CN117709185A - 一种面向流程工业的数字孪生架构设计方法 - Google Patents
一种面向流程工业的数字孪生架构设计方法 Download PDFInfo
- Publication number
- CN117709185A CN117709185A CN202311481268.7A CN202311481268A CN117709185A CN 117709185 A CN117709185 A CN 117709185A CN 202311481268 A CN202311481268 A CN 202311481268A CN 117709185 A CN117709185 A CN 117709185A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- digital twin
- module
- dynamic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 239
- 230000008569 process Effects 0.000 title claims abstract description 147
- 238000013461 design Methods 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 230000003993 interaction Effects 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims abstract description 32
- 230000003044 adaptive effect Effects 0.000 claims abstract description 27
- 238000005516 engineering process Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 14
- 238000003745 diagnosis Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 230000008447 perception Effects 0.000 claims abstract description 5
- 230000007547 defect Effects 0.000 claims abstract description 4
- 230000007246 mechanism Effects 0.000 claims description 46
- 238000000605 extraction Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 17
- 230000003068 static effect Effects 0.000 claims description 16
- 238000012546 transfer Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005094 computer simulation Methods 0.000 claims description 11
- 238000011217 control strategy Methods 0.000 claims description 11
- 230000008878 coupling Effects 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 10
- 238000005859 coupling reaction Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 230000000704 physical effect Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 239000012530 fluid Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000011161 development Methods 0.000 claims description 6
- 238000009776 industrial production Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 5
- 238000009877 rendering Methods 0.000 claims description 5
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 238000001354 calcination Methods 0.000 claims description 3
- 238000000546 chi-square test Methods 0.000 claims description 3
- 238000002485 combustion reaction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000004540 process dynamic Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000001931 thermography Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000010230 functional analysis Methods 0.000 claims description 2
- 230000002087 whitening effect Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 239000013589 supplement Substances 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 22
- 239000011159 matrix material Substances 0.000 description 20
- 239000013598 vector Substances 0.000 description 20
- 230000004907 flux Effects 0.000 description 9
- 230000001960 triggered effect Effects 0.000 description 9
- 230000009471 action Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 5
- 230000036961 partial effect Effects 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 101100019748 Rattus norvegicus Kcnt1 gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012933 kinetic analysis Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向流程工业的数字孪生架构设计方法。数字孪生***是一个可视化的虚拟生产***,可实现与现场物理实体的平行运行,为实体的安全高效生产提供模拟优化、监测诊断、智能运维等赋能技术。现存的数字孪生***无法满足流程工业亟需的质量指标感知能力、优化控制赋能功效、故障诊断赋能功效等核心功能。针对这一弊端,本发明提出一种面向流程工业的数字孪生架构设计方法,在数据感知、几何建模、连接交互等数字孪生基本架构的基础上,补充了基于Adaptive DiASSA算法的故障检测模块、基于SF‑Transformer算法的质量指标软测量模块、基于QST‑MPC算法的混合整数决策优化模块,保障流程工业数字孪生***的真正落地应用。
Description
技术领域
本技术涉及流程工业自动化技术领域,具体地说是一种向流程工业的数字孪生框架设计方法。
背景技术
钢铁、有色、石化等流程工业是国民经济和社会发展的基础和支柱产业,是我国经济持续增长的重要支撑。大型流程工业***物理化学反应极其复杂,长流程多工序非线性耦合,原燃料成分动态多变,关键设备性能动态演化,分布参数信息不完备。这些复杂特性使得大型流程工业往往存在关键信息精准感知难、运行工况诊断难、操作参数协同优化难等问题。数字孪生***通过在虚拟空间中构造与物理空间一一对应的孪生体,借助历史数据、实时数据、算法模型等,实现对物理生产线的模拟,使其具有实时数据传输与显示、全流程模拟仿真、迭代优化等功能,从而对物理实体进行全方位、全生命周期的监测和管控。流程工业的数字孪生***可以有效解决流程工业的数字化、网络化、智能化需求,构建泛在连接、弹性供给、高效配置的载体。在流程工业追求绿色低碳高质量发展的大背景下,基于数字孪生技术的智能化升级是未来的大趋势。因此,建立面向流程工业的数字孪生框架具有重大实用价值。
然而,目前的数字孪生***均停留于实体几何属性的复刻与可视化层面,无法满足流程工业亟需的核心功能,如质量指标感知能力、优化控制赋能功效、故障诊断赋能功效等。
发明内容
针对现有技术缺乏功能完备的数字孪生框架的不足,本发明提出一种面向流程工业的数字孪生架构设计方法,以故障诊断赋能应用、质量指标精准感知、优化控制高效实现为核心,保障流程工业数字孪生***的真正落地应用。
一种面向流程工业的数字孪生架构设计方法,包括如下步骤:
1)搭建数字孪生工厂支撑平台,用于实现多模型仿真场景的构建、人机交互画面组态、第三方设备通讯接口、多模型运行调度、人机交互画面运行环境、运行时模型调试功能;
2)搭建动态仿真建模平台,内嵌软件交互***、数据库、物性方法模块与单元设备模块,为后续模型构建与赋能应用模块提供载体;
3)通过流程工业DCS数据库和图像数据库获取多模态过程数据,实现数据的精准感知;
4)确定数字孪生模型必需的关键信息,构建单元级数字孪生模型,高保真刻画流程工业***中工序的几何属性、物理行为、过程动态特征;
5)利用现有模型装配技术,将步骤4中单元级数字孪生模型组装为全流程、高层级数字孪生模型;结合现有模型融合技术,明确多类别模型之间的耦合关系,构建可描述流程工业多设备、全周期特征的数字孪生模型;基于静态数据/动态一致性分析方法,对数字孪生模型的精度、稳定性指标进行验证,以确保数字孪生模型准确拟合实际***;
6)利用现有的连接交互技术,实现流程工业实体、数字孪生体、操作者与环境之间数据传输与信息交换;
7)通过机理模型和自适应图像特征提取,对多模态数据进行特征加工与提取,生成机理特征数据和图像特征数据;构建基于Adaptive DiASSA算法的故障检测模块,对融合后的数据进行过程时序非线性特征提取;基于制定的故障监测逻辑,结合实时特征进行当前运行工况判断;
8)构建基于SF-Transformer算法的指标预测模块,解决现存算法对缓慢变化参数的不敏感性与弱可解释性,实现流程工业质量指标的高精度软测量;
9)构建基于QST-MPC算法的优化控制模块,实现流程工业中多类型操作参数的高效率同步优化;
10)以步骤7)-步骤9)的算法为内核,开发数字孪生赋能应用软件,支撑前述完整的数字孪生技术体系。
优选的,步骤1)中,所述数字孪生工厂支撑平台包括场景设计器软件模块、人机交互画面组态软件模块、仿真服务器软件模块、调试套件软件模块、模型调试软件模块;
优选的,步骤2)中,所述动态仿真建模平台包括软件交互***、数据库、物性方法模块与单元设备模块。
优选的,步骤3)中,所述多模态过程数据是指不同模态、不同类型的数据组成的数据集合,包括时序数据、图像数据、设计数据等多模态数据;其中,所述时序数据包括温度数据、风量数据、压力数据、流量数据、电流电压数据、速度数据、能耗数据、化学组分数据,由布置在流程工业生产线中的实体传感器或软传感器获取;所述图像数据包括煅烧过程的火焰燃烧影像、高温过程的红外热成像、流程反应中的反应器内部监测图像以及物料的料面分布图像,由安装在流程工业生产线中的图像采集装置获取;所述设计数据包括形状、大小、内部结构、空间位置、几何关联信息。
优选的,步骤4)中,所述构建单元级数字孪生模型包括构建几何模型、物理模型、化学模型、行为模型与规则模型;所述几何模型旨在获取流程工业实体对象的几何结构、几何关联属性,并通过对已有3D重建和渲染优化引擎的功能分析,利用SolidWorks、unity3D、Unreal4、Source2现有软件平台实现流程/设备的虚拟交互,并采用RealFlow实现流体模拟;所述物理模型旨在刻画状态、行为、结构和材料属性静态特征与运动、变化和相互作用动态特性,利用现有的物理建模工具,包括Ansys、Abaqus、Simulink等进行构建;所述化学模型旨在刻画流程工业***动量传递过程、热量传递过程、质量传递过程与内部化学反应过程;所述行为模型用于表示流程工业实体的顺序、并发、链接、周期性和随机行为,利用现有的行为建模工具,包括AutomaExcisionML、Unity3D进行刻画;所述规则模型旨在揭示流程工业内部隐含的知识,描绘物理实体的内部动态及演化趋势,利用现有的基于物理信息的神经网络进行描述。
优选的,步骤5)中,所述模型装配是将单元级数字孪生模型实现为更高层次数字孪生模型的过程,利用现有的模型装配工具,包括FlexSim、Demo3D软件,模拟多工序生产线模型的装配过程;所述模型融合是模型装配技术无法达到理想效果时采取的另一技术手段,核心是明确耦合模式和不同领域多模型之间的耦合关系,利用现有的模型融合工具,包括Mechatronic Concept Designer、OpenFAST,实现多种类数字孪生模型的融合;所述模型验证是对数字孪生模型与物理对象在相同条件下输出的一致性进行评价,通过利用K-S检验、卡方检验和置信区间法静态数据可信度评估方法与经典谱估计方法、小波分析方法动态数据一致性分析方法建立模型精度及可信度评测等级,构建孪生模型评估验证体系。
优选的,步骤6)中,利用人机接口技术进行所述的流程工业实体、数字孪生体、操作者与环境之间数据传输与信息交换,为:
根据具体应用场景和需求,选择合适的人机接口设备,包括触摸屏、键盘、鼠标、语音识别设备;设计界面布局、交互元素和操作方式,使用户能够直观、便捷地与数字孪生进行交互;开发相应的软件或应用程序,实现人机接口的功能和交互逻辑;数字孪生***接收用户的操作指令,执行相应的操作,更新模型或提供反馈信息。
优选的,步骤7)中,所述过程机理建模根据对象、生产过程的内部机制或者物质流的传递机理建立精确数学机理模型;在流程工业背景下,机理模型包括质量平衡方程、能量平衡方程、动量平衡方程以及某些物性方程、化学反应定律等;所述机理特征数据是所述机理模型中各变量数值,通过数值求解方法对机理模型进行求解获得;所述自适应图像特征提取通过具备自适应特征提取能力的图像特征提取网络实现所述过程图像特征提取;所述图像特征提取网络由预处理模块、展平模块与交替串联的卷积神经网络模块和综合注意力模块组成,为:
采用预处理模块,利用一系列裁剪、滤波、线性变换、伽马变换图像预处理工序,对图像的大小、内容、强度分布进行调整;采用卷积神经网络模块,通过应用多个卷积核对输入图像进行卷积操作,从而提取图像在不同位置的特征;采用由展平层和线性层组成的展平模块,使图像特征的维度与过程变量保持一致;采用综合注意力模块,通过神经网络学习得到通道注意力和空间注意力,两者经过并行计算、相乘、归一化等操作构成,从而学习得到一个与输入形状相同的注意力结构;
数据融合机制通过将不同来源、不同类型、包含不同信息的数据进行整合、处理,并为预测、诊断、优化等下游任务提供更为精简、可靠和高价值信息的机制;数据融合机制例如包括直接连接法、变量选择法、加权组合法、潜变量方法和网络融合方法;
所述自适应动态可解释解析平稳子空间分析(Adaptive DiASSA)故障检测模块,为:采用推理观测分解策略区分出数据中的动态、平稳和非平稳成分;利用迭代建模算法估计封闭区域内的动态一致特征,并有效隔离动态和平稳成分;平稳部分通过平稳子空间分析进一步建模,以构建平稳一致特征并消除非平稳信息的干扰;此外,还采用了一种自适应故障检测策略,利用指数加权统计结构和自适应阈值设置来提高检测效率和鲁棒性。
优选的,步骤8)中,所述基于SF-Transformer算法的指标预测模块,为:首先对输入数据进行位置编码,随后计算输入序列中各元素间的自注意力,经过残差连接、归一化和全连接层后输入慢特征分析层,经过两次数据白化操作后得到慢特征,最后通过全连接层得到软测量结果。
优选的,步骤9)中,所述基于QST-MPC算法的优化控制模块,为:针对流程工业中常见的多类型决策同步优化复杂性大、实时求解能力差的缺陷,从递归可行性与次优性角度设计自触发式控制策略更新机制,量化触发频率和次优性之间的关系,既为决策者提前确定触发频率提供预见性指示,也在目标水平度取值为1时实现混合整数优化问题的求解,从而规避求解NP-难问题。
优选的,步骤10)中,所述动态仿真***以步骤7)-步骤9)的算法为内核,在步骤1)数字孪生工厂支撑平台上开发多种赋能应用软件,开发步骤为:
服务器需求的确定、后端技术栈的部署、前端界面的设计与开发与数字孪生APP的开发、软件的部署、维护与交互。
本发明的有益效果:
数字孪生***可以有效推动流程工业优质高效绿色低碳稳定运行,提升流程工业的数字化、智能化水平。然而,目前的数字孪生***均停留于实体几何属性的复刻与可视化层面,无法满足流程工业亟需的核心功能,如质量指标感知能力、优化控制赋能功效、故障诊断赋能功效等。为此,本发明提出一种面向流程工业的数字孪生框架设计方法,针对缺乏功能完备的数字孪生框架这一流程工业中的切实痛点,在数据感知、几何建模、连接交互等常规数字孪生基本架构的基础上,补充了基于Adaptive DiASSA算法的故障检测模块、基于SF-Transformer算法的质量指标软测量模块、基于QST-MPC算法的混合整数决策优化模块,分别实现故障诊断赋能应用、质量指标精准感知、优化控制高效实现的功效,助力大型流程工业全生命周期的高效稳定运行。
附图说明
图1是面向流程工业的数字孪生的一种技术架构图。
图2是数字孪生***数据采集结构示意图。
图3是基于综合注意力的自适应图像特征提取网络。
图4是综合注意力模块结构。
图5是基于Adaptive DiASSA的故障监测流程示意图。
图6是SF-Transformer软测量流程图。
图7是MPC与ST-MPC控制策略更新模式对比图。
图8是QST-MPC算法流程图。
具体实施方式
以下结合附图和实施例对本发明做进一步的阐述。
图1是面向流程工业的数字孪生的一种技术架构图,参考图1,本发明包括了如下10个步骤:
步骤1:搭建数字孪生工厂支撑平台,实现多模型仿真场景的构建、人机交互画面组态、第三方设备通讯接口、多模型运行调度、人机交互画面运行环境、运行时模型调试等功能;
步骤2:搭建动态仿真建模平台,内嵌软件交互***、数据库、物性方法模块与单元设备模块,为后续模型构建与赋能应用模块提供载体;
步骤3:通过流程工业DCS数据库和图像数据库获取多模态过程数据,实现数据的精准感知;
步骤4:构建单元级数字孪生模型,高保真刻画流程工业***中某工序的几何属性、物理行为、过程动态等特征;
步骤5:利用现有模型装配技术,将步骤4中单元级数字孪生模型组装为全流程、高层级数字孪生模型;结合现有模型融合技术,明确多类别模型之间的耦合关系,构建可描述流程工业多设备、全周期特征的数字孪生模型;基于静态数据/动态一致性分析方法,对数字孪生模型的精度、稳定性等指标进行验证,以确保数字孪生模型可以准确拟合实际***;
步骤6:利用现有的连接交互技术,实现流程工业实体、数字孪生体、操作者与环境之间数据传输与信息交换;
步骤7:通过机理模型和自适应图像特征提取,对多模态数据进行特征加工与提取,生成机理特征数据和图像特征数据;构建基于Adaptive DiASSA算法的故障检测模块,对融合后的数据进行过程时序非线性特征提取;基于制定的故障监测逻辑,结合实时特征进行当前运行工况判断;
步骤8:构建基于SF-Transformer算法的指标预测模块,解决现存算法对缓慢变化参数的不敏感性与弱可解释性,实现流程工业质量指标的高精度软测量;
步骤9:构建基于QST-MPC算法的优化控制模块,实现流程工业中多类型操作参数的高效率同步优化;
步骤10:以步骤7-步骤9的算法为内核,开发数字孪生赋能应用软件,支撑前述完整的数字孪生技术体系。
以下结合附图1至图8,详细说明本发明各步骤提供的技术方案。
所述步骤1中,数字孪生工厂支撑平台是数字孪生技术的载体,包括场景设计器软件模块:采用纯图形化的界面,配置和管理孪生***场景的工艺模型、第三方接口、人机交互图形界面、工况等功能;人机交互画面组态软件模块:采用所见即所得的图形化拖拽和配置的方式,构建直观的人机交互界面;仿真服务器软件模块:加载场景设计器配置的工厂场景,对模型进行调度、启动选定工况和第三方接口;调试套件软件模块:包含人机交互图形界面调试软件模块,可在仿真服务器运行过程中对人机交互界面进行配置的实时调试;模型调试软件模块,可实现对服务器内调度和运行的动态模型进行实时调试。
所述步骤2中,动态仿真建模平台是真实工厂的动态工况数字化建模的基本软件平台,建立虚实结合、协同优化运行的流程工业数字孪生生产线,大幅提升流程行业的生产质量,可应用于钢铁、冶金、石化等领域动态流程仿真计算。动态仿真建模平台包括:软件交互***、数据库、物性方法模块与单元设备模块。具体地,软件交互***包括全中文的软件菜单、模块配置界面、全图形化的配置方式,可支持对各种基础模块通过图形自由拖曳,并通过鼠标点击配置参数的方式进行工艺模型的参数设置和修改;数据库包括大量物性数据、交互作用参数等工艺数据;物性方法模块面向实际流程工业场景,包括状态方程、活动系数等;单元设备模块包括分离设备、反应设备、换热设备、压力变化设备、管件单元、传感器单元等。动态仿真建模平台可为后续模型构建与赋能应用模块提供载体。
所述步骤3中的多模态过程数据是指不同模态、不同类型的数据组成的数据集合,主要包括但不限于时序数据、图像数据、设计数据等多模态数据,时序数据是指在流程工业中收集的与过程运行状态和性能相关的数值型数据,如温度数据、风量数据、压力数据、流量数据、电流电压数据、速度数据、能耗数据、化学组分数据等,由布置在流程工业生产线中的实体传感器或软传感器获取。所述图像数据是指在工业和制造过程中收集的与过程操作和状态相关的图像数据,包括但不限于煅烧过程的火焰燃烧影像、高温过程的红外热成像、流程反应中的反应器内部监测图像以及物料的料面分布图像等,由安装在流程工业生产线中的图像采集装置获取。所述设计数据是指流程工业生产线全周期多设备参数,包括但不限于形状、大小、内部结构、空间位置、几何关联等信息。精准的数据获取是数字孪生框架的基石。
一个***中往往包含多种类型的设备与传感器,而每种传感器或设备可能会采用不同的协议,这为数据采集的兼容性带来挑战。根据协议解析的不同方法,面向流程工业的数字孪生***数据采集结构参见图2。
如步骤4所述,构建数字孪生基本单元的模型是面向实体对象的多个维度,分别构建几何模型、物理模型、化学模型、行为模型与规则模型。具体建模技术如下:
几何模型:旨在获取流程工业实体对象的几何结构、几何关联等属性,并通过对已有3D重建和渲染优化引擎的功能分析。根据物理实体的形状、大小、内部结构、空间位置、几何关联等信息,本发明利用SolidWorks、unity3D、Unreal4、Source2等软件平台实现流程/设备的虚拟交互,并采用RealFlow实现流体模拟,最后基于shader的贴图渲染及OcclusionCulling的遮挡剔除实现优化渲染,实现流程工业设备/流程几何属性数字化精准复刻;
物理模型:旨在刻画状态、行为、结构和材料属性等静态特征与运动、变化和相互作用等动态特性,为流程工业***物理性质的分析、预测等服务提供基础。结合具体流程工业场景,本发明利用现有的物理建模工具,包括但不限于Ansys、Abaqus、Simulink等,构建高精度物理模型,实现***部件的应力分析、变形分析、刚度评估等功能;
化学模型:旨在刻画流程工业***动量传递过程、热量传递过程、质量传递过程与内部化学反应过程,泛化的化学模型可描述为:针对研究对象某物理量f,若需观察流场中指定微元体中f随时间的变化率,需要采用与微元体同步运动的移动坐标系,即拉格朗日法,利用随体导数Df/Dt进行描述;若要研究整个流场内某一固定空间点f随时间的变化率,则需采用固定坐标系,即欧拉法,利用偏导数进行描述。随体导数和偏导数的关系为:
其中,vx、vy、vz分别为流速v在x、y、z方向上的分量。
流程行业的传输过程是某些物理量的转移过程,这些物理量(包括质量、动量、热量)的传输速度被统称为通量。由通量守恒对控制体建立衡算方程如下:
<控制体净输入速率>+<控制体净生成速率>=<控制体净累计速率>(2);
根据菲克定律获得扩散型传质通量的表达式
对流型传质通量通过下式求得
G=ρv (4)
式中,D为扩散系数,为哈密顿算子,ρ为流体密度,v为流速。
稳态下的扩散型热量传输通量由傅里叶定律获得
对流型传热通量通过下式求得
q=Hv (6)
式中,λ为热导率,T为温度,H为单位体积热焓。
对于牛顿流体,扩散型动量传输通量由牛顿粘性定律描述
对流型动量传输通量为
P=ρvv (8)
式中,μ为动力粘度。因此,控制体净输入速率可由下式求得
控制体净生成速率与控制体内部的源项有关。流程工业中控制体主要可能源项为:与质量相关的化学反应的质量生成速率;与热量相关的反应热、相变热、感应热;与动量相关的体积力等。式(2)中右侧项控制体通量浓度φ的净累计速率的具体表达式为:质量传递/>热量传递/>动量传递/>将上述各项代入式(2)中即可得到相应的控制方程具体表达式。
质量守恒方程为
在直角坐标系中有
若流体不可压缩,则质量守恒方程变为
动量守恒方程为
将应力关系式(7)代入并在直角坐标系中展开可得
式(14)即为纳维尔-斯托克斯(Navier-Stokes)公式。
能量守恒方程为
在直角坐标系下,不可压缩流体的能量守恒方程为
行为模型:用于表示流程工业实体的顺序、并发、链接、周期性和随机行为。行为建模技术关注物体的运动性质,基于运动学和动力学分析刻画对象在时间和空间中的运动演化过程,如位移、速度、加速度及其之间的关系。本发明利用现有的行为建模工具,包括但不限于AutomaExcisionML、Unity3D等,刻画流程工业中离散对象的行为特征。
规则模型:规则模型揭示了流程工业内部隐含的知识,描绘了物理实体的内部动态及演化趋势,往往也是流程工业最重要的模型。通过数据挖掘、信息处理、知识度量和图形映射等手段,复杂的经验和知识被赋予规则模型。本发明利用现有的基于物理信息的神经网络(Physics-informed Neural Network,PINN),通过训练神经网络来最小化损失函数来实现前述偏微分机理模型的近似求解。所述损失函数项包括初始条件残差项、边界条件残差项、配点处的偏微分方程残差。PINN将控制方程的求解问题转换为损失函数的优化问题来构建***动态特性,构建机理-数据协同驱动规则模型,实现流程工业内部动态规则的高精度复现。
所述步骤5中,模型装配是将单元级数字孪生模型实现为更高层次数字孪生模型的过程,需明确模型的层级关系与装配顺序,在装配过程中添加合适的空间约束条件,通过适当的实物空间约束来实现模型装配。针对具体流程工业场景,本发明利用现有的模型装配工具,包括但不限于FlexSim、Demo3D软件等,模拟多工序生产线模型的装配过程。而当某类模型的装配技术无法达到理想的数字孪生效果时,多种类模型融合是必要的。模型融合的核心是明确耦合模式和不同领域多模型之间的耦合关系,本发明利用现有的模型融合工具,包括但不限于Mechatronic Concept Designer、OpenFAST等,实现多种类数字孪生模型的融合。随后,为了实现功能功效和满足需求一致性,需要对已构建的数字孪生模型进行验证。模型验证是对数字孪生模型与物理对象在相同条件下输出的一致性进行评价,其过程可被总结为:利用K-S检验、卡方检验和置信区间法等静态数据可信度评估方法与经典谱估计方法、小波分析方法等动态数据一致性分析方法建立模型精度及可信度评测等级,融合客观检测数据及先验知识,构建孪生模型评估验证体系,对孪生模型的精度与稳定性进行测试。
所述步骤6中,本发明利用人机接口技术完成流程工业数字孪生体的交互可视模块,将数字孪生中的数据和信息展示给用户,具体路线包括:根据具体应用场景和需求,选择合适的人机接口设备,如触摸屏、键盘、鼠标、语音识别设备;设计界面布局、交互元素和操作方式,使用户能够直观、便捷地与数字孪生进行交互;开发相应的软件或应用程序,实现人机接口的功能和交互逻辑;数字孪生***接收用户的操作指令,执行相应的操作,更新模型或提供反馈信息。
所述步骤7中,机理特征数据是指前述机理模型的各变量数值,通过数值求解方法对机理模型进行求解获得。自适应图像特征提取主要面向所述过程图像数据,通过具备自适应特征提取能力的图像特征提取网络实现图像特征提取。所述图像特征提取网络是一种用于从输入图像中提取有意义的特征表示的计算机视觉模型。它是机器学***模块与交替串联的卷积神经网络(Convolutional Neural Networks,CNN)模块和综合注意力模块组成。
所述预处理模块由一系列裁剪、滤波、线性变换、伽马变换等图像预处理工序串行组合而成,其功能是对图像的大小、内容、强度分布等进行调整,使其适合于图像特征的提取任务。实际应用中,可以引入先验知识,根据输入图像的性质特点对预处理模块中的图像预处理工序进行增减和排序。
所述卷积神经网络模块由二维卷积层、下采样层和各类激活函数构成,其中,所述二维卷积层通过应用多个卷积核对输入图像进行卷积操作,从而提取图像在不同位置的特征,每个卷积核可以捕捉不同的图像特征,例如边缘、纹理、形状等等。所述下采样层包括最大池化和平均池化,通过对特定区域内的特征进行池化操作,取得该区域内的最大值或平均值,从而减少特征图的尺寸。所述激活函数包括但不限于ReLU、sigmoid和tanh等,其目的在于引入非线性变换以增强网络的表达能力。
所述展平模块由展平层和线性层两部分组成,其中,所述展平层的目的是对单张图像进行展平处理,使图像特征的维度与过程变量保持一致。所述线性层(也称为全连接层或密集层)的目的是将展平层输出的特征进行组合与映射,从而从展平得到的高维特征中学习到更为复杂和抽象的低维特征表示。
参见图4,所述综合注意力模块由通道注意力和空间注意力两种注意力经过并行计算、相乘、归一化等操作构成,从而学***均池化的方法生成两个形状为1×C的通道特征向量,所述两个通道特征向量经过一组共享的神经网络学***均和sigmoid非线性变换后,可以得到与输入图像或特征图通道数一致的一个通道注意力。所述空间注意力通过一个卷积核尺寸为(1,1)的单卷积核二维卷积网络,从输入图像或特征图中提取出一个形状为H×W×1的空间权重向量,所述空间权重向量经过sigmoid非线性变换后,可以得到与输入图像或特征图高宽一致的一个空间注意力。所述通道注意力与所述空间注意力经过相乘、min-max归一化后,即可得到所述综合注意力。所述综合注意力与输入相乘,即完成了对输入图像或特征图的注意力加权。
实际应用中,所述自适应图像特征提取网络接受形状为L×H×W×C的图像序列作为输入,其中L为序列的长度,并输出形状为L×O的图像特征数据。根据图像数据包含信息的复杂程度和数字孪生***的计算资源情况,可以对卷积神经网络模块和综合注意力模块的数量及其内部的网络结构参数进行调整,从而达到最优的图像数据特征提取效率。
进一步地,数据融合机制是指将不同来源、不同类型、包含不同信息的数据进行整合、处理,并为预测、诊断、优化等下游任务提供更为精简、可靠和高价值信息的机制。数据融合机制例如包括但不限于直接连接法、变量选择法、加权组合法、潜变量方法和网络融合方法。定义过程变量数据、机理特征数据和图像特征数据矩阵分别为Xp、Xm和Xi,所述直接连接法是指将Xp、Xm和Xi三者沿特征维度直接进行拼接以形成综合数据矩阵X。所述加权组合法是指对综合数据矩阵X的时间维度、特征维度进行加权,形成与X维度一致的加权数据矩阵XW,其中权重可以根据特征和时间步的重要性或可靠性进行分配。所述潜变量方法是指通过统计学习的方法,建立潜在变量模型,通过观测到的多个变量之间的协方差或相关性等关系,推断出潜在变量之间的关系以及潜在变量与观测变量之间的关系,即通过综合数据矩阵X,或者X和目标变量矩阵Y关系,从X中拟合得到一个高信息价值、低维度的潜变量数据矩阵XL。所述网络融合方法是指通过神经网络实现X到网络融合数据矩阵XN的路径,包括但不限于通过全连接网络、卷积神经网络、长短期记忆网络、注意力机制及其变体学习X的集体表示进行的融合。实际应用中,可以根据下游任务的特点选取合适的数据融合机制,或将下游任务与数据融合机制进行结合。
随后,考虑时间滞后矩阵与时不变特征,建立自适应动态可解释解析平稳子空间分析(Adaptive DiASSA),旨在能够准确提取融合数据中时序相关的平稳特征。其中,优化目标的分母将保证动态一致特征的稳态性,而分子部分包括最大化动态预测和静态一致特征sd(t)之间的协方差以建立可解释动态模型:
其中,β≡[βi],i=1,2,…,q是动态权重向量,表示投影矩阵,/>表示β和的Kronecker乘积。在提取/>后,静止投影sd(t)可以被计算为/>此外,动态关系可以通过以下最大化预测与真实值间的协方差构造。进一步考虑它们的矩阵形式,当前观察矩阵Xq+1可被构造为:
与叠加滞后观测矩阵Zq:
基于Xq+1和其滞后项Zq,Adaptive DiASSA的目标可被改写为
式(20)是一个典型的非凸优化问题,但可以通过固定一个变量来将优化目标转化为凸目标。为此,我们开发了以下双层迭代求解算法。
首先,定义投影bd作为中的矢量拉格朗日函数可以定义为
其中,λb和λβ分别表示拉格朗日乘数。我们利用Kronecker乘积的性质,即 并对bd和β求导。通过将导数设置为0,即可获得最优解:/>
最优解可以通过在λb和λβ达到最大值时获得,即bd和β可根据以下等式获得:
其中,∝表示等式两侧成比例,为伪逆算子。
上述算法包括内层循环和外层收缩训练样本两个部分。内层循环识别最佳投影向量和动态权重,而外层缩放训练样本用于迭代估计动态一致特征。通过收集所有投影和负载矢量可以认为动态一致特征包含了关于稳态投影的信息。具体而言,动态一致特征可以被计算为:
式中,M计算为其可以通过左乘/>得到:
这里,为具有维度ld为单位矩阵。公式(27)表明M可以作为/>的伪逆矩阵,即可以定位原始数据空间的动态和静态相关部分。
最终,Xq+1可以通过Adaptive DiASSA模型实现彻底的数据分解,如下式所示:
其中,表示具有高度动态信息的平稳部分,/>是通过从Xq+1中移除/>获得的残差部分。为进一步研究残差,我们建立了静态SSA模型,以描述保留/>之间的关系静态一致特征/>和非平稳残差/>可得:
式中,和/>分别表示提取ls个静态一致特征的解混矩阵。通过这种方式,Xq+1被完全划分为三个子空间,即
进一步地,故障监测逻辑由以下步骤进行:当新的观测值被采集到时,基于训练得到的Adaptive DiASSA模型,它会被彻底地分解为:
为了进行过程监控,构建了统计量和/>分别用以度量静态和动态一致特征。它们可以通过以下公式计算获得:/>
其中和/>是相应的阈值,并且它们遵循hd和hs自由度χ2分布。α为显著性水平。此外,/>和/>可以基于统计量的均值和方差(μd,σd)以及(μs,σs)计算获得。为了考虑时间阶数对监测统计的影响,本发明提出构建指数加权的累积统计量和/>的方法。该方法在不同的时间段(cd,cs)分配不同的权重(wd,ws),以获得改进的动态与静态一致特征,即
改进后的统计量和/>可以表示为:
此外,受指数加权滑动平均方法的启发,本发明提供了自适应阈值其中包含了固定阈值和灵活阈值:
类似地,自适应阈值也可以依照式(36)获得。
综上,用于故障检测的Adaptive DiASSA模块基本架构如图5所示,离线培训和在线监控两部分组成。离线训练部分在离线训练阶段,使用历史观察来确定最佳参数和阈值。在线监测部分将训练后的Adaptive DiASSA模型应用于新的观测样本,并检测任何潜在故障。通过这种离线培训和在线监控的框架,Adaptive DiASSA方法可以实现对高炉炼铁过程的实时故障检测和监控,这是数字孪生体的重要赋能模块之一。
如步骤8中所述,建立提取特征与质量变量之间的软测量模型有助于对流程工业提供数据分析与决策支持,能够提升生产效率、产品质量和产量,同时降低成本与风险。针对现存深度神经网络算法对缓慢变化参数的不敏感性与弱可解释性,本发明提出一种基于慢特征分析的软测量方法SF-Transformer,结构如图6所示,包括一个编码器层、一个慢特征提取层、一个输出层。其中编码器层中位置编码模块,对输入特征进行正弦曲线位置编码并加入输入特征中;注意力模块用于捕捉输入特征中元素之间的关系;残差连接用于减缓梯度消失问题;全连接前馈层用于进一步提取特征。
由于Transformer模型摒弃了RNN循环神经单元,只依靠自注意力解决每个输入序列之间的关系和每个输入序列与输出序列之间的关系,所以导致模型无法解决输入序列的位置之间的关系。而一个输入序列中的每个元素的位置不同可能表示不同的语义信息,因此需要对输入序列的每个元素注入位置信息。位置编码由不同频率的正弦和余弦函数生成,位置编码的具体方法如下:
P(pos,2j)=sin(pos/100002j/hidden_dim) (37)
P(pos,2j+1)=cos(pos/100002j/hidden_dim) (38)
其中P(pos,2j)代表线性函数;pos表示当前时序数据在窗口中的位置;2j表示偶数的特征维度;2j+1表示奇数的特征维度;hidden_dim表示特征长度。根据位置的奇偶使用两种不同的计算公式对输入数据进行位置编码。该公式表明输入序列的每个维度都对应一个正弦曲线。然后,将特征向量与位置向量相加,表征多头注意力机制的输入。
多头注意力层由多个自注意力拼接而成,每个单独的自注意力模块称为一个头,每个自注意力头的关注点不一样,有的关注变量的上下文信息,而有的关注全局信息,由多个自注意力头组成的多头注意机制可以保证多头互不干涉。相应地,在多子空间内,权重矩阵的自注意力计算方式如下:
其中,Attention表示自注意力,Q表示查询矩阵,K表示键矩阵,V表示值矩阵,dk为键值的维度。首先输入数据分别经过3个单层前馈神经网络将输入序列分别映射到查询向量Q(用来匹配其他向量),关键字向量K(用来被其他向量匹配),值向量V,随后将这三个向量进行自注意力计算,先计算Q和K的相似度然后除以缩放比再用归一化函数softmax分别计算Q和K的相似度系数,最后将相似度系数与V相乘,作为输入序列中各个元素将的注意力。最后,分别搭建残差连接模块、归一化模块和全连接层,得到的输出作为慢特征分析算法的输入。
慢特征分析算法是将数据进行相空间重构、非线性扩展、球化、一阶求导、主成分分析,最后寻找其中最小的特征值与特征向量,是一种非线性的方法,可以从复杂的混沌***中提取出低通滤波无法分析出的慢信号。慢特征提取层用于从编码器提取的特征中提取变化缓慢的部分,用于表征流程工业***的整体趋势,慢特征的计算方式如下:
首先对解码器输出的非平稳特征进行标准化处理得到{h(ti)}i=1,2,...,n,使其满足对时间平均为0,再将其嵌入进一个维度为m,时滞参数τ=1的状态空间Hm(ti)中:
Hm(ti)={hi(tj)}i=1,2,...,m;j=i,i+1,...,i+N-1 (41)
其中N=n-m+1,<hi>表示对时间平均:
对状态空间Hm(ti)进行非线性扩展至k维的G(t)中,具体扩展方式为
其中维数k=m+m(m+1)/2。
慢特征分析的主要目标是寻找输入与输出之间的映射函数,保证输出数据的变化尽可能缓慢。此外还需要通过约束时提取出的信号相互独立并避免常数解。具体来说,假设s1(t)为变化最慢的特征,s2(t)为次慢的特征,以此类推可以保证输出数据是按照其缓慢成都进行排序的。上述慢特征分析概括为优化问题:
其中是sj关于时间变量t的一阶导数。
上述优化问题可化简为
其中为系数常量,Aφ=<(s(t)-s(t-1))(s(t)-s(t-1))T>,Bφ=<s(t-1)s(t)T>,分别为s(t)-s(t-1)和s(t)的协方差矩阵。上述优化问题可转化为广义特征值求解问题:
其中λj即为广义特征值,同时也表征了提取出的慢特征sj(t)的缓慢程度。最后,将慢特征算法提取的缓慢特征作为全连接前馈网络的输入,通过模型权重的学习得到质量变量的输出,实现基于SF-Transformer模型的质量指标的预测,这是数字孪生体应用于软测量领域的重要实现途径。
如步骤9中所述,先进的优化控制方案是推动流程工业降本增效、绿色低碳高效发展的重要手段。特别地,以成本消耗最小、产出收益最大等为性能指标,流程工业中诸多执行器的开关及其进出料数值亟待优化,其中开关变量为二进制整数控制变量,进出料的浓度/容量等参数为连续控制变量。这类优化问题又称混合整数优化问题,其本质为一个组合优化问题,纵然如分支定界法、切平面法、面向整数决策的智能进化算法等方法可以实现求解,但始终无法摆脱这类NP-难问题计算复杂度随决策规模变大而指数膨胀的困境。本发明聚焦于混合整数优化问题的高效求解,提出一种量化自触发模型预测控制方法(QuantizedSelf-Triggered Model Predictive Control,QST-MPC),它仅在触发某些指定事件时才计算控制变量;而在非触发时刻,执行器干脆停止。这一特性与连续控制与0-1整数控制同步优化的工艺需求相契合,且合理的触发机制可以取代0-1整数控制变量的优化求解,从根源上规避NP-难问题的庞大计算负荷。
QST-MPC的运行机理如下:首先待求解的流程工业混合整数优化问题描述为
/>
其中,x(k)为k时刻的状态变量;u(k)与w(k)分别为k时刻的连续控制变量与整数控制变量;F由前述***动态特征表示;与/>分别为系数矩阵。令/>为应用MPC方法求解混合整数优化模型(47)所获得的最优目标函数,L为预测时域长度,则k时刻的最优预测时域控制序列记为
为规避NP-难问题所消耗的巨量计算负荷,参见MPC与ST-MPC控制策略更新方式对比图7中ST-MPC(置零)模式,定义为全时域上的一系列离散触发时刻。若满足某些触发条件,控制动作将在这些触发时刻更新;而在非触发时刻/>控制变量强制为零直至下一触发时刻,具体表示如下
相应地,一个适用于触发式控制策略(49)的等价最优控制模型建立为
值得注意的是,模型(50)只适用于触发式控制策略,其本质上为求解优化模型(50),这里给出MPC模型:
依据上述触发式控制的定义,待完成的任务为:预测触发时刻,使得触发式控制轨迹能够满足递归可行性和预设的目标函数。具体地,待解决的问题可被总结为:
令表示应用最优的时间采样混合整数控制序列{U∞(0),W∞(0)}所得到的目标函数。/>为在某一触发时刻/>所计算的触发式控制序列,如何预测具有最大间隔长度/>的下一个触发时刻/>满足:
1)状态和控制在全时域内满足约束,即对于任意时刻k均有与/>
2)触发式控制方案只能获取次优值,但需满足
其中,θ∈(0,1]为预设的目标水平度。
一般情况下,触发式控制策略只能获得次优值,但是次优程度往往难以提前预知。可以看出,需求2)的本质是对原目标函数的松弛:当θ=1时,触发式控制策略需要达到全局最优,即可获得原混合整数控制问题的求解方案;而θ<1的情况旨在为次优方案提供实施策略,保证即使决策者有意降低触发频率、减少成本,也可以满足某指定的次优目标函数水平。总的来说,上述问题的解可以在满足约束条件的同时,定量地阐述触发频率与目标需求之间的关系,这也是QST-MPC相较于其他自触发式模型预测控制方法(Self-TriggeredModel Predictive Control,ST-MPC)的主要优势。
令为初始状态x(k)在时刻k处所获得的最优有限时域目标函数值对于任意k,显然有
令Θ为任意正整数,k从0至Θ-1,易得
累加可得
令Θ→∞,由于且/>则有
式(56)给出了时间采样混合整数控制策略下的次优性证明,它在θ=1时两侧相等,此时全局最优性可以被严格保证。更重要地,式(56)为触发频率和次优性水平之间的权衡分析提供启发。将其应用于触发式控制策略,可得下式:
其中,为应用触发式控制序列/>所得的有限时域目标函数。然而,一个亟需解决的困境是/>在当前触发时刻/>是未知的。为解决这一问题,QST-MPC设计了一对孪生项被设计如下:
1)估计项用来代替/>且满足/> 的值(即/>)为在***状态/>上应用触发式控制序列所获得,后/>项由零元素填充。事实上,较多的零控制输入意味着较弱的控制作用,也预示着下一触发时刻很快到来。式(57)可以被改写为
2)补偿项用来补偿由式(58)引发的松弛与前一触发时刻的过量估计,在时分别可以反映在下式的part1和part2中:/>
当k=0时,第一补偿项旨在阻止控制动作实施中不平等松弛的累积,而第二补偿项实际上是在时刻/>处/>可用时对/>的校正。考虑到对于任意k,均有/>结合式(58),有
则式(59)可作如下推导,
结合式(60)与式(62)可得
也说明
由于随着/>可得下式:
上式保证触发式控制动作可实现预设的次优性,换言之,目标水平度θ量化了触发频率与目标性能之间的权衡关系。
综上,QST-MPC的触发机制总结如下:对于任意触发时刻使用序列二次规划计算当前的最优控制序列/>将前/>个控制动作应用于状态/>获得状态 直至下一触发时刻/>触发条件为两个串级触发条件,包括:
(1)触发条件A:
(2)触发条件B:
在等未来时刻,上述两个触发条件被先后检测。若任意一个被满足,则此时刻被定义为触发时刻/>并计算新的控制序列/>否则时刻k则被认为是一个非触发时刻,在时刻/>处计算的控制动作可继续使用。触发条件A旨在确认递归可行性,而触发条件B是为了使得控制轨迹驱使***达到规定的次优性水平。QST-MPC的流程图参见图8。
综上,QST-MPC的创新之处在于:(1)触发式控制更新模式所产生的非周期性控制动作求解规避了求解NP-难问题的巨量计算复杂度,只要设定目标水平度θ=1即可实现混合整数优化问题的求解;(2)对下一个触发时刻的主动预测也避免了连续监测,并节省了隐性的人力和物力成本;(3)目标水平度及孪生项的设计量化了触发频率和次优性之间的关系,也可为决策者提前确定触发频率提供预见性指示。QST-MPC模块输出的优化控制策略可有效实现多类型工艺参数的同步优化,是数字孪生***的重要赋能技术之一。
所述步骤10中,以前述算法为内核,在步骤1数字孪生工厂支撑平台上开发多种赋能应用软件,涉及技术包括服务器需求的确定、后端技术栈的部署、前端界面的设计与开发与数字孪生APP的开发、软件的部署、维护与交互。
以上所述实施例的各技术特征可以进行进一步的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,均属于本发明的保护范围。本发明的保护范围由所附权利要求及其任何等同技术方案给出。
Claims (10)
1.一种面向流程工业的数字孪生架构设计方法,其特征在于:包括如下步骤:
1)搭建数字孪生工厂支撑平台,用于实现多模型仿真场景的构建、人机交互画面组态、第三方设备通讯接口、多模型运行调度、人机交互画面运行环境、运行时模型调试功能;
2)搭建动态仿真建模平台,内嵌软件交互***、数据库、物性方法模块与单元设备模块,为后续模型构建与赋能应用模块提供载体;
3)通过流程工业DCS数据库和图像数据库获取多模态过程数据,实现数据的精准感知;
4)确定数字孪生模型必需的关键信息,构建单元级数字孪生模型,高保真刻画流程工业***中工序的几何属性、物理行为、过程动态特征;
5)利用现有模型装配技术,将步骤4中单元级数字孪生模型组装为全流程、高层级数字孪生模型;结合现有模型融合技术,明确多类别模型之间的耦合关系,构建可描述流程工业多设备、全周期特征的数字孪生模型;基于静态数据/动态一致性分析方法,对数字孪生模型的精度、稳定性指标进行验证,以确保数字孪生模型准确拟合实际***;
6)利用现有的连接交互技术,实现流程工业实体、数字孪生体、操作者与环境之间数据传输与信息交换;
7)通过机理模型和自适应图像特征提取,对多模态数据进行特征加工与提取,生成机理特征数据和图像特征数据;构建基于Adaptive DiASSA算法的故障检测模块,对融合后的数据进行过程时序非线性特征提取;基于制定的故障监测逻辑,结合实时特征进行当前运行工况判断;
8)构建基于SF-Transformer算法的指标预测模块,解决现存算法对缓慢变化参数的不敏感性与弱可解释性,实现流程工业质量指标的高精度软测量;
9)构建基于QST-MPC算法的优化控制模块,实现流程工业中多类型操作参数的高效率同步优化;
10)以步骤7)-步骤9)的算法为内核,开发数字孪生赋能应用软件,支撑前述完整的数字孪生技术体系。
2.根据权利要求1所述的面向流程工业的数字孪生架构设计方法,其特征在于,步骤1)中,所述数字孪生工厂支撑平台包括场景设计器软件模块、人机交互画面组态软件模块、仿真服务器软件模块、调试套件软件模块、模型调试软件模块;
步骤2)中,所述动态仿真建模平台包括软件交互***、数据库、物性方法模块与单元设备模块。
3.根据权利要求1所述的面向流程工业的数字孪生架构设计方法,其特征在于,步骤3)中,所述多模态过程数据是指不同模态、不同类型的数据组成的数据集合,包括时序数据、图像数据、设计数据等多模态数据;其中,所述时序数据包括温度数据、风量数据、压力数据、流量数据、电流电压数据、速度数据、能耗数据、化学组分数据,由布置在流程工业生产线中的实体传感器或软传感器获取;所述图像数据包括煅烧过程的火焰燃烧影像、高温过程的红外热成像、流程反应中的反应器内部监测图像以及物料的料面分布图像,由安装在流程工业生产线中的图像采集装置获取;所述设计数据包括形状、大小、内部结构、空间位置、几何关联信息。
4.根据权利要求1所述的面向流程工业的数字孪生架构设计方法,其特征在于,步骤4)中,所述构建单元级数字孪生模型包括构建几何模型、物理模型、化学模型、行为模型与规则模型;所述几何模型旨在获取流程工业实体对象的几何结构、几何关联属性,并通过对已有3D重建和渲染优化引擎的功能分析,利用SolidWorks、unity3D、Unreal4、Source2现有软件平台实现流程/设备的虚拟交互,并采用RealFlow实现流体模拟;所述物理模型旨在刻画状态、行为、结构和材料属性静态特征与运动、变化和相互作用动态特性,利用现有的物理建模工具,包括Ansys、Abaqus、Simulink等进行构建;所述化学模型旨在刻画流程工业***动量传递过程、热量传递过程、质量传递过程与内部化学反应过程;所述行为模型用于表示流程工业实体的顺序、并发、链接、周期性和随机行为,利用现有的行为建模工具,包括AutomaExcisionML、Unity3D进行刻画;所述规则模型旨在揭示流程工业内部隐含的知识,描绘物理实体的内部动态及演化趋势,利用现有的基于物理信息的神经网络进行描述。
5. 根据权利要求1所述的面向流程工业的数字孪生架构设计方法,其特征在于,步骤5)中,所述模型装配是将单元级数字孪生模型实现为更高层次数字孪生模型的过程,利用现有的模型装配工具,包括FlexSim、Demo3D软件,模拟多工序生产线模型的装配过程;所述模型融合是模型装配技术无法达到理想效果时采取的另一技术手段,核心是明确耦合模式和不同领域多模型之间的耦合关系,利用现有的模型融合工具,包括Mechatronic ConceptDesigner、OpenFAST,实现多种类数字孪生模型的融合;所述模型验证是对数字孪生模型与物理对象在相同条件下输出的一致性进行评价,通过利用K-S检验、卡方检验和置信区间法静态数据可信度评估方法与经典谱估计方法、小波分析方法动态数据一致性分析方法建立模型精度及可信度评测等级,构建孪生模型评估验证体系。
6.根据权利要求1所述的面向流程工业的数字孪生架构设计方法,其特征在于,步骤6)中,利用人机接口技术进行所述的流程工业实体、数字孪生体、操作者与环境之间数据传输与信息交换,为:
根据具体应用场景和需求,选择合适的人机接口设备,包括触摸屏、键盘、鼠标、语音识别设备;设计界面布局、交互元素和操作方式,使用户能够直观、便捷地与数字孪生进行交互;开发相应的软件或应用程序,实现人机接口的功能和交互逻辑;数字孪生***接收用户的操作指令,执行相应的操作,更新模型或提供反馈信息。
7.根据权利要求1所述的面向流程工业的数字孪生架构设计方法,其特征在于,步骤7)中,所述过程机理建模根据对象、生产过程的内部机制或者物质流的传递机理建立精确数学机理模型;在流程工业背景下,机理模型包括质量平衡方程、能量平衡方程、动量平衡方程以及某些物性方程、化学反应定律等;所述机理特征数据是所述机理模型中各变量数值,通过数值求解方法对机理模型进行求解获得;所述自适应图像特征提取通过具备自适应特征提取能力的图像特征提取网络实现所述过程图像特征提取;所述图像特征提取网络由预处理模块、展平模块与交替串联的卷积神经网络模块和综合注意力模块组成,为:
采用预处理模块,利用一系列裁剪、滤波、线性变换、伽马变换图像预处理工序,对图像的大小、内容、强度分布进行调整;采用卷积神经网络模块,通过应用多个卷积核对输入图像进行卷积操作,从而提取图像在不同位置的特征;采用由展平层和线性层组成的展平模块,使图像特征的维度与过程变量保持一致;采用综合注意力模块,通过神经网络学习得到通道注意力和空间注意力,两者经过并行计算、相乘、归一化等操作构成,从而学习得到一个与输入形状相同的注意力结构;
数据融合机制通过将不同来源、不同类型、包含不同信息的数据进行整合、处理,并为预测、诊断、优化等下游任务提供更为精简、可靠和高价值信息的机制;数据融合机制例如包括直接连接法、变量选择法、加权组合法、潜变量方法和网络融合方法;
所述自适应动态可解释解析平稳子空间分析(Adaptive DiASSA)故障检测模块,为:采用推理观测分解策略区分出数据中的动态、平稳和非平稳成分;利用迭代建模算法估计封闭区域内的动态一致特征,并有效隔离动态和平稳成分;平稳部分通过平稳子空间分析进一步建模,以构建平稳一致特征并消除非平稳信息的干扰;此外,还采用了一种自适应故障检测策略,利用指数加权统计结构和自适应阈值设置来提高检测效率和鲁棒性。
8.根据权利要求1所述的面向流程工业的数字孪生架构设计方法,其特征在于,步骤8)中,所述基于SF-Transformer算法的指标预测模块,为:首先对输入数据进行位置编码,随后计算输入序列中各元素间的自注意力,经过残差连接、归一化和全连接层后输入慢特征分析层,经过两次数据白化操作后得到慢特征,最后通过全连接层得到软测量结果。
9.根据权利要求1所述的面向流程工业的数字孪生架构设计方法,其特征在于,步骤9)中,所述基于QST-MPC算法的优化控制模块,为:针对流程工业中常见的多类型决策同步优化复杂性大、实时求解能力差的缺陷,从递归可行性与次优性角度设计自触发式控制策略更新机制,量化触发频率和次优性之间的关系,既为决策者提前确定触发频率提供预见性指示,也在目标水平度取值为1时实现混合整数优化问题的求解,从而规避求解NP-难问题。
10.根据权利要求1所述的面向流程工业的数字孪生架构设计方法,其特征在于,步骤10)中,所述动态仿真***以步骤7)-步骤9)的算法为内核,在步骤1)数字孪生工厂支撑平台上开发多种赋能应用软件,开发步骤为:
服务器需求的确定、后端技术栈的部署、前端界面的设计与开发与数字孪生APP的开发、软件的部署、维护与交互。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311481268.7A CN117709185A (zh) | 2023-11-08 | 2023-11-08 | 一种面向流程工业的数字孪生架构设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311481268.7A CN117709185A (zh) | 2023-11-08 | 2023-11-08 | 一种面向流程工业的数字孪生架构设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117709185A true CN117709185A (zh) | 2024-03-15 |
Family
ID=90148712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311481268.7A Pending CN117709185A (zh) | 2023-11-08 | 2023-11-08 | 一种面向流程工业的数字孪生架构设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117709185A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952657A (zh) * | 2024-03-26 | 2024-04-30 | 吉林省吉龙芯科技有限公司 | 基于能源互联网营销服务***的信息推送方法 |
CN118114573A (zh) * | 2024-04-23 | 2024-05-31 | 湘江实验室 | 一种钢铁工艺流程中数字孪生模型的重构与迁移方法 |
CN118154800A (zh) * | 2024-04-30 | 2024-06-07 | 中国人民解放军战略支援部队航天工程大学 | 基于数字孪生的空间环境数据场建模与可视化方法和*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112417619A (zh) * | 2020-11-23 | 2021-02-26 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节***及方法 |
CN114281047A (zh) * | 2021-12-27 | 2022-04-05 | 山东浪潮工业互联网产业股份有限公司 | 一种流程工业生产过程监控管理方法及*** |
US20220333714A1 (en) * | 2018-09-03 | 2022-10-20 | Neles Finland Oy | Valve positioner and diagnostic method |
-
2023
- 2023-11-08 CN CN202311481268.7A patent/CN117709185A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220333714A1 (en) * | 2018-09-03 | 2022-10-20 | Neles Finland Oy | Valve positioner and diagnostic method |
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 |
CN112417619A (zh) * | 2020-11-23 | 2021-02-26 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节***及方法 |
CN114281047A (zh) * | 2021-12-27 | 2022-04-05 | 山东浪潮工业互联网产业股份有限公司 | 一种流程工业生产过程监控管理方法及*** |
Non-Patent Citations (2)
Title |
---|
HENG ZHOU 等: "Intelligent Ironmaking Optimization Service on a Cloud Computing Platform by Digital Twin", 《ENGINEERING 7 (2021)》, 24 July 2021 (2021-07-24), pages 1274 - 1281 * |
张颖伟 等: "基于多智能体的数字孪生及其在工业中应用的综述", 《控制与决策》, vol. 38, no. 8, 31 August 2023 (2023-08-31), pages 2168 - 2182 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952657A (zh) * | 2024-03-26 | 2024-04-30 | 吉林省吉龙芯科技有限公司 | 基于能源互联网营销服务***的信息推送方法 |
CN118114573A (zh) * | 2024-04-23 | 2024-05-31 | 湘江实验室 | 一种钢铁工艺流程中数字孪生模型的重构与迁移方法 |
CN118154800A (zh) * | 2024-04-30 | 2024-06-07 | 中国人民解放军战略支援部队航天工程大学 | 基于数字孪生的空间环境数据场建模与可视化方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karniadakis et al. | Physics-informed machine learning | |
KR102257939B1 (ko) | 설계 툴들로부터의 데이터 및 디지털 트윈 그래프로부터의 지식을 사용하는 자동화된 생성적 설계 합성을 위한 시스템 | |
Xu et al. | Identification of fuzzy models of software cost estimation | |
KR20190107117A (ko) | 시스템들의 자동화 및 제어를 위한 인지 공학 기술을 위한 시스템 및 방법 | |
CN117709185A (zh) | 一种面向流程工业的数字孪生架构设计方法 | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
Fazeli et al. | Generation and evaluation of product concepts by integrating extended axiomatic design, quality function deployment and design structure matrix | |
Kobayashi et al. | Explainable, interpretable, and trustworthy AI for an intelligent digital twin: A case study on remaining useful life | |
Hoffmann et al. | Embodied self-aware computing systems | |
Zhai et al. | Predictive maintenance integrated production scheduling by applying deep generative prognostics models: approach, formulation and solution | |
Chen et al. | Integrating virtual sample generation with input-training neural network for solving small sample size problems: application to purified terephthalic acid solvent system | |
Zhou et al. | Aero-engine prognosis strategy based on multi-scale feature fusion and multi-task parallel learning | |
Ren et al. | Deep learning for time-series prediction in IIoT: progress, challenges, and prospects | |
Li et al. | Prognosis for stochastic degrading systems with massive data: A data-model interactive perspective | |
Lai et al. | Multi-dimensional self attention based approach for remaining useful life estimation | |
Guo et al. | A transformer with layer-cross decoding for remaining useful life prediction | |
Abbas et al. | Interpretable input-output hidden markov model-based deep reinforcement learning for the predictive maintenance of turbofan engines | |
Guo et al. | MHT: A multiscale hourglass-transformer for remaining useful life prediction of aircraft engine | |
Knödler et al. | The Potential of Data-Driven Engineering Models: An Analysis Across Domains in the Automotive Development Process | |
Zhu et al. | A super-real-time three-dimension computing method of digital twins in space nuclear power | |
Wu et al. | Custom machine learning architectures: towards realtime anomaly detection for flight testing | |
He et al. | Digital twin-driven design and manufacturing | |
Nannapaneni et al. | Predictive Model Markup Language (PMML) representation of Bayesian networks: An application in manufacturing | |
Cao et al. | Quality-integrated diagnostic platform for aerospace complex product assembly processes | |
Zhang | Intelligent control system for industrial robots based on multi-source data fusion |
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 |