CN108052020B - 一种面向智能制造的化工过程仿真器 - Google Patents

一种面向智能制造的化工过程仿真器 Download PDF

Info

Publication number
CN108052020B
CN108052020B CN201711373688.8A CN201711373688A CN108052020B CN 108052020 B CN108052020 B CN 108052020B CN 201711373688 A CN201711373688 A CN 201711373688A CN 108052020 B CN108052020 B CN 108052020B
Authority
CN
China
Prior art keywords
simulation
module
model
agent
chemical
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.)
Active
Application number
CN201711373688.8A
Other languages
English (en)
Other versions
CN108052020A (zh
Inventor
姚敏
杨胜蓝
王治泉
荣冈
张劲松
冯毅萍
王玉芹
张泉灵
陈振宇
苏宏业
武东升
谢磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Shenhua Ningxia Coal Industry Group Co Ltd
Original Assignee
Zhejiang University ZJU
Shenhua Ningxia Coal Industry Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU, Shenhua Ningxia Coal Industry Group Co Ltd filed Critical Zhejiang University ZJU
Priority to CN201711373688.8A priority Critical patent/CN108052020B/zh
Publication of CN108052020A publication Critical patent/CN108052020A/zh
Application granted granted Critical
Publication of CN108052020B publication Critical patent/CN108052020B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向智能制造的化工过程仿真器，包括：人机界面模块，与仿真运行模块、模型扩展模块以及业务功能模块进行可视化交互；仿真运行模块，识别并配置化工仿真模型，根据业务功能模块的业务仿真需求进行仿真；模型扩展模块，通过MES层多智能体仿真实现对PCS层化工仿真过程的MES层仿真扩展；业务功能模块，调用数据库中的相应数据，进行MES层仿真，实现不同业务功能的仿真分析；数据库，与仿真运行模块和业务功能模块进行交互，根据业务功能模块的业务仿真需求向仿真运行模块发送响应控制指令，采集仿真运行模块的仿真数据并进行存储；项目管理模块，管理整个系统的组织架构。本发明的化工过程仿真器具有高度的通用性和扩展性。

Description

一种面向智能制造的化工过程仿真器
技术领域
本发明涉及化工过程仿真领域，尤其涉及一种面向智能制造的化工过程仿真器。
背景技术
随着信息技术、通讯技术、人工智能技术的革命性发展，工业生产方式正逐渐向工业化与信息化融合的生产模式转型。智能制造对工业生产而言最关键的是供给侧结构性改革，是对行业供给方式、生产方式和运营方式的一次战略性调整。制造工业企业应当充分利用这次机会，从自动化开始，梳理企业内部的知识资产，利用新型技术革命，推动智能制造起步。
智能制造的本质在于关注人与设备在生产过程中的融合过程，旨在使机器具备分析、推断、判断、决策等能力。在智能制造的新背景下，车间制造执行系统实现对产品制造周期全过程的控制，主要包括生产计划管理、智能质量管理、智能设备管理、智能库存管理等，通过车间制造执行系统，全面提供车间资源的综合利用水平，实现生产过程的智能化。
因此，智能制造新背景对化工过程的仿真也提出了新的要求，在企业尚未将新技术实际投入使用时，工业企业希望通过仿真结果来评估其智能制造的先进性与优越度。因此，化工过程仿真不再局限于传统的工业过程状态仿真与过程控制仿真，还应包括生产管理业务过程的仿真，例如调度排产、质量管理、成本核算、供应链优化等。
随着ISA95标准的推广，对工程仿真模型的定义产生了巨大的影响。从广义上看工厂模型可分为宏观和微观两类。宏观的仿真模型主要指的是ERP层和MES层包括的供应链仿真及生产调度优化仿真等，仅涉及产率模型或上下游资源约束条件等，而微观的仿真模型主要指的是PCS层的生产过程仿真模型，涉及到具有生产复杂的反应机理。多分辨率建模方法和仿真工具提供了一种多层次统一建模的解决方案，是新建智能工厂时的首选建模方法。然而，目前化工企业在研究流程工业中某一特定问题时一般对工厂中的每个对象独立建立仿真模型，这样会导致开发周期长，模型和数据具有针对性，仿真过程需要大量手工配置操作，给工作带来了很大不便，最终导致模型的重用率低和扩展性差，使得多个仿真软件的集成应用困难重重。
目前，能够实现基本仿真功能的系统有很多，但还存在不少问题。比如：(1)只能对特定资源配置的化工过程进行仿真；(2)仿真机制不够合理，难以仿真工艺流程不同的化工过程；(3)缺少一个灵活的仿真环境，在此环节中可以同时满足不同功能的仿真需求，同时研究控制策略、故障诊断、成本情况、供应链优化等多种算法。因此，建立一个集成多种功能、具有高度通用性和扩展性的化工过程仿真系统具有重要的意义。
模型重用和模型扩展的实现通常建立于结构化的面向功能的软件设计方法或面向对象的应用框架技术。结构化设计使用数据流将功能模型粘在一起，形成完整的系统，但限制了系统功能的扩展；面向对象的应用框架技术将数据和行为封装在一起，可以实现系统的可扩展性、代码的重用性，但模型建立需要对原本的化工模型进行推倒重建，大大增加了工作量。
因此，建立一种可以方便地在原有模型上实现模型复用和模型扩展，实现多种面向智能制造的业务仿真功能的化工仿真器意义重大。
发明内容
本发明提供了一种面向智能制造的化工过程仿真器，该化工过程仿真器具有高度的通用性和扩展性。
本发明提供了如下技术方案：
一种面向智能制造的化工过程仿真器，包括：
人机界面模块，与仿真运行模块、模型扩展模块以及业务功能模块进行可视化交互；
仿真运行模块，识别并配置化工仿真模型，根据业务功能模块的业务仿真需求进行仿真；
模型扩展模块，通过MES层多智能体仿真实现对PCS层化工仿真过程的MES层仿真扩展；
业务功能模块，调用数据库中的相应数据，进行MES层仿真，实现不同业务功能的仿真分析；
数据库，与仿真运行模块和业务功能模块进行交互，根据业务功能模块的业务仿真需求向仿真运行模块发送响应控制指令，采集仿真运行模块的仿真数据并进行存储；
项目管理模块，管理整个系统的组织架构。
本发明的化工过程仿真器利用多层次建模框架，建立模型横向扩展、纵向聚集和解聚通用的映射机制。该化工过程仿真器具有高度的通用性和扩展性。
人机界面模块使用菜单设计，避免繁琐的编程调用实现参数设置。人机界面模块可视化地选择业务功能仿真，进行仿真运行模块的参数设置，并监控仿真过程的运行情况。
仿真运行模块包括模型识别、模型映射、参数设定和动态事件预设4个子模块；
模型识别子模块自动识别出原始仿真模型的输入、输出过程变量；
模型映射子模块利用Matlab的用户定义函数块，将原始仿真模型映射为simulink模型；
参数设定和动态事件预设子模块对原始仿真模型进行重新配置。
原始化工过程仿真模型可以是C/C++语言、Matlab或者Fortran语言编写的仿真模型，通过模型识别自动识别出原始模型中过程信息；而后通过模型映射将原始模型封装在Matlab中的用户定义函数块(User-definable Function Block)中，经自动配置后使得原始模型可以在该化工过程仿真器中正常运行；而后，系统可以通过参数设定和动态事件预设来对原始模型进行新配置；仿真运行时，仿真运行模块与数据库进行交互存储仿真数据。
模型识别使得工艺流程不同的仿真模型可以在本化工过程仿真器中得到灵活配置；原始仿真模型可通过模型映射转换为simulink可调用的仿真模型。仿真运行模块通过模型识别、模型映射和参数设置，使得不同运行环境下的化工仿真模型均能在本化工过程仿真器上运行，解决仿真领域中的模型重用的问题，使本化工过程仿真器具有高度的通用性。
模型扩展模块通过MES层多智能体仿真实现对PCS层化工仿真过程的MES层模型扩展，并在此基础上扩展业务功能。
MES层多智能体包括调度Agent、接口Agent、生产操作Agent、巡检Agent、质检Agent、设备维护Agent、资源Agent、成本Agent、库存A gent和监控Agent。
调度Agent作为管理Agent，以接口Agent与ERP层交互信息，接受ERP层的决策，并将其细化；与成本Agent、库存Agent、监控Agent交互信息；与四个任务Agent(包括生产操作Agent、巡检Agent、质检Agent和设备维护Agent)交互信息，实现生产计划的任务分配。
生产操作Agent：确定具体模式进行生产，即将产率模型转化为具体工艺操作条件和控制器参数。
巡检/质检/设备维护Agent：设置智能体群，以固定时间固定路线对PCS层进行离散事件操作。
资源Agent：代表工厂中的各种物理设备过程的数字化资源。
监控Agent：提供MES生产指令执行过程的监控、报警、数据处理等服务，为其他Agent提供数据源和统一监控UI(用户界面)，通常基于实时数据库，集成PCS层的SCADA(数据采集与监视控制系统)、PLC/DCS(可编程逻辑控制器/分散控制系统)，是MES数据平台的基本功能。
通过模型扩展模块实现对PCS层化工仿真过程的MES层模型扩展，将已有的化工仿真过程根据实际需要增加不同的仿真业务功能，体现了智能制造背景下不同仿真功能的需求，使得本发明的化工过程仿真器具有高度的扩展性。
业务功能模块包括过程监控、故障诊断、生产成本分析和产品质量管理4个子模块。
过程监控子模块的过程监控方法是基于核函数的统计理论方法。
核函数是以低维原始空间的数据经过核映射后，在高维特征空间中的内积表示。
基于核函数的统计理论方法的基本思想是在高维特征空间中对数据进行分析与监控。
过程监控子模块内置不同核函数，以选择不同的非线性映射将原始空间中的监控数据映射到高维特征空间中，对监控数据进行分析。
核函数包括如下几种：
(1)线性核函数：k(x，y)＝xTy+c；
(2)多项式核函数：k(x，y)＝(axTy+c)d；
(3)高斯核函数：
Figure BDA0001514198430000051
式(1)～(3)中，x、y代表原始空间中的两个点；k(x，y)和kp(xi，xj)代表原始空间中两个点映射到高维特征空间后在高维特征空间中的内积；a，c，d，σp为常数，可由用户自行设定；
Figure BDA0001514198430000052
代表两个点之间的距离度量函数，比较常见的是欧氏距离。
在高维特征空间进行性能监控时，利用残差空间的SPE统计量来获取整个生产过程运行状况的实时信息，SPE统计量反映了在某一时刻测量值对模型的偏离程度。
故障诊断模块的故障诊断方法是基于多核扩展的费舍尔判别方法。
为了消除不同数据来源间的数据差异性，系统提供在每个数据源内构造一个衡量其数据源内数据之间的关系的核矩阵。
在多核学习框架中，假设我们存在m个基础核函数
Figure BDA0001514198430000053
或者基础核矩阵
Figure BDA0001514198430000054
每个基核ki代表一个特征空间映射
Figure BDA0001514198430000055
X→Fi，i＝1，…，m。因此，组合核函数k(xi，xj)可以定义为：
Figure BDA0001514198430000056
组合核矩阵K由不同的基核
Figure BDA0001514198430000057
线性组合而来，组合核矩阵K可以定义为：
Figure BDA0001514198430000058
其中，ωp，p＝1，...，m，表示基础核函数或基础核矩阵的权重；kp(xi，xj)，p＝1，...，m，表示基础核函数；Kp，p＝1，...，m，表示基础核矩阵。
为将费舍尔判别分析扩展为非线性情况，我们考虑通过非线性映射
Figure BDA0001514198430000059
将原始特征空间映射至高维空间F。
Figure BDA00015141984300000510
为了更好地选择
Figure BDA0001514198430000061
在特征空间F上定义内积<，>，也就是定义一个非线性映射φ(·)从输入空间到高维RKHS H空间，
Figure BDA0001514198430000062
其中，K(xi，xj)是一个正定核函数。
Figure BDA0001514198430000063
表示RKHS空间内的数据矩阵，
Figure BDA0001514198430000064
相类似地，
Figure BDA0001514198430000065
和
Figure BDA0001514198430000066
代表RKHS空间内的局部类间散度矩阵和局部类内散度矩阵：
Figure BDA0001514198430000067
Figure BDA0001514198430000068
其中，
Figure BDA0001514198430000069
Figure BDA00015141984300000610
W(b)和W(w)表示局部类间邻接图和局部类内邻接图的系数矩阵，ci是xi的类别标签，l∈{1，2，…，c}。
A表示特征空间的投影向量，因此特征空间中对应的目标函数为：
Figure BDA00015141984300000611
由于所有解A∈F都是
Figure BDA00015141984300000612
的线性组合：
Figure BDA00015141984300000613
Figure BDA00015141984300000614
Figure BDA00015141984300000615
求解如上的优化问题即可得到基础核函数的权重与特征空间的投影向量。
故障诊断的监控统计量为特征向量的欧氏距离，假设历史数据与实时数据的特征向量分别为Tr(tr，1，tr，2，...，tr，n)和Tc(tc，1，tc，2，...，tc，n)，则欧氏距离的统计量为：
Figure BDA0001514198430000071
其中，tj，i(i＝1，...，n；j＝r，c)，表示历史数据与实时数据的n维不同特征。
通过历史数据确定不同故障的统计量，确定其分布信息，以此作为基准进行后续故障检测。
生产成本分析子模块对化工生产过程的成本进行监测与核算。
产品质量管理子模块对选择的产品对象进行质量管理，质量管理的步骤包括：
a)选择产品对象及选择该产品对象需要监测的质量特性值，确定该产品对象的规格标准；
b)对选择的产品对象进行仿真测试，得到质量数据并存储；
c)分析待监测产品与规格标准之间的差异及存在差异的原因，给出相应的改进措施。
数据库采集仿真运行模块和模型扩展模块的数据，给底层模块发送响应控制指令以满足业务层的功能需求，同时也配合业务功能模块提高特定历史数据库信息。
项目管理模块主要负责整个系统的组织，包含6个子模块，分别管理用户、工程、预设的动态事件、控制算法、仿真运行、业务功能，每个子模块都需要实现新建、打开、修改、删除等操作，包括友好清晰的界面和读写数据库等内部功能，从而达到界面组织的一致性，方便用户使用。
与现有技术相比，本发明的有益效果为：
本发明的化工过程仿真器运用面向对象的方法设计，从而具有灵活而强大的功能：模型识别功能，使得工艺流程不同的仿真程序可以在本化工过程仿真器中灵活配置；模型映射功能，使得化工过程仿真模型输入可通过模型映射转换为simulink可调用的仿真模型；各种业务功能各成模块、接口清晰，使之具有较高的通用性和替换性；同时，采用项目管理的信息组织方式，方便地组织和管理多种类型的化工过程仿真。
附图说明
图1为本发明化工过程仿真器的功能结构示意图；
图2为本发明化工过程仿真器各模块之间的关系示意图；
图3为纵向扩展的MES层过程的结构示意图；
图4为MES层过程的工作量模型图；
图5为案例田纳西伊斯特曼化工过程示意图；
图6为案例的模型映射示意图；
图7为案例的参数设置示意图；
图8为案例的业务功能仿真示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
面向智能制造的化工过程仿真器的功能结构如图1所示，包括：
人机界面模块：设计用户友好界面GUI，使用菜单设计，避免繁琐的编程调用实现参数设置；
业务功能模块：调用数据库中的相应数据，对化工仿真过程进行MES层扩展，实现不同功能的业务仿真分析，业务层可以跨越不同管控层面，图中列举了主要功能；
数据库：采集各底层模块的数据，给底层模块发送响应控制指令以满足业务层的功能需求，同时也配合业务功能模块提高特定历史数据库信息；
底层仿真运行模块：用于过程仿真，通过对原始输入化工仿真模型进行模型识别、模型映射后，生成相应的化工过程模型的simulink模块；
项目管理模块，负责整个系统的组织。
各模块之间的关系如图2所示。
(1)仿真运行模块
仿真运行模块分为模型识别、模型映射、工程参数设定和动态事件预设4个子模块。
(i)模型识别
工业过程模型是表达工业过程系统特征的过程信息模型，表示为：IPM(Industrial Process Model)＝[ID，Cpm，Dpm，Mv，Rs]，其中：ID为工业过程标志名称；Cpm为工业过程系统连续过程变量；Dpm为工业过程系统离散过程变量；Mv为工业过程可以被调控的过程变量；Rs为模型需要设置的运行时间间隔。
原始模型可以是C/C++语言，Matlab或者Fortran语言编写的仿真模型。通过参数设定模块将模型的对应变量名输入，然后模型识别子模块可以自动识别模型的输入输出过程变量。
(ii)模型映射
模型映射是把原始模型利用用户定义函数块(User-definable Function Block)映射为simulink模型。用户定义函数块的实现必须符合S函数标准，系统的变量t，x，u，flag将由simulink自动传递给S函数。而原始模型的系统变量已经通过模型识别模块识别完毕，因此可简单实现模型映射。
至此，原始模型可以实现在本化工过程仿真器中运行和自由配置。
仿真运行时，仿真运行模块与数据库进行交互存储仿真数据。
(2)模型扩展模块
通过多智能体仿真实现对原PCS层化工仿真过程的MES层模型扩展，并在此基础上扩展业务功能。
如图3所示，MES层多智能体有调度Agent、接口Agent、生产操作Agent、巡检Agent、质检Agent、设备维护Agent、资源Agent、成本Agent、库存A gent、监控Agent。MES层过程的工作流模型如图4所示。
调度Agent作为管理Agent，以接口Agent与ERP层交互信息，接受ERP层的决策，并将其细化；与成本Agent、库存A gent和监控Agent交互信息；与四个任务Agent交互信息，实现生产计划的任务分配。
生产工艺操作Agent：确定具体模式进行生产，即将产率模型转化为具体工艺操作条件和控制器参数；巡检/质检/设备维护Agent：设置智能体群，以固定时间固定路线对PCS层进行离散事件操作；资源Agent：代表工厂中的各种物理设备过程的数字化资源；监控Agent：提供MES生产指令执行过程的监控、报警、数据处理等服务，为其他Agent提供数据源和统一监控UI，通常基于实时数据库，集成PCS层的SCADA、PLC/DCS，是MES数据平台的基本功能。
(3)仿真运行模块和模型扩展模块控制算法库的实现
底层控制算法实现了基本的控制算法，可以选择该模型中需要被控制的过程变量实现基本控制功能。该部分被认为是本化工过程仿真器的一个基础功能。通过参数设定模块可以对模型中的参数设置不同的控制策略，并进行调试。
(4)项目管理模块
在多功能通用仿真环境中，需要一种良好的管理方式，以便灵活地结合各种仿真要素，使用户既能方便地进行管理，又能对模型进行全面综合地研究。
本化工过程仿真器采取独特的项目管理组织方式，定义了管理用户、工程、预设的动态事件、控制算法、仿真运行、业务功能6种项目以分别管理，为了方便对典型的资源配置，将“控制算法”、“业务功能”作为独立的项目列出，允许多个工程共有同一个控制算法或者业务功能的结果。工程可以组合出所需的多种类型的仿真，这样既避免用户多次输入的繁琐，又使得的多次仿真结果得以在仿真结束后一直保留，进行横向比较研究。
(5)业务功能模块
本化工过程仿真器目前提供四种业务功能，分别为过程监控、故障诊断、生产成本分析、产品质量管理。
(I)过程监控
过程监控指对过程的运行状态进行智能监控，输出结果为系统运行正常/系统运行失常，其本质为一个二分类问题。
本化工过程仿真器选定过程监控业务功能后，会提供参数设定页面来确定需要被监控的模型输出变量，通过历史仿真运行数据以确定合适的SPE(平方预报误差)统计量，而后匹配合适的过程监控方法，从而对该重点变量进行实时监控。
过程监控方法是基于核函数的统计理论方法。基于核函数的统计理论方法的基本思想是在高维特征空间中对数据进行分析与监控。
过程监控子模块内置不同核函数，以选择不同的非线性映射将原始空间中的监控数据映射到高维特征空间中，对监控数据进行分析。
核函数包括如下几种：
(1)线性核函数：k(x，y)＝xTy+c；
(2)多项式核函数：k(x，y)＝(axTy+c)d；
(3)高斯核函数：
Figure BDA0001514198430000111
式(1)～(3)中，x、y代表原始空间中的两个点；k(x，y)和kp(xi，xj)代表原始空间中两个点映射到高维特征空间后在高维特征空间中的内积；a，c，d，dp，σp为常数，可由用户自行设定；
Figure BDA0001514198430000112
代表两个点之间的距离度量函数，比较常见的是欧氏距离。
在高维特征空间进行性能监控时，利用残差空间的SPE统计量来获取整个生产过程运行状况的实时信息，SPE统计量反映了在某一时刻测量值对模型的偏离程度。
(II)故障诊断
故障诊断指对失常的过程运行状态进行分析诊断，输出结果为系统失常的原因，其本质为一个多分类问题。
本化工过程仿真器选定故障诊断业务功能后，会提供预设动态事件页面来设置故障事件，而后匹配历史仿真运行数据库确定其分布信息以及不同的故障诊断方法，从而对过程运行中的故障诊断。
故障诊断方法是基于多核扩展的费舍尔判别方法。
为了消除不同数据来源间的数据差异性，系统提供在每个数据源内构造一个衡量其数据源内数据之间的关系的核矩阵。
在多核学习框架中，假设我们存在m个基础核函数
Figure BDA0001514198430000113
或者基础核矩阵
Figure BDA0001514198430000114
每个基核ki代表一个特征空间映射
Figure BDA0001514198430000115
X→Fi，i＝1，…，m。因此，组合核函数k(xi，xj)可以定义为：
Figure BDA0001514198430000116
组合核矩阵K由不同的基核
Figure BDA0001514198430000117
线性组合而来，组合核矩阵K可以定义为：
Figure BDA0001514198430000121
其中，ωp，p＝1，...，m，表示基础核函数或基础核矩阵的权重；kp(xi，xj)，p＝1，...，m，表示基础核函数；Kp，p＝1，...，m，表示基础核矩阵。
为将费舍尔判别分析扩展为非线性情况，我们考虑通过非线性映射
Figure BDA0001514198430000122
将原始特征空间映射至高维空间F。
Figure BDA0001514198430000123
为了更好地选择
Figure BDA0001514198430000124
在特征空间F上定义内积<，>，也就是定义一个非线性映射φ(·)从输入空间到高维RKHS H空间，
Figure BDA0001514198430000125
其中，K(xi，xj)是一个正定核函数。
Figure BDA0001514198430000126
表示RKHS空间内的数据矩阵，
Figure BDA0001514198430000127
相类似地，
Figure BDA0001514198430000128
和
Figure BDA0001514198430000129
代表RKHS空间内的局部类间散度矩阵和局部类内散度矩阵：
Figure BDA00015141984300001210
Figure BDA00015141984300001211
其中，
Figure BDA00015141984300001212
Figure BDA00015141984300001213
W(b)和W(w)表示局部类间邻接图和局部类内邻接图的系数矩阵，ci是xi的类别标签，l∈{1，2，…，c}。
A表示特征空间的投影向量，因此特征空间中对应的目标函数为：
Figure BDA0001514198430000131
由于所有解A∈F都是
Figure BDA0001514198430000132
的线性组合：
Figure BDA0001514198430000133
Figure BDA0001514198430000134
Figure BDA0001514198430000135
求解如上的优化问题即可得到基础核函数的权重与特征空间的投影向量。
故障诊断的监控统计量为特征向量的欧氏距离，假设历史数据与实时数据的特征向量分别为Tr(tr，1，tr，2，...，tr，n)和Tc(tc，1，tc，2，...，tc，n)，则欧氏距离的统计量为：
Figure BDA0001514198430000136
其中，tj，i(i＝1，...，n；j＝r，c)，表示历史数据与实时数据的n维不同特征。
通过历史数据确定不同故障的统计量，确定其分布信息，以此作为基准进行后续故障检测。
(III)生产成本分析
生产成本分析指对特定化工生产过程的成本进行监测与核算，并对未来生产过程起到计划作用，其本质为一个优化问题。
本化工过程仿真器选定生产成本分析功能后，会提供生产成本设置页面来设定过程生产成本，包括设置相关的过程变量和产品成本，而后匹配成本数据库以对生产过程的实时成本进行分析。
(IV)产品质量管理
产品质量管理是企业为生产合格产品、提供顾客满意的服务、减少无效劳动而进行的控制工作。
质量管理的步骤有：选择产品对象；选择需要监测的质量特性值；确定规格标准；进行仿真测试并存储质量数据；分析与规格之间的差异原因；给出相应的改进措施。
以下给出一个具体的化工过程仿真器实现的案例：
案例为田纳西伊斯特曼(TE)过程，是目前最为广泛采用的衡量众多监测与控制策略的过程案例。
TE过程如图5所示，包括5个主要单元，分别为反应器、冷凝器、压缩机、气液分离器、汽提塔。该过程中有4种气体反应物A、C、D和E，两种液体产品G和H，以及一种副产品F。TE过程一共含有12个操作变量和41个测量变量。
原始模型程序为以C语言编写的田纳西伊斯特曼(TE)过程仿真程序。通过模型识别模块，本化工过程仿真器识别出原始模型的过程变量共22个连续过程变量与11个操作变量。而后通过模型映射模块，本化工过程仿真器将原始C语言编写的TE过程仿真程序映射为可以在Matlab中运行的simulink模块，示意如图6所示。其中，TE Code模块对应用户定义函数块(User-definable Function Block)，其中调用了原始C语言仿真模型。用户可以通过本化工过程仿真器对原始模型进行仿真运行与参数配置。参数设置部分如图7所示。
最后，用户可以通过调用业务功能模块实现对原始仿真模型的功能扩展，实现对过程监控，故障诊断，生产成本分析与质量管理，如图8所示。OpCost部分是对小时生产成本的分析，Production Monitor是对生产的过程监控，Quality Monitor是对生产产品的质量管理监控。
通过本化工过程仿真器，可以实现仿真模型的横向扩展、纵向聚集和解聚的通用映射机制。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种面向智能制造的化工过程仿真器，其特征在于，包括：
人机界面模块，与仿真运行模块、模型扩展模块以及业务功能模块进行可视化交互；
仿真运行模块，识别并配置化工仿真模型，根据业务功能模块的业务仿真需求进行仿真；
模型扩展模块，通过MES层多智能体仿真实现对PCS层化工仿真过程的MES层仿真扩展；
业务功能模块，调用数据库中的相应数据，进行MES层仿真，实现不同业务功能的仿真分析；
数据库，与仿真运行模块和业务功能模块进行交互，根据业务功能模块的业务仿真需求向仿真运行模块发送响应控制指令，采集仿真运行模块的仿真数据并进行存储；
项目管理模块，管理整个系统的组织架构。
2.根据权利要求1所述的化工过程仿真器，其特征在于，所述的仿真运行模块包括模型识别、模型映射、参数设定和动态事件预设4个子模块；
模型识别子模块自动识别出原始仿真模型的输入、输出过程变量；
模型映射子模块利用Matlab的用户定义函数块，将原始仿真模型映射为simulink模型；
参数设定和动态事件预设子模块对原始仿真模型进行重新配置。
3.根据权利要求1所述的化工过程仿真器，其特征在于，MES层多智能体包括调度Agent、接口Agent、生产操作Agent、巡检Agent、质检Agent、设备维护Agent、资源Agent、成本Agent、库存A gent和监控Agent。
4.根据权利要求1所述的化工过程仿真器，其特征在于，所述的业务功能模块包括过程监控、故障诊断、生产成本分析和产品质量管理4个子模块。
5.根据权利要求4所述的化工过程仿真器，其特征在于，过程监控子模块的过程监控方法是基于核函数的统计理论方法。
6.根据权利要求4所述的化工过程仿真器，其特征在于，故障诊断模块的故障诊断方法是基于多核扩展的费舍尔判别方法。
7.根据权利要求6所述的化工过程仿真器，其特征在于，所述的基于多核扩展的费舍尔判别方法包括：
(1)在每个数据源内构造一个衡量该数据源内数据之间关系的核矩阵，作为基础核矩阵核矩阵
Figure FDA0002385591970000021
组合核矩阵K由不同的基础核矩阵
Figure FDA0002385591970000022
线性组合而来，组合核矩阵K可以定义为：
Figure FDA0002385591970000023
其中，ωp,p＝1,…,m，表示基础核函数或基础核矩阵的权重；Kp,p＝1,…,m，表示基础核矩阵；
(2)在组合核矩阵K的基础上进行费舍尔判别。
CN201711373688.8A 2017-12-19 2017-12-19 一种面向智能制造的化工过程仿真器 Active CN108052020B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711373688.8A CN108052020B (zh) 2017-12-19 2017-12-19 一种面向智能制造的化工过程仿真器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711373688.8A CN108052020B (zh) 2017-12-19 2017-12-19 一种面向智能制造的化工过程仿真器

Publications (2)

Publication Number Publication Date
CN108052020A CN108052020A (zh) 2018-05-18
CN108052020B true CN108052020B (zh) 2020-06-09

Family

ID=62133884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711373688.8A Active CN108052020B (zh) 2017-12-19 2017-12-19 一种面向智能制造的化工过程仿真器

Country Status (1)

Country Link
CN (1) CN108052020B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109358588A (zh) * 2018-11-06 2019-02-19 珠海市长陆工业自动控制系统股份有限公司 一种涂料生产过程中的流程自动化控制技术方法
CN109599000A (zh) * 2018-12-24 2019-04-09 深圳兆鼎科技有限公司 一种基于mes的教学与演示系统
CN112905385B (zh) * 2021-01-27 2022-01-07 北京航空航天大学 一种基于模型备份的数字孪生模型运行及迭代演化方法
CN113721560B (zh) * 2021-02-07 2023-08-01 贵州航天云网科技有限公司 一种面向底层数据的开放式协同制造云架构系统及实现方法
CN115604013B (zh) * 2022-10-21 2023-05-23 北京珞安科技有限责任公司 一种工业数据交互平台及交互方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101841839A (zh) * 2010-01-22 2010-09-22 华中科技大学 一种无线传感器网络仿真系统
CN104633829A (zh) * 2013-11-06 2015-05-20 上海思控电气设备有限公司 楼宇冷冻站节能控制装置及方法
CN106027319A (zh) * 2016-07-22 2016-10-12 中国科学院计算技术研究所 一种仿真物联网资源服务系统及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7814456B2 (en) * 2004-11-22 2010-10-12 Tela Innovations, Inc. Method and system for topography-aware reticle enhancement
CN105302096B (zh) * 2015-11-10 2019-12-31 湖南千盟物联信息技术有限公司 一种工厂智能调度方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101841839A (zh) * 2010-01-22 2010-09-22 华中科技大学 一种无线传感器网络仿真系统
CN104633829A (zh) * 2013-11-06 2015-05-20 上海思控电气设备有限公司 楼宇冷冻站节能控制装置及方法
CN106027319A (zh) * 2016-07-22 2016-10-12 中国科学院计算技术研究所 一种仿真物联网资源服务系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
An introduction to kernel-based learning algorithms;K RM，等;《IEEE transactions on neural networks》;20011231;第12卷(第2期);第181-201页 *
智慧工厂的参考模型与关键技术;张益,冯毅萍,荣冈;《计算机集成制造系统》;20161231;第22卷(第1期);第1-12页 *
荣冈，等.一种基于优先级的控制系统性能评估和安全监控系统.《化工学报》.2016,第67卷(第3期),第809-814页. *

Also Published As

Publication number Publication date
CN108052020A (zh) 2018-05-18

Similar Documents

Publication Publication Date Title
CN108052020B (zh) 一种面向智能制造的化工过程仿真器
US20170351226A1 (en) Industrial machine diagnosis and maintenance using a cloud platform
KR101825881B1 (ko) 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템
US8086649B1 (en) Incremental association of metadata to production data
US9953280B2 (en) Industry-specific workflows in a manufacturing execution system with premier integration
Dassisti et al. Industry 4.0 paradigm: The viewpoint of the small and medium enterprises
Zhu et al. A framework-based approach to utility big data analytics
CN112579653A (zh) 工业数据的逐步情境化和分析
JP2006053915A (ja) 統一化されたプラント・モデル用ダイナミック・スキーマ
US20200250897A1 (en) Intelligent prognostics and health management system and method
Brodsky et al. Analysis and optimization in smart manufacturing based on a reusable knowledge base for process performance models
US7974937B2 (en) Adaptive embedded historians with aggregator component
CN112633769A (zh) 一种高级计划排程系统
Galar et al. Fusion of maintenance and control data: a need for the process
Jharko et al. Intelligent NPP operators support systems: Flexible modeling software package and digital twins
CN113919813A (zh) 基于产线动态价值流图的产线动态价值流分析方法和系统
Hammouda et al. Dependability Evaluation and Supervision in Thermal Power Plants.
CN104035342A (zh) 一种基于ifix平台的实时报警智能辅助分析系统及方法
Pizoń et al. Manufacturing process support using artificial intelligence
Schmid et al. Hybrid production management system in the context of industry 4.0
CN110032149B (zh) 用于监视和控制产品批次的生产的能量成本的方法
Leitão et al. A lightweight dynamic monitoring of operational indicators for a rapid strategical awareness
Canito et al. Flexible architecture for data-driven predictive maintenance with support for offline and online machine learning techniques
Galar et al. Integration of production data in CM for non-stationary machinery: a data fusion approach
Schmitt et al. Improving Shop Floor-Near Production Management Through Data-Driven Insights

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