式、关联规则和趋势,在进行特征提取之前之前,进行提前的数据分析,对得到的生产输入信息整体特征进行挖掘,从而识别出数据中的趋势、异常模式和相关性。
本实施例所述可视化模块主要用于图形化显示上述两个模块的数据;包括融合模型单元、结果传输单元、数据图形化单元、图形动态显示单元。
本实施例所述融合模型单元模型融合是将多个数据分析模块的预测结果结合起来,以获得更准确和可靠的预测;通过将不同数据、不同日期在模型中得到的预测结果相互结合,提高整个***的性能,以获得更高的准确率和鲁棒性。
本实施例所述结果传输单元是将有数据分析模块得到的最优参数进行定时调取,实时更新所得到的最优参数,将这些输出结果以合适的形式传递给后端的数据分析***,以便支持决策、提供洞察、驱动后续可视化流程并进行进一步的分析。
本实施例所述数据图形化单元则是将由结果传输单元得到的结果最优参数数据进行可视化图形展示,利用如条形图、折线图、散点图以及饼图等对输出参数、过程参数等传达数据之间的关系、趋势、模式。
本实施例所述图形动态显示单元主要驱动整个模块不断向数据分析模块调取实时数据并进行数据可视化的图形更新,使得图形可以随着数据的实时或频繁变化而更新,以便及时呈现最新的信息和趋势。
本实施例所述设备智能管理模块用于结合上述模块结果,包含依据上述数据库模块,实现设备全生命周期信息获取,完成设备实时智能优化运维,并根据最优运行参数,在控制***的输出下,对实际生产的状态参数进行实时高效的控制;包括评价指标单元、控制模块单元、智能决策单元以及控制指令单元。
本实施例所述评价指标单元主要是对得到的最优运行参数与实时运行参数进行比较,根据评价指标得到哪些参数需要加权,在不同的评价指标下需要有很高的权重去进行调控,衡量模型的准确性、性能和可靠性,帮助工作人员了解模型的表现并做出决策。
本实施例所述控制模块单元是根据比较得出的改变值,进行气液进出的液位-流量串级控制***,塔内的液位—压力串级控制***、塔内温度的双输入与双输出分级的解耦控制,在反馈的调节下,完成在数字孪生仿真模拟到实际生产的控制。
本实施例所述智能决策单元是利用数据分析模块现有的数据和信息作为基础,通过分析、挖掘和整合得到的最优参数与现场实际生产数据,识别出模式、趋势和规律,从而提供有针对性和可靠性的生产决策建议。
本实施例所述控制指令单元指在智能决策单元后负责生成、验证和发送智能决策后的控制指令,并监测***状态和接收反馈的关键组件;完成操作人员通过向***发送命令来调控实际生产中的对实际生产控制参数的阀门、调节器、控制器下达有关阀开度、控制器开度调节的控制指令,指导最终目标铜冶炼尾气脱硫制酸资源回收的协同优化。
所述通信服务模块主要实现上述四个模块之间的相互关联,将数据库模块内的数据实时调取到数据分析模块,并将数据分析模块得到的结果发送到可视化模块,最终根据数据可视化的结果应用到设备智能管理模块,完成各个模块之间的信息调取,关联;包括生产数据文本、现场图像等多种类型的消息;并提供实时通信功能完成可视化模块中的图像实时更新功能,并确保通信的正确性、稳定性和安全性,保证设备智能运维模块正确的指令下达,完成调控;并记录各模块用于记录平台的运行日志,以便后续分析和排错。
Claims (7)
1.一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法,其特征在于:包括以下步骤:
Step1:从以往数据库中调取熔炼过程脱硫制酸的状态参数、过程参数、以及评价指标,并对数据进行预处理、数据预测与数据挖掘,构建以往数据库;
Step2:采集实时数据,包括状态参数和过程参数,这些参数共同构成实时数据库;所述状态参数包括炉体内温度、压力、液位、气液比值;所述过程参数包括输入二氧化硫、双氧水的浓度与流速、输出硫酸的浓度与流量;
Step3:以往数据库和实时数据库构成数字孪生动态模型数据库,通过TCP通信协议实现数字孪生动态模型数据库与服务器、服务器与unity3D组成的前端界面之间的数据互通连接,并将数字孪生动态数据库中相关数据的可视化图形显示在该前端界面上;
Step4:将步骤Step3的得到的数字孪生动态模型数据库作为数字孪生模型仿真信号引入到脱硫制酸的数字孪生模型中,该模型通过数据进行模拟仿真,仿真模型采用基于两阶段BPNLP神经网络的非线性优化结合近似全局优化算法进行搭建,用于不断优化通过数字孪生模型得出的最优参数对应的过程参数,根据以二氧化硫脱硫率与硫酸转化率的最大化参数得到最适合的生产最优工程参数;
Step5:将预测得到二氧化硫脱硫率与硫酸转化率最大的状态下的过程参数与以往数据库进行数据挖掘同类聚合、进行降噪、弥补缺失值处理,然后与实时数据库进行参数比较,判断目前的实时数据还有哪些参数需要改进;最终在实时数据下通过优化全局算法得到的最优参数改进方案;
Step6:通过TCP协议,将最优参数数据改进方案进行可视化,并将数据的可视化图形显示在unity3D前端的人机界面上;
Step7:在最优参数改进方案中,操作人员根据得到的参数改进方案以及人工经验进行控制指令下达;
Step8:控制指令通过TCP协议与simulink的脱硫制酸仿真控制模型连接,构成控制***,控制***远端连接实际工业服务器,将最优参数值与实时数据值比较,根据其差值对实际炉体进行参数控制,控制生产中的阀门、调节器实现对实际生产的指导;
Step9:继续重复Step2~Step5的步骤,采集实时数据,通过仿真神经网络数字孪生模型得到最优控制参数,再将该两个数据进行比较,进而又再反馈控制炉体过程参数,不断重复,长久保证脱硫效率以及硫酸制取速度的最大化。
2.根据权利要求1所述基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法,其特征在于:仿真模型采用基于两阶段BPNLP神经网络的非线性优化结合近似全局优化算法进行搭建,具体包括以下步骤:
S1:对数据模型库中的数据进行处理,规定从数据库中传来的输入样本;根据铜冶炼中脱硫制酸的生产工艺,在输入样本服从正态分布的情况下,选取样本中的均值和标准差σ;
S2:BP神经网络模型属于误差反向传播神经网络,需要构建如下三个方面:输入层、隐藏层和输出层;该模型包含神经元、权重、阈值、层和激活函数;根据脱硫制酸过程的实时状态参数和污染物硫的回收利用转化率建立BP神经网络模型;
S3:首先是输入层、隐藏层和输出层参数的建立,根据数据库里的五个状态参数作为BP自然网络模型的输入变量,即压力、塔内温度、液位、气液比值和硫气的流量通入,输出层是硫酸的转化率与脱硫效率,在BP神经网络模型隐藏层计算的基础上,将二次脱硫工艺冶炼参数与硫酸协同优化之间的隐藏层设置为两层,并根据实际工艺设置节点;
S4:对上述两个隐藏层的转换函数可以定义为,
其中p和q是输入和输出变量的维数,N是样本的数量;i是神经元的隐藏层,i=1表示输入层,即为输入变量,/>则是表示输出变量参数,并对上述/>中的每一类输入变量的样本数量分别被定义为/>,对每个样本都进行计算,具体如下:
因为i是神经元的隐层,所以每个样本都需要计算出它的输出值具体如下:
,
假设对于第k层,有s个神经元;l(l=1,2,……H)是隐藏层的的层数;其中代表上述每个输入变量对应的权重,θ为偏置值,/>即为第k层第1隐藏层的偏置值,p为固定值表示样本数量;/>为在第k层的输入变量的样本节点;
同样,以作为模型的输入,可以得到输出/>:/>,为使结果逼近目标,将输出/>与实际输出的误差从输出层反向传送到网络的下一层;/>表示每一次传递中第i隐藏层的偏置值,每传递一次,便对神经元的阀值和权值进行调整;重复这个递归过程,直到第k个隐藏层,因此可以得到输出层的函数值/>:
,
S5:对模型输出进行二次平滑处理;对非平滑前模型的泛化精度定义为奇异值在所有样本预测值中所占的比例;使得泛化精度可以设定为可接受范围;
S6:将BP神经网络模型的输出函数设定为冶炼烟气中硫酸最大转化率与最大的脱硫效率,为将BP神经网络模型进行更好的仿真预测,解决冶炼烟气脱硫输出函数最小化问题;采用的污染减排优化的BPNLP神经网络模型表示为如下数学函数:
,J表示索引函数,用于表示要得到的最优脱硫转化率与速率的函数索引,函数Min表示从二阶段BPNLP估计结果的输出的映射,其中输入变量x为期望的索引;其中c是线性变换向量,为硫酸的转化率与脱硫效率的2×1向量;/>表示 BP 模型预测的估计结果,/>表示从具有输入变量的BPNLP模型的输出估计结果到期望索引的线性变换;
为了最小化排放问题,非线性规划如下:
,
其中,b,L,U是常数列向量,f是一个非线性函数,x是决策变量向量,其是包括压力、塔内温度、液位、气液比值和二氧化硫的流量,通入的5×1向量;A是常数矩阵,线性截断函数Ax表示通过归一化域后并消除异常后的数据;
S7:通过上述拟合函数N(x),x可以生成多个局部最小值,产生多个解并且进一步影响全局优化;采用随机散点法选取初始值,以适应初始值优化的等步长变化;确认从最优值中的优化结果中选择模型模拟的最小值;对于整个神经网络模型,将待优化变量的区域进行网格化使用“网格和样本”方法,与局部搜索技能相结合,进化框架内的求解过程,来找到全局最优解;
S8:对输出函数进行平滑处理,假设输出样本取输出值的某个维度值,然后需要进一步扩展模型的比较来模拟输出值,从而使输出函数平滑地取域中的值,并过滤掉不合理的值;
S9:最终完成数据孪生模型最优参数的求解,将得出的结果如一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法具体步骤S6中进行数据可视化发送到unity3D中完成人机交互的后续内容。
3.一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化***,其特征在于:包括数据库模块、数据分析模块、可视化模块、设备管理控制模块、通信服务模块;
所述数据库模块用于对冶炼过程脱硫制酸运行过程中的实时的数据进行采集,获取整个工艺流程中塔体的数据信息;包括几何参数数据单元、运行状态参数单元、实时过程参数单元、神经网络模型单元;
所述数据分析模块则是从上述数据库模块得到状态数据,对数据进行预处理、分析通过数字孪生模型得到最优参数预测值,达到脱硫制酸工艺中资源回收协同优化的目的;包括算法库单元、数据预处理单元、特征提取单元、数据挖掘单元;
所述可视化模块主要用于图形化显示上述两个模块的数据;包括融合模型单元、结果传输单元、数据图形化单元、图形动态显示单元;
所述设备智能管理模块用于结合上述模块结果,包含依据上述数据库模块,实现设备全生命周期信息获取,完成设备实时智能优化运维,并根据最优运行参数,在控制***的输出下,对实际生产的状态参数进行实时高效的控制;包括评价指标单元、控制模块单元、智能决策单元以及控制指令单元;
所述通信服务模块主要实现上述四个模块之间的相互关联,将数据库模块内的数据实时调取到数据分析模块,并将数据分析模块得到的结果发送到可视化模块,最终根据数据可视化的结果应用到设备智能管理模块,完成各个模块之间的信息调取,关联。
4.根据权利要求3所述基于数字孪生在铜冶炼过程中尾气回收利用的协同优化***,其特征在于:
所述几何参数数据单元含有实际生产的现场设备数据:包括生产炉体的相关尺寸、高度、生产参数,并对长期运行数据进行存储、调取;
所述运行状态参数单元含有在生产冶炼的运行数据,包括生产炉体内的温度、压力、液位相关信息,描述***或设备在运行时的状态和性能;并提供关于整个***或设备健康状况、工作效率、资源利用情况方面的信息,并对长期运行数据进行存储、调取;
所述实时过程参数单元含有更新实时进入反应的管道加入输入量、生产输出量,用于描述和评估***、设备或过程的当前状态和性能,提供关于整个***或设备健康状况、工作效率、资源利用情况方面的信息,并对长期运行数据进行存储、调取;
所述神经网络模型单元,则是进行记录长期运行状态下,神经网络模型中每一次的运行日志记录,记录每一次的相关参数权重、迭代次数、输出输入比值。
5.根据权利要求3所述基于数字孪生在铜冶炼过程中尾气回收利用的协同优化***,其特征在于:
所述算法库单元用于对BP模型的输出进行二次平滑处理,利用其非线性映射能力和网络结构来提高预测可靠性,对铜冶炼脱硫制酸工艺这类大样本数据趋于更好的拟合,并结合全局最优搜索方法,完成数据孪生模型最优参数的求解;
所述数据预处理单元通过对历史数据中最优参数改变,提前对实时数据采集中经常出现的数据缺失,大偏差噪声进行预处理,避免设备数据进行重复大量的相同优化;
所述特征提取单元通过BP神经网络模型,根据数据库里的五个状态参数作为BP自然网络模型的输入变量,输出层是硫酸的转化率与脱硫效率,以及隐藏层的设置来对数据进行预测训练并验证样本分类;
所述数据挖掘单元则是发现长期生产数据中的隐藏模式、关联规则和趋势,在进行特征提取之前之前,进行提前的数据分析,对得到的生产输入信息整体特征进行挖掘,从而识别出数据中的趋势、异常模式和相关性。
6.根据权利要求3所述基于数字孪生在铜冶炼过程中尾气回收利用的协同优化***,其特征在于:
所述融合模型单元模型融合是将多个数据分析模块的预测结果结合起来,以获得更准确和可靠的预测;通过将不同数据、不同日期在模型中得到的预测结果相互结合,提高整个***的性能,以获得更高的准确率和鲁棒性;
所述结果传输单元是将有数据分析模块得到的最优参数进行定时调取,实时更新所得到的最优参数,将这些输出结果以合适的形式传递给后端的数据分析***,以便支持决策、提供洞察、驱动后续可视化流程并进行进一步的分析;
所述数据图形化单元则是将由结果传输单元得到的结果最优参数数据进行可视化图形展示,利用如条形图、折线图、散点图以及饼图对输出参数、过程参数传达数据之间的关系、趋势、模式;
所述图形动态显示单元主要驱动整个模块不断向数据分析模块调取实时数据并进行数据可视化的图形更新,使得图形可以随着数据的实时或频繁变化而更新,以便及时呈现最新的信息和趋势。
7.根据权利要求3所述基于数字孪生在铜冶炼过程中尾气回收利用的协同优化***,其特征在于:
所述评价指标单元主要是对得到的最优运行参数与实时运行参数进行比较,根据评价指标得到哪些参数需要加权,在不同的评价指标下需要有很高的权重去进行调控,衡量模型的准确性、性能和可靠性,帮助工作人员了解模型的表现并做出决策;
所述控制模块单元是根据比较得出的改变值,进行气液进出的液位-流量串级控制***,塔内的液位—压力串级控制***、塔内温度的双输入与双输出分级的解耦控制,在反馈的调节下,完成在数字孪生仿真模拟到实际生产的控制;
所述智能决策单元是利用数据分析模块现有的数据和信息作为基础,通过分析、挖掘和整合得到的最优参数与现场实际生产数据,识别出模式、趋势和规律,从而提供有针对性和可靠性的生产决策建议;
所述控制指令单元指在智能决策单元后负责生成、验证和发送智能决策后的控制指令,并监测***状态和接收反馈的关键组件;完成操作人员通过向***发送命令来调控实际生产中的对实际生产控制参数的阀门、调节器、控制器下达有关阀开度、控制器开度调节的控制指令,指导最终目标铜冶炼尾气脱硫制酸资源回收的协同优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311094435.2A CN116822380B (zh) | 2023-08-29 | 2023-08-29 | 一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311094435.2A CN116822380B (zh) | 2023-08-29 | 2023-08-29 | 一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116822380A true CN116822380A (zh) | 2023-09-29 |
CN116822380B CN116822380B (zh) | 2023-11-14 |
Family
ID=88117025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311094435.2A Active CN116822380B (zh) | 2023-08-29 | 2023-08-29 | 一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116822380B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150819A (zh) * | 2023-10-30 | 2023-12-01 | 天津市东瑞钢铁铸造股份有限公司 | 用于钢铁铸造的钢液过滤方法及*** |
CN117787507A (zh) * | 2024-02-23 | 2024-03-29 | 宝鸡核力材料科技有限公司 | 卷带轧制工艺全链条优化方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110045608A (zh) * | 2019-04-02 | 2019-07-23 | 太原理工大学 | 基于数字孪生的机械设备零部件结构参数动态优化方法 |
CN112427624A (zh) * | 2020-11-04 | 2021-03-02 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的铸锻双控成型***及参数优化方法 |
CN112926765A (zh) * | 2021-01-22 | 2021-06-08 | 湖南大唐先一科技有限公司 | 一种脱硫***运行优化方法以及信息物理融合*** |
CN113192568A (zh) * | 2021-03-15 | 2021-07-30 | 山东钢铁股份有限公司 | 一种精炼炉脱硫终点预报方法和*** |
-
2023
- 2023-08-29 CN CN202311094435.2A patent/CN116822380B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110045608A (zh) * | 2019-04-02 | 2019-07-23 | 太原理工大学 | 基于数字孪生的机械设备零部件结构参数动态优化方法 |
CN112427624A (zh) * | 2020-11-04 | 2021-03-02 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的铸锻双控成型***及参数优化方法 |
CN112926765A (zh) * | 2021-01-22 | 2021-06-08 | 湖南大唐先一科技有限公司 | 一种脱硫***运行优化方法以及信息物理融合*** |
CN113192568A (zh) * | 2021-03-15 | 2021-07-30 | 山东钢铁股份有限公司 | 一种精炼炉脱硫终点预报方法和*** |
Non-Patent Citations (1)
Title |
---|
YANPING LI ET AL.: "Synergic optimization of pollution prevention and resource recovery of secondary lead smelting industry based on two-stage BPNLP network model", JOURNAL OF CLEANER PRODUCTION, pages 1 - 10 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150819A (zh) * | 2023-10-30 | 2023-12-01 | 天津市东瑞钢铁铸造股份有限公司 | 用于钢铁铸造的钢液过滤方法及*** |
CN117150819B (zh) * | 2023-10-30 | 2024-01-30 | 天津市东瑞钢铁铸造股份有限公司 | 用于钢铁铸造的钢液过滤方法及*** |
CN117787507A (zh) * | 2024-02-23 | 2024-03-29 | 宝鸡核力材料科技有限公司 | 卷带轧制工艺全链条优化方法和装置 |
CN117787507B (zh) * | 2024-02-23 | 2024-05-03 | 宝鸡核力材料科技有限公司 | 卷带轧制工艺全链条优化方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116822380B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116822380B (zh) | 一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法 | |
Xu et al. | Mid-term prediction of electrical energy consumption for crude oil pipelines using a hybrid algorithm of support vector machine and genetic algorithm | |
CN105302096B (zh) | 一种工厂智能调度方法 | |
CN102231057B (zh) | 基于混沌粒子群优化的赖氨酸发酵过程软测量方法 | |
CN101630376A (zh) | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 | |
CN110410819B (zh) | 燃煤锅炉燃烧动力场快速计算和实时显示*** | |
CN111651931A (zh) | 基于深度神经网络的高炉故障诊断规则导出方法 | |
CN102830625A (zh) | 基于神经网络预测控制的过程控制***及方法 | |
CN105574297B (zh) | 自适应高炉铁水硅含量趋势预报方法 | |
CN105425583A (zh) | 基于协同训练lwpls的青霉素生产过程的控制方法 | |
Hu et al. | Multi-model ensemble prediction model for carbon efficiency with application to iron ore sintering process | |
WO2024040608A1 (zh) | 能源管理***的模型训练方法、装置及存储介质 | |
CN103279030A (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN116755409B (zh) | 一种基于值分布ddpg算法的燃煤发电***协调控制方法 | |
CN117034808A (zh) | 一种基于图注意力网络的天然气管网压力估计方法 | |
CN116796633A (zh) | 一种基于数字孪生技术的电网监测模型校正方法 | |
Zhao et al. | Research on quality control application of whole process intelligent manufacturing in steel industry 4.0 based on big data analysis | |
CN114397861A (zh) | 反应精馏智能工厂模拟测试***及开发方法 | |
Chen et al. | Modeling of goethite iron precipitation process based on time-delay fuzzy gray cognitive network | |
CN111650894A (zh) | 一种基于隐变量的贝叶斯网络复杂工业过程软测量方法 | |
CN105528681B (zh) | 一种基于隐树模型的冶金企业副产能源***实时调整方法 | |
Zhang et al. | Intelligent decision-making system for mineral processing production indices based on digital twin interactive visualization | |
CN117930786B (zh) | 钢铁生产过程智能化数字孪生仿真*** | |
Zied | A Contribution to Chemical Process Operation Support: New Machine Learning and Surrogate Models-Based Approaches for Process Optimization, Supervision and Control | |
Meng et al. | Automatic control method of automobile steering-by-wire based on fuzzy PID |
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 |