CN111651890B - 基于数据驱动的铝电解数字孪生工厂、控制方法及系统 - Google Patents

Abstract

本发明公开了基于数据驱动的铝电解数字孪生工厂、控制方法及系统，其方法包括：获取铝电解车间的工业设备执行的操作记录和铝电解槽的特征参数；将特征参数和操作记录作为输入数据训练出融合决策模型，融合决策模型中多源异构数据融合模型是将特征参数中的结构类数据输入神经网络分支N₁中得到第一特征、将非结构类数据输入神经网络分支N₂中得到第二特征；再融合第一特征和第二特征得到深层融合特征；融合决策模型中决策模型是将深层融合特征作为决策模型的输入，操作记录作为训练标签进行训练得到，其输出工业操作决策。本发明解决了铝电解工厂中不同频率与来源的异构数据无法得到充分利用的问题，为铝电解领域的数字孪生工厂的构建奠定基础。

Description

基于数据驱动的铝电解数字孪生工厂、控制方法及系统

技术领域

本发明属于铝电解技术领域，具体涉及一种基于数据驱动的铝电解数字孪生工厂、控制方法及系统。

背景技术

铝电解工业在国民经济和社会发展具有举足轻重的作用，其中，铝电解控制技术是支撑现代铝电解技术及铝电解工艺指标飞速发展的关键技术。在以铝电解工业为代表的有色金属工业正向信息化和智能化转型的新形势推动下，开展面向智能工厂的铝电解检测、集成控制与智能化关键科学问题研究显得极为重要。

目前总体来说，铝电解的智能制造尚处于起步阶段，依然未摆脱人工为主的模式，智能化程度亟待提升。然而，推动铝电解智能生产决策的发展离不开广泛可靠的数据来源，虽然铝电解工业现有参数检测技术进步较大，生产过程中也可以采集大量不同频率与来源的异构数据，但由于多源异构数据整合的复杂性及专业性，现铝电解领域尚无融合及分析技术使之利用到生产实践中，这成为了现代铝工业的智能制造技术革新的瓶颈。

发明内容

本发明的目的是提供一种基于数据驱动的铝电解数字孪生工厂控制方法及系统，通过融合多源异构数据解决了铝电解工厂中大量不同频率与来源的异构数据无法得到充分利用的问题，利用融合得到的深度特征可在保证铝电解稳定生产的前提下，实现铝电解生产过程最优控制，实现了铝电解领域的数字孪生工厂的构建。

本发明提供一种基于数据驱动的铝电解数字孪生工厂控制方法，包括如下步骤：

S1：获取铝电解车间的工业设备执行的操作记录以及铝电解槽的特征参数，并按照时间整合至数据库中，所述特征参数是与铝电解槽运行状况实时相关的参数；

S2：将数据库中存储特征参数以及操作记录作为输入数据训练出融合决策模型，所述融合决策模型包括基于神经网络以及融合工具构建的多源异构数据融合模型以及基于卷积深度学习网络构建的决策模型：

其中，多源异构数据融合模型中将特征参数中的结构类数据输入神经网络分支N₁中得到第一特征e₁，以及将特征参数中的非结构类数据输入神经网络分支N₂中得到第二特征e₂；然后利用融合工具融合所述第一特征e₁和所述第二特征e₂得到深层融合特征e₃；

决策模型是将所述深层融合特征e₃作为决策模型的输入，操作记录作为训练标签进行训练得到，所述决策模型的输出为铝电解车间的工业操作决策；

其中，基于训练后的融合决策模型以及实时采集的所述特征参数得到工业操作决策，并根据工业操作决策对铝电解车间进行控制。

其中，本发明利用多源异构数据融合模型解决了铝电解工厂中大量不同频率与来源的异构数据无法得到充分利用的问题，且融合得到的深层融合特征e₃更具有代表性，进而利用深层融合特征e₃构建的决策模型的可靠性更高，为铝电解的智能化的实现奠定了基础。

进一步优选，所述多源异构数据融合模型是基于CNN神经网络以及t-SNE融合工具构建的。

进一步优选，所述CNN神经网络中的优化代价函数J(x)为：

式中，

为第i个样本在当前层第j个神经元对应的输入量，yⁱ为第i个样本在当前层对应的预测量，n表示当前层参数神经元的个数，m表示样本数，w_j为当前层第j个神经元对应权重，e为指数底数。

基于铝电解工业的特征以及实验结果，设置上述优化代价函数可以使得多源异构数据融合模型的融合效果更佳，最终提高了决策模型的可靠性。

进一步优选，所述CNN神经网络中神经网络分支N₁的网络深度为56层，滤波核大小为2×2，神经网络分支N₂的网络深度为76层，滤波核大小为3×3。

进一步优选，所述铝电解槽的特征参数由槽电流、槽电压、侧部槽壳温度、阴极钢棒温度、电解温度、铝水平、电解质水平、分子比、硅铁含量以及火眼图像及视频的任意多个组合；

其中，槽电流、槽电压、侧部槽壳温度、阴极钢棒温度、电解温度、铝水平、电解质水平、分子比、硅铁含量为结构化数据；火眼图像及视频为非结构化数据。

进一步优选，融合决策模型训练过程中还包括利用步骤S2输出的工业操作决策进行数字仿真分析，并基于仿真结果得到工业操作优化策略，再将所述工业操作优化策略反馈至融合决策模型进行模型优化。

配合仿真技术实现物理模型与现实生产情况的数字映射。

进一步优选，所述根据工业操作决策对铝电解车间进行控制过程包括：

利用步骤S2输出的工业操作决策进行数字仿真分析，并基于仿真结果得到工业操作优化策略，再根据工业操作优化策略对铝电解车间进行控制。

另一方面，本发明提供一种基于上述方法的铝电解数字孪生工厂，包括通信连接的实况监控单元、数据存储单元、融合决策单元、制造执行单元；

其中，实时监控单元用于实时监控并采集铝电解车间的工业设备执行的操作记录以及铝电解槽的特征参数；

数据存储单元用于按照时间整合存储实时监控单元采集的操作记录和铝电解槽的特征参数；

融合决策单元用于利用特征参数以及操作记录作为输入数据训练出融合决策模型；

制造执行单元用于根据融合决策模型输出的工业操作决策对铝电解车间进行控制。

进一步优选，所述铝电解数字孪生工厂还包括数字仿真单元，所述数字仿真单元用于利用工业操作决策进行数字仿真分析。其中，数值仿真单元包括仿真计算模块、车间信息模块；

所述仿真计算模块用于基于车间信息模块构建的数字化物理模型进行数值仿真分析：

车间信息模块用于根据铝电解槽车间构建比一比还原的数字化物理模型。

此外，本发还提供一种铝电解系统，包括铝电解槽、铝电解车间的工业设备以及上述控制系统。

有益效果

本发明通过融合多源异构数据解决了铝电解工厂中大量不同频率与来源的异构数据无法得到充分利用的问题，利用融合得到的深层融合特征可在保证铝电解稳定生产的前提下，实现铝电解生产过程最优控制，配合实时槽况参数及仿真技术实现物理模型与现实生产情况的数字映射，实现了铝电解数字孪生工厂的构建。其实现了以数字孪生作为车间管控系统的智能大脑，辅以生产仿真系统实现自学习自决策的建设目标。

附图说明

图1是本发明实施案例提供的一种基于数据驱动的铝电解数字孪生工厂的结构示意图；

图2是本发明提供的一种铝电解多源异构数据融合模型的结构示意图。

具体实施方式

下面将结合实施例对本发明做进一步的说明。

如图1所示，本发明实施例提供的基于数据驱动的铝电解数字孪生工厂包括实况监控单元10、数据存储单元20、融合决策单元30、数字仿真单元40、制造执行单元50。其中，实况监控单元10与数据存储单元20、制造执行单元50连接；数据存储单元20与实时监控单元10、融合决策单元30连接；融合决策单元30与数字存储单元20、数字仿真单元40连接；制造执行单元50与实时监控单元10、数字仿真单元40连接；数字仿真单元40与融合决策单元30、制造执行单元50连接。其中，各个单元之间的通过传输控制协议/因特网互联协议(TCP/IP)建立通信连接。

其中，实况监控单元10由工艺参数监控模块101和设备控制统计模块102组成。通过工业通讯协议连接各分散式的监控版块构成工艺参数监控模块101，工艺参数监控模块101实时监控采集槽电流、电压、侧部槽壳温度、阴极钢棒温度、电解温度、铝水平、电解质水平、分子比、硅铁含量、火眼状态信息。设备控制统计模块102提供设备运行状态监控功能，对铝电解车间中工艺流程的工业设备执行的操作记录进行集成记录，实现生产计划数据、执行数据统计，譬如铝水日产量、下料量、添加剂添加量等。

本实施例中，针对槽电流及电压，利用基于横梁压降测量的电流检测新方法，对横梁的电位分布、温度对测量的影响进行测量分析。针对侧部槽壳温度及阴极钢棒温度，基于预先ANSYS对槽壳温度的模拟仿真结果，利用红外测温仪获得检测数据。针对电解温度、铝水平、电解质水平、分子比、硅铁含量，利用铝电解领域常规检测方法进行记录上传。针对铝电解槽的火眼状态，利用工业摄像机对准槽尾部火眼，将环境中的光学信号转换为视频信号，然后通过数据线将视频信息传输给图像采集卡，最后图像采集卡将视频信号进行数字化，形成数字火眼图像及视频信号。其他可行的实施例中，也不限于上述方式来采集特征参数。

数据存储单元20用于存储来自实况监控单元10的数据。其包括了结构化数据库201、非结构化数据库202以及Hadoop大数据库203。本实施例中，结构化数据库201用于存储设备控制统计模块102中输出的操作记录、工艺参数监控模块101输出的槽电流、电压、侧部槽壳温度、阴极钢棒温度、电解温度、铝水平、电解质水平、分子比、硅铁含量工艺参数。非结构化数据库202则用于存储工艺参数监控模块101输出的火眼图像及视频。由于结构化数据库201及非结构化数据库202中的数据均来自于分散式控制系统下控制的监控设备，故还需通过整合协议的形式将海量工业数据存储于Hadoop大数据库203中。

整合协议如下：

对结构化数据库201、非结构化数据库202所采集的变量数据进行数据预筛选，其中变量名、值、时间戳、对应时间下操作记录不完善的数据将会被清洗掉(时间戳下特征数据以及操作记录完整的数据作为样本数据进入模型训练)。在结构化数据库201、非结构化数据库202中按时间戳建立分区表，将实况监控单元10中采集到的数据按日期存储在对应的分区表中；在Hadoop大数据库203的主节点服务器上创建抽取任务，按时间戳将结构化数据库201、非结构化数据库202对应分区表中的数据完整抽取至所述Hadoop平台的分布式文件系统中。

融合决策单元30中的数据融合模块301是基于本发明提出的一种针对结构化数据及非结构化数据的多源异构数据融合模型进行开发，实现Hadoop大数据库203中不同结构数据的信息融合架构搭建。

融合决策单元30中的自优化决策模块302，是基于数据融合模块301输出的深层融合特征作为输入，并利用操作记录作为训练标签训练卷积深度学习网络得到铝电解车间生产的决策模型，并将决策模型输出的工业操作决策输出至数字仿真单元40进行二次验证。

数字仿真单元40由仿真计算模块401、车间信息模块402、可视化操作模块403组成。

仿真计算模块401通过数据交换接口接收融合决策单元30的仿真分析请求和工业操作决策，然后基于车间信息模块402建立的物理模型，调用第三方仿真软件(如ANSYS)开放接口对生产过程进行仿真分析输出工业操作优化策略，最后向制造执行单元50及融合决策单元30输出优化后的工业操作优化策略。此时，融合决策模块302进一步基于工业操作优化策略对决策模型进行完善，既向外部系统提供预测分析功能又有自学习功能。

车间信息模块402是需要根据生产线的工艺流程、物流路径、信息的输入输出数据、运行原理等进行全数字化物理建模。包括设备、仪表、阀门、阀件、管道、配电箱、信息点等。这些建模对象的几何模型的外观、大小和位置应该和物理生产线完全保持一致；每个建模对象都需赋唯一的编码；每个建模对象都需定义它的物流输入输出的设备、信息流输入输出的信息点和供电设备，并通过设备的唯一编码将彼此关联起来；每个建模对象都需要定义分类、名称、规格、型号、关键技术参数等属性；对于核心生产设备，需要定义它的行为，并对设备行为进行编码。工业操作优化策略、工业操作决策、操作记录均与其工业设备的行为、参数设定相对应。

可视化操作模块403基于车间信息模块402建立的物理模型，可通过虚拟现实等技术手段同步反映铝电解工厂生产情况，为操作人员提供操作智能工厂的可视化界面，上述可视化界面基于私有协议，通过上位机设备与车间信息模块402进行通信，把人为控制参数或车间信息的数据改变直接写入到车间信息模块402中，经仿真计算模块401优化后，可对制造执行单元50进行远程监控与调试，保证智能工厂的集中管控。

制造执行单元50由车间工艺管理模块501及生产调度管理模块502组成。车间工艺管理模块501对应执行下料、温度、更换阳极、出铝等工艺操作。生产调度管理模块502执行包括零部件供应调度、生产计划调控、设备利用调度、线上及线边物流进行调度、成品存储和出厂调度、主要物料消耗优化调度。与此同时，设备控制统计模块同步记录制造执行单元的执行过程。

本发明提供的一种基于数据驱动的铝电解数字孪生工厂控制方法，包括如下步骤：

S1：获取铝电解车间的工业设备执行的操作记录以及铝电解槽的特征参数，并按照时间整合至数据库中，所述特征参数是与铝电解槽运行状况实时相关的参数；

S2：将数据库中存储特征参数以及操作记录作为输入数据训练出融合决策模型，所述融合决策模型包括基于神经网络以及融合工具构建的多源异构数据融合模型以及基于卷积深度学习网络构建的决策模型：

其中，多源异构数据融合模型的构建过程如下：

首先，引入特征自学习机制，，建立对应模式下的CNN网络，将特征参数输入至网络并识别数据类型。其中，本实施例中，若数据类型为结构化数据，数据维度包括一维参数值及一维时间戳，属于低维数据，对应网络分支N₁的网络深度可设为56层，滤波核大小为2×2；若数据类型为非结构化数据，数据维度包括二维图片及一维时间戳，属于高维数据。对应网络分支N₂的网络深度可设为76层，滤波核大小为3×3。

然后，基于设置的优化代价函数，预先训练第一层，以便自动从原始输入数据中学习第一层的特征，用作下一层的输入，再通过层层学习直至所有隐藏的层都预先训练好为止。

其中，前一层输出的特征作为下一次的输入。

训练后网络分支N₁学习到特征e₁，网络分支N₂的学习到特征e₂；

最后，利用t-SNE算法融合e₁及e₂得到深层融合特征e₃。

关于决策模型的构建过程：

将深层融合特征e₃作为输入数据，并将对应时间的操作记录作为训练标签训练卷积深度学习网络得到决策模型。其中，应当理解，操作记录是对应铝电解车间工业执行设备的执行、参数设置等，其与铝电解车间的运行直接相关，本发明采集操作记录后，对其进行数字编码作为训练标签，使得决策模型输出的工业操作决策也是与操作记录相对应的，用于对铝电解车间的工业执行设备进行控制。

S3：利用步骤S2输出的工业操作决策进行数字仿真分析，并基于仿真结果得到工业操作优化策略，再将所述工业操作优化策略反馈至融合决策模型进行模型优化。

本实施例中，在实际应用中，利用训练后的融合决策模型以及实时采集的所述特征参数得到工业操作决策，并根据工业操作决策进行仿真分析优化工业操作决策后再根据工业操作优化决策对铝电解车间进行控制。其他可行的实施例中，也可以直接利用融合决策模型最终输出的工业操作决策对铝电解车间进行控制，并利用仿真优化结果进行模型在线优化。本发明对此不进行具体的限定。

需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。

Claims (10)

1.一种基于数据驱动的铝电解数字孪生工厂控制方法，其特征在于：包括如下步骤：

S1：获取铝电解车间的工业设备执行的操作记录以及铝电解槽的特征参数，并按照时间整合至数据库中，所述特征参数是与铝电解槽实时运行状况相关的参数；

S2：将数据库中存储特征参数以及操作记录作为输入数据训练出融合决策模型，所述融合决策模型包括基于神经网络以及融合工具构建的多源异构数据融合模型以及基于卷积深度学习网络构建的决策模型：

其中，多源异构数据融合模型中将特征参数中的结构类数据输入神经网络分支N₁中得到第一特征e₁，以及将特征参数中的非结构类数据输入神经网络分支N₂中得到第二特征e₂；然后利用融合工具融合所述第一特征e₁和所述第二特征e₂得到深层融合特征e₃；

决策模型是将所述深层融合特征e₃作为决策模型的输入，操作记录作为训练标签进行训练得到，所述决策模型的输出为铝电解车间的工业操作决策；

其中，基于训练后的融合决策模型以及实时采集的所述特征参数得到工业操作决策，并根据工业操作决策对铝电解车间进行控制。

2.根据权利要求1所述的方法，其特征在于：所述多源异构数据融合模型是基于CNN神经网络以及t-SNE融合工具构建的。

3.根据权利要求2所述的方法，其特征在于：所述CNN神经网络中的优化代价函数J(x)为：

式中，

为第i个样本在当前层第j个神经元对应的输入量，yⁱ为第i个样本在当前层对应的预测量，n表示当前层参数神经元的个数，m表示样本数，w_j为当前层第j个神经元对应权重，e为指数底数。

4.根据权利要求2所述的方法，其特征在于：所述CNN神经网络中神经网络分支N₁的网络深度为56层，滤波核大小为2×2，神经网络分支N₂的网络深度为76层，滤波核大小为3×3。

5.根据权利要求1所述的方法，其特征在于：所述铝电解槽的特征参数由槽电流、槽电压、侧部槽壳温度、阴极钢棒温度、电解温度、铝水平、电解质水平、分子比、硅铁含量以及火眼图像及视频的多个的任意组合；

其中，槽电流、槽电压、侧部槽壳温度、阴极钢棒温度、电解温度、铝水平、电解质水平、分子比、硅铁含量为结构化数据；火眼图像及视频为非结构化数据。

6.根据权利要求1所述的方法，其特征在于：融合决策模型训练过程中还包括利用步骤S2输出的工业操作决策进行数字仿真分析，并基于仿真结果得到工业操作优化策略，再将所述工业操作优化策略反馈至融合决策模型进行模型优化。

7.根据权利要求1所述的方法，其特征在于：所述根据工业操作决策对铝电解车间进行控制过程包括：

利用步骤S2输出的工业操作决策进行数字仿真分析，并基于仿真结果得到工业操作优化策略，再根据工业操作优化策略对铝电解车间进行控制。

8.一种基于权利要求1-7任一项所述方法的铝电解数字孪生工厂，其特征在于：包括：实况监控单元、数据存储单元、融合决策单元、制造执行单元；

其中，实时监控单元用于实时监控并采集铝电解车间的工业设备执行的操作记录以及铝电解槽的特征参数；

数据存储单元用于按照时间整合存储实时监控单元采集的操作记录和铝电解槽的特征参数；

融合决策单元用于利用特征参数以及操作记录作为输入数据训练出融合决策模型；

制造执行单元用于根据融合决策模型输出的工业操作决策对铝电解车间进行控制。

9.根据权利要求8所述的工厂，其特征在于：还包括数字仿真单元，所述数字仿真单元用于利用工业操作决策进行数字仿真分析；其中，数值仿真单元包括仿真计算模块、车间信息模块；

所述仿真计算模块用于基于车间信息模块构建的数字化物理模型进行数值仿真分析：

车间信息模块用于根据铝电解槽车间构建比一比还原的数字化物理模型。

10.一种铝电解系统，其特征在于：包括铝电解槽、铝电解车间的工业设备以及权利要求8所述的铝电解数字孪生工厂。

Images