CN117930767A - 一种基于云边协同和hils的大型焙烧炉模拟装置 - Google Patents
一种基于云边协同和hils的大型焙烧炉模拟装置 Download PDFInfo
- Publication number
- CN117930767A CN117930767A CN202311842194.5A CN202311842194A CN117930767A CN 117930767 A CN117930767 A CN 117930767A CN 202311842194 A CN202311842194 A CN 202311842194A CN 117930767 A CN117930767 A CN 117930767A
- Authority
- CN
- China
- Prior art keywords
- model
- simulation
- edge
- cloud
- roasting
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 87
- 230000008569 process Effects 0.000 claims abstract description 82
- 238000012544 monitoring process Methods 0.000 claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000013500 data storage Methods 0.000 claims abstract description 6
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims description 23
- 239000011701 zinc Substances 0.000 claims description 23
- 229910052725 zinc Inorganic materials 0.000 claims description 23
- 230000007246 mechanism Effects 0.000 claims description 21
- 230000000007 visual effect Effects 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000001354 calcination Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000010304 firing Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 238000005243 fluidization Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 230000009467 reduction Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 16
- 238000003723 Smelting Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 7
- 238000002347 injection Methods 0.000 description 5
- 239000007924 injection Substances 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009856 non-ferrous metallurgy Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009854 hydrometallurgy Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000005654 stationary process Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33273—DCS distributed, decentralised controlsystem, multiprocessor
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于云边协同和硬件在环仿真(HILS)的大型焙烧炉模拟装置,采用包括终端设备、边缘层设备和云服务器的云边协同架构;所述终端设备采用仿真器实现,包括:采用函数模型表示的焙烧过程仿真模型,将仿真模型输出的连续变量数据转换为符合工业标准电信号的虚拟传感器,将从边缘设备接收的控制信号转换为仿真模型输入控制量的虚拟执行器;所述边缘层设备包括虚拟数字机柜和真实的分布式控制***;其中,虚拟数字机柜用于实现分布式控制***的I/O功能以及数据存储。本发明对实际对象的还原度较高,对焙烧过程监测与控制算法的测试效果好。
Description
技术领域
本发明属于工业控制领域,具体涉及一种基于云边协同和HILS的大型焙烧炉模拟装置。
背景技术
锌冶炼是以锌精矿为主要原料进行熔炼和加工的有色冶金过程,对于工艺的安全性和稳定性有着较高的要求[1]。一般而言,有色冶金过程较为复杂,包含众多物理化学反应。焙烧过程作为锌冶炼的第一道工序,直接关系到后续产出锌的质量,因此实现焙烧过程的稳定控制和过程监测显得十分重要。现阶段,针对包括焙烧在内的有色冶金流程的监测和控制研究是较为热门的领域。学者们提出了许多先进高效的算法以及对应的解决方案,然而他们的算法通过验证调试后才能真正用于工业现场,但是现场调试的风险较大,一个错误的操作可能导致难以挽回的损失。
HILS是一种同时集硬件和软件仿真的优势于一体,将实物部分和实时仿真部分相结合的技术手段[2]。其中,实时仿真部分的仿真对象为被控***。但是对于锌冶炼焙烧过程,其工况波动较大且优化设定值改变频繁等特点导致现场进行算法调试困难,仅有被控***以HILS的形式进行模拟的情况,在安全环境下测试复杂焙烧过程控制和监测效果的能力欠佳。
另外,锌冶炼作为典型的重工业行业,其生产环境恶劣,设备众多。高效的监测控制算法部署存在着许多局限性,如受限于边缘设备较弱的计算能力,其数据处理效率低,难以训练复杂的模型等。
发明内容
针对大型焙烧炉现场调试风险大的技术问题,本发明提供一种基于云边协同和HILS的大型焙烧炉模拟装置,在对焙烧过程进行机理建模的基础上,采用高效的云边协同框架并选择合适的软硬件搭建焙烧炉模拟装置,对实际对象的还原度较高,对焙烧过程监测与控制算法的测试效果好。
为实现上述技术目的,本发明采用如下技术方案:
一种基于云边协同和HILS的大型焙烧炉模拟装置,采用包括终端设备、边缘层设备和云服务器的云边协同架构;
所述终端设备采用仿真器实现,包括:采用函数模型表示的焙烧过程仿真模型,将仿真模型输出的连续变量数据转换为符合工业标准电信号的虚拟传感器,将从边缘设备接收的控制信号转换为仿真模型输入控制量的虚拟执行器;
所述边缘层设备包括虚拟数字机柜和真实的分布式控制***DCS;其中,虚拟数字机柜用于实现DCS的I/O功能以及数据存储。
进一步的,云服务器与边缘层设备之间通过HTTP协议进行服务的请求与回复,边缘层设备通过OPC通讯协议将实时数据上传至云服务器存储。
进一步的,边缘设备与终端设备之间通过MODBUS TCP通讯协议上传数据与下发指令。
进一步的,终端设备选用VisionFive开发板作为仿真器并通过python编程实现。
进一步的,在VisionFive开发板上,采用函数模型表示焙烧过程仿真模型的实现方法为:
对焙烧过程的工艺机理进行分析,给出建模假设;
用具有不变粒度的收缩未反应核模型表征焙烧过程的反应动力学;
基于两相流化理论,采用简化的混合模型描述焙烧过程的流体动力学;
结合能量守恒方程、质量守恒方程,得到焙烧过程的机理模型;
将焙烧过程的机理模型编程为实时输入-输出的函数模型,用于表示焙烧过程仿真模型。
进一步的,所述边缘层设备还包括可视化监控***,分为智能监控子***和可视化演示子***;
所述智能监控子***,用于提供待测的监测和控制算法的运行环境,通过OPC协议与DCS进行数据交换,并根据监测和控制算法的运行结果判断算法的性能;
所述可视化演示子***,通过接入智能监控子***以及DCS的数据,实现焙烧过程的实时监测、优化调整、故障诊断结果展示以及数据分析,以及对过程物理参数进行直观的统计分析、显示焙烧过程的异常状况。
进一步的,所述云服务器的实现方法为:
首先基于Transwarp Inceptor进行云端数据库的搭建,用以储存边缘层设备同步到云端的数据;
此外,将焙烧过程监测与控制算法的模型训练部分以Docker镜像的形式打包并上架Docker Hub;
之后,在云服务器上拉取Docker镜像并启动容器,在Docker容器内运行模型训练程序并通过API提供模型更新服务。
进一步的,所述大型焙烧模拟装置用于对锌焙烧过程的监测与控制算法进行测试。
本发明具有的有益效果如下:
本发明对焙烧过程进行机理建模的基础上,引入高效的云边协同框架并选择合适的软硬件来搭建硬件在环仿真(HILS)平台,用以作为焙烧炉的模拟装置,模拟焙烧工业现场的被控对象以及控制逻辑,在此基础上验证控制和监测算法的工程部署方案。本发明对焙烧过程的监测与控制对象的还原度较高,而且充分发挥云端强大的计算能力以及边缘端实时任务执行能力。
附图说明
图1为本实施例所述的“边-端”高仿真工程架构;
图2为本实施例所述的云边协同架构;
图3为本实施例所述的基于云边协同的半实物仿真平台;
图4为本实施例所述的DCS***人机界面图;
图5为本实施例所述的可视化演示***界面;
图6为本实施例所述的温度预测值与真实值对比;
图7为本实施例所述的在线监测阶段进料量曲线;
图8为本实施例所述的在线监测效果图;
图9为本实施例所述的云边协同框架控制效果图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例以本发明的技术方案为依据开展,给出了详细的实施方式和具体的操作过程,对本发明的技术方案作进一步解释说明。
本发明对焙烧过程进行机理建模的基础上,提出一种基于高效的云边协同框架并选择合适的软硬件来实现焙烧炉的模拟装置,用于对焙烧过程监测与控制算法进行调试。
1、云边协同的HILS平台架构
本发明提出的基于云边协同和HILS的大型焙烧炉模拟装置,采用包括终端设备、边缘层设备和云服务器的云边协同架构,可以发挥云端强大的计算能力以及边缘端实时任务的执行能力,而半实物仿真平台可以模拟工业现场并验证工程部署方案。
为了尽可能模拟工业现场,在边缘层与终端之间搭建“边-端”高仿真工程架构。如图1所示,(a)展示了工业现场边缘层与终端装备之间的架构:在终端,传感器读取冶金装备的实时运行数据,执行器完成控制指令的实施,同时边端之间通过Modbus TCP通讯,使得边缘层的I/O设备能够读取传感器数据并向执行器下发指令。(b)展示了本发明搭建的“边-端”高仿真工程架构,在VisionFive上设计了虚拟传感器和执行器,并且内部包含机理模型用来模拟冶金装备的运行,边缘层与终端之间同样通过MODBUS TCP协议通讯。同时在边缘层,用虚拟数字机柜实现I/O功能以及数据存储,并自行搭建与现场一致的分布式控制***(DCS)。
考虑到云端高性能计算的能力,同时也利用边缘设备的位置优势,引入云边协同框架综合利用云端和边缘的资源,将服务的计算任务在云端和边缘设备之间进行合理分配。云服务器作为服务的存储仓库和提供者,一般位于远离终端装备的位置。而边缘设备通常比云端拥有更少的计算和存储资源,但能满足运行或者调用某一服务的性能需求。边缘设备一般紧邻终端装备,以确保通讯与服务的稳定性。如图2所示,云端服务器中存储有众多服务,如控制服务、监测服务,边缘设备向云端发送请求调用云端服务,或者下载服务至边缘层,云边之间存在防火墙保障数据安全。边缘设备通过网关连接终端装备,实现实时数据交互与指令下发。以湿法冶金流程为例,每一道工序均配备多种边缘设备,而这些边缘设备从云端调用不同的服务以实现不同的功能。此时,云端的作用是为不同类型的边缘设备提供不同的服务,以及为不同工序但同一类型的边缘设备提供可复用的服务。
基于云边协同架构的思想以及“边-端”高仿真工程架构,本发明搭建了云边协同半实物仿真平台。如图3所示,云端服务器中,通过交互式编程或可视化编程的方式设计算法,并发布成服务。边缘层包含虚拟数字机柜、分布式控制***(DCS)以及可视化监控***。终端装备由高保真机理模型模拟焙烧炉运行,该模型部署在VisonFive开发板上。云端与边缘端通过HTTP协议进行服务的请求与回复,边缘端与终端之间通过MODBUS TCP通讯协议上传数据与下发指令,同时边缘层通过OPC通讯协议将实时数据上行至云端存储。
2、终端装备
焙烧过程的终端装备主要包括焙烧炉以及分布于现场实现不同功能的传感器和执行器等。该小节对本实施例设计的实时仿真部分进行详细的说明,包括仿真器的选择、仿真环境以及虚拟传感器和执行器的实现。
本发明的大型焙烧炉模拟装置选用VisionFive开发板来满足HILS平台对实时仿真部分的性能要求。一方面,仿真***要实现实时控制,就需要保证其稳定性和实时性,以便能精确控制与调节物理化学过程的变化;另一方面,焙烧过程需要实时监测和分析多个参数,如温度,氧气浓度,烟气成分等,对数据处理的速度要求较高;此外,通讯协议也是必须考虑在内的一环。焙烧过程涉及多种化学反应、传热、物质相变等复杂过程,所以包含了大量的数学物理模型,在仿真时需要进行复杂的算法计算。在上述仿真场景下,本发明实施例选择了StarFive公司的VisionFive开发板作为仿真器,它是基于Linux***的RISC-V单板计算机。相比于FPGA等其他仿真器,VisionFive开发板基于RISC-V架构,具有易于使用的软件开发工具和大量的开源软件库,可以帮助更快地开发和测试仿真模型。此外,VisionFive开发板还具有丰富的通信接口和高速内存,可以提供足够的计算和内存带宽,以满足焙烧过程仿真的需求。
基于VisionFive开发板的虚拟环境,本实施例对锌冶炼焙烧过程进行机理建模,首先对锌焙烧炉过程的工艺机理进行分析,并给出了一些建模假设。然后,用具有不变粒度的收缩未反应核模型用于表征锌焙烧过程的反应动力学。基于两相流化理论,采用简化的混合模型描述了锌焙烧过程的流体动力学。最后,结合能量守恒方程、质量守恒方程得到锌焙烧过程的机理模型,并基于焙烧炉的实际运行数据测试所提出的模型的性能。将数学模型以python语言编程为可实时输入-输出的函数模型,通过该模型仿真实现了被控对象,即锌焙烧过程的数值模拟。
与此同时,通过编程模拟了传感器和执行器的数据转换过程。一般而言,真实的传感器的输出信号符合一定的工业标准,比如4~20mA的电流信号。本实施例仿真模型产生的数据如温度值、进料量等连续变量将通过真实的传感器特性曲线转换为符合工业标准的电信号,并通过工业上常用的MODBUS TCP协议与虚拟数字机柜实现通讯。上述过程通过python编程实现,虚拟传感器将仿真模型的输出进行类型转换,保存至MODBUS寄存器内,虚拟数字机柜作为客户端发送读取请求,获取数据后并通过电信号的反转变换,实现传感器数据的采集过程。虚拟执行器则接收虚拟机柜发送的控制器的控制信号,转换为对应的输出,如转速、鼓风量等,作为焙烧仿真模型所需的模型输入值。通过设计虚拟传感器和执行器,最大程度上实现了焙烧过程终端装备的高保真模拟。
3、边缘设备
边缘设备是相对云端服务器而言的,其是指在工业自动化场景下接近物理设备的设备,具有一定的计算和存储能力。边缘设备一般要实现数据的采集、存储、传输和处理等功能。HILS的实物部分主要为实际的控制器,可以视为边缘设备的一部分。在本实施例中,边缘设备主要包括虚拟数字机柜、真实的DCS以及可视化监控***。
3.1、虚拟数字机柜
本实施例选择一台具有一定计算能力和存储空间的计算机来进行数字机柜的模拟。具体而言,该计算机作为MODBUS TCP客户端以及OPC客户端,获取到传感器的数据并输送给DCS***,同时返回DCS***的控制信号,用以实现DCS的I/O机柜的功能。此外,在该计算机上搭建了数据库作为存储设备。通过上述步骤,在最大程度上实现了真实数字机柜的模拟。
3.2、真实的DCS
本发明针对实际的焙烧过程搭建了完备的DCS***,如图4所示。
该锌冶炼焙烧炉控制***基于浙大中控DCS***进行搭建,可以实现对焙烧过程的控制、监测、报警以及历史数据处理等功能。此***包括了焙烧过程的标温、进料量、鼓风量等全部关键变量,并设计了人机界面直观地进行展示。底层通过PID的控制,使操作变量的实际值快速跟随设定值,为全流程的控制提供基础支持。
3.3、可视化监控***
本发明的可视化监控***,其核心分为智能监控子***以及可视化演示子***两部分,下面将分别进行介绍。
智能监控子***用于提供待测的监测和控制算法的运行环境,包括算法运行所需的依赖包、提供了同被控仿真对象和DCS***、数据库等的通讯接口,可以进行运行数据读取、算法运行测试、结果输出的功能,其基本编程环境为python语言,通过OPC协议与DCS***进行数据交换,并根据监测和控制算法的运行结果判断算法的性能,如控制效果、故障检测率等,以此完成算法在真正工业部署前的高保真模拟环境下的验证测试。其主要包括数据采集模块、数据存储模块、数据处理模块、优化控制模块、过程监测模块、控制回馈模块等六个主要的功能模块,详细的介绍见表1。
表1智能监控子***模块功能表
模块 | 功能 |
数据采集 | 通过OPC协议实时读取DCS***关键变量的值,并将数据同步至云服务器 |
数据存储 | 将采集到的实时数据存入本地的SQLServer数据库,并进行管理 |
数据处理 | 将采集的实时数据进行必要的数据处理,如进行滤波以及计算统计特征等 |
优化控制 | 可以支持各类先进控制算法的运行,实现焙烧的智能控制决策 |
过程监测 | 允许各种过程监测算法的实时运行,用以监测工业焙烧过程 |
控制回馈 | 将优化控制的结果即控制量的优化建议值返回DCS***,实现上层智能优化控制 |
可视化演示子***,如图5所示。该子***通过接入智能监控子***的监测和控制结果以及DCS***的各变量实时数据,通过曲线图、3D映射等方式直观展示控制变量的变化以及闭环控制下被控对象的状态,实现了焙烧过程实时监测、优化调整、故障诊断结果展示以及数据分析等功能。此外,能够及时掌握焙烧过程的异常状况,而且可以对过程物理参数进行直观的统计分析,多方位立体的演示整个模拟装置的运行情况,便与优化调整生产过程,提高生产效率和产品品质。
4、云服务器
本发明选取星环云服务器提供稳定高效的计算资源,其采用虚拟化技术,可以实现多租户以及弹性扩容等功能,满足云边协同的需求。在该云服务器上,针对本实施例的目标,首先基于Transwarp Inceptor进行云端数据库的搭建,用以储存边缘设备同步到云端的数据。此外,将复杂的控制监测算法的模型训练部分以Docker镜像的形式打包并上架Docker Hub。之后,在云服务器上拉取Docker镜像并启动容器,在Docker容器内运行模型训练程序并通过API提供模型更新服务。完成上述工作后,边缘设备便可以调用APL来获取模型更新的结果,从而根据模型进行一些轻量化的控制决策以及在线监测,这些并不对计算资源有较大的要求。
在将数据采集、处理以及简单的运算工作部署在边缘设备的基础上,通过云服务器的搭建以及复杂计算服务的发布,可以在云边协同的模式下实现焙烧过程的智能控制和监测,不仅支持了复杂先进的控制监测算法在实际工业过程应用前的测试验证工作,而且保留了传统边端控制模式下的HILS平台的快速响应能力。
5、检测和实验验证数据
以焙烧过程为实例,验证本实施例的大型焙烧炉模拟装置——云边协同HILS平台的可行性和有效性。控制服务和监测服务的目标对象均是焙烧炉模型,故首先验证建模的准确性,然后再验证控制与监测算法的可行性。所以,分别介绍了建模实验、控制实验和监测实验,以及各自的结果分析。
5.1、建模实验及分析
为验证上文提出的锌焙烧过程机理模型,使用真实的锌焙烧过程数据对其进行验证,数据来自云南某锌冶炼企业,采样时间为1分钟,取1分钟内平均值作为采样值,共4000组样本,前3000组样本用于训练,后1000组用于测试。由于实际焙烧过程中是根据焙烧炉内标温对焙烧过程进行控制,因此选择焙烧炉内标温作为模型输出变量,模型验证结果如图6所示:
机理模型的预测值与炉温的传感器数据的MAPE为0.24%。仿真结果证明所提出的锌焙烧炉机理模型是合理的。因此,所提出的机理模型可作为锌焙烧炉的数字孪生模型,为实际锌焙烧炉优化控制提供研究对象。
5.2、监测实验及分析
DCS数据的采样时间为10s,选取10000条历史数据在云服务器进行模型训练,在某一时刻向终端进料量虚拟传感器注入+7的偏置故障,持续30分钟后恢复正常。SSSA算法的正则化系数λ取0.0002。图7和图8分别绘制了故障注入前60分钟到故障停止注入后30分钟(即第360条到540条为故障注入时期的数据),共计2小时的进料量和过程监测的结果。
在注入故障后,进料量的值仍未超过工艺设置的上下限指标,因此DCS并不会进行报警。然而利用云边协同模式下的非平稳过程监测,在第360条处即故障注入初期及时检测出故障,并第540条即故障恢复时判断***处于正常运行状态。说明了云边协同模式下,边缘端调用云端训练的模型结果可以做到及时的在线过程监测响应,并取得较好的监测效果。
5.3、控制实验及分析
在云边协同HILS平台进行控制实验,设定控制周期T为2分钟,辨识所需数据集大小Ntotal为1800和超参数k为5,模型更新阈值Updateth为80,预测时域和控制时域Np=Nc=5,输出权重P=2,控制权重R=1,控制改变量上下限Linf=-10和Lsup=10,累计控制改变量上下限IDOCinf=-40和IDOCsup=40,周期数kt=10。每小时改变一次控制目标设定值,并在运行过程中缓慢改变机理模型参数以模拟工况逐渐变化,同时加入不确定的外部扰动。
算法控制效果如图9所示,其中,第750采样周期左右的停滞是因为受增减超限约束影响,而第1500采样周期的波动是因为此时运行工况发生了较大的变化。说明了云边协同框架可以存在外部扰动的情况下实现较好的控制效果,并能及时地自适应更新预测模型以消除工况变化产生的影响。
本实施例针对锌冶炼焙烧过程,引入云边协同的概念,充分发挥云端强大的计算能力以及边缘端实时任务执行能力,研发了大型焙烧炉模拟装置——云边协同的HILS平台,用于模拟焙烧工业现场的被控对象以及控制逻辑,在此基础上验证控制和监测算法的工程部署方案。该实施例的HILS平台基于云-边-端架构进行设计,可以充分发挥各部分的作用,具有高效的性能。除了针对焙烧炉外,该模拟装置可以通过改变实时仿真部分的机理模型来面向有色冶金的许多对象,如制酸、溶出、净化等,具有较强的扩展性和复用性。
以上实施例为本申请的优选实施例,本领域的普通技术人员还可以在此基础上进行各种变换或改进,在不脱离本申请总的构思的前提下,这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (8)
1.一种基于云边协同和HILS的大型焙烧炉模拟装置,其特征在于,采用包括终端设备、边缘层设备和云服务器的云边协同架构;
所述终端设备采用仿真器实现,包括:采用函数模型表示的焙烧过程仿真模型,将仿真模型输出的连续变量数据转换为符合工业标准电信号的虚拟传感器,将从边缘设备接收的控制信号转换为仿真模型输入控制量的虚拟执行器;
所述边缘层设备包括虚拟数字机柜和真实的分布式控制***DCS;其中,虚拟数字机柜用于实现DCS的I/O功能以及数据存储。
2.根据权利要求1所述的大型焙烧模拟装置,其特征在于,云服务器与边缘层设备之间通过HTTP协议进行服务的请求与回复,边缘层设备通过OPC通讯协议将实时数据上传至云服务器存储。
3.根据权利要求1所述的大型焙烧模拟装置,其特征在于,边缘设备与终端设备之间通过MODBUS TCP通讯协议上传数据与下发指令。
4.根据权利要求1所述的大型焙烧模拟装置,其特征在于,终端设备选用VisionFive开发板作为仿真器并通过python编程实现。
5.根据权利要求1所述的大型焙烧模拟装置,其特征在于,在VisionFive开发板上,采用函数模型表示焙烧过程仿真模型的实现方法为:
对焙烧过程的工艺机理进行分析,给出建模假设;
用具有不变粒度的收缩未反应核模型表征焙烧过程的反应动力学;
基于两相流化理论,采用简化的混合模型描述焙烧过程的流体动力学;
结合能量守恒方程、质量守恒方程,得到焙烧过程的机理模型;
将焙烧过程的机理模型编程为实时输入-输出的函数模型,用于表示焙烧过程仿真模型。
6.根据权利要求1所述的大型焙烧模拟装置,其特征在于,所述边缘层设备还包括可视化监控***,分为智能监控子***和可视化演示子***;
所述智能监控子***,用于提供待测的监测和控制算法的运行环境,通过OPC协议与DCS进行数据交换,并根据监测和控制算法的运行结果判断算法的性能;
所述可视化演示子***,通过接入智能监控子***以及DCS的数据,实现焙烧过程的实时监测、优化调整、故障诊断结果展示以及数据分析,以及对过程物理参数进行直观的统计分析、显示焙烧过程的异常状况。
7.根据权利要求1所述的大型焙烧模拟装置,其特征在于,所述云服务器的实现方法为:
首先基于Transwarp Inceptor进行云端数据库的搭建,用以储存边缘层设备同步到云端的数据;
此外,将焙烧过程监测与控制算法的模型训练部分以Docker镜像的形式打包并上架Docker Hub;
之后,在云服务器上拉取Docker镜像并启动容器,在Docker容器内运行模型训练程序并通过API提供模型更新服务。
8.根据权利要求1所述的大型焙烧模拟装置,其特征在于,用于对锌焙烧过程的监测与控制算法进行测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311842194.5A CN117930767A (zh) | 2023-12-29 | 2023-12-29 | 一种基于云边协同和hils的大型焙烧炉模拟装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311842194.5A CN117930767A (zh) | 2023-12-29 | 2023-12-29 | 一种基于云边协同和hils的大型焙烧炉模拟装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117930767A true CN117930767A (zh) | 2024-04-26 |
Family
ID=90765321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311842194.5A Pending CN117930767A (zh) | 2023-12-29 | 2023-12-29 | 一种基于云边协同和hils的大型焙烧炉模拟装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117930767A (zh) |
-
2023
- 2023-12-29 CN CN202311842194.5A patent/CN117930767A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106990759B (zh) | 用于使用云计算技术来布置工业工厂仿真器的方法和装置 | |
CN104345726B (zh) | 过程控制***中的非侵入式数据分析 | |
EP2924562B1 (en) | Multiple controllers configuration management interface for system connectivity | |
US11604459B2 (en) | Real-time control using directed predictive simulation within a control system of a process plant | |
EP2871540B1 (en) | Time synchronization of signal transmission intervals for simulating a machine in industrial automation | |
CN102906650B (zh) | 多阶段过程建模方法 | |
US11119455B2 (en) | Control system database systems and methods | |
CN110262279A (zh) | 控制***以及控制方法 | |
CN101154213A (zh) | 大型电站综合自动化***仿真平台 | |
CN103309321A (zh) | 一种应用于煤化工的冷态仿真*** | |
EP3493001A1 (en) | Cloud-based method and system for optimising tuning of an industrial plant | |
CN106940533A (zh) | 一种基于云超实时仿真平台与硬件在环的实时决策方法 | |
US11320811B2 (en) | Plant operating condition setting support system, learning device, and operating condition setting support device | |
Ponsa Asensio et al. | Human intervention and interface design in automation systems | |
Johnstone et al. | Enabling industrial scale simulation/emulation models | |
CN117930767A (zh) | 一种基于云边协同和hils的大型焙烧炉模拟装置 | |
CN103529803A (zh) | 一种基于云端虚拟化的烧结偏析布料先进控制实验*** | |
Dai et al. | Configurable platform for optimal-setting control of grinding processes | |
Linlin et al. | Compound fuzzy PID level control system based on WinCC and MATLAB | |
CN106155017A (zh) | 面向工业控制***的仿真沙盘与生产现场快速移植的方法 | |
EP4109187A1 (en) | Predicting process variables by simulation based on an only partially measurable initial state | |
Kocian et al. | Modeling and Simulation of Controlled Systems and Technologies in Industrial Control | |
Halenárová et al. | Digital Twin proposal using the Matlab-Stateflow model and Docker containers | |
Allsopp | Parallel Development of a Real-time Co-Simulation and MPC Control System for the Universal Water System | |
Zayas-Gato et al. | Virtual Implementation of Practical Control Subjects as an Alternative to Face-to-Face Laboratory Lessons |
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 |