CN115423333A - 基于数字孪生的流程生产工艺多目标优化方法及系统 - Google Patents
基于数字孪生的流程生产工艺多目标优化方法及系统 Download PDFInfo
- Publication number
- CN115423333A CN115423333A CN202211109232.1A CN202211109232A CN115423333A CN 115423333 A CN115423333 A CN 115423333A CN 202211109232 A CN202211109232 A CN 202211109232A CN 115423333 A CN115423333 A CN 115423333A
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- fiber preform
- physical
- optimization
- stretching process
- 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 237
- 238000005457 optimization Methods 0.000 title claims abstract description 87
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 54
- 230000008569 process Effects 0.000 claims abstract description 183
- 238000012545 processing Methods 0.000 claims abstract description 69
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 239000002994 raw material Substances 0.000 claims abstract description 15
- 230000003993 interaction Effects 0.000 claims abstract description 13
- 239000013307 optical fiber Substances 0.000 claims description 112
- 238000004088 simulation Methods 0.000 claims description 63
- 230000006870 function Effects 0.000 claims description 36
- 230000004044 response Effects 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012544 monitoring process Methods 0.000 claims description 20
- 238000012546 transfer Methods 0.000 claims description 20
- 239000000463 material Substances 0.000 claims description 19
- 230000000007 visual effect Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000012805 post-processing Methods 0.000 claims description 12
- 239000012530 fluid Substances 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 239000007787 solid Substances 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000012800 visualization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 238000010438 heat treatment Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 229910002804 graphite Inorganic materials 0.000 description 2
- 239000010439 graphite Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000001595 contractor effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000021824 exploration behavior Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000007380 fibre production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Manufacture, Treatment Of Glass Fibers (AREA)
Abstract
本发明涉及数字孪生技术领域,提供一种基于数字孪生的流程生产工艺多目标优化方法,根据实际需求建立具有明确优化目标和约束条件的多目标优化问题;建立相关数字孪生模型,实现物理生产系统与虚拟生产系统之间的实时交互,辅助优化;获取帕累托最优解后,综合利用动态参数组关联度评估、熵值赋权法及理想解相似度顺序偏好法,形成快速准确的工艺决策。本发明公开的该方法和系统能够解决相关工艺方案存在的多目标冲突、反馈不及时、决策不准确等技术问题,能够有效地提高加工质量、提升原材料利用率并降低全过程能耗。
Description
技术领域
本发明涉及数字孪生技术领域,特别涉及一种基于数字孪生的流程生产工艺多目标优化方法及系统。
背景技术
流程工业主要包括化工、钢铁、有色、建材等基础原材料行业,是国民经济的支柱和基础产业,也是我国经济持续增长的重要支撑力量。流程工业企业在生产过程中通常需要消耗大量的电、煤、气等资源。在流程生产工艺中,在某一工况下,不同的调控方案影响消耗的能源类型和总量。随着流程工业逐渐向规模化、集成化、连续化不断发展,国内外日趋激烈的市场竞争使得流程工业对其产品质量、总体成本、过程安全、生产效率、能耗水平等综合指标提出了更高要求。因此,在同时考虑多个流程生产工艺目标的情况下快速获得更有效更精确的调控方案是至关重要的。
光纤生产过程是典型的流程生产工艺。光纤全称为光导纤维,是一种由玻璃或塑料制成的纤维,可作为光传导工具,其传输原理是光的全反射。光纤传输具有频带宽、损耗低、重量轻、抗干扰能力强、保真度高、性能可靠、成本不断下降等优点。光纤预制棒是制造石英系列光纤的核心原材料,被业界誉为光通信产业“皇冠上的明珠”;光纤预制棒具有特定折射率剖面,直径从几十毫米到几百毫米不等,其加工是光纤工艺中最重要的部分,对光纤类别和各项性能有决定性作用。
光纤预制棒的一次拉伸工艺是在高温熔融状态下,石英玻璃棒由于顶部和底部的差速拉伸而产生轴向拉长径向收缩效果的热流变过程,具体过程为:将光纤预制棒母棒由拉丝塔顶部向下送入石墨高温炉中心区域,利用尾柄对其进行两端夹持后,在约两千摄氏度的温度下加热至熔融状态,然后在顶部低速送入底部高速牵引的共同作用下将母棒拉伸至目标棒径;该工艺具有批量大、连续、不可逆的特点,是典型的流程型工艺。
现有技术中,相关制造企业在进行光纤预制棒一次拉伸工艺时将会遇到以下问题:相关工艺过程的全局改进是一项多目标的优化任务,工艺参数的设置和调整仍然很大程度上依据过往的经验,这导致工况识别和工艺决策的不准确。
发明内容
经过长期实践发现,现有技术中,光纤预制棒一次拉伸工艺多目标优化中的各目标具有较强的冲突性、相互干涉、较高的复杂性和较大的尺度差异;由于工艺过程的连续性和不可逆性,相关工艺方案的现场试验成本高且难度大,甚至有一定的风险,这将会延误工艺方案有效性的准确反馈;工艺参数的设置和调整仍然很大程度上依据过往的经验,这导致工况识别和工艺决策的不准确。
有鉴于此,本发明旨在提出一种基于数字孪生的流程生产工艺多目标优化方法,所述基于数字孪生的流程生产工艺多目标优化方法包括,
步骤S1,采集光纤预制棒拉伸工艺中加工数据并进行数据预处理;其中,数据预处理包括异常值处理、插值处理、训练集测试集划分和归一化处理;
步骤S2,光纤预制棒拉伸工艺数据与参数关联关系分析,确定优化目标函数至少包括拉伸后平均棒径差Δd、全过程电耗W和原材料利用率δ;其中,优化变量包括加工温度Toven、送料速度Vf、拉伸速度Vd,将(Toven,Vf,Vd)的取值范围、设备电功率Pt的大小和母棒棒径D的范围作为约束条件;
步骤S3,建立光纤预制棒拉伸工艺多物理场仿真模型;输入固体传热、层流、流体传热、材料属性和工艺参数,其中,材料属性至少包括棒体密度、表面张力系数、比热率、泊松比;工艺参数包括送料速度、拉伸速度和热炉温度;输出高温环境下棒体热流动的速度场、压力场和温度场分布;
步骤S4,抽取光纤预制棒拉伸工艺多物理场仿真模型的关键设置步骤和后处理显示界面,形成光纤预制棒拉伸工艺虚拟仿真系统控制可视化界面,并与物理生产系统连接;其中,物理生产系统包括车间现场加工状态监测响应数据,且将车间现场加工状态监测响应数据与光纤预制棒拉伸工艺多物理场仿真模型响应数据的差值,用于光纤预制棒拉伸工艺多物理场仿真模型建立目标函数;
步骤S5,计算得到N个帕累托最优解并进行综合评估,根据帕累托最优解与当前需优化的参数组间关联度Pcd及各指标值变化趋势做综合评估;
步骤S6,基于N个帕累托最优解候选方案和各指标权重,构建加权决策矩阵,依次计算参数区间内正负理想解,各候选方案与正负理想解间的距离以及与理想解的相对接近度,生成最终方案优劣次序和最优运行参数。
优选地,在步骤S4中,光纤预制棒拉伸工艺虚拟仿真系统控制可视化界面还包括构建光纤预制棒拉伸工艺多物理场仿真模型的用户交互界面、设定反馈信息、设计仿真效果评估窗口。
优选地,将车间现场加工状态监测响应数据与光纤预制棒拉伸工艺多物理场仿真模型响应数据的差值为,
约束条件为plb≤p≤pub,其中,p、plb和pub分别为参数向量组以及其上下界,R指监测响应数据rm和计算仿真模型响应数据rc间的差值。
优选地,由光纤预制棒拉伸工艺多物理场仿真模型构建数字孪生模型,数字孪生模型运行过程中,在物理生产系统实时监测优化目标、约束条件和优化变量;根据优化结果数据,更新历史工况数据库。
优选地,基于N个帕累托最优解候选方案和各指标权重,构建加权决策矩阵包括,
步骤S61,根据各优化目标构建初始决策矩阵,并进行归一化处理;
步骤S62,分别计算初始决策矩阵中各指标熵值ej以及权重系数hj,
其中,N为样本个数,pij为第i个样本第j个指标归一化后数值;当pij=0时,设定pijlnpij=0,k为1/lnN。
本发明还公开了一种用于执行上述基于数字孪生的流程生产工艺多目标优化方法的系统,所述系统包括,
获取单元,用于采集光纤预制棒拉伸工艺中加工数据并进行数据预处理;其中,数据预处理包括异常值处理、插值处理、训练集测试集划分和归一化处理;
初始化单元,用于光纤预制棒拉伸工艺数据与参数关联关系分析,确定优化目标函数至少包括拉伸后平均棒径差Δd、全过程电耗W和原材料利用率δ;其中,优化变量包括加工温度Toven、送料速度Vf、拉伸速度Vd,将(Toven,Vf,Vd)的取值范围、设备电功率Pt的大小和母棒棒径D的范围作为约束条件;
模型单元,用于建立光纤预制棒拉伸工艺多物理场仿真模型;输入固体传热、层流、流体传热、材料属性和工艺参数,其中,材料属性至少包括棒体密度、表面张力系数、比热率、泊松比;工艺参数包括送料速度、拉伸速度和热炉温度;输出高温环境下棒体热流动的速度场、压力场和温度场分布;
孪生单元,用于抽取光纤预制棒拉伸工艺多物理场仿真模型的关键设置步骤和后处理显示界面,形成光纤预制棒拉伸工艺虚拟仿真系统控制可视化界面,并与物理生产系统连接;其中,物理生产系统包括车间现场加工状态监测响应数据,且将车间现场加工状态监测响应数据与光纤预制棒拉伸工艺多物理场仿真模型响应数据的差值,用于光纤预制棒拉伸工艺多物理场仿真模型建立目标函数;
评估单元,用于计算得到N个帕累托最优解并进行综合评估,根据帕累托最优解与当前需优化的参数组间关联度Pcd及各指标值变化趋势做综合评估;
筛选单元,用于基于N个帕累托最优解候选方案和各指标权重,构建加权决策矩阵,依次计算参数区间内正负理想解,各候选方案与正负理想解间的距离以及与理想解的相对接近度,生成最终方案优劣次序和最优运行参数。
优选地,孪生单元包括可视化模块,用于生成光纤预制棒拉伸工艺虚拟仿真系统控制可视化界面过程中,构建光纤预制棒拉伸工艺多物理场仿真模型的用户交互界面、设定反馈信息、设计仿真效果评估窗口。
本发明公开了一种电子设备,包括存储器和处理器:所述存储器,用于存储计算机程序;所述处理器,用于当执行计算机程序时,实现上述的基于数字孪生的流程生产工艺多目标优化方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明提供的方法。
相对于现有技术,本发明提供的数字孪生的光纤预制棒拉伸工艺多目标优化方法包括步骤S1-S6,即采集光纤预制棒拉伸工艺中加工数据并进行数据预处理;光纤预制棒拉伸工艺数据与参数关联关系分析,确定优化目标函数;建立光纤预制棒拉伸工艺多物理场仿真模型;输入固体传热、层流、流体传热、材料属性和工艺参数;抽取光纤预制棒拉伸工艺多物理场仿真模型的关键设置步骤和后处理显示界面,形成光纤预制棒拉伸工艺虚拟仿真系统控制可视化界面,并与物理生产系统连接;计算得到N个帕累托最优解并进行综合评估,基于N个帕累托最优解候选方案和各指标权重,构建加权决策矩阵,依次计算参数区间内正负理想解,各候选方案与正负理想解间的距离以及与理想解的相对接近度,生成最终方案优劣次序和最优运行参数。该方法根据实际需求建立具有明确优化目标和约束条件的多目标优化问题;建立相关数字孪生模型,实现物理生产系统与虚拟生产系统之间的实时交互,辅助优化;获取帕累托最优解后,综合利用动态参数组关联度评估、熵值赋权法及理想解相似度顺序偏好法,形成快速准确的工艺决策。本发明公开的该方法能够解决相关工艺方案存在的多目标冲突、反馈不及时、决策不准确等技术问题,能够有效地提高加工质量、提升原材料利用率并降低全过程能耗。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施方式及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的基于数字孪生的流程生产工艺多目标优化方法流程示意图;
图2为本发明的光纤预制棒拉伸工艺多物理场仿真模型构建流程图;
图3为本发明的帕累托最优解综合评估与决策流程图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了解决现有技术中光纤预制棒一次拉伸工艺多目标优化中的各目标具有较强的冲突性、相互干涉、较高的复杂性和较大的尺度差异;由于工艺过程的连续性和不可逆性,相关工艺方案的现场试验成本高且难度大,甚至有一定的风险,这将会延误工艺方案有效性的准确反馈;工艺参数的设置和调整仍然很大程度上依据过往的经验,这导致工况识别和工艺决策的不准确等问题。本发明提供一种基于数字孪生的流程生产工艺多目标优化方法,如图1-图3所示,所述基于数字孪生的流程生产工艺多目标优化方法包括,
步骤S1,采集光纤预制棒拉伸工艺中加工数据并进行数据预处理;其中,数据预处理包括异常值处理、插值处理、训练集测试集划分和归一化处理;
步骤S2,光纤预制棒拉伸工艺数据与参数关联关系分析,确定优化目标函数至少包括拉伸后平均棒径差Δd、全过程电耗W和原材料利用率δ;其中,优化变量包括加工温度Toven、送料速度Vf、拉伸速度Vd,将(Toven,Vf,Vd)的取值范围、设备电功率Pt的大小和母棒棒径D的范围作为约束条件;
步骤S3,建立光纤预制棒拉伸工艺多物理场仿真模型;输入固体传热、层流、流体传热、材料属性和工艺参数,其中,材料属性至少包括棒体密度、表面张力系数、比热率、泊松比;工艺参数包括送料速度、拉伸速度和热炉温度;输出高温环境下棒体热流动的速度场、压力场和温度场分布;
步骤S4,抽取光纤预制棒拉伸工艺多物理场仿真模型的关键设置步骤和后处理显示界面,形成光纤预制棒拉伸工艺虚拟仿真系统控制可视化界面,并与物理生产系统连接;其中,物理生产系统包括车间现场加工状态监测响应数据,且将车间现场加工状态监测响应数据与光纤预制棒拉伸工艺多物理场仿真模型响应数据的差值,用于光纤预制棒拉伸工艺多物理场仿真模型建立目标函数;
步骤S5,计算得到N个帕累托最优解并进行综合评估,根据帕累托最优解与当前需优化的参数组间关联度Pcd及各指标值变化趋势做综合评估;
步骤S6,基于N个帕累托最优解候选方案和各指标权重,构建加权决策矩阵,依次计算参数区间内正负理想解,各候选方案与正负理想解间的距离以及与理想解的相对接近度,生成最终方案优劣次序和最优运行参数。
本发明提供的数字孪生的光纤预制棒拉伸工艺多目标优化方法包括步骤S1-S6,即采集光纤预制棒拉伸工艺中加工数据并进行数据预处理;光纤预制棒拉伸工艺数据与参数关联关系分析,确定优化目标函数;建立光纤预制棒拉伸工艺多物理场仿真模型;输入固体传热、层流、流体传热、材料属性和工艺参数;抽取光纤预制棒拉伸工艺多物理场仿真模型的关键设置步骤和后处理显示界面,形成光纤预制棒拉伸工艺虚拟仿真系统控制可视化界面,并与物理生产系统连接;计算得到N个帕累托最优解并进行综合评估,基于N个帕累托最优解候选方案和各指标权重,构建加权决策矩阵,依次计算参数区间内正负理想解,各候选方案与正负理想解间的距离以及与理想解的相对接近度,生成最终方案优劣次序和最优运行参数。该方法根据实际需求建立具有明确优化目标和约束条件的多目标优化问题;建立相关数字孪生模型,实现物理生产系统与虚拟生产系统之间的实时交互,辅助优化;获取帕累托最优解后,综合利用动态参数组关联度评估、熵值赋权法及理想解相似度顺序偏好法,形成快速准确的工艺决策。本发明公开的该方法能够解决相关工艺方案存在的多目标冲突、反馈不及时、决策不准确等技术问题,能够有效地提高加工质量、提升原材料利用率并降低全过程能耗。
结合光纤预制棒拉伸工艺数据与参数关联关系分析,光纤预制棒一次拉伸工艺方案优化以拉伸后平均棒径差Δd、全过程电耗W和原材料利用率δ作为优化目标函数,分别反映整体加工质量、能耗水平和工艺先进性。
将加工温度Toven、送料速度Vf、拉伸速度Vd作为优化变量,将(Toven,Vf,Vd)的取值范围、设备电功率Pt的大小和母棒棒径D的范围作为模型约束条件。其中,优化目标函数表述为,
其中,当|dt-dtarget|>3时s(t)=0,当|dt-dtarget|≤3时s(t)=1。例如,约束条件为:炉温1700℃≤Toven≤2100℃,送料速度0mm/min≤Vf≤20mm/min;拉伸速度0mm/min≤Vd≤100mm/min;且有Vf≤Vd;而设备电功率Pt和母棒棒径D则分别满足30kW≤Pt≤50kW和80mm≤D≤140mm。在f1、f3,T等于某时间段内采样的数量,例如,每一秒采样一次,那么1分钟则T=60;而在f2中,T表示某时间段的连续时间长度。
其中,dt和dtarget分别为某时刻t获取的拉伸后棒径值和加工前预设的目标棒径值,按公差要求设置dtarget=55±3mm;s(t)是棒体在某一时刻t拉伸后的可用性表征,s(t)=1时说明该时刻的拉伸后棒径符合公差要求,即对提高原材料利用率做出了贡献,而s(t)=0时则没有。
为了建立相关数字孪生模型,实现物理生产系统与虚拟生产系统之间的实时交互,辅助优化,能够有效地提高加工质量、提升原材料利用率并降低全过程能耗。由于光纤预制棒拉伸工艺多物理场仿真模型是建立相关工艺数字孪生模型的基础。光纤预制棒是一个直径波动幅度很小的类轴对称棒体,为了减少仿真时间,原三维模型被简化为二维轴对称模型。如图2所示,使用COMSOL Multiphysics 5.5软件创建新模型,并选择瞬态分析。
数字孪生基于高保真度的仿真或映射模型、高效的数据传输及处理技术和快速的反馈及调控机制,能够在一个组件、产品或系统的全生命周期中对其进行状态监测、特征抽取、行为评估、调控指导和全面优化。构建光纤预制棒一次拉伸的数字孪生系统,通过现场生产实体和数字孪生体平行运行、实时交互与迭代优化,实现准确的工况判断、快速的异常反馈、及时的工艺决策等,可以大幅提升生产质量和效益。
首先设定光纤预制棒母棒以及高温炉的几何参数,构建几何对象并形成几何联合体、定义边界坐标系及第一切向进而创建全局笛卡尔空间。光纤预制棒延伸工艺中需要研究的过程主要为高温石墨炉热辐射加热、玻璃棒体的牵引运动和棒体中的热流动,需要计算的参数包括流体中的速度场、压力场和温度场分布,因此预定义固体传热、层流、流体传热模块进入模型开发器。设定棒体密度、表面张力系数、比热率、泊松比等材料属性以及送料速度、拉伸速度和热炉温度等工艺参数,进而确定各物理场出入口及交互接口的相关性质、边界条件和数值关系。
由于所考虑的流变成型过程的数值模拟需要应对连续体的强烈变形,传统基于拉格朗日描述或欧拉描述的模式均不再适用,解决该问题的方法是基于更新底层网格的边界追踪技术,通过动网格中的移动网格模块解决,该模块基于任意欧拉-拉格朗日描述,允许边界移动而无需网格跟随材料。完成模型构建后选择个性化的求解器配置,最后根据不同需求生成后处理结果并进行可视化分析。
为了便于实际应用,在本发明更为优选的情况下,在步骤S4中,光纤预制棒拉伸工艺虚拟仿真系统控制可视化界面还包括构建光纤预制棒拉伸工艺多物理场仿真模型的用户交互界面、设定反馈信息、设计仿真效果评估窗口。例如,基于COMSOL Multiphysics 5.5软件APP开发器抽取模型开发器中的关键设置步骤和后处理显示界面,此外还添加用户交互界面、设定反馈信息、设计仿真效果评估窗口以及编写方法等,最终形成光纤预制棒拉伸工艺虚拟仿真系统控制可视化界面。
光纤预制棒拉伸工艺虚拟仿真系统控制可视化界面由主功能区、参数输入板块和结果查看板块组成;主功能区包括重置所有输入框及表格参数值、绘制几何图形、绘制仿真网格、计算并绘制后处理结果图、查看仿真过程文档、查看帮助文档等功能;参数输入板块包含材料参数,例如温度无关参数、温度相关参数和加工参数,例如尺寸参数、工艺参数的输入框及表格参数值,既可手动改写数据也可导入数据文件;结果查看板块由几何与网格、一维绘图、二维绘图、三维绘图组、实时过程展示和求解状态组成,定制网格参数、仿真实时查看所选项绘制情况、拖动时间进度条绘制、选点查值功能。在线观察及测算的参数包括棒体颈缩量、延伸部及送入部张力、机器电功率、截面压力、棒体流速和温度分布等。将现场加工状态监测连接到该控制界面后,物理生产系统传递的传感器测量响应和虚拟仿真系统传递的模型计算响应将被用于建立相关目标优化函数,其目的是使得二者间误差最小,保证数字孪生模型的保真度。
将车间现场加工状态监测响应数据与光纤预制棒拉伸工艺多物理场仿真模型响应数据的差值为,
因此,在本发明更为优选的情况下,通过伪逆法Δp=RS -1ΔR将光纤预制棒拉伸工艺多物理场仿真模型相对于车间现场加工状态迭代修正参数,其中,Rs -1是RS的伪逆矩阵;其中,敏感性矩阵一旦获得原系统的灵敏度矩阵,利用例如非线性最小二乘法等算法求得原参数组的修正量,从而对p进行修正,保证物理生产系统和虚拟仿真模型的一致性。在数字孪生模型运行过程中,由光纤预制棒拉伸工艺多物理场仿真模型构建数字孪生模型,数字孪生模型运行过程中,在物理生产系统实时监测优化目标、约束条件和优化变量;根据优化结果数据,更新历史工况数据库,从而使多目标优化问题的迭代构建变得更加精确。
为了在选取优化观测点时兼顾收敛性和多样性,本发明采用一种动态采集函数,在优化过程前期倾向于探索,即在离当前最优解较远、不确定性较大区域进行采集,以提升获取其他最优解的可能并避免优化过程陷入局部最优;在优化过程后期倾向于开发,着重在当前最优解邻近、预测期望(均值)较高区域进行采集,以获取可能的全局最优解并使得优化过程倾向于快速收敛。
当σ(x)=0时,采集函数取值为0,当σ(x)≠0时,采集函数表示为,
其中,f*和μ(x)分别为当前最优解及点x处的函数值;α为平衡开发和探索行为比例的系数,其取值取决于当前进行原始目标函数评估的次数FE及预设的最高原始目标函数评估次数FEmax相关,在优化过程中呈逐渐增大的趋势,相关表达式为,
其中,δ是用于规避优化过程陷入局部最优的系数,其取值取决于预计采样点x*和当前采样点x的距离d(x,x*),若该距离小于某个距离阈值将触发系数改变机制以辅助优化过程跳出局部最优,即当时δ=1,当时δ>1;距离惩罚函数,用于进一步避免前后采样距离过近,该函数将有助于提高优化解的多样性,当x*∈{x1,x2,···,xn}时,P(x,x*)=0,而当时,则有,
其中,自然指数函数和反正切函数的引入分别能够在x*距离x过于远时迅速降低该点的影响作用以及避免惩罚函数的过度增长。在传统期望增益采集函数的基础上,利用由高斯过程回归模型提供的最大均值μ(x)max和最大方差μ(x)max分别做归一化处理,以消除不同尺度的原始目标函数和约束条件对优化过程造成的影响。
为了减少优化过程落入局部最优,从而使得优化结果终止,在本发明更为优选的情况下,在步骤S5中,采用贝叶斯优化计算得到N个帕累托最优解并进行综合评估,贝叶斯优化是一种基于元模型的在含有不确定性的序列采样中的全局优化方法。在利用元模型辅助多目标优化时,通常为每个目标分别构建一个元模型作为代理函数,然后建立合适的采集函数指导观察点采样,最后获取帕累托最优解集。用于拟合未知目标函数的元模型为高斯过程回归模型。高斯过程是观测值出现在一个连续域的非参数随机过程模型,可以拟合一个黑盒函数并给出拟合结果的置信度。
为了获取帕累托最优解集后,综合利用动态参数组关联度评估、熵值赋权法及理想解相似度顺序偏好法,形成快速准确的工艺决策,在本发明更为优选的情况下,基于N个帕累托最优解候选方案和各指标权重,构建加权决策矩阵包括,
步骤S61,根据各优化目标构建初始决策矩阵,并进行归一化处理;
步骤S62,分别计算初始决策矩阵中各指标熵值ej以及权重系数hj,
其中,N为样本个数,pij为第i个样本第j个指标归一化后数值;当pij=0时,设定pijlnpij=0,k为1/lnN。当熵权系数hj越大时,该指标所含信息量越大,即其对综合评价的作用越大。
其中,熵权法是用于判断某个指标离散程度的数学方法,离散程度越大该指标对综合评价的影响越大,因此可根据各项指标变异程度,利用信息熵计算出各指标权重,为多指标综合评价提供依据。
其中,基于理想解相似度的顺序偏好技术能够根据有限个评价对象与理想化目标的接近程度进行排序,即对现有对象进行相对优劣评价。通过检测评价对象与最优解、最劣解的距离来进行排序,若评价对象最靠近最优解同时又最远离最劣解,则为最好;否则不为最优。其中最优解的各指标值都达到各评价指标的最优值。最劣解的各指标值都达到各评价指标的最差值。
基于候选方案和各指标权重,规范化的加权决策矩阵得以构建,依次计算参数区间内正负理想解,即最优方案与最劣方案、各方案与正负理想解间的距离以及与理想解的相对接近度,最终方案优劣次序和最优运行参数得以生成。
本发明还公开了一种用于执行上述基于数字孪生的流程生产工艺多目标优化方法的系统,所述系统包括,
获取单元,用于采集光纤预制棒拉伸工艺中加工数据并进行数据预处理;其中,数据预处理包括异常值处理、插值处理、训练集测试集划分和归一化处理;
初始化单元,用于光纤预制棒拉伸工艺数据与参数关联关系分析,确定优化目标函数至少包括拉伸后平均棒径差Δd、全过程电耗W和原材料利用率δ;其中,优化变量包括加工温度Toven、送料速度Vf、拉伸速度Vd,将(Toven,Vf,Vd)的取值范围、设备电功率Pt的大小和母棒棒径D的范围作为约束条件;
模型单元,用于建立光纤预制棒拉伸工艺多物理场仿真模型;输入固体传热、层流、流体传热、材料属性和工艺参数,其中,材料属性至少包括棒体密度、表面张力系数、比热率、泊松比;工艺参数包括送料速度、拉伸速度和热炉温度;输出高温环境下棒体热流动的速度场、压力场和温度场分布;
孪生单元,用于抽取光纤预制棒拉伸工艺多物理场仿真模型的关键设置步骤和后处理显示界面,形成光纤预制棒拉伸工艺虚拟仿真系统控制可视化界面,并与物理生产系统连接;其中,物理生产系统包括车间现场加工状态监测响应数据,且将车间现场加工状态监测响应数据与光纤预制棒拉伸工艺多物理场仿真模型响应数据的差值,用于光纤预制棒拉伸工艺多物理场仿真模型建立目标函数;
评估单元,用于计算得到N个帕累托最优解并进行综合评估,根据帕累托最优解与当前需优化的参数组间关联度Pcd及各指标值变化趋势做综合评估;
筛选单元,用于基于N个帕累托最优解候选方案和各指标权重,构建加权决策矩阵,依次计算参数区间内正负理想解,各候选方案与正负理想解间的距离以及与理想解的相对接近度,生成最终方案优劣次序和最优运行参数。
本发明提供的用于执行上述基于数字孪生的流程生产工艺多目标优化方法的系统包括获取单元,用于采集光纤预制棒拉伸工艺中加工数据并进行数据预处理;初始化单元用于光纤预制棒拉伸工艺数据与参数关联关系分析,确定优化目标函数;模型单元用于建立光纤预制棒拉伸工艺多物理场仿真模型;用于输入固体传热、层流、流体传热、材料属性和工艺参数;孪生单元用于抽取光纤预制棒拉伸工艺多物理场仿真模型的关键设置步骤和后处理显示界面,形成光纤预制棒拉伸工艺虚拟仿真系统控制可视化界面,并与物理生产系统连接;评估单元用于计算得到N个帕累托最优解并进行综合评估;筛选单元用于基于N个帕累托最优解候选方案和各指标权重,构建加权决策矩阵,依次计算参数区间内正负理想解,各候选方案与正负理想解间的距离以及与理想解的相对接近度,生成最终方案优劣次序和最优运行参数。该系统根据实际需求建立具有明确优化目标和约束条件的多目标优化问题;建立相关数字孪生模型,实现物理生产系统与虚拟生产系统之间的实时交互,辅助优化;获取帕累托最优解后,综合利用动态参数组关联度评估、熵值赋权法及理想解相似度顺序偏好法,形成快速准确的工艺决策。本发明公开的该方法能够解决相关工艺方案存在的多目标冲突、反馈不及时、决策不准确等技术问题,能够有效地提高加工质量、提升原材料利用率并降低全过程能耗。
为了更好地呈现光纤预制棒拉伸工艺虚拟仿真系统控制可视化界面,与物理生产系统连接后,光纤预制棒拉伸工艺多物理场仿真模型、车间现场加工状态监测响应数据更好地在虚拟环境中呈现,在本发明更为优选的情况下,孪生单元包括可视化模块,用于生成光纤预制棒拉伸工艺虚拟仿真系统控制可视化界面过程中,构建光纤预制棒拉伸工艺多物理场仿真模型的用户交互界面、设定反馈信息、设计仿真效果评估窗口。
本发明还公开了一种电子设备,包括存储器和处理器:所述存储器,用于存储计算机程序;所述处理器,用于当执行计算机程序时,实现上述方法。
进一步地,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明提供的方法。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、移动终端、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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流程生产工艺多目标优化方法,其特征在于,所述基于数字孪生的流程生产工艺多目标优化方法包括,
步骤S1,采集光纤预制棒拉伸工艺中加工数据并进行数据预处理;其中,数据预处理包括异常值处理、插值处理、训练集测试集划分和归一化处理;
步骤S2,光纤预制棒拉伸工艺数据与参数关联关系分析,确定优化目标函数至少包括拉伸后平均棒径差Δd、全过程电耗W和原材料利用率δ;其中,优化变量包括加工温度Toven、送料速度Vf、拉伸速度Vd,将(Toven,Vf,Vd)的取值范围、设备电功率Pt的大小和母棒棒径D的范围作为约束条件;
步骤S3,建立光纤预制棒拉伸工艺多物理场仿真模型;输入固体传热、层流、流体传热、材料属性和工艺参数,其中,材料属性至少包括棒体密度、表面张力系数、比热率、泊松比;工艺参数包括送料速度、拉伸速度和热炉温度;输出高温环境下棒体热流动的速度场、压力场和温度场分布;
步骤S4,抽取光纤预制棒拉伸工艺多物理场仿真模型的关键设置步骤和后处理显示界面,形成光纤预制棒拉伸工艺虚拟仿真系统控制可视化界面,并与物理生产系统连接;其中,物理生产系统包括车间现场加工状态监测响应数据,且将车间现场加工状态监测响应数据与光纤预制棒拉伸工艺多物理场仿真模型响应数据的差值,用于光纤预制棒拉伸工艺多物理场仿真模型建立目标函数;
步骤S5,计算得到N个帕累托最优解并进行综合评估,根据帕累托最优解与当前需优化的参数组间关联度Pcd及各指标值变化趋势做综合评估;
步骤S6,基于N个帕累托最优解候选方案和各指标权重,构建加权决策矩阵,依次计算参数区间内正负理想解,各候选方案与正负理想解间的距离以及与理想解的相对接近度,生成最终方案优劣次序和最优运行参数。
2.根据权利要求1所述的基于数字孪生的流程生产工艺多目标优化方法,其特征在于,在步骤S4中,光纤预制棒拉伸工艺虚拟仿真系统控制可视化界面还包括构建光纤预制棒拉伸工艺多物理场仿真模型的用户交互界面、设定反馈信息、设计仿真效果评估窗口。
5.根据权利要求1-4任意一项所述的基于数字孪生的流程生产工艺多目标优化方法,其特征在于,由光纤预制棒拉伸工艺多物理场仿真模型构建数字孪生模型,数字孪生模型运行过程中,在物理生产系统实时监测优化目标、约束条件和优化变量;根据优化结果数据,更新历史工况数据库。
7.一种用于执行如权利要求1-6中任意一项所述基于数字孪生的流程生产工艺多目标优化方法的系统,其特征在于,所述系统包括,
获取单元,用于采集光纤预制棒拉伸工艺中加工数据并进行数据预处理;其中,数据预处理包括异常值处理、插值处理、训练集测试集划分和归一化处理;
初始化单元,用于光纤预制棒拉伸工艺数据与参数关联关系分析,确定优化目标函数至少包括拉伸后平均棒径差Δd、全过程电耗W和原材料利用率δ;其中,优化变量包括加工温度Toven、送料速度Vf、拉伸速度Vd,将(Toven,Vf,Vd)的取值范围、设备电功率Pt的大小和母棒棒径D的范围作为约束条件;
模型单元,用于建立光纤预制棒拉伸工艺多物理场仿真模型;输入固体传热、层流、流体传热、材料属性和工艺参数,其中,材料属性至少包括棒体密度、表面张力系数、比热率、泊松比;工艺参数包括送料速度、拉伸速度和热炉温度;输出高温环境下棒体热流动的速度场、压力场和温度场分布;
孪生单元,用于抽取光纤预制棒拉伸工艺多物理场仿真模型的关键设置步骤和后处理显示界面,形成光纤预制棒拉伸工艺虚拟仿真系统控制可视化界面,并与物理生产系统连接;其中,物理生产系统包括车间现场加工状态监测响应数据,且将车间现场加工状态监测响应数据与光纤预制棒拉伸工艺多物理场仿真模型响应数据的差值,用于光纤预制棒拉伸工艺多物理场仿真模型建立目标函数;
评估单元,用于计算得到N个帕累托最优解并进行综合评估,根据帕累托最优解与当前需优化的参数组间关联度Pcd及各指标值变化趋势做综合评估;
筛选单元,用于基于N个帕累托最优解候选方案和各指标权重,构建加权决策矩阵,依次计算参数区间内正负理想解,各候选方案与正负理想解间的距离以及与理想解的相对接近度,生成最终方案优劣次序和最优运行参数。
8.根据权利要求7所述的系统,其特征在于,孪生单元包括可视化模块,用于生成光纤预制棒拉伸工艺虚拟仿真系统控制可视化界面过程中,构建光纤预制棒拉伸工艺多物理场仿真模型的用户交互界面、设定反馈信息、设计仿真效果评估窗口。
9.一种电子设备,其特征在于,包括存储器和处理器:所述存储器,用于存储计算机程序;所述处理器,用于当执行计算机程序时,实现如权利要求1-6中任意一项所述基于数字孪生的流程生产工艺多目标优化方法。
10.一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行本申请权利要求1-6中任意一项所述基于数字孪生的流程生产工艺多目标优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211109232.1A CN115423333A (zh) | 2022-09-13 | 2022-09-13 | 基于数字孪生的流程生产工艺多目标优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211109232.1A CN115423333A (zh) | 2022-09-13 | 2022-09-13 | 基于数字孪生的流程生产工艺多目标优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115423333A true CN115423333A (zh) | 2022-12-02 |
Family
ID=84202107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211109232.1A Pending CN115423333A (zh) | 2022-09-13 | 2022-09-13 | 基于数字孪生的流程生产工艺多目标优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423333A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882708A (zh) * | 2023-09-05 | 2023-10-13 | 湘江实验室 | 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备 |
CN116977118A (zh) * | 2023-06-01 | 2023-10-31 | 水利部水利水电规划设计总院 | 基于主从博弈模型的水网调蓄工程联合调水供水优化调度方法及系统 |
CN117035384A (zh) * | 2023-08-10 | 2023-11-10 | 浙江中泽精密科技有限公司 | 用于电池铝壳防爆阀的优化工艺评估方法及系统 |
CN117075498A (zh) * | 2023-10-16 | 2023-11-17 | 三峡科技有限责任公司 | 一种电解水制氢能耗监测和仿生优化系统 |
CN117111567A (zh) * | 2023-10-19 | 2023-11-24 | 广州恒广复合材料有限公司 | 一种洗护组合物中季铵盐生产工艺控制方法及装置 |
CN117339985A (zh) * | 2023-12-05 | 2024-01-05 | 滦南县兴凯盛科技有限公司 | 轨道材料回收利用制作型材方法 |
CN117631627A (zh) * | 2023-12-01 | 2024-03-01 | 邵东智能制造技术研究院有限公司 | 一种基于工业互联网的数字化改造方法 |
CN117933101A (zh) * | 2024-03-22 | 2024-04-26 | 山东星科智能科技股份有限公司 | 一种工业生产数字孪生仿真系统、方法和存储介质 |
-
2022
- 2022-09-13 CN CN202211109232.1A patent/CN115423333A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116977118A (zh) * | 2023-06-01 | 2023-10-31 | 水利部水利水电规划设计总院 | 基于主从博弈模型的水网调蓄工程联合调水供水优化调度方法及系统 |
CN117035384A (zh) * | 2023-08-10 | 2023-11-10 | 浙江中泽精密科技有限公司 | 用于电池铝壳防爆阀的优化工艺评估方法及系统 |
CN116882708A (zh) * | 2023-09-05 | 2023-10-13 | 湘江实验室 | 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备 |
CN116882708B (zh) * | 2023-09-05 | 2024-01-09 | 湘江实验室 | 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备 |
CN117075498A (zh) * | 2023-10-16 | 2023-11-17 | 三峡科技有限责任公司 | 一种电解水制氢能耗监测和仿生优化系统 |
CN117111567A (zh) * | 2023-10-19 | 2023-11-24 | 广州恒广复合材料有限公司 | 一种洗护组合物中季铵盐生产工艺控制方法及装置 |
CN117111567B (zh) * | 2023-10-19 | 2023-12-29 | 广州恒广复合材料有限公司 | 一种洗护组合物中季铵盐生产工艺控制方法及装置 |
CN117631627A (zh) * | 2023-12-01 | 2024-03-01 | 邵东智能制造技术研究院有限公司 | 一种基于工业互联网的数字化改造方法 |
CN117339985A (zh) * | 2023-12-05 | 2024-01-05 | 滦南县兴凯盛科技有限公司 | 轨道材料回收利用制作型材方法 |
CN117339985B (zh) * | 2023-12-05 | 2024-02-23 | 滦南县兴凯盛科技有限公司 | 轨道材料回收利用制作型材方法 |
CN117933101A (zh) * | 2024-03-22 | 2024-04-26 | 山东星科智能科技股份有限公司 | 一种工业生产数字孪生仿真系统、方法和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115423333A (zh) | 基于数字孪生的流程生产工艺多目标优化方法及系统 | |
Liu et al. | A novel hybrid multiple criteria decision making model for material selection with target-based criteria | |
Rao | A decision making methodology for material selection using an improved compromise ranking method | |
CN109992921B (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及系统 | |
CN101863088B (zh) | 一种橡胶混炼过程中门尼粘度的预报方法 | |
CN103674778A (zh) | Rbf粒子群优化的工业熔融指数软测量仪表和方法 | |
Liu et al. | Thermal error modeling of gear hobbing machine based on IGWO-GRNN | |
Wang et al. | A new data-driven roll force and roll torque model based on FEM and hybrid PSO-ELM for hot strip rolling | |
JP2012247855A (ja) | プロセスの状態予測方法 | |
CN109960146A (zh) | 提高软测量仪表模型预测精度的方法 | |
Shibahara et al. | Approach to automation of line heating by combination of reinforcement learning and finite element method simulation | |
Guo et al. | Data mining and application of ship impact spectrum acceleration based on PNN neural network | |
Wang et al. | Genetic least square estimation approach to wind power curve modelling and wind power prediction | |
CN116484675A (zh) | 一种舰船发动机叶片的裂纹扩展寿命预测方法及系统 | |
CN115017818A (zh) | 基于注意力机制和多层lstm的电厂烟气含氧量智能预测方法 | |
Zhang et al. | DuAK: Reinforcement Learning-Based Knowledge Graph Reasoning for Steel Surface Defect Detection | |
Zhu et al. | A reduced order model based on adaptive proper orthogonal decomposition incorporated with modal coefficient learning for digital twin in process industry | |
Xiao et al. | A NOx emission prediction hybrid method based on boiler data feature subset selection | |
Zhang et al. | Development of technology predicting based on EEMD-GRU: An empirical study of aircraft assembly technology | |
Li et al. | Adaptive directed support vector machine method for the reliability evaluation of aeroengine structure | |
Wang et al. | Quality–efficiency coupling prediction and monitoring-based process optimization of thin plate parts with multi-machining feature | |
Arriandiaga et al. | Recurrent ANN-based modelling of the dynamic evolution of the surface roughness in grinding | |
Cao et al. | Efficient optimization design of flue deflectors through parametric surrogate modeling with physics-informed neural networks | |
CN112734166B (zh) | 一种铜业数据鲁棒协调及显著误差检测方法 | |
Hrehova et al. | Selected application tools for creating models in the matlab environment |
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 |