CN117473770A - 一种基于数字孪生信息的钢铁设备智能管理*** - Google Patents
一种基于数字孪生信息的钢铁设备智能管理*** Download PDFInfo
- Publication number
- CN117473770A CN117473770A CN202311499845.5A CN202311499845A CN117473770A CN 117473770 A CN117473770 A CN 117473770A CN 202311499845 A CN202311499845 A CN 202311499845A CN 117473770 A CN117473770 A CN 117473770A
- Authority
- CN
- China
- Prior art keywords
- model
- digital twin
- data
- steel equipment
- module
- 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.)
- Pending
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 58
- 239000010959 steel Substances 0.000 title claims abstract description 58
- 238000004519 manufacturing process Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 230000001360 synchronised effect Effects 0.000 claims abstract description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 24
- 239000000047 product Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 12
- 229910052799 carbon Inorganic materials 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 229910052742 iron Inorganic materials 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 9
- 239000003245 coal Substances 0.000 claims description 6
- 239000003814 drug Substances 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000005245 sintering Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 239000002994 raw material Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 229910000805 Pig iron Inorganic materials 0.000 claims description 3
- 238000003723 Smelting Methods 0.000 claims description 3
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000006227 byproduct Substances 0.000 claims description 3
- 125000005587 carbonate group Chemical group 0.000 claims description 3
- 239000003638 chemical reducing agent Substances 0.000 claims description 3
- 239000000571 coke Substances 0.000 claims description 3
- 238000004939 coking Methods 0.000 claims description 3
- 239000010960 cold rolled steel Substances 0.000 claims description 3
- 238000009749 continuous casting Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 239000008188 pellet Substances 0.000 claims description 3
- 239000000843 powder Substances 0.000 claims description 3
- 239000002893 slag Substances 0.000 claims description 3
- 238000009628 steelmaking Methods 0.000 claims description 3
- 229910052717 sulfur Inorganic materials 0.000 claims description 3
- 239000011593 sulfur Substances 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000009499 grossing Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及数字孪生技术领域,具体涉及一种基于数字孪生信息的钢铁设备智能管理***,包括:数字孪生模块、数据采集模块、数据处理模块和分析控制模块;本发明通过设置数字孪生模块,根据钢铁设备数据和相对应的生产工序数据,创建了数字孪生模型,数字孪生模型与钢铁设备及相对应的生产工序的空间和时间同步;还设置分析控制模块,能够根据实时数据与数字孪生模块中数字孪生模型进行比对、分析以及输出管控指令,并更新所述数字孪生模型;达到对钢铁设备实时监控和预测性维护,提高设备运行效率,降低运营成本。
Description
技术领域
本发明涉及数字孪生技术领域,具体涉及一种基于数字孪生信息的钢铁设备智能管理***。
背景技术
随着工业4.0的发展,钢铁设备的智能化管理成为了行业的重要趋势。数字孪生技术是一种利用物理模型、传感器更新、历史和实时数据等对实体设备进行虚拟映射的技术。它通过收集、整合和分析物理实体的数据,构建出与之相对应的数字化模型,以实现对物理实体的仿真、监测和优化。数字孪生技术的核心是将物理实体的数据与数字化模型进行对应和同步。通过传感器、物联网等技术手段,可以实时收集和监测物理实体的各种数据,例如温度、压力、振动、位置等。这些数据可以用于构建数字化模型,并与模型进行同步更新,使得数字化模型能够准确反映物理实体的状态和行为。通过数字孪生技术,可以实现对钢铁设备的实时监控和预测性维护,提高设备运行效率,降低运营成本。
发明内容
(一)发明目的
本发明的目的是提供一种能对钢铁设备实时监控和预测性维护,提高设备运行效率,降低运营成本的基于数字孪生信息的钢铁设备智能管理***。
(二)技术方案
为解决上述问题,本发明提供了一种基于数字孪生信息的钢铁设备智能管理***,包括:数字孪生模块、数据采集模块、数据处理模块和分析控制模块;
所述数字孪生模块:用于根据钢铁设备数据和相对应的生产工序数据,创建数字孪生模型,其中所述数字孪生模型与钢铁设备及相对应的生产工序的空间和时间同步;
所述数据采集模块:用于采集钢铁设备和相对应的生产工序的实时数据;
所述数据处理模块:能够接收所述实时数据并对所述实时数据进行标准化处理;
所述分析控制模块:能够接收所述数据处理模块标准化处理后的实时数据并与所述数字孪生模块中数字孪生模型进行比对、分析以及输出管控指令,并更新所述数字孪生模型。
本发明的另一发明,优选地,所述管理***还包括远程监控模块,所述远程监控模块用于对钢铁设备进行远程操作和监控。
本发明的另一发明,优选地,所述管理***还包括预测模块,所述预测模块用于预测产品质量。
本发明的另一发明,优选地,所述数字孪生模型包括:物理模型、电气模型和生产工序模型;
所述物理模型包括高炉模型、焦炉模型、转炉模型、烧结机模型和球团设备模型;
所述电气模型包括驱动模型、传动模型、PLC模型和配电模型;
所述生产工序模型包括炼焦模型、烧结模型、高炉炼铁模型、转炉炼钢模型、连铸生产模型、热轧钢材生产模型和冷轧钢材生产模型。
本发明的另一发明,优选地,所述创建数字孪生模型包括:
收集钢铁设备的数据,包括设计图纸、施工图纸、设备清单、管道布置图、运行数据、能源数据和环境数据;
收集生产工序中的数据,包括工艺流程数据、设备运行数据、原材料数据;
对收集到的钢铁设备的数据和生产工序中的数据进行处理,形成标准化数据;
利用数字孪生技术,根据收集到的钢铁设备的数据和生产工序中的数据创建数字孪生模型。
本发明的另一发明,优选地,所述更新所述数字孪生模型包括:
所述数据处理模块标准化处理后的实时数据;
获取相应的数字孪生模型,得到标定后的训练集图像;
将所述标准化处理后的实时数据输入相应的数字孪生模型中,进行比对分析,并生成对应的比对分析结果;
根据所述比对分析结果结果以及所述数字孪生模型,基于预设的损失函数,计算模型损失;
基于所述模型损失,对所述数字孪生模型进行模型参数的更新。
本发明的另一发明,优选地,所述高炉炼铁模型包括:
通过进出平衡计算产生的煤气量,所述进出平衡计算基于进炉材料的总碳量等于出炉产品和副产品的总碳量;
通过能量平衡计算总热量,所述能量平衡计算为全炉的能量平衡计算。
本发明的另一发明,优选地,所述通过进出平衡计算产生的煤气量包括:
其中,V表示冶炼每吨生铁产生的煤气量,V1表示进炉材料的碳总量,V2表示附加物的碳总量,λ表示每立方米内的CO和CO2的含碳量,单位为千克/立方米,ρ(CO)表示炉内CO的体积百分比;ρ(CO2)表示炉内CO2的体积百分比。
本发明的另一发明,优选地,所述通过能量平衡计算总热量包括:
Q总=Q还+Q水+QC+Q冷+Q散+Q煤
其中,Q总表示总热量,Q还表示氧化物分解及去硫的热量,Qc表示碳酸盐分解的热量,Q水表示水分分解的热量;Q冷表示冷却铁水带走的热量;Q散表示喷吹物分解的热量和炉渣的热量;Q煤表示煤气带走的热量。
本发明的另一发明,优选地,所述预测模块用于预测产品质量包括:
其中,f(x)表示产品中Si的含量,α表示铁水中Si的扩散系数,T表示铁水温度,Msi表示还原si的还原剂的量,MFe为铁水质量,ρ(Si)表示初始Si含量。
(三)有益效果
本发明的上述技术方案具有如下有益的技术效果:
本发明通过设置数字孪生模块,根据钢铁设备数据和相对应的生产工序数据,创建了数字孪生模型,数字孪生模型与钢铁设备及相对应的生产工序的空间和时间同步;还设置分析控制模块,能够根据实时数据与数字孪生模块中数字孪生模型进行比对、分析以及输出管控指令,并更新所述数字孪生模型;达到对钢铁设备实时监控和预测性维护,提高设备运行效率,降低运营成本。
附图说明
图1是本发明一个实施例的整体结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
显然,所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例
一种基于数字孪生信息的钢铁设备智能管理***,图1示出了本发明一个实施例的整体结构图,如图1所示,包括:数字孪生模块、数据采集模块、数据处理模块和分析控制模块;
此处不限制所述数字孪生模块的具体内容,可选的,可以是包括钢铁设备某一部分的内容,也可以是包括钢铁设备全部的内容,可选的,本实施例中,所述数字孪生模块包括钢铁设备全部的内容,本实施例中的数字孪生模块用于根据钢铁设备数据和相对应的生产工序数据,创建数字孪生模型,其中所述数字孪生模型与钢铁设备及相对应的生产工序的空间和时间同步;数字孪生技术是一种利用物理模型、传感器更新、历史和实时数据等对实体设备进行虚拟映射的技术。
此处不限制所述钢铁设备数据和相对应的生产工序数据的具体内容,可以是高炉的数据,传送装置的数据,也可以是能量供给关系的数据,也可以是人员活动数据,可选的,本实施例中,所述钢铁设备数据和相对应的生产工序数据包括,所述钢铁设备数据包括设计图纸、施工图纸、设备清单、管道布置图、运行数据、能源数据和环境数据;所述相对应的生产工序数据包括工艺流程数据、设备运行数据、原材料数据;进一步的,对所述收集到的钢铁设备数据和相对应的生产工序数据进行标准化处理,此处不限制标准化处理的具体方式,可选的,本实施例中,标准化处理的方式可以为统一数据格式,方便创建数字孪生模型;
此处也不限制所述创建数字孪生模型的具体内容,也不限制数字孪生模型的具体内容,可选的,创建数字孪生模型的具体方式包括建立相应的模型参数转化规则,提高模型创建和更新的效率;
进一步的,本实施例中,所述数字孪生模型包括:物理模型、电气模型和生产工序模型;所述物理模型包括高炉模型、焦炉模型、烧结机模型、转炉模型、球团设备模型;所述电气模型包括驱动模型、传动模型、PLC模型和配电模型;所述生产工序模型包括炼焦模型、烧结模型、高炉炼铁模型、转炉炼钢模型、连铸生产模型、热轧钢材生产模型和冷轧钢材生产模型。
可选的,本实施例中,所述高炉炼铁模型包括:
通过进出平衡计算产生的煤气量,所述进出平衡计算基于进炉材料的总碳量等于出炉产品和副产品的总碳量;
通过能量平衡计算总热量,所述能量平衡计算为全炉的能量平衡计算。
可选的,本实施例中,所述通过进出平衡计算产生的煤气量包括:
其中,V表示冶炼每吨生铁产生的煤气量,V1表示进炉材料的碳总量,V2表示附加物的碳总量,λ表示每立方米内的CO和CO2的含碳量,单位为千克/立方米,ρ(CO)表示炉内CO的体积百分比;ρ(CO2)表示炉内CO2的体积百分比。
可选的,本实施例中,所述通过能量平衡计算总热量包括:
Q总=Q还+Q水+QC+Q冷+Q散+Q煤
其中,Q总表示总热量,Q还表示氧化物分解及去硫的热量,Qc表示碳酸盐分解的热量,Q水表示水分分解的热量;Q冷表示冷却铁水带走的热量;Q散表示喷吹物分解的热量和炉渣的热量;Q煤表示煤气带走的热量。各部分热量均可以计算获取。
进一步的,本实施例中,所述创建数字孪生模型包括:
收集钢铁设备的数据,包括设计图纸、施工图纸、设备清单、管道布置图、运行数据、能源数据和环境数据;收集生产工序中的数据,包括工艺流程数据、设备运行数据、原材料数据;对收集到的钢铁设备的数据和生产工序中的数据进行处理,形成标准化数据;利用数字孪生技术,根据收集到的钢铁设备的数据和生产工序中的数据创建数字孪生模型。
进一步的,此处也不限制数字孪生模型的具体管理方式,可选的,本实施例中,所述数字孪生模型的管理方式包括创建数字孪生模型数据表,对模型进行唯一编号,将所述模型参数内容***数据表中,进一步的,创建数字孪生模型MySQL数据表,所述数字孪生模型MySQL数据表字段包括模型编号、模型类型、模型名称及参数键值内容;其中,所述模型编号存储模型在***中唯一标识信息;所述模型类型存储模型的模型卡名;所述模型名称存储模型在***中的名称;所述参数键值内容存储模型“参数名-参数值”键值对经过JSON序列化后的结果;遍历所述的模型参数内容,赋予模型唯一编号,将模型各项参数的参数名与参数值形成键值对后进行序列化得到参数键值,将模型的唯一编号、模型卡名、模型名称及参数键值分别***所述数字孪生模型MySQL数据表的模型编号、模型类型、模型名称及参数键值内容字段。实现了高效自动地提取模型数据并为自动更新数字孪生模型提供基础;
进一步的,创建数字孪生模型信息数据库,根据信息数据的重要性,分别对不同类型数据进行处理,从而保证数字孪生模型信息完整情况下,实现模型最优轻量化和内存需求最小化;
所述数据采集模块:用于采集钢铁设备和相对应的生产工序的实时数据;此处不限制数据采集的具体方式和具体内容,可选的,可以通过传感器等设备,实时采集钢铁设备的各种数据,包括结构、性能、工作状态等方面的数据,可以是通过传感器采集相应的温度、湿度、气体成分等,也可以是通过图像获取装置获取人员的工作流程、也可以是通过自动化***自动记录的数据;
所述数据处理模块:能够接收所述实时数据并对所述实时数据进行标准化处理;此处不限制所述数据处理模块的具体内容,可选的,本实施例中,所述数据处理模块处理步骤,可选的,数据处理包括对采集到的设备数据进行处理和分析,包括数据清洗、挖掘和筛选等操作,提取有用的信息,并生成设备的数字孪生信息。数据处理方式如下:设备数据进行预处理,以去除噪声、异常值等不必要的信息,并提升数据质量和可信度。
数据预处理:首先,对原始数据进行去重操作,去除重复的数据记录,避免重复计算和分析。其次,对缺失数据进行处理,可以通过插值、平均值或者使用其他相关数据进行填充。此外,还可以进行数据格式统一化操作,将不同类型的数据统一为相同的数据格式。
噪声过滤:在实际数据采集过程中,由于各种原因,如传感器故障、测量误差等,会产生一些无用的噪声数据。为了确保数据质量,需要通过一些技术手段对噪声数据进行过滤。主要噪声过滤方法包括平滑滤波、中值滤波、高斯滤波等。
异常值检测:在数据中可能存在一些异常值,即与其他数据明显不同的极端值。异常值可能是由设备故障、操作错误等引起的。为了保证数据分析和建模的准确性,需要对异常值进行检测和处理。项目中用到的异常值检测方法包括基于统计学的方法,如Z-Score、基于距离的方法,如KNN和基于模型的方法,如箱线图等。
数据平滑:某些设备数据可能具有噪声或波动的特点,为了提高数据的稳定性和可读性,可以采用数据平滑技术对数据进行平滑操作。常见的平滑方法包括滑动平均、指数平滑等。
特征选择:在数据清洗过程中,还可以进行特征选择,即从原始数据中选取具有较高相关性或重要性的特征。特征选择主要采用统计方法如相关系数、方差分析和机器学习方法,如决策树、随机森林等。
所述分析控制模块:能够接收所述数据处理模块标准化处理后的实时数据并与所述数字孪生模块中数字孪生模型进行比对、分析以及输出管控指令,并更新所述数字孪生模型。通过分析控制模块,对设备的信息进行实时监测和分析,通过建立模型和算法运算,实现设备的预测、预警、调度和优化。此处不限制更新所述数字孪生模型的具体方式,可选的,本实施例中,所述更新所述数字孪生模型包括:所述数据处理模块标准化处理后的实时数据;获取相应的数字孪生模型,得到标定后的训练集图像;将所述标准化处理后的实时数据输入相应的数字孪生模型中,进行比对分析,并生成对应的比对分析结果;根据所述比对分析结果结果以及所述数字孪生模型,基于预设的损失函数,计算模型损失;基于所述模型损失,对所述数字孪生模型进行模型参数的更新。
进一步的,可选的,本实施例中,可以对数据孪生模型进行训练,进一步的,根据需要解决的问题,选择适当的分析模型进行训练。
时间序列分析模型(例如ARIMA、指数平滑、Holt-Winters):这类模型主要用于预测设备未来的性能趋势。模型的输入是设备的历史数据和时间,输出是设备在未来一段时间内的性能预测。
决策树和随机森林:这类模型用于分类或预测设备是否会发生故障,或者预测设备的性能下降等。模型的输入是设备的特征,输出是设备的分类或预测结果。
支持向量机(SVM):SVM可以用于分类或回归,用于设备的故障分类和识别。模型的输入是设备的特征,输出是设备的分类或回归结果。
关联规则挖掘(Apriori、FP-Growth):这类模型用于发现设备运行中的关联规则,如某种设备状态常常伴随着另一种设备状态的改变。输入主要包括设备的工作状态、运行时间、维修记录等数据,以及最小支持度阈值。输出是根据数据集中的数据项之间的关系,挖掘出的有趣关联规则,如两种设备状态之间的关联、某种设备状态对另一种设备状态影响的关联规则。
聚类分析(K-Means):这类模型用于将设备根据其特性进行分组,以便更好地理解设备的性能和行为。包括设备的各种特性和性能指标,如尺寸、重量、能耗、可靠性等,以及包括设备的各种特性和性能指标,如尺寸、重量、能耗、可靠性等聚类数目或其他参数。输出主要将数据集中的设备样本划分成不同的簇或组,同一组内的设备样本具有相似的特性和性能指标。
强化学习(Deep Q-Network):强化学习模型用于自动化地学习和优化设备的调度和优化策略。模型的输入是设备当前的状态和环境信息,输出是最佳的行动方案。
将训练好的模型应用于实际生产环境,对设备的运行状态进行实时监测和预测,同时根据模型的输出进行相应的预警、调度和优化操作。
进一步的,本实施例中,所述管理***还包括远程监控模块,所述远程监控模块用于对钢铁设备进行远程操作和监控,提高设备的运行效率和管理水平。
进一步的,本实施例中,所述管理***还包括预测模块,所述预测模块用于预测产品质量。此处不限制预测产品质量的具体方式,可以是预测产品的产量、预测产品的硬度、也可以是预测某元素的含量,可选的,本实施例中,所述预测模块用于预测产品质量包括:
其中,f(x)表示产品中Si的含量,α表示铁水中Si的扩散系数,T表示铁水温度,Msi表示还原si的还原剂的量,MFe为铁水质量,ρ(Si)表示初始Si含量。
本实施例的基于数字孪生信息的钢铁设备智能管理***,该***可以根据设备的实际运行状态动态调整执行指令,通过数字孪生模型对设备进行实时监控,可以预测设备可能出现的故障或问题,实现预见性维护,可以提前采取必要的维护和修复措施,避免设备在生产过程中出现停机或生产损失的情况,这种预见性维护不仅可以提高设备的可用性和可靠性,还可以降低维护成本和停机时间;动态调整执行指令可以提高工作的效率和效果,同时降低运营成本,提高生产效益和经济性。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
以上参照本发明的实施例对本发明予以了说明。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本发明的范围。本发明的范围由所附权利要求及其等价物限定。不脱离本发明的范围,本领域技术人员可以做出多种替换和修改,这些替换和修改都应落在本发明的范围之内。
尽管已经详细描述了本发明的实施方式,但是应该理解的是,在不偏离本发明的精神和范围的情况下,可以对本发明的实施方式做出各种改变、替换和变更。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
Claims (10)
1.一种基于数字孪生信息的钢铁设备智能管理***,其特征在于,包括:数字孪生模块、数据采集模块、数据处理模块和分析控制模块;
所述数字孪生模块:用于根据钢铁设备数据和相对应的生产工序数据,创建数字孪生模型,其中所述数字孪生模型与钢铁设备及相对应的生产工序的空间和时间同步;
所述数据采集模块:用于采集钢铁设备和相对应的生产工序的实时数据;
所述数据处理模块:能够接收所述实时数据并对所述实时数据进行标准化处理;
所述分析控制模块:能够接收所述数据处理模块标准化处理后的实时数据并与所述数字孪生模块中数字孪生模型进行比对、分析以及输出管控指令,并更新所述数字孪生模型。
2.根据权利要求1所述的基于数字孪生信息的钢铁设备智能管理***,其特征在于,所述管理***还包括远程监控模块,所述远程监控模块用于对钢铁设备进行远程操作和监控。
3.根据权利要求1所述的基于数字孪生信息的钢铁设备智能管理***,其特征在于,所述管理***还包括预测模块,所述预测模块用于预测产品质量。
4.根据权利要求1所述的基于数字孪生信息的钢铁设备智能管理***,其特征在于,所述数字孪生模型包括:物理模型、电气模型和生产工序模型;
所述物理模型包括高炉模型、焦炉模型、转炉模型、烧结机模型和球团设备模型;
所述电气模型包括驱动模型、传动模型、PLC模型和配电模型;
所述生产工序模型包括炼焦模型、烧结模型、高炉炼铁模型、转炉炼钢模型、连铸生产模型、热轧钢材生产模型和冷轧钢材生产模型。
5.根据权利要求1所述的基于数字孪生信息的钢铁设备智能管理***,其特征在于,所述创建数字孪生模型包括:
收集钢铁设备的数据,包括设计图纸、施工图纸、设备清单、管道布置图、运行数据、能源数据和环境数据;
收集生产工序中的数据,包括工艺流程数据、设备运行数据、原材料数据;
对收集到的钢铁设备的数据和生产工序中的数据进行处理,形成标准化数据;
利用数字孪生技术,根据收集到的钢铁设备的数据和生产工序中的数据创建数字孪生模型。
6.根据权利要求1所述的基于数字孪生信息的钢铁设备智能管理***,其特征在于,所述更新所述数字孪生模型包括:
所述数据处理模块标准化处理后的实时数据;
获取相应的数字孪生模型,得到标定后的训练集图像;
将所述标准化处理后的实时数据输入相应的数字孪生模型中,进行比对分析,并生成对应的比对分析结果;
根据所述比对分析结果结果以及所述数字孪生模型,基于预设的损失函数,计算模型损失;
基于所述模型损失,对所述数字孪生模型进行模型参数的更新。
7.根据权利要求4所述的基于数字孪生信息的钢铁设备智能管理***,其特征在于,所述高炉炼铁模型包括:
通过进出平衡计算产生的煤气量,所述进出平衡计算基于进炉材料的总碳量等于出炉产品和副产品的总碳量;
通过能量平衡计算总热量,所述能量平衡计算为全炉的能量平衡计算。
8.根据权利要求7所述的基于数字孪生信息的钢铁设备智能管理***,其特征在于,所述通过进出平衡计算产生的煤气量包括:
其中,V表示冶炼每吨生铁产生的煤气量,V1表示进炉材料的碳总量,V2表示附加物的碳总量,λ表示每立方米内的CO和CO2的含碳量,单位为千克/立方米,ρ(CO)表示炉内CO的体积百分比;ρ(CO2)表示炉内CO2的体积百分比。
9.根据权利要求7所述的基于数字孪生信息的钢铁设备智能管理***,其特征在于,所述通过能量平衡计算总热量包括:
Q总=Q还+Q水+QC+Q冷+Q散+Q煤
其中,Q总表示总热量,Q还表示氧化物分解及去硫的热量,Qc表示碳酸盐分解的热量,Q水表示水分分解的热量;Q冷表示冷却铁水带走的热量;Q散表示喷吹物分解的热量和炉渣的热量;Q煤表示煤气带走的热量。
10.根据权利要求3所述的基于数字孪生信息的钢铁设备智能管理***,其特征在于,所述预测模块用于预测产品质量包括:
其中,f(x)表示产品中Si的含量,α表示铁水中Si的扩散系数,T表示铁水温度,Msi表示还原si的还原剂的量,MFe为铁水质量,ρ(Si)表示初始Si含量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311499845.5A CN117473770A (zh) | 2023-11-13 | 2023-11-13 | 一种基于数字孪生信息的钢铁设备智能管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311499845.5A CN117473770A (zh) | 2023-11-13 | 2023-11-13 | 一种基于数字孪生信息的钢铁设备智能管理*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117473770A true CN117473770A (zh) | 2024-01-30 |
Family
ID=89631060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311499845.5A Pending CN117473770A (zh) | 2023-11-13 | 2023-11-13 | 一种基于数字孪生信息的钢铁设备智能管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117473770A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117692610A (zh) * | 2024-02-02 | 2024-03-12 | 建龙西林钢铁有限公司 | 一种ar车间巡检*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107299170A (zh) * | 2017-08-10 | 2017-10-27 | 东北大学 | 一种高炉铁水质量鲁棒软测量方法 |
CN112801175A (zh) * | 2020-10-16 | 2021-05-14 | 江苏量动信息科技有限公司 | 基于数字孪生的交通分析模型修正方法及装置 |
US20220026147A1 (en) * | 2020-07-22 | 2022-01-27 | Air Products And Chemicals, Inc. | Furnace Controller and Method of Operating a Furnace |
CN115860684A (zh) * | 2022-12-23 | 2023-03-28 | 上海裕隆医学检验所股份有限公司 | 一种基于数字孪生的管理*** |
CN116243671A (zh) * | 2023-03-07 | 2023-06-09 | 深圳职业技术学院 | 一种生产线数字孪生*** |
CN116306242A (zh) * | 2023-02-09 | 2023-06-23 | 国能信控互联技术有限公司 | 一种火电厂入炉煤低位热值实时计算方法及*** |
CN116882708A (zh) * | 2023-09-05 | 2023-10-13 | 湘江实验室 | 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备 |
-
2023
- 2023-11-13 CN CN202311499845.5A patent/CN117473770A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107299170A (zh) * | 2017-08-10 | 2017-10-27 | 东北大学 | 一种高炉铁水质量鲁棒软测量方法 |
US20220026147A1 (en) * | 2020-07-22 | 2022-01-27 | Air Products And Chemicals, Inc. | Furnace Controller and Method of Operating a Furnace |
CN112801175A (zh) * | 2020-10-16 | 2021-05-14 | 江苏量动信息科技有限公司 | 基于数字孪生的交通分析模型修正方法及装置 |
CN115860684A (zh) * | 2022-12-23 | 2023-03-28 | 上海裕隆医学检验所股份有限公司 | 一种基于数字孪生的管理*** |
CN116306242A (zh) * | 2023-02-09 | 2023-06-23 | 国能信控互联技术有限公司 | 一种火电厂入炉煤低位热值实时计算方法及*** |
CN116243671A (zh) * | 2023-03-07 | 2023-06-09 | 深圳职业技术学院 | 一种生产线数字孪生*** |
CN116882708A (zh) * | 2023-09-05 | 2023-10-13 | 湘江实验室 | 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备 |
Non-Patent Citations (3)
Title |
---|
刘臻;卢洪;: "气流床气化炉工程化数学模型的开发与应用", 中国煤炭, no. 1, 22 September 2014 (2014-09-22) * |
王劲松;: "高炉智能化生产管理***的开发与应用", 钢铁技术, no. 02, 25 June 2014 (2014-06-25) * |
许永泓 等: "钢铁行业数字孪生研究现状分析和综述", 《冶金自动化》, 28 February 2023 (2023-02-28), pages 10 - 23 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117692610A (zh) * | 2024-02-02 | 2024-03-12 | 建龙西林钢铁有限公司 | 一种ar车间巡检*** |
CN117692610B (zh) * | 2024-02-02 | 2024-04-26 | 建龙西林钢铁有限公司 | 一种ar车间巡检*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875784B (zh) | 用于工业中的性能指标的基于数据的优化的方法和*** | |
JP5301310B2 (ja) | 異常検知方法及び異常検知システム | |
CN117473770A (zh) | 一种基于数字孪生信息的钢铁设备智能管理*** | |
WO2023193458A1 (zh) | 基于数字孪生的产线优化方法、装置、电子设备及介质 | |
JP2013218725A (ja) | 異常検知方法及び異常検知システム | |
JP2012244897A (ja) | 短期電力負荷を予測する方法及び装置 | |
CN115936676A (zh) | 一种基于数字孪生的设备健康管理方法及*** | |
JP2007052739A (ja) | モデル生成方法、状態予測方法、状態調整方法、モデル生成装置、状態予測装置、及び状態調整システム | |
Shi et al. | Key issues and progress of industrial big data-based intelligent blast furnace ironmaking technology | |
CN117950380B (zh) | Mes驱动的工位终端生产过程控制***及方法 | |
CN117829554B (zh) | 智能感知成品修复决策支持*** | |
CN113177362A (zh) | 基于炉温软测量模型的炉膛温度预测方法及装置 | |
JP3738738B2 (ja) | 鋼材の製品品質制御装置 | |
Xue et al. | A data-driven method to predict future bottlenecks in a remanufacturing system with multi-variant uncertainties | |
CN114580712A (zh) | 一种冶金副产煤气产耗量的在线预测方法及*** | |
Bouché et al. | AMELIOS Suite or the Fives Digital Package for Carbon 4.0 | |
EP4170441B1 (en) | Method and system for ironmaking plant optimization | |
Navarro et al. | Temperature prediction in blast furnaces: a machine learning comparative study | |
CN111948992B (zh) | 对工业批产型大数据进行多级递进建模的方法及*** | |
WO2023163172A1 (ja) | 溶解炉において発生するドロス量を予測する学習済み予測モデルを生成する方法、溶解炉において発生するドロス量を予測する方法、およびコンピュータプログラム | |
CN117892817B (zh) | 基于制造业全生命周期数据的知识图谱构建方法 | |
KR102556151B1 (ko) | IIoT 송신기를 이용한 에너지 다소비 식품업종에서의 생산정보를 머신러닝을 기반으로 예측하는 방법과 에너지 최적화하는 방법 | |
CN117055509B (zh) | 一种基于人工智能对短流程钢铁工艺参数预测的方法 | |
CN113158552B (zh) | 基于时间序列的生物反应器运行状况分级预测方法及*** | |
CN118192479B (zh) | 基于数据采集的工厂车间数字孪生模型校正方法及*** |
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 |