CN112115649A - 基于数字孪生的立磨机多场耦合系统工艺参数优化方法 - Google Patents

基于数字孪生的立磨机多场耦合系统工艺参数优化方法 Download PDF

Info

Publication number
CN112115649A
CN112115649A CN202011052276.6A CN202011052276A CN112115649A CN 112115649 A CN112115649 A CN 112115649A CN 202011052276 A CN202011052276 A CN 202011052276A CN 112115649 A CN112115649 A CN 112115649A
Authority
CN
China
Prior art keywords
model
digital twin
vertical mill
parameters
value
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.)
Granted
Application number
CN202011052276.6A
Other languages
English (en)
Other versions
CN112115649B (zh
Inventor
孙春亚
李�浩
李客
王昊琪
谢贵重
文笑雨
罗国富
黄荣杰
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.)
Zhengzhou University of Light Industry
Original Assignee
Zhengzhou University of Light Industry
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 Zhengzhou University of Light Industry filed Critical Zhengzhou University of Light Industry
Priority to CN202011052276.6A priority Critical patent/CN112115649B/zh
Publication of CN112115649A publication Critical patent/CN112115649A/zh
Application granted granted Critical
Publication of CN112115649B publication Critical patent/CN112115649B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于数字孪生的立磨机多场耦合系统工艺参数优化方法，其步骤为：首先，利用逆向工程技术建立立磨机的数字孪生模型，并利用颗粒‑流体‑温度多物理场耦合仿真方法计算数字孪生模型的性能参数，与实验测定的立磨机的实际性能参数进行对比并修改数字孪生模型；其次，对数字孪生模型进行工艺参数化设计，确定工艺优化参数与目标函数，采用实验设计方法在设计空间内选取初始样本点，并利用颗粒‑流体‑温度多物理场耦合仿真方法计算样本点的响应值；最后，利用样本点和响应值构建代理模型，采用遗传算法GA对代理模型进行更新与寻优，得到最优解。本发明通过高效的优化设计方法，节约设计成本、降低排放，提高大型立磨机的生成效率。

Description

基于数字孪生的立磨机多场耦合系统工艺参数优化方法
技术领域
本发明涉及大型装备数字化、智能优化技术领域，特别是指一种基于数字孪生的立磨机多场耦合系统工艺参数优化方法。
背景技术
粉磨是在矿山、机械、资源、环保等行业广泛应用的一项基本工艺，支撑着国民经济的各个行业。大型立磨机是矿渣微粉生产线的核心粉磨设备，集粉磨、干燥及分级输送功能为一体，具有粉磨效率高、产品细度比例高、磨损小、钢耗低、运行可靠、检修方便等优点。随着供给侧结构性改革深入推进，水泥行业生态环保压力大、产能严重过剩、智能化水平低、粉磨站无序发展顽疾日益凸显。如何通过对大型立磨机进行节能设计和运行优化，降低设备能耗，减小污染物排放量，提高选粉效率，直接关系到水泥生产的总体经济效益和绿色健康发展。
在大型立磨机进行节能设计和运行优化中，立磨磨腔空间结构复杂导致其流场也较为复杂，整体上为强烈耦合的流体-颗粒多相流，局部还包括喷嘴环处的突扩射流，磨辊处一定攻角下的圆柱绕流，重力分级区的渐缩流，以及离心分离区的强制旋涡流，仿真分析难度较大。此外，大量颗粒由于碰撞、涡流等因素使颗粒在还没到达选粉机前就产生了回流，又落回到了磨盘，再次进行碾压，这种现象称为过粉，如何通过优化立磨机结构、系统参数以及工艺控制参数，减小或避免过粉现象的出现是立磨机优化设计的一个难题。
数字孪生是产品设计的一种新型技术应用模式，它是以数字化的形式描述物理实体并建立它的虚拟模型，利用数据模拟物理实体在现实环境中的运行状态，通过虚实交互反馈，数据融合分析、决策迭代优化等手段，给物理实体增加或扩展新的能力。
发明内容
针对现有立磨机结构复杂、系统参数以及工艺控制参数调整不准确，造成过粉严重的技术问题，本发明提出了一种基于数字孪生的立磨机多场耦合系统工艺参数优化方法，基于数字孪生环境，充分利用模型、数据、多方面协同的技术，根据大型立磨机的运行状态特点，构建工艺参数优化设计的数学模型，通过仿真分析、代理模型优化等技术手段，实现大型立磨机虚拟数字模型的工艺参数优化；通过虚实交互反馈，改进实际立磨机系统的工艺参数，丰富和完善大型立磨机优化设计理论，达到节约产品研发成本，提高大型立磨机的综合性能，降低能量消耗及污染物排放量的目的，从而有效地降低水泥、矿山等工业对环境的影响，最大程度上的避免造成环境污染。
本发明的技术方案是这样实现的：
一种基于数字孪生的立磨机多场耦合系统工艺参数优化方法，其步骤如下：
S1、根据大型立磨机的物理模型，利用逆向工程技术建立大型立磨机的数字孪生模型；
S2、将大型立磨机的特定工艺参数输入数字孪生模型中，利用颗粒-流体-温度多物理场耦合仿真方法对数字孪生模型进行仿真，获得数字孪生模型的性能参数；
S3、根据大型立磨机的特定工艺参数获取实际运行中大型立磨机的实际性能参数；
S4、判断步骤S2中的性能参数与步骤S3中的实际性能参数的误差是否小于阈值T，若是，执行步骤S5，否则，调整数字孪生模型中的仿真模型参数，返回步骤S2；
S5、将特定工艺参数作为设计变量，性能参数作为目标函数和目标函数的约束条件，建立工艺参数优化的数学模型；
S6、在设计空间中随机均匀选取N组设计变量的取值作为样本点集{X1,X2,…,Xn,…,XN}，其中，Xn表示第n组样本点，n＝1,2,…,N；
S7、将样本点集输入数字孪生模型中，利用颗粒-流体-温度多物理场耦合仿真方法对数字孪生模型进行仿真，获得样本点集的响应值；
S8、根据样本点集及其对应的响应值建立设计变量与目标函数之间的Kriging代理模型；
S9、利用遗传算法GA对Kriging代理模型进行迭代寻优，找到Kriging代理模型中目标函数的改善期望值最大的点，并将改善期望值最大的点作为目标点输入数字孪生模型中，利用颗粒-流体-温度多物理场耦合仿真方法对数字孪生模型进行仿真获得目标点对应的响应值；
S10、判断目标点的改善期望值是否满足收敛准则，若是，输出目标点和目标点对应的响应值，执行步骤S11，否则，将目标点添加到样本点集中，返回步骤S7；
S11、根据目标点调整大型立磨机的特定工艺参数，获取优化后的实际性能参数；
S12、判断目标点对应的响应值与优化后的实际性能参数的误差是否小于阈值T，若是，输出目标点，否则，调整数字孪生模型中的仿真模型参数，返回步骤S2。
所述大型立磨机的数字孪生模型的构建方法为：
S1.1、使用三维扫描仪对大型立磨机的实际零部件进行扫描得到大型立磨机的实际零部件的离散点云数据；
S1.2、将离散点云数据导入计算机中，利用点云数据处理软件，通过平滑、噪点过滤、数据精简方法对点云数据进行预处理；
S1.3、将预处理后的点云数据进行分割建立不同的数据子集，根据数据子集的不同分别建立曲面模型；
S1.4、对曲面模型进行拼接、缝合，形成实体模型，再对实体模型中的裂隙进行修补，得到大型立磨机的数字孪生模型。
所述大型立磨机的特定工艺参数包括大型立磨机的入口压力、入口温度、出口压力、出口温度、喂料速度、选粉机转速和选粉机电流。
所述利用颗粒-流体-温度多物理场耦合仿真方法对数字孪生模型进行仿真，获得数字孪生模型的性能参数的方法为：
S2.1、利用ICEM网格划分软件对数字孪生模型进行网格划分，导出.msh网格文件；
S2.2、将.msh网格文件导入Fluent软件中，设置流场和温度场仿真的计算模型、边界条件、流体介质的物理参数、迭代步长，等待计算；
S2.3、将.msh网格文件导入EDEM软件中，填充离散元颗粒，设置粉末颗粒间的围观作用模型；
S2.4、在Fluent软件中，当前时间步内，通过迭代，计算流场分布，流体与颗粒之间的动量、能量交换，以及每个网络中包含的颗粒体积分数，将计算获得的流场和温度场信息传递给EDEM软件；
S2.5、在EDEM软件中，利用Fluent软件计算的流场和温度场信息，计算当前时间步内流体对颗粒的作用力以及颗粒的速度和位置信息，并将这些信息传递给Fluent软件，作为下一时间步Fluent计算的依据；
S2.6、重复S2.4-S2.5的Fluent-EDEM耦合仿真计算过程，直至颗粒场、流体场和温度场都趋近于稳定状态，根据仿真结果，得到数字孪生模型的虚拟产量、虚拟成品细度、虚拟电机功率性能参数。
所述性能参数包括虚拟产量、虚拟成品细度和虚拟电机功率；所述实际性能参数包括产量、成品细度和电机功率。
所述步骤S5中的设计变量为X＝[x1；x2；x3；x4；x5；x6；x7]T，其中，x1、x2、x3、x4、x5、x6和x7分别表示为数字孪生模型的入口压力、入口温度、出口压力、出口温度、喂料速度、选粉机转速、选粉机电流；
所述目标函数为minf＝f[f1(X),f2(X)]，其中，f1(X)为产量，f2(X)为电机功率；
目标函数的约束条件为g1(X)≤0，其中，g1(X)为成品细度。
所述Kriging代理模型为：y(X)＝β+Z(X)，其中，y(X)为未知函数，β是设计空间的全局模型，Z(X)是局部偏离，X表示设计变量。
所述利用遗传算法GA对Kriging代理模型进行迭代寻优，找到Kriging代理模型中目标函数的改善期望值最大的点的方法为：
S9.1、创建初始种群：对设计变量X＝[x1；x2；x3；x4；x5；x6；x7]T进行编码，随机生成M个初始个体，形成初始种群；
S9.2、计算种群中各个个体的改善期望值作为各个个体的适应度；
S9.3、判断种群中各个个体的适应度是否都满足收敛条件，若是，循环结束，否则，执行步骤S9.4；
S9.4、选择—复制：选择种群中适应度满足要求的个体，执行复制操作，将复制的个体添加到新种群中；
S9.5、交叉：在种群中选择两个交叉个体，执行交叉操作，将交叉后的两个新个体添加到新种群中；
S9.6、变异：选择变异个体和染色体变异点，执行变异，将变异后的个体添加到新种群中；
S9.7、通过选择—复制、交叉、变异，生成下一代种群，返回步骤S9.2。
所述目标函数的改善期望值的计算方法为：
Figure BDA0002709925160000041
其中，ymin是所有样本点的最小目标函数值，
Figure BDA0002709925160000042
是设计变量X处的Kriging代理模型的预测值，s是Kriging代理模型预测值的均方差，Φ表示标准正态分布函数，φ表示正态分布密度函数。
所述收敛准则为：E[I(X)]max≤εE或
Figure BDA0002709925160000043
其中，fmax表示当前采样值中的最大值，fmin表示当前采样值中的最小值，εE和εr均为极小值。
本技术方案能产生的有益效果：本发明通过高效的优化设计方法，可以有效地缩短大型立磨机的设计研发周期，降低设计成本，提高该类产品的综合性能，降低其在工作时的能量消耗及污染物排放量，从而有效地降低水泥、矿山等工业对环境的影响，最大程度上的避免造成环境污染。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的总体流程图；
图2为本发明的基于数字孪生的逆向设计原理图；
图3为本发明的仿真模型的结构图；
图4为本发明的遗传算法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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付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。
如图1所示，本发明实施例提供了一种基于数字孪生的立磨机多场耦合系统工艺参数优化方法，具体步骤如下：
S1、根据大型立磨机的物理模型，利用逆向工程技术建立大型立磨机的数字孪生模型；
利用三维扫描仪器对大型立式磨机进行扫描测量，获取大型立式磨机的点集数据，如图2所示，大型立磨机的数字孪生模型的构建方法为：
S1.1、使用三维扫描仪对大型立磨机的实际零部件进行扫描得到大型立磨机的实际零部件的离散点云数据；
S1.2、将离散点云数据导入计算机中，利用点云数据处理软件(如Imageware、Geomagic Studio、CopyCAD、RapidForm等)，通过平滑、噪点过滤、数据精简方法对点云数据进行预处理；
S1.3、将预处理后的点云数据进行分割建立不同的数据子集，根据数据子集的不同分别建立曲面模型；
S1.4、对曲面模型进行拼接、缝合，形成实体模型，再对实体模型中的裂隙进行修补，得到大型立磨机的数字孪生模型。
S2、将大型立磨机的特定工艺参数输入数字孪生模型中，利用颗粒-流体-温度多物理场耦合仿真方法对数字孪生模型进行仿真，获得数字孪生模型的性能参数；其中，大型立磨机的特定工艺参数包括大型立磨机的入口压力、入口温度、出口压力、出口温度、喂料速度、选粉机转速和选粉机电流；性能参数包括虚拟产量、虚拟成品细度和虚拟电机功率。
如图3所示，利用颗粒-流体-温度多物理场耦合仿真方法对数字孪生模型进行仿真，获得数字孪生模型的性能参数的方法为：
S2.1、利用ICEM网格划分软件对数字孪生模型进行网格划分，导出.msh网格文件；
S2.2、将.msh网格文件导入Fluent软件中，设置流场和温度场仿真的计算模型、边界条件、流体介质的物理参数、迭代步长，等待计算；
S2.3、将.msh网格文件导入EDEM软件中，填充离散元颗粒，设置粉末颗粒间的围观作用模型；
S2.4、在Fluent软件中，当前时间步内，通过迭代，计算流场分布，流体与颗粒之间的动量、能量交换，以及每个网络中包含的颗粒体积分数，将计算获得的流场和温度场信息传递给EDEM软件；
S2.5、在EDEM软件中，利用Fluent软件计算的流场和温度场信息，计算当前时间步内流体对颗粒的作用力以及颗粒的速度和位置信息，并将这些信息传递给Fluent软件，作为下一时间步Fluent计算的依据；
S2.6、重复S2.4-S2.5的Fluent-EDEM耦合仿真计算过程，直至颗粒场、流体场和温度场都趋近于稳定状态，根据仿真结果，得到数字孪生模型的虚拟产量、虚拟成品细度、虚拟电机功率性能参数。
S3、根据大型立磨机的特定工艺参数获取实际运行中大型立磨机的实际性能参数；在大型立磨机的实际运行过程中，读取立磨机的入口压力、入口温度、出口压力、出口温度、喂料速度、选粉机转速、选粉机电流工艺参数信息；读取该工艺参数下的大型立磨机的产量、成品细度、电机功率实际性能参数信息。
S4、判断步骤S2中的性能参数与步骤S3中的实际性能参数的误差是否小于阈值T，若是，执行步骤S5，否则，调整数字孪生模型中的仿真模型参数，返回步骤S2；其中，阈值T一般取5％。
S5、将特定工艺参数作为设计变量，性能参数作为目标函数和目标函数的约束条件，建立大型立磨机工艺参数优化的数学模型；对大型立磨机的数字孪生模型进行工艺参数优化设计，以入口压力、入口温度、出口压力、出口温度、喂料速度、选粉机转速、选粉机电流作为工艺参数优化设计变量，以产量最大、电机功率最小作为优化目标；以成品细度小于某一阈值作为约束条件；则设计变量为X＝[x1；x2；x3；x4；x5；x6；x7]T，其中，x1、x2、x3、x4、x5、x6和x7分别表示为数字孪生模型的入口压力、入口温度、出口压力、出口温度、喂料速度、选粉机转速、选粉机电流；
所述目标函数为minf＝f[f1(X),f2(X)]，其中，f1(X)为产量，f2(X)为电机功率；
目标函数的约束条件为g1(X)≤0，其中，g1(X)为成品细度。
S6、在设计空间中随机均匀选取N组设计变量的取值作为样本点集{X1,X2,…,Xn,…,XN}，其中，Xn表示第n组样本点，n＝1,2,…,N；采用拉丁超立方设计方法，在优化设计空间中进行初始采样。根据输入的采样信息(设计变量取值范围及采样个数)，在设计空间内进行初始拉丁超立方采样，输出采样点的信息(采样点的序号和对应的变量值)。
S7、将样本点集输入数字孪生模型中，利用颗粒-流体-温度多物理场耦合仿真方法对数字孪生模型进行仿真，获得样本点集的响应值；利用颗粒-流体-温度多物理场耦合仿真方法，计算每个初始样本点所表示的一组工艺参数下，大型立式磨机的产量、成品细度、电机功率性能参数，作为初始样本点的响应值。
S8、根据样本点集及其对应的响应值建立特定工艺参数与目标函数之间的Kriging代理模型；Kriging代理模型的建模方法：
设y(X)为Kriging代理模型所要代替的未知函数，则y(X)的表达式如下：
y(X)＝β+Z(X)，
其中，y(X)为未知函数，β是设计空间的全局模型，Z(X)是局部偏离，X表示设计变量。Kriging代理模型的预测值精度取决于预测点与样本点的距离，离样本点越近，预测值的精度越高。可以用Kriging代理模型的均方差s2(X)表示，它表示估计点的不确定性。
采用近似技术进行优化的方法依赖于近似模型的精度，精度越高，优化结果越可靠；精度越低，可靠性越差。在优化设计中采用统计量EI(改善期望)，可有效提高模型的预测精度。假设设计变量X的响应y(X)服从均值为
Figure BDA0002709925160000071
方差为s(X)的正态分布，其概率密度为：
Figure BDA0002709925160000072
对于最小化问题，设计变量X的改进I(X)为：
Figure BDA0002709925160000073
I(X)的期望，即EI可通过如下公式进行计算：
Figure BDA0002709925160000074
其中，ymin是所有样本点的最小目标函数值，
Figure BDA0002709925160000075
是设计变量X处的Kriging代理模型的预测值，s是Kriging代理模型预测值的均方差，Φ表示标准正态分布函数，φ表示正态分布密度函数。EI中第一项是当
Figure BDA0002709925160000076
可能比ymin更小时，该项比较大；当s比较大时，即Kriging模型存在很大不确定性，第二项比较大。较大期望改进值的点表示，当s比较大时，即Kriging模型存在很大不确定性，第二项比较大。较大期望改进值的点表示，在寻找有希望的区域(局部搜索)和寻找不确定性大的区域(全局搜索)之间平衡。通过最大化EI值来选择样本点，探索全局最优同时改进模型精度。
S9、利用遗传算法GA对Kriging代理模型进行迭代寻优，找到代理模型中目标函数的改善期望值最大的点，并将改善期望值最大的点作为目标点输入数字孪生模型中，利用颗粒-流体-温度多物理场耦合仿真方法对数字孪生模型进行仿真获得目标点对应的响应值；
如图4所示，利用遗传算法GA搜索Kriging代理模型上的目标点，并利用颗粒-流体-温度多物理场耦合仿真方法计算目标点的响应值的方法为：
S9.1、创建初始种群：对设计变量X＝[x1；x2；x3；x4；x5；x6；x7]T进行编码，随机生成M个初始个体，形成初始种群；
S9.2、计算种群中各个个体的适应度(即目标函数值EI)；
S9.3、判断种群中各个个体的适应度是否都满足收敛条件，若是，循环结束，否则，执行步骤S9.4；
S9.4、选择—复制：选择种群中适应度满足要求的个体，执行复制操作，将复制的个体添加到新种群中；
S9.5、交叉：在种群中选择两个交叉个体，执行交叉操作，将交叉后的两个新个体添加到新种群中；
S9.6、变异：选择变异个体和染色体变异点，执行变异，将变异后的个体添加到新种群中；
S9.7、通过选择—复制、交叉、变异，生成下一代种群，返回步骤S9.2。
S10、计算目标点对应的响应值的期望值，并判断期望值的最大值是否满足收敛准则，若是，输出目标点和目标点对应的响应值，执行步骤S11，否则，将目标点添加到样本点集中，返回步骤S7；
所述收敛准则为：E[I(X)]max≤εE或
Figure BDA0002709925160000081
其中，fmax表示当前采样值中的最大值，fmin表示当前采样值中的最小值，εE和εr均为极小值。
S11、根据目标点调整大型立磨机的特定工艺参数，获取优化后的实际性能参数；
S12、判断目标点对应的响应值与优化后的实际性能参数的误差是否小于阈值T，若是，输出目标点，否则，调整数字孪生模型中的仿真模型参数，返回步骤S2。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于数字孪生的立磨机多场耦合系统工艺参数优化方法，其特征在于，其步骤如下：
S1、根据大型立磨机的物理模型，利用逆向工程技术建立大型立磨机的数字孪生模型；
S2、将大型立磨机的特定工艺参数输入数字孪生模型中，利用颗粒-流体-温度多物理场耦合仿真方法对数字孪生模型进行仿真，获得数字孪生模型的性能参数；
S3、根据大型立磨机的特定工艺参数获取实际运行中大型立磨机的实际性能参数；
S4、判断步骤S2中的性能参数与步骤S3中的实际性能参数的误差是否小于阈值T，若是，执行步骤S5，否则，调整数字孪生模型中的仿真模型参数，返回步骤S2；
S5、将特定工艺参数作为设计变量，性能参数作为目标函数和目标函数的约束条件，建立工艺参数优化的数学模型；
S6、在设计空间中随机均匀选取N组设计变量的取值作为样本点集{X1,X2,…,Xn,…,XN}，其中，Xn表示第n组样本点，n＝1,2,…,N；
S7、将样本点集输入数字孪生模型中，利用颗粒-流体-温度多物理场耦合仿真方法对数字孪生模型进行仿真，获得样本点集的响应值；
S8、根据样本点集及其对应的响应值建立设计变量与目标函数之间的Kriging代理模型；
S9、利用遗传算法GA对Kriging代理模型进行迭代寻优，找到Kriging代理模型中目标函数的改善期望值最大的点，并将改善期望值最大的点作为目标点输入数字孪生模型中，利用颗粒-流体-温度多物理场耦合仿真方法对数字孪生模型进行仿真获得目标点对应的响应值；
S10、判断目标点的改善期望值是否满足收敛准则，若是，输出目标点和目标点对应的响应值，执行步骤S11，否则，将目标点添加到样本点集中，返回步骤S7；
S11、根据目标点调整大型立磨机的特定工艺参数，获取优化后的实际性能参数；
S12、判断目标点对应的响应值与优化后的实际性能参数的误差是否小于阈值T，若是，输出目标点，否则，调整数字孪生模型中的仿真模型参数，返回步骤S2。
2.根据权利要求1所述的基于数字孪生的立磨机多场耦合系统工艺参数优化方法，其特征在于，所述大型立磨机的数字孪生模型的构建方法为：
S1.1、使用三维扫描仪对大型立磨机的实际零部件进行扫描得到大型立磨机的实际零部件的离散点云数据；
S1.2、将离散点云数据导入计算机中，利用点云数据处理软件，通过平滑、噪点过滤、数据精简方法对点云数据进行预处理；
S1.3、将预处理后的点云数据进行分割建立不同的数据子集，根据数据子集的不同分别建立曲面模型；
S1.4、对曲面模型进行拼接、缝合，形成实体模型，再对实体模型中的裂隙进行修补，得到大型立磨机的数字孪生模型。
3.根据权利要求1所述的基于数字孪生的立磨机多场耦合系统工艺参数优化方法，其特征在于，所述大型立磨机的特定工艺参数包括大型立磨机的入口压力、入口温度、出口压力、出口温度、喂料速度、选粉机转速和选粉机电流。
4.根据权利要求3所述的基于数字孪生的立磨机多场耦合系统工艺参数优化方法，其特征在于，所述利用颗粒-流体-温度多物理场耦合仿真方法对数字孪生模型进行仿真，获得数字孪生模型的性能参数的方法为：
S2.1、利用ICEM网格划分软件对数字孪生模型进行网格划分，导出.msh网格文件；
S2.2、将.msh网格文件导入Fluent软件中，设置流场和温度场仿真的计算模型、边界条件、流体介质的物理参数、迭代步长，等待计算；
S2.3、将.msh网格文件导入EDEM软件中，填充离散元颗粒，设置粉末颗粒间的围观作用模型；
S2.4、在Fluent软件中，当前时间步内，通过迭代，计算流场分布，流体与颗粒之间的动量、能量交换，以及每个网络中包含的颗粒体积分数，将计算获得的流场和温度场信息传递给EDEM软件；
S2.5、在EDEM软件中，利用Fluent软件计算的流场和温度场信息，计算当前时间步内流体对颗粒的作用力以及颗粒的速度和位置信息，并将这些信息传递给Fluent软件，作为下一时间步Fluent计算的依据；
S2.6、重复S2.4-S2.5的Fluent-EDEM耦合仿真计算过程，直至颗粒场、流体场和温度场都趋近于稳定状态，根据仿真结果，得到数字孪生模型的虚拟产量、虚拟成品细度、虚拟电机功率性能参数。
5.根据权利要求3所述的基于数字孪生的立磨机多场耦合系统工艺参数优化方法，其特征在于，所述性能参数包括虚拟产量、虚拟成品细度和虚拟电机功率；所述实际性能参数包括产量、成品细度和电机功率。
6.根据权利要求1所述的基于数字孪生的立磨机多场耦合系统工艺参数优化方法，其特征在于，所述步骤S5中的设计变量为X＝[x1；x2；x3；x4；x5；x6；x7]T，其中，x1、x2、x3、x4、x5、x6和x7分别表示为数字孪生模型的入口压力、入口温度、出口压力、出口温度、喂料速度、选粉机转速、选粉机电流；
所述目标函数为min f＝f[f1(X),f2(X)]，其中，f1(X)为产量，f2(X)为电机功率；
目标函数的约束条件为g1(X)≤0，其中，g1(X)为成品细度。
7.根据权利要求1所述的基于数字孪生的立磨机多场耦合系统工艺参数优化方法，其特征在于，所述Kriging代理模型为：y(X)＝β+Z(X)，其中，y(X)为未知函数，β是设计空间的全局模型，Z(X)是局部偏离，X表示设计变量。
8.根据权利要求7所述的基于数字孪生的立磨机多场耦合系统工艺参数优化方法，其特征在于，所述利用遗传算法GA对Kriging代理模型进行迭代寻优，找到Kriging代理模型中目标函数的改善期望值最大的点的方法为：
S9.1、创建初始种群：对设计变量X＝[x1；x2；x3；x4；x5；x6；x7]T进行编码，随机生成M个初始个体，形成初始种群；
S9.2、计算种群中各个个体的改善期望值作为各个个体的适应度；
S9.3、判断种群中各个个体的适应度是否都满足收敛条件，若是，循环结束，否则，执行步骤S9.4；
S9.4、选择—复制：选择种群中适应度满足要求的个体，执行复制操作，将复制的个体添加到新种群中；
S9.5、交叉：在种群中选择两个交叉个体，执行交叉操作，将交叉后的两个新个体添加到新种群中；
S9.6、变异：选择变异个体和染色体变异点，执行变异，将变异后的个体添加到新种群中；
S9.7、通过选择—复制、交叉、变异，生成下一代种群，返回步骤S9.2。
9.根据权利要求8所述的基于数字孪生的立磨机多场耦合系统工艺参数优化方法，其特征在于，所述目标函数的改善期望值的计算方法为：
Figure FDA0002709925150000031
其中，ymin是所有样本点的最小目标函数值，
Figure FDA0002709925150000032
是设计变量X处的Kriging代理模型的预测值，s是Kriging代理模型预测值的均方差，Φ表示标准正态分布函数，φ表示正态分布密度函数。
10.根据权利要求9所述的基于数字孪生的立磨机多场耦合系统工艺参数优化方法，其特征在于，所述收敛准则为：E[I(X)]max≤εE或
Figure FDA0002709925150000041
其中，fmax表示当前采样值中的最大值，fmin表示当前采样值中的最小值，εE和εr均为极小值。
CN202011052276.6A 2020-09-29 2020-09-29 基于数字孪生的立磨机多场耦合系统工艺参数优化方法 Active CN112115649B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011052276.6A CN112115649B (zh) 2020-09-29 2020-09-29 基于数字孪生的立磨机多场耦合系统工艺参数优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011052276.6A CN112115649B (zh) 2020-09-29 2020-09-29 基于数字孪生的立磨机多场耦合系统工艺参数优化方法

Publications (2)

Publication Number Publication Date
CN112115649A true CN112115649A (zh) 2020-12-22
CN112115649B CN112115649B (zh) 2021-09-24

Family

ID=73797797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011052276.6A Active CN112115649B (zh) 2020-09-29 2020-09-29 基于数字孪生的立磨机多场耦合系统工艺参数优化方法

Country Status (1)

Country Link
CN (1) CN112115649B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112762100A (zh) * 2021-01-14 2021-05-07 哈尔滨理工大学 一种基于数字孪生的轴承全生命周期监测方法
CN113110355A (zh) * 2021-04-29 2021-07-13 武汉科技大学 一种数字孪生驱动的工件加工能耗预测及优化方法
CN113111006A (zh) * 2021-05-06 2021-07-13 上海三一重机股份有限公司 作业机械控制系统调试方法及系统
CN113505490A (zh) * 2021-07-22 2021-10-15 国网宁夏电力有限公司电力科学研究院 基于gmm的电力系统数字孪生体参数校正方法及装置
CN113515848A (zh) * 2021-05-13 2021-10-19 三一重型装备有限公司 矿山设备的结构设计优化方法、系统和可读存储介质
CN113553675A (zh) * 2021-07-29 2021-10-26 上海电力大学 一种喷射器优化方法及装置
CN113591333A (zh) * 2021-09-30 2021-11-02 南方电网科学研究院有限责任公司 一种基于数字孪生的gis设备温度仿真模型的构建方法
CN113671919A (zh) * 2021-08-20 2021-11-19 林周县众陶联供应链服务有限公司 一种建筑陶瓷间歇式球磨机泥浆制备控制方法
CN113850424A (zh) * 2021-09-17 2021-12-28 中控智网(北京)能源技术有限公司 工业策略处理方法、装置、设备及存储介质
CN114154360A (zh) * 2021-10-19 2022-03-08 徐州圣邦机械有限公司 一种高压内啮合齿轮泵多物理场概率数字孪生建模方法
CN115270614A (zh) * 2022-07-18 2022-11-01 郑州轻工业大学 一种泥水循环系统多物理场数字孪生体可视化生成方法
CN116628784A (zh) * 2023-07-19 2023-08-22 天河超级计算淮海分中心 一种旋回研磨设备参数的优化方法
CN117171920A (zh) * 2023-11-02 2023-12-05 恩葛智能科技(南通)有限公司 铝箔餐盒冲压成型控制方法及系统
CN117399153A (zh) * 2023-09-25 2024-01-16 武汉科大电控设备有限公司 一种磨机自适应控制方法及系统
CN117920446A (zh) * 2024-03-21 2024-04-26 昆明理工大学 一种基于数字孪生的半自磨机运行状态优化方法
CN113505490B (zh) * 2021-07-22 2024-05-24 国网宁夏电力有限公司电力科学研究院 基于gmm的电力系统数字孪生体参数校正方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019055576A1 (en) * 2017-09-12 2019-03-21 Arconic Inc. SYSTEMS AND METHODS FOR PERFORMING CALIBRATION IN ADDITIVE MANUFACTURE
CN109522602A (zh) * 2018-10-18 2019-03-26 北京航空航天大学 一种基于代理模型的Modelica模型参数优化方法
CN110045608A (zh) * 2019-04-02 2019-07-23 太原理工大学 基于数字孪生的机械设备零部件结构参数动态优化方法
CN111208759A (zh) * 2019-12-30 2020-05-29 中国矿业大学(北京) 矿井无人化综采工作面数字孪生智能监控系统
CN111695734A (zh) * 2020-06-12 2020-09-22 中国科学院重庆绿色智能技术研究院 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019055576A1 (en) * 2017-09-12 2019-03-21 Arconic Inc. SYSTEMS AND METHODS FOR PERFORMING CALIBRATION IN ADDITIVE MANUFACTURE
CN109522602A (zh) * 2018-10-18 2019-03-26 北京航空航天大学 一种基于代理模型的Modelica模型参数优化方法
CN110045608A (zh) * 2019-04-02 2019-07-23 太原理工大学 基于数字孪生的机械设备零部件结构参数动态优化方法
CN111208759A (zh) * 2019-12-30 2020-05-29 中国矿业大学(北京) 矿井无人化综采工作面数字孪生智能监控系统
CN111695734A (zh) * 2020-06-12 2020-09-22 中国科学院重庆绿色智能技术研究院 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王昊琪 等: "基于数字孪生的产品设计过程和工作量预测方法", 《计算机集成制造系统》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112762100A (zh) * 2021-01-14 2021-05-07 哈尔滨理工大学 一种基于数字孪生的轴承全生命周期监测方法
CN113110355A (zh) * 2021-04-29 2021-07-13 武汉科技大学 一种数字孪生驱动的工件加工能耗预测及优化方法
CN113110355B (zh) * 2021-04-29 2022-10-28 武汉科技大学 一种数字孪生驱动的工件加工能耗预测及优化方法
CN113111006A (zh) * 2021-05-06 2021-07-13 上海三一重机股份有限公司 作业机械控制系统调试方法及系统
CN113515848A (zh) * 2021-05-13 2021-10-19 三一重型装备有限公司 矿山设备的结构设计优化方法、系统和可读存储介质
CN113505490A (zh) * 2021-07-22 2021-10-15 国网宁夏电力有限公司电力科学研究院 基于gmm的电力系统数字孪生体参数校正方法及装置
CN113505490B (zh) * 2021-07-22 2024-05-24 国网宁夏电力有限公司电力科学研究院 基于gmm的电力系统数字孪生体参数校正方法及装置
CN113553675B (zh) * 2021-07-29 2022-12-13 上海电力大学 一种喷射器优化方法及装置
CN113553675A (zh) * 2021-07-29 2021-10-26 上海电力大学 一种喷射器优化方法及装置
CN113671919A (zh) * 2021-08-20 2021-11-19 林周县众陶联供应链服务有限公司 一种建筑陶瓷间歇式球磨机泥浆制备控制方法
CN113671919B (zh) * 2021-08-20 2023-02-24 西藏众陶联供应链服务有限公司 一种建筑陶瓷间歇式球磨机泥浆制备控制方法
CN113850424A (zh) * 2021-09-17 2021-12-28 中控智网(北京)能源技术有限公司 工业策略处理方法、装置、设备及存储介质
CN113591333A (zh) * 2021-09-30 2021-11-02 南方电网科学研究院有限责任公司 一种基于数字孪生的gis设备温度仿真模型的构建方法
CN114154360B (zh) * 2021-10-19 2023-12-01 徐州圣邦机械有限公司 一种高压内啮合齿轮泵多物理场概率数字孪生建模方法
CN114154360A (zh) * 2021-10-19 2022-03-08 徐州圣邦机械有限公司 一种高压内啮合齿轮泵多物理场概率数字孪生建模方法
CN115270614A (zh) * 2022-07-18 2022-11-01 郑州轻工业大学 一种泥水循环系统多物理场数字孪生体可视化生成方法
CN115270614B (zh) * 2022-07-18 2024-05-28 郑州轻工业大学 一种泥水循环系统多物理场数字孪生体可视化生成方法
CN116628784A (zh) * 2023-07-19 2023-08-22 天河超级计算淮海分中心 一种旋回研磨设备参数的优化方法
CN116628784B (zh) * 2023-07-19 2023-10-27 天河超级计算淮海分中心 一种旋回研磨设备参数的优化方法
CN117399153A (zh) * 2023-09-25 2024-01-16 武汉科大电控设备有限公司 一种磨机自适应控制方法及系统
CN117399153B (zh) * 2023-09-25 2024-05-10 武汉科大电控设备有限公司 一种磨机自适应控制方法及系统
CN117171920A (zh) * 2023-11-02 2023-12-05 恩葛智能科技(南通)有限公司 铝箔餐盒冲压成型控制方法及系统
CN117171920B (zh) * 2023-11-02 2024-03-08 恩葛智能科技(南通)有限公司 铝箔餐盒冲压成型控制方法及系统
CN117920446A (zh) * 2024-03-21 2024-04-26 昆明理工大学 一种基于数字孪生的半自磨机运行状态优化方法
CN117920446B (zh) * 2024-03-21 2024-05-31 昆明理工大学 一种基于数字孪生的半自磨机运行状态优化方法

Also Published As

Publication number Publication date
CN112115649B (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN112115649B (zh) 基于数字孪生的立磨机多场耦合系统工艺参数优化方法
CN106874542A (zh) 一种液力透平叶轮多工况多目标优化设计方法
Gao et al. Particle simulations of planetary probe flows employing automated mesh refinement
CN111898212B (zh) 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法
CN107529643B (zh) 一种兼顾水力、强度性能的混流式转轮多工况优化方法
Torres et al. Geometric design optimization of a Savonius wind turbine
CN110795778A (zh) 一种基于Fluent软件对旋流电解槽结构优化的方法
Vijayaraghavan et al. Sustainable manufacturing models for mass finishing process
Ettinger et al. Parameterization and optimization strategies for the automated design of uPVC profile extrusion dies
CN112115558A (zh) 一种基于人群搜索算法的汽轮机叶栅型线参数化重构方法
CN107045570B (zh) 一种离心泵机组精确选型方法
Dejhalla et al. Application of genetic algorithm for ship hull form optimization
CN113361047B (zh) 面向多层感知结构的叶轮高维优化及选型方法
Zhu et al. Hydrodynamic design of a circulating water channel based on a fractional-step multi-objective optimization
CN107038295B (zh) 一种水锤泵内部流道评价及优化方法
CN110245408B (zh) 一种汽轮机单圆弧压力面叶型设计方法
CN115481510A (zh) 基于改进nsga-ⅱ算法的径向压气机叶片多工况优化方法及装置
Doorly et al. Optimisation of aerodynamic and coupled aerodynamic-structural design using parallel genetic algorithms
CN115758918A (zh) 一种多级离心泵空间导叶优化方法
Song et al. Shape optimization of turbine stage using adaptive range differential evolution and three-dimensional Navier-Stokes solver
Wang et al. Multiobjective optimization for flapping foil hydrodynamics with a multitask and multifidelity approach
Doan et al. Computational fluid dynamic analysis of a marine hydrokinetic crossflow turbine in low Reynolds number flow
CN112380769A (zh) 基于稀疏检测和径向基函数插值的虚拟样本生成方法
Javaid et al. Power enhancement of vertical axis wind turbine using optimum trapped vortex cavity
CN105718665B (zh) 一种泵装置出水流道的自动优化方法及其应用

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