CN116882708A - 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备 - Google Patents
基于数字孪生的钢铁工艺流程管控方法、装置及相关设备 Download PDFInfo
- Publication number
- CN116882708A CN116882708A CN202311133286.6A CN202311133286A CN116882708A CN 116882708 A CN116882708 A CN 116882708A CN 202311133286 A CN202311133286 A CN 202311133286A CN 116882708 A CN116882708 A CN 116882708A
- Authority
- CN
- China
- Prior art keywords
- model
- digital
- sub
- twin
- process flow
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 131
- 230000008569 process Effects 0.000 title claims abstract description 97
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 81
- 239000010959 steel Substances 0.000 title claims abstract description 81
- 238000010801 machine learning Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 25
- 238000007726 management method Methods 0.000 claims description 18
- 238000013179 statistical model Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 13
- 230000009471 action Effects 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 10
- 238000005265 energy consumption Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 17
- 238000005457 optimization Methods 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000002195 synergetic effect Effects 0.000 description 4
- 102100036378 T-cell immunomodulatory protein Human genes 0.000 description 3
- 101710194900 T-cell immunomodulatory protein Proteins 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/0633—Workflow analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Abstract
本发明公开了一种基于数字孪生的钢铁工艺流程管控方法、装置及相关设备,包括:通过收集钢铁工艺流程的环节信息,并基于环节信息确定待构建的孪生体统一模型,构建待构建的孪生体统一模型;基于环节信息,对待构建的孪生体统一模型进行拆分,得到至少两个子模型;基于数学规划的方式,确定子模型的最优路径,并基于最优路径和子模型,对钢铁工艺流程进行管控,实现利用机器学习、优化算法和数字孪生技术,建立高度准确和可靠的数字孪生模型,同时,采用了个性化优化算法,对钢铁生产过程的数字孪生模型进行个性化优化,增强数字孪生模型抗设备异构性能力,进而提高钢铁生产的效率和质量。
Description
技术领域
本发明涉及钢铁工艺领域,尤其涉及一种基于数字孪生的钢铁工艺流程管控方法、装置、计算机设备及介质。
背景技术
近年来,钢铁工业一直是全球经济的重要支柱,而数字化技术的应用已经成为钢铁工业提高效率、降低成本、提高质量和可持续发展的重要手段。数字孪生技术作为一种新兴的数字化技术,已经在钢铁工业中得到了广泛的应用。它通过建立真实钢铁生产系统的数字孪生模型,实现对钢铁生产过程的可视化、仿真、优化和预测,从而提高钢铁生产的效率、质量和可靠性。
发明人在实现本发明的过程中,意识到现有技术至少存在如下技术问题:钢铁工艺流程的复杂性和多变性给数字孪生技术的应用带来了很大的挑战,钢铁工艺流程通常涉及多个工序、多个生产参数、多个产品规格和多个质量指标,而且这些参数和指标之间存在非线性和复杂的关系。而现有的数字孪生模型面对这种复杂关系难以进行辨识,从而使得钢铁上产过程进行管控出现偏差,因此,如何建立准确、可靠、高效的数字孪生模型,对钢铁生产过程管控进行个性化优化,成为了数字孪生技术在钢铁工业中广泛应用的瓶颈之一。
发明内容
本发明实施例提供一种基于数字孪生的钢铁工艺流程管控方法、装置、计算机设备和存储介质,以提高对钢铁生产工艺的管控精准度,进而提高钢铁生产效率。
为了解决上述技术问题,本申请实施例提供一种基于数字孪生的钢铁工艺流程管控方法,包括:
收集钢铁工艺流程的环节信息,并基于所述环节信息确定待构建的孪生体统一模型,所述环节信息每个环节的物理参数、工艺条件和材料特性;
构建所述待构建的孪生体统一模型;
基于所述环节信息,对所述待构建的孪生体统一模型进行拆分,得到至少两个子模型;
基于数学规划的方式,确定所述子模型的最优路径,并基于所述最优路径和所述子模型,确定钢铁工艺流程中各个参数的调整,并基于调整后的参数,对所述钢铁工艺流程进行管控。
可选地,所述基于所述环节信息确定待构建的孪生体统一模型包括:
基于所述环节信息,建立与每个环节对应的物理模型;
按照预设的方式,选取统计模型和机器学习模型;
对所述物理模型、所述统计模型和所述机器学习模型进行统合,得到所述待构建的孪生体统一模型。
可选地,所述构建所述待构建的孪生体统一模型包括:
根据所述物理系统的状态转移模型,采用如下公式预测数字孪生体在下一时刻的状态估计/>和误差协方差矩阵/>:
,
其中, 为所述物理系统在时刻/>的状态向量, />为数字孪生体在时刻/>的状态估计向量,/>为所述物理系统的状态转移矩阵,/>为数字孪生体在时刻/>的误差协方差矩阵,/>为物理系统的过程噪声协方差矩阵;
根据数字系统接收到的物理系统的观测数据,采用如下公式更新数字孪生体在时刻的状态估计/>和误差协方差矩阵/>:
,
,
其中,为数字系统在时刻/>接收到的物理系统的观测向量,/>为物理系统的观测矩阵,/>为物理系统的观测噪声协方差矩阵,/>为数字孪生体在时刻/>的卡尔曼增益矩阵。
可选地,所述所述构建所述待构建的孪生体统一模型还包括:
对所述待构建的孪生体统一模型,随机初始化数字系统的策略函数和价值函数/>;
根据当前的策略函数,选择任意一个动作/>,并执行动作/>;
根据执行的动作,观测到物理系统的反馈数据,并计算出奖励/>;
根据观测到的奖励,采用如下公式更新数字系统的价值函数/>和策略函数:
其中,为数字系统在时刻/>的状态向量,包括数字孪生体的状态估计、误差协方差矩阵、能耗信息, />为数字系统在时刻/>的动作向量,包括感知和控制物理系统的频率、精度、强度参数, />为数字系统在时刻/>的奖励标量,用于表征数字孪生体的性能和能效的综合评价,/>为数字系统在时刻/>的策略函数,表示在状态/>下选择动作/>的概率分布,为数字系统在时刻/>的价值函数,表示在状态/>下遵循策略/>所能获得的期望奖励。
可选地,所述基于所述环节信息,对所述待构建的孪生体统一模型进行拆分,得到至少两个子模型包括:
对每个设备的计算能力进行测试和分组,得到至少两个初始分组;
采用基于路径规划的方式,将所述待构建的孪生体统一模型进行拆分成多个子网络,并将最优路径对应的子网络集合作为目标网络集合;
针对所述目标网络集合中的每个子网络,将所述子网络对应的初始分组进行组合,得到至少两个所述子模型。
可选地,所述根据每个设备的计算能力进行测试和分组,得到至少两个初始分组包括:
对每个设备进行预训练测试,确定每个设备的计算能力,其中,计算能力包括处理的最大模型规模和各项最佳超参数;
基于设备的计算能力,对不同设备进行分组,得到初始分组,以使每个初始分组内的设备计算能力的波动处于预设范围。
可选地,所述基于设备的计算能力,对不同设备进行分组,得到初始分组包括:
采用如下约束条件进行分组:
其中,为控制器集合,/>为分组集合,其中每个分组/>是一个控制器子集,/>为距离函数,用于衡量两个控制器之间的差异,定义为:
其中,分别表示控制器/>在预训练测试中得到的最优损失值,最优准确率值和最优超参数值,/>是权重系数。
可选地,所述采用基于路径规划的方式,将所述待构建的孪生体统一模型进行拆分成多个子网络,并将最优路径对应的子网络集合作为目标网络集合包括:
采用如下约束确定最优路径:
其中,N为完整的数字孪生模型,为模型中的所有路径集合,为子网络集合,每个子网络/>是一个路径子集,分别表示子网络/>在数据集/>上的损失值,训练时间和准确率值,/>表示子网络/>的最优超参数值,/>和/>分别表示分组/>中的控制器能够接受的最大训练时间和最低准确率阈值。
可选地,所述基于数学规划的方式,确定所述子模型的最优路径包括:
确定每个子模型的深度;
基于每个所述子模型的深度和设备的计算能力,评估将子模型分配给设备的效果;
基于所述效果寻找最优的路径,确定所述子模型的最优路径。
为了解决上述技术问题,本申请实施例还提供一种基于数字孪生的钢铁工艺流程管控装置,包括:
模型甄选模块,用于收集钢铁工艺流程的环节信息,并基于环节信息确定待构建的孪生体统一模型,环节信息包括每个环节的物理参数、工艺条件和材料特性;
模型构建模块,用于构建待构建的孪生体统一模型;
模型拆分模块,用于基于环节信息,对待构建的孪生体统一模型进行拆分,得到至少两个子模型;
流程管控模块,用于基于数学规划的方式,确定子模型的最优路径,并基于最优路径和子模型,对钢铁工艺流程进行管控。
可选地,所述模型甄选模块包括:
模型建立单元,用于基于环节信息,建立与每个环节对应的物理模型;
模型选取单元,用于按照预设的方式,选取统计模型和机器学习模型;
模型融合单元,用于对物理模型、统计模型和机器学习模型进行统合,得到待构建的孪生体统一模型。
可选地,所述模型构建模块包括:
预测单元,用于根据物理系统的状态转移模型,采用如下公式预测数字孪生体在下一时刻的状态估计/>和误差协方差矩阵/>:
其中, 为物理系统在时刻/>的状态向量, />为数字孪生体在时刻/>的状态估计向量,/>为物理系统的状态转移矩阵,/>为数字孪生体在时刻/>的误差协方差矩阵,/>为物理系统的过程噪声协方差矩阵;
更新单元,用于根据数字系统接收到的物理系统的观测数据,采用如下公式更新数字孪生体在时刻的状态估计/>和误差协方差矩阵/>:
其中,为数字系统在时刻/>接收到的物理系统的观测向量,/>为物理系统的观测矩阵,/>为物理系统的观测噪声协方差矩阵,/>为数字孪生体在时刻/>的卡尔曼增益矩阵。
可选地,所述模型构建模块包括:还包括:
初始化单元,用于对待构建的孪生体统一模型,随机初始化数字系统的策略函数和价值函数/>;
动作选择单元,用于根据当前的策略函数,选择任意一个动作/>,并执行动作/>;
奖励计算单元,用于根据执行的动作,观测到物理系统的反馈数据,并计算出奖励/>;
函数更新单元,用于根据观测到的奖励,采用如下公式更新数字系统的价值函数/>和策略函数/>:
其中,为数字系统在时刻/>的状态向量,包括数字孪生体的状态估计、误差协方差矩阵、能耗信息, />为数字系统在时刻/>的动作向量,包括感知和控制物理系统的频率、精度、强度参数, />为数字系统在时刻/>的奖励标量,用于表征数字孪生体的性能和能效的综合评价,/>为数字系统在时刻/>的策略函数,表示在状态/>下选择动作/>的概率分布,为数字系统在时刻/>的价值函数,表示在状态/>下遵循策略/>所能获得的期望奖励。
可选地,所述模型拆分模块包括:
设备检测子模块,用于对每个设备的计算能力进行测试和分组,得到至少两个初始分组;
模型拆分子模块,用于采用基于路径规划的方式,将待构建的孪生体统一模型进行拆分成多个子网络,并将最优路径对应的子网络集合作为目标网络集合;
分组组合子模块,用于针对目标网络集合中的每个子网络,将子网络对应的初始分组进行组合,得到至少两个子模型。
可选地,所述设备检测子模块包括:
预训练单元,用于对每个设备进行预训练测试,确定每个设备的计算能力,其中,计算能力包括处理的最大模型规模和各项最佳超参数;
控制器分组单元,用于基于设备的计算能力,对不同设备进行分组,得到初始分组,以使每个初始分组内的设备计算能力的波动处于预设范围。
可选地,所述控制器分组单元包括:
第一约束子单元,用于采用如下约束条件进行分组:
其中,为控制器集合,/>为分组集合,其中每个分组/>是一个控制器子集,/>为距离函数,用于衡量两个控制器之间的差异,定义为:
其中,分别表示控制器/>在预训练测试中得到的最优损失值,最优准确率值和最优超参数值,/>是权重系数。
可选地,所述模型拆分子模块包括:
第二约束子单元,用于采用如下约束确定最优路径:
其中,N为完整的数字孪生模型,为模型中的所有路径集合,为子网络集合,每个子网络/>是一个路径子集,
分别表示子网络在数据集/>上的损失值,训练时间和准确率值,/>表示子网络的最优超参数值,/>和/>分别表示分组/>中的控制器能够接受的最大训练时间和最低准确率阈值。
可选地,所述流程管控模块包括:
深度确定单元,用于确定每个子模型的深度;
效果评估单元,用于基于每个子模型的深度和设备的计算能力,评估将子模型分配给设备的效果;
最优路径确定单元,用于基于效果寻找最优的路径,确定子模型的最优路径。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于数字孪生的钢铁工艺流程管控方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于数字孪生的钢铁工艺流程管控方法的步骤。
本发明实施例提供的基于数字孪生的钢铁工艺流程管控方法、装置、计算机设备及存储介质,通过收集钢铁工艺流程的环节信息,并基于环节信息确定待构建的孪生体统一模型,构建待构建的孪生体统一模型;基于环节信息,对待构建的孪生体统一模型进行拆分,得到至少两个子模型;基于数学规划的方式,确定子模型的最优路径,并基于最优路径和子模型,对钢铁工艺流程进行管控,实现利用机器学习、优化算法和数字孪生技术,建立高度准确和可靠的数字孪生模型,同时,采用了个性化优化算法,对钢铁生产过程的数字孪生模型进行个性化优化,以增强数字孪生模型抗设备异构性能力,进而提高钢铁生产的效率和质量。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2是本申请的基于数字孪生的钢铁工艺流程管控方法的一个实施例的流程图;
图3是根据本申请的基于数字孪生的钢铁工艺流程管控装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
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作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。
请参阅图1,如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3 )、MP4( Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于数字孪生的钢铁工艺流程管控方法由服务器执行,相应地,基于数字孪生的钢铁工艺流程管控装置设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器,本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。
请参阅图2,图2示出本发明实施例提供的一种基于数字孪生的钢铁工艺流程管控方法,以该方法应用在图1中的服务端为例进行说明,详述如下:
S201:收集钢铁工艺流程的环节信息,并基于环节信息确定待构建的孪生体统一模型,环节信息包括每个环节的物理参数、工艺条件和材料特性。
具体地,确定存在的工艺环节,编号为 ,其中 />表示总工艺环节数,进而对每个环节进行相关的环节信息收集,也即,收集与每个工艺环节相关的物理参数、工艺条件和材料特性等信息。例如,涉及到的物理参数可以是温度、应力、速度等;工艺条件可以是轧制力、压力、辊径等;材料特性可以是热导率、强度、塑性指标等。最后,确定物理模型。
在每个工艺环节中,根据该环节的特点和物理原理,建立相应的物理模型。物理模型可以使用基于物理方程的描述,如热传导方程、力学平衡方程等。
在本实施例一种可选实施方式中,基于环节信息确定待构建的孪生体统一模型包括:
基于环节信息,建立与每个环节对应的物理模型;
按照预设的方式,选取统计模型和机器学习模型;
对物理模型、统计模型和机器学习模型进行统合,得到待构建的孪生体统一模型。
具体地,本实施例的物理模型适用于已知物理规律和方程式可以描述的问题。它们基于基本的钢铁冷轧物理原理和参数,并使用解析解或数值方法求解。物理模型适用于描述材料特性、热力学行为、流体力学等方面的问题,如钢铁的熔融行为、固化过程、热处理等。
在工艺环节中,物理模型表示为:/>物理模型方程/>。其中,/>是描述工艺环节/>的物理模型方程,/>是该环节的输入参数向量。
在每个工艺环节 中,根据具体的物理原理和问题特点,使用适当方程描述物理模型方程/>,这些方程可以是偏微分方程、常微分方程或代数方程,具体取决于所涉及的物理过程和系统的特性。
以下是本实施例提供的一些示例的物理模型方程:
1)热传导方程: 如果在工艺环节中热传导是关键的物理过程,可以使用热传导方程来建立物理模型。例如,在一维情况下,热传导方程可以表示为:
其中,是温度、/>是时间、/>是空间坐标、/>是热扩散系数、/>是热能源项;
2)力学平衡方程: 如果在工艺环节中力学平衡是关键的物理过程,可以使用力学平衡方程来建立物理模型。例如,在一维情况下,力学平衡方程可以表示为:
其中,是应力、/>是空间坐标、/>是外力项。
进一步地,本实施例的统计模型适用于基于已有数据的统计分析和模式识别问题。上述统计模型可以用于分析和预测一些具有随机性和不确定性的问题,如钢铁材料的强度分布、产品质量的控制、生产过程中的异常检测等。
详细过程如下:
在每个工艺环节中,选择适当的统计模型来建立输入参数/>和/>之间的关系
其中:是工艺环节/>的输出,/>是该环节的输入参数,/>是统计模型的函数关系,是模型的参数,/>是随机误差项。
进一步地,本实施例的机器学习模型适用于通过训练数据学习模式和规律,并用于预测和决策问题。它们通过学习输入和输出之间的映射关系,进行模式识别和预测。
上述机器学习模型应用于复杂的非线性问题,如钢铁工艺参数优化、产品性能预测、生产线的故障诊断等。详细过程如下:
其中,是通过机器学习模型预测的工艺环节/>的输出,/>是机器学习模型的函数关系。
最终,本实施例通过将物理模型、统计模型和机器学习模型进行融合,得到一个统一的确定模型,具体形式如下:
其中,、/>和/>,用于调节物理模型、统计模型和机器学习模型之间的权重关系。当 = 1且/>= 0时,只有物理模型的输出被考虑;当 />= 0且 />= 1时,只有机器学习模型的输出被考虑;当/>和/>都大于零时,物理模型和机器学习模型的输出都对最终结果有贡献。
S202:构建待构建的孪生体统一模型。
在本实施例一具体可选实施方式中,构建待构建的孪生体统一模型包括:
根据物理系统的状态转移模型,采用如下公式预测数字孪生体在下一时刻的状态估计/>和误差协方差矩阵/>:
其中, 为物理系统在时刻/>的状态向量, />为数字孪生体在时刻/>的状态估计向量,/>为物理系统的状态转移矩阵,/>为数字孪生体在时刻/>的误差协方差矩阵,/>为物理系统的过程噪声协方差矩阵;
根据数字系统接收到的物理系统的观测数据,采用如下公式更新数字孪生体在时刻的状态估计/>和误差协方差矩阵/>:
其中,为数字系统在时刻/>接收到的物理系统的观测向量,/>为物理系统的观测矩阵,/>为物理系统的观测噪声协方差矩阵,/>为数字孪生体在时刻/>的卡尔曼增益矩阵。
具体地,本实施例采用物理系统和数字系统之间的时延迟来构建数字孪生体。时延是指物理系统的状态变化到数字系统感知和响应所需要的时间。假设时延服从正态分布,即,其中/>是时延的均值,/>是时延的方差。目标是使得数字孪生体的状态尽可能地接近物理系统的状态,即最小化时延的影响。为此,采用了一种基于卡尔曼滤波器的方法,通过不断地更新数字孪生体的状态估计和误差协方差矩阵,来实现数字孪生体的动态优化。
可选地,构建待构建的孪生体统一模型还包括:
对待构建的孪生体统一模型,随机初始化数字系统的策略函数和价值函数;
根据当前的策略函数,选择任意一个动作/>,并执行动作/>;
根据执行的动作,观测到物理系统的反馈数据,并计算出奖励/>;
根据观测到的奖励,采用如下公式更新数字系统的价值函数/>和策略函数:
其中,为数字系统在时刻/>的状态向量,包括数字孪生体的状态估计、误差协方差矩阵、能耗信息, />为数字系统在时刻/>的动作向量,包括感知和控制物理系统的频率、精度、强度参数, />为数字系统在时刻/>的奖励标量,用于表征数字孪生体的性能和能效的综合评价,/>为数字系统在时刻/>的策略函数,表示在状态/>下选择动作/>的概率分布,/>为数字系统在时刻/>的价值函数,表示在状态/>下遵循策略/>所能获得的期望奖励。
具体地,本实施例考虑了数字系统和物理系统之间的能耗问题。能耗是指数字系统为了感知和控制物理系统所需要消耗的电能。我们的目标是使得数字系统的能耗尽可能地降低,即最大化数字系统的能效。为此,采用了一种基于马尔可夫决策过程的方法,通过不断地学习数字系统的策略函数,来实现数字孪生体的能耗优化。
进一步地,作为一种可选实施方式,本实施例还可以采用基于边缘协同的方式进行数字孪生体构建。协同是指多个数字系统之间通过边缘网络进行数据交换和计算卸载,以提高数字孪生体的性能和效率。目标是使得多个数字孪生体之间尽可能地协同,即最大化数字孪生体的协同收益。为此,本实施例采用了一种基于博弈论的方法,通过不断地调整多个数字系统之间的协同策略,来实现数字孪生体的协同优化。具体地,定义了以下几个变量:
:数字系统和物理系统的总数;
:数字系统和物理系统的索引;
:数字系统/>和/>之间的协同强度,取值范围为/>;
:数字系统/>和/>之间的数据传输量,取值范围为/>;
:数字系统/>和/>之间的计算卸载量,取值范围为/>;
:数字系统/>的效用函数,表示其在给定协同强度、数据传输量和计算卸载量下的收益;
:物理系统/>的效用函数,表示其在给定协同强度、数据传输量和计算卸载量下的收益;
(1)定义描述多个数字系统之间协同问题的非合作博弈模型:
该模型由以下几个要素组成:
玩家集合:
策略集合:对于每个玩家,其策略集合为:
支付函数:对于每个玩家,其支付函数为/> ,
其中是所有玩家的策略组合,/>是所有玩家的协同成本函数,表示在给定策略组合下的资源消耗和网络延迟。
假设每个玩家都是理性的,即他们都会选择最大化自己的支付函数的策略。因此,用纳什均衡来刻画该博弈模型的解。目标是找到该博弈模型的一个纳什均衡,并分析其对应的数字孪生体之间的协同效果。
(2)简化问题的假设
协同成本函数是一个关于所有玩家的协同强度、数据传输量和计算卸载量的线性函数,即 />,其中/>是给定的常数,表示数字系统/>和/>之间的协同成本系数;
数字系统的效用函数/>是一个关于自己的协同强度、数据传输量和计算卸载量的二次函数,即 />,其中/>是给定的常数,表示数字系统/>的效用系数;
物理系统的效用函数/>是一个关于自己的协同强度、数据传输量和计算卸载量的线性函数,即 /> ,其中/>是给定的常数,表示物理系统/>的效用系数;
(3)问题转化
基于以上假设,将该博弈模型转化为一个非线性规划问题,即:
其中是所有玩家的策略集合的笛卡尔积。
(4)基于迭代算法的求解方式
初始化:对于每个玩家,随机生成一个初始策略 />,并令t=0
迭代:对于每个玩家,根据以下公式更新自己的策略/>:
其中 是玩家/>的可行策略集合,和/>是数据传输量和计算卸载量的上限,/>是玩家/>在给定其他玩家策略不变的情况下的支付函数,/>和/>是数字系统和物理系统效用函数和协同成本函数在/>上的投影;
终止:如果对于任意 ,有 /> ,则终止迭代,并输出 /> 作为纳什均衡;否则,令 />,并重复迭代步骤。
通过这种迭代算法,得到一个纳什均衡 ,并根据其计算出每个数字孪生体之间的协同效果。我们可以用以下几个指标来评估协同效果:
协同收益:;
协同成本: ;
协同效率: 。
可选地,本实施例还采用基于图论的方法,通过构建一个加权有向图来表示统一孪生体的结构和属性。也即,将多个数字孪生体视为一个统一的孪生体,即一个由多个数字系统和物理系统组成的复杂网络。目标是找到一个最优的统一孪生体模型,即一个能够最大化所有数字系统和物理系统效用之和的模型。具体地,定义了以下几个变量:
:表示统一孪生体的加权有向图,其中/>是节点集合,表示所有数字系统和物理系统;/>是边集合,表示所有数字系统和物理系统之间的连接关系。
:表示边/>的权重,取值范围为/>,表示数字系统/>和/>之间的协同强度。
:表示边/>的方向,取值为/>,表示数据传输方向;如果/>,则表示数据从节点/>传输到节点/>;如果/>,则表示数据从节点/>传输到节点/>。
:表示边/>的容量,取值范围为/>,表示节点/>和/>之间能够传输或卸载的最大数据或计算量。
:表示节点/>的效用函数,取值范围为/>,表示节点/>在统一孪生体中的性能或收益。
:表示边/>上实际传输或卸载的数据或计算量,取值范围为/>。
根据这些变量,通过建立一个优化问题来求解最优的统一数字孪生体模型。优化问题的目标是最大化所有节点的效用之和,约束条件是保证每条边上的传输或卸载量不超过其容量,并且符合其方向。通过求解这个问题,得到最优的统一孪生体模型,即每个节点应该传输或卸载多少数据或计算量给其他节点。该问题可以表述为:
其中,第一行约束条件确保所有的变量都小于等于对应的限制值/>;第二行约束条件确保所有的变量/>都大于等于零;第三行约束条件表示如果对应的/>等于零,则变量/>必须为零。
S203:基于环节信息,对待构建的孪生体统一模型进行拆分,得到至少两个子模型。
可选地,基于环节信息,对待构建的孪生体统一模型进行拆分,得到至少两个子模型包括:
对每个设备的计算能力进行测试和分组,得到至少两个初始分组;
采用基于路径规划的方式,将待构建的孪生体统一模型进行拆分成多个子网络,并将最优路径对应的子网络集合作为目标网络集合;
针对目标网络集合中的每个子网络,将子网络对应的初始分组进行组合,得到至少两个子模型。
进一步地,根据每个设备的计算能力进行测试和分组,得到至少两个初始分组包括:
对每个设备进行预训练测试,确定每个设备的计算能力,其中,计算能力包括处理的最大模型规模和各项最佳超参数;
基于设备的计算能力,对不同设备进行分组,得到初始分组,以使每个初始分组内的设备计算能力的波动处于预设范围。
进一步地,为了评估不同设备的计算能力,需要对每个设备进行预训练测试。预训练测试的目的是确定设备能够处理的最大模型规模和最佳超参数设置。例如使用Resnet或其他不同神经网络模型来训练一个简单的分类任务(MNIST或者CIFAR-10)。预训练测试的过程如下:
设为预训练模型,/>为数据集,/>为损失函数,/>为超参数集合,/>为训练时间,/>为准确率。则预训练测试的目标为:
其中和/>是设定的时间和准确率阈值。
可选地,基于设备的计算能力,对不同设备进行分组,得到初始分组包括:
采用如下约束条件进行分组:
其中,为控制器集合,/>为分组集合,其中每个分组/>是一个控制器子集,/>为距离函数,用于衡量两个控制器之间的差异,定义为:
其中,分别表示控制器/>在预训练测试中得到的最优损失值,最优准确率值和最优超参数值,/>是权重系数。
可选地,采用基于路径规划的方式,将待构建的孪生体统一模型进行拆分成多个子网络,并将最优路径对应的子网络集合作为目标网络集合包括:
采用如下约束确定最优路径:
其中,N为完整的数字孪生模型,为模型中的所有路径集合,为子网络集合,每个子网络/>是一个路径子集,, />, />分别表示子网络/>在数据集/>上的损失值,训练时间和准确率值,/>表示子网络/>的最优超参数值,/>和/>分别表示分组中的控制器能够接受的最大训练时间和最低准确率阈值。
在一具体示例中,求解的步骤如下所示:
(1)遍历所有完整路径
为了选择和分配每个子网络中的路径,考虑两个因素:路径的重要性和路径的相似性。路径的重要性是指路径对模型性能的贡献,路径的相似性是指路径之间的结构和参数的相似程度。路径选择和分配的过程如下:
/>
在这个公式中,表示路径/>的重要性值,/>) 表示路径 />和 />的相似性值,/>是一个二进制变量,表示路径/>是否被分配到子网络/>。目标是最大化路径的重要性之和,约束条件包括每个路径只能被分配到一个子网络以及每个子网络中的路径相似性之和必须大于等于设定的相似性阈值 />。
(2)路径组合形成子模型
然后根据不同的分组,将路径进行组合,形成不同的子模型。我们可以使用贪心算法或者其他组合算法来实现这一步骤。具体地,我们可以按照以下规则进行组合:
对于每个分组,从路径列表中选择一个路径/>,并将其加入到子模型/>中。
检查是否满足约束条件,即训练时间不超过/>,准确率不低于/>。如果满足,则继续选择下一个路径;如果不满足,则将/>从/>中移除,并结束该分组的组合过程。
重复上述步骤,直到所有的分组都完成了组合过程,或者所有的路径都被选择过了。
(3) 测试子模型性能
最后测试每个子模型的性能,并记录下它们的损失值,训练时间和准确率值。试子模型性能测试的过程如下:
设分别表示子模型/>在数据集/>上的预测损失值,预测训练时间和预测准确率值。则测试子模型性能的目标是求解以下优化问题:
其中,是一个正的权重参数,用于平衡预测损失和预测训练时间之间的关系。该优化问题的约束条件是:
其中,是一个给定的准确率阈值,用于保证子模型的预测质量。
S204:基于数学规划的方式,确定子模型的最优路径,并基于最优路径和子模型,对钢铁工艺流程进行管控。
可选地,基于数学规划的方式,确定子模型的最优路径包括:
确定每个子模型的深度;
基于每个子模型的深度和设备的计算能力,评估将子模型分配给设备的效果;
基于效果寻找最优的路径,确定子模型的最优路径。
具体地,假设有 个数字孪生子模型,分别为 />,每个子模型的输入为/>,输出为/>。定义/>的深度为 />,表示该子模型的层数或者图像处理流程的步骤数。可以使用以下公式计算 />:
表示第/>个模块/>中的层数或步数,也就是该模块由多少个子层或子操作组成。例如,如果一个模块包含一个卷积层,一个池化层和一个激活函数,那么它的层数或步数就是3。
定义 的广度为/>,表示该子模型的宽度或者图像处理流程中的通道数或者特征图的数量。可以使用以下公式计算 />:
表示第/>个模块/>中的通道数或特征图数,也就是该模块的输出维度。例如,如果一个模块的输出是一个形状为/>的张量,那么它的通道数或特征图数就是/>。
同时,假设有台可供选择的设备,分别为/>,每个设备的处理能力和资源限制不同。定义/>的资源为/>,表示该设备的资源限制,例如,内存容量、处理器速度等。定义/>的能力为 />,表示该设备的处理能力,例如,每秒钟能够处理的浮点运算次数。
本实施例中,目标函数的设计应该既考虑子模型的计算效率,也要考虑设备的资源和能力限制。因此,可以使用以下目标函数来衡量子模型分配给设备的效果:
其中,表示将子模型/>分配给设备 />的决策变量,若 />,则表示选择将子模型/>分配给设备/>;否则,表示不将 />分配给/>。目标函数的意义是将子模型分配到不同设备上所需的计算时间,即子模型深度和广度乘以设备能力。
进一步地,本实施例建模为如下的数学规划问题进行最优路径寻址:
该问题的约束条件包括:
(1)每个子模型 必须被分配到且只能被分配到一个设备/>上;
(2)每个设备的资源限制/>必须不超过分配给它的子模型的总深度和广度之和;/>
本实施例中,通过收集钢铁工艺流程的环节信息,并基于环节信息确定待构建的孪生体统一模型,构建待构建的孪生体统一模型;基于环节信息,对待构建的孪生体统一模型进行拆分,得到至少两个子模型;基于数学规划的方式,确定子模型的最优路径,并基于最优路径和子模型,对钢铁工艺流程进行管控,实现利用机器学习、优化算法和数字孪生技术,建立高度准确和可靠的数字孪生模型,同时,采用了个性化优化算法,对钢铁生产过程的数字孪生模型进行个性化优化,以增强数字孪生模型抗设备异构性能力,进而提高钢铁生产的效率和质量。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图3示出与上述实施例基于数字孪生的钢铁工艺流程管控方法一一对应的基于数字孪生的钢铁工艺流程管控装置的原理框图。如图3所示,该基于数字孪生的钢铁工艺流程管控装置包括模型甄选模块31、模型构建模块32、模型拆分模块33和流程管控模块34。各功能模块详细说明如下:
模型甄选模块31,用于收集钢铁工艺流程的环节信息,并基于环节信息确定待构建的孪生体统一模型,环节信息包括每个环节的物理参数、工艺条件和材料特性;
模型构建模块32,用于构建待构建的孪生体统一模型;
模型拆分模块33,用于基于环节信息,对待构建的孪生体统一模型进行拆分,得到至少两个子模型;
流程管控模块34,用于基于数学规划的方式,确定子模型的最优路径,并基于最优路径和子模型,对钢铁工艺流程进行管控。
可选地,模型甄选模块31包括:
模型建立单元,用于基于环节信息,建立与每个环节对应的物理模型;
模型选取单元,用于按照预设的方式,选取统计模型和机器学习模型;
模型融合单元,用于对物理模型、统计模型和机器学习模型进行统合,得到待构建的孪生体统一模型。
可选地,模型构建模块32包括:
预测单元,用于根据物理系统的状态转移模型,采用如下公式预测数字孪生体在下一时刻的状态估计/>和误差协方差矩阵/>:
其中, 为物理系统在时刻/>的状态向量, />为数字孪生体在时刻/>的状态估计向量,/>为物理系统的状态转移矩阵,/>为数字孪生体在时刻/>的误差协方差矩阵,/>为物理系统的过程噪声协方差矩阵;
更新单元,用于根据数字系统接收到的物理系统的观测数据,采用如下公式更新数字孪生体在时刻的状态估计/>和误差协方差矩阵/>:/>
其中,为数字系统在时刻/>接收到的物理系统的观测向量,/>为物理系统的观测矩阵,/>为物理系统的观测噪声协方差矩阵,/>为数字孪生体在时刻/>的卡尔曼增益矩阵。
可选地,模型构建模块32还包括:
初始化单元,用于对待构建的孪生体统一模型,随机初始化数字系统的策略函数和价值函数/>;
动作选择单元,用于根据当前的策略函数,选择任意一个动作/>,并执行动作/>;
奖励计算单元,用于根据执行的动作,观测到物理系统的反馈数据,并计算出奖励/>;
函数更新单元,用于根据观测到的奖励,采用如下公式更新数字系统的价值函数/>和策略函数/>:
其中,为数字系统在时刻/>的状态向量,包括数字孪生体的状态估计、误差协方差矩阵、能耗信息, />为数字系统在时刻/>的动作向量,包括感知和控制物理系统的频率、精度、强度参数, />为数字系统在时刻/>的奖励标量,用于表征数字孪生体的性能和能效的综合评价,/>为数字系统在时刻/>的策略函数,表示在状态/>下选择动作/>的概率分布,/>为数字系统在时刻/>的价值函数,表示在状态/>下遵循策略/>所能获得的期望奖励。
可选地,模型拆分模块33包括:
设备检测子模块,用于对每个设备的计算能力进行测试和分组,得到至少两个初始分组;
模型拆分子模块,用于采用基于路径规划的方式,将待构建的孪生体统一模型进行拆分成多个子网络,并将最优路径对应的子网络集合作为目标网络集合;
分组组合子模块,用于针对目标网络集合中的每个子网络,将子网络对应的初始分组进行组合,得到至少两个子模型。
可选地,设备检测子模块包括:
预训练单元,用于对每个设备进行预训练测试,确定每个设备的计算能力,其中,计算能力包括处理的最大模型规模和各项最佳超参数;
控制器分组单元,用于基于设备的计算能力,对不同设备进行分组,得到初始分组,以使每个初始分组内的设备计算能力的波动处于预设范围。
可选地,控制器分组单元包括:
第一约束子单元,用于采用如下约束条件进行分组:
其中,为控制器集合,/>为分组集合,其中每个分组/>是一个控制器子集,/>为距离函数,用于衡量两个控制器之间的差异,定义为:
其中,分别表示控制器/>在预训练测试中得到的最优损失值,最优准确率值和最优超参数值,/>是权重系数。
可选地,模型拆分子模块包括:
第二约束子单元,用于采用如下约束确定最优路径:
其中,N为完整的数字孪生模型,为模型中的所有路径集合,为子网络集合,每个子网络/>是一个路径子集,, />, />分别表示子网络/>在数据集/>上的损失值,训练时间和准确率值,/>表示子网络/>的最优超参数值,/>和/>分别表示分组中的控制器能够接受的最大训练时间和最低准确率阈值。
可选地,流程管控模块34包括:
深度确定单元,用于确定每个子模型的深度;
效果评估单元,用于基于每个子模型的深度和设备的计算能力,评估将子模型分配给设备的效果;
最优路径确定单元,用于基于效果寻找最优的路径,确定子模型的最优路径。
关于基于数字孪生的钢铁工艺流程管控装置的具体限定可以参见上文中对于基于数字孪生的钢铁工艺流程管控方法的限定,在此不再赘述。上述基于数字孪生的钢铁工艺流程管控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器 (Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如基于数字孪生的钢铁工艺流程管控的程序代码等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据,例如运行基于数字孪生的钢铁工艺流程管控的程序代码。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有界面显示程序,所述界面显示程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于数字孪生的钢铁工艺流程管控方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (12)
1.一种基于数字孪生的钢铁工艺流程管控方法,其特征在于,所述基于数字孪生的钢铁工艺流程管控方法包括:
收集钢铁工艺流程的环节信息,并基于所述环节信息确定待构建的孪生体统一模型,所述环节信息包括每个环节的物理参数、工艺条件和材料特性;
构建所述待构建的孪生体统一模型;
基于所述环节信息,对所述待构建的孪生体统一模型进行拆分,得到至少两个子模型;
基于数学规划的方式,确定所述子模型的最优路径,并基于所述最优路径和所述子模型,确定钢铁工艺流程中各个参数的调整,并基于调整后的参数对所述钢铁工艺流程进行管控。
2.如权利要求1所述的基于数字孪生的钢铁工艺流程管控方法,其特征在于,所述基于所述环节信息确定待构建的孪生体统一模型包括:
基于所述环节信息,建立与每个环节对应的物理模型;
按照预设的方式,选取统计模型和机器学习模型;
对所述物理模型、所述统计模型和所述机器学习模型进行统合,得到所述待构建的孪生体统一模型。
3.如权利要求1所述的基于数字孪生的钢铁工艺流程管控方法,其特征在于,所述构建所述待构建的孪生体统一模型包括:
根据物理系统的状态转移模型,采用如下公式预测数字孪生体在下一时刻的状态估计/>和误差协方差矩阵/>:
,
,
其中, 为所述物理系统在时刻/>的状态向量, />为数字孪生体在时刻/>的状态估计向量,/>为所述物理系统的状态转移矩阵,/>为数字孪生体在时刻/>的误差协方差矩阵,/>为物理系统的过程噪声协方差矩阵;
根据数字系统接收到的物理系统的观测数据,采用如下公式更新数字孪生体在时刻的状态估计/>和误差协方差矩阵/>:
,
,
,
其中,为数字系统在时刻/>接收到的物理系统的观测向量,/>为物理系统的观测矩阵,/>为物理系统的观测噪声协方差矩阵,/>为数字孪生体在时刻/>的卡尔曼增益矩阵。
4.如权利要求1所述的基于数字孪生的钢铁工艺流程管控方法,其特征在于,所述构建所述待构建的孪生体统一模型还包括:
对所述待构建的孪生体统一模型,随机初始化数字系统的策略函数和价值函数=;
根据当前的策略函数,选择任意一个动作/>,并执行动作/>;
根据执行的动作,观测到物理系统的反馈数据,并计算出奖励/>;
根据观测到的奖励,采用如下公式更新数字系统的价值函数/>和策略函数/>:
,
,
其中,为数字系统在时刻/>的状态向量,包括数字孪生体的状态估计、误差协方差矩阵、能耗信息, />为数字系统在时刻/>的动作向量,包括感知和控制物理系统的频率、精度、强度参数, />为数字系统在时刻/>的奖励标量,用于表征数字孪生体的性能和能效的综合评价,/>为数字系统在时刻/>的策略函数,表示在状态下/>选择动作/>的概率分布,为数字系统在时刻/>的价值函数,表示在状态/>下遵循策略/>所能获得的期望奖励。
5.如权利要求1所述的基于数字孪生的钢铁工艺流程管控方法,其特征在于,所述基于所述环节信息,对所述待构建的孪生体统一模型进行拆分,得到至少两个子模型包括:
对每个设备的计算能力进行测试和分组,得到至少两个初始分组;
采用基于路径规划的方式,将所述待构建的孪生体统一模型进行拆分成多个子网络,并将最优路径对应的子网络集合作为目标网络集合;
针对所述目标网络集合中的每个子网络,将所述子网络对应的初始分组进行组合,得到至少两个所述子模型。
6.如权利要求5所述的基于数字孪生的钢铁工艺流程管控方法,其特征在于,所述根据每个设备的计算能力进行测试和分组,得到至少两个初始分组包括:
对每个设备进行预训练测试,确定每个设备的计算能力,其中,计算能力包括处理的最大模型规模和各项最佳超参数;
基于设备的计算能力,对不同设备进行分组,得到初始分组,以使每个初始分组内的设备计算能力的波动处于预设范围。
7.如权利要求6所述的基于数字孪生的钢铁工艺流程管控方法,其特征在于,所述基于设备的计算能力,对不同设备进行分组,得到初始分组包括:
采用如下约束条件进行分组:
,
,
其中,为控制器集合,/>为分组集合,其中每个分组是一个控制器子集,/>为距离函数,用于衡量两个控制器之间的差异,定义为:
,
其中,分别表示控制器/>在预训练测试中得到的最优损失值,最优准确率值和最优超参数值,/>是权重系数。
8.如权利要求5所述的基于数字孪生的钢铁工艺流程管控方法,其特征在于,所述采用基于路径规划的方式,将所述待构建的孪生体统一模型进行拆分成多个子网络,并将最优路径对应的子网络集合作为目标网络集合包括:
采用如下约束确定最优路径:
,
,
,
,
其中,N为完整的数字孪生模型,为模型中的所有路径集合,为子网络集合,每个子网络/>是一个路径子集,分别表示子网络/>在数据集/>上的损失值,训练时间和准确率值,/>表示子网络/>的最优超参数值,/>和/>分别表示分组/>中的控制器能够接受的最大训练时间和最低准确率阈值。
9.如权利要求1所述的基于数字孪生的钢铁工艺流程管控方法,其特征在于,所述基于数学规划的方式,确定所述子模型的最优路径包括:
确定每个子模型的深度;
基于每个所述子模型的深度和设备的计算能力,评估将子模型分配给设备的效果;
基于所述效果寻找最优的路径,确定所述子模型的最优路径。
10.一种基于数字孪生的钢铁工艺流程管控装置,其特征在于,所述基于数字孪生的钢铁工艺流程管控装置包括:
模型甄选模块,用于收集钢铁工艺流程的环节信息,并基于环节信息确定待构建的孪生体统一模型,环节信息包括每个环节的物理参数、工艺条件和材料特性;
模型构建模块,用于构建待构建的孪生体统一模型;
模型拆分模块,用于基于环节信息,对待构建的孪生体统一模型进行拆分,得到至少两个子模型;
流程管控模块,用于基于数学规划的方式,确定子模型的最优路径,并基于最优路径和子模型,对钢铁工艺流程进行管控。
11.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至9任一项所述的基于数字孪生的钢铁工艺流程管控方法。
12.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至9任一项所述的基于数字孪生的钢铁工艺流程管控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311133286.6A CN116882708B (zh) | 2023-09-05 | 2023-09-05 | 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311133286.6A CN116882708B (zh) | 2023-09-05 | 2023-09-05 | 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116882708A true CN116882708A (zh) | 2023-10-13 |
CN116882708B CN116882708B (zh) | 2024-01-09 |
Family
ID=88259040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311133286.6A Active CN116882708B (zh) | 2023-09-05 | 2023-09-05 | 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116882708B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391424A (zh) * | 2023-12-11 | 2024-01-12 | 延安随缘科技发展有限公司 | 基于润滑油的制备节点组合方法及系统 |
CN117574691A (zh) * | 2024-01-17 | 2024-02-20 | 湘江实验室 | 虚拟实体数据系统构建方法及相关设备 |
CN117574691B (zh) * | 2024-01-17 | 2024-05-14 | 湘江实验室 | 虚拟实体数据系统构建方法及相关设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3696622A1 (en) * | 2019-02-14 | 2020-08-19 | Rockwell Automation Technologies, Inc. | Ai extensions and intelligent model validation for an industrial digital twin |
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 |
CN113656904A (zh) * | 2021-07-26 | 2021-11-16 | 重庆斯欧智能科技研究院有限公司 | 一种面向制造设备的数字孪生模型构建方法 |
CN113673104A (zh) * | 2021-08-20 | 2021-11-19 | 华东交通大学 | 基于数字孪生的制造业车间工艺规划系统 |
CN115374670A (zh) * | 2022-08-11 | 2022-11-22 | 北京航空航天大学 | 一种基于数字孪生的粉末压制过程工艺参数优化方法 |
CN115423333A (zh) * | 2022-09-13 | 2022-12-02 | 浙江大学 | 基于数字孪生的流程生产工艺多目标优化方法及系统 |
US20230088044A1 (en) * | 2021-09-22 | 2023-03-23 | Compound Tech LLC | End-to-end prospecting platform utilizing natural language processing to reverse engineer client lists |
CN115857439A (zh) * | 2022-09-05 | 2023-03-28 | 中国船舶集团有限公司第七一六研究所 | 一种基于数字孪生的生产线数据映射及融合系统及方法 |
CN116011103A (zh) * | 2022-12-30 | 2023-04-25 | 山东天瑞重工有限公司 | 针对磁悬浮动力装备基于数字孪生的协同管理方法及系统 |
CN116149205A (zh) * | 2023-04-20 | 2023-05-23 | 南京航空航天大学 | 一种基于数字孪生的智能加工单元多策略组合仿真方法 |
WO2023097022A1 (en) * | 2021-11-23 | 2023-06-01 | Strong Force Ee Portfolio 2022, Llc | Ai-based energy edge platform, systems, and methods |
US20230176550A1 (en) * | 2021-05-06 | 2023-06-08 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
CN116523119A (zh) * | 2023-04-13 | 2023-08-01 | 华南理工大学 | 一种面向个性化在制品定制生产线的数字孪生系统及方法 |
-
2023
- 2023-09-05 CN CN202311133286.6A patent/CN116882708B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3696622A1 (en) * | 2019-02-14 | 2020-08-19 | Rockwell Automation Technologies, Inc. | Ai extensions and intelligent model validation for an industrial digital twin |
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 |
US20230176550A1 (en) * | 2021-05-06 | 2023-06-08 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
CN113656904A (zh) * | 2021-07-26 | 2021-11-16 | 重庆斯欧智能科技研究院有限公司 | 一种面向制造设备的数字孪生模型构建方法 |
CN113673104A (zh) * | 2021-08-20 | 2021-11-19 | 华东交通大学 | 基于数字孪生的制造业车间工艺规划系统 |
US20230088044A1 (en) * | 2021-09-22 | 2023-03-23 | Compound Tech LLC | End-to-end prospecting platform utilizing natural language processing to reverse engineer client lists |
WO2023097022A1 (en) * | 2021-11-23 | 2023-06-01 | Strong Force Ee Portfolio 2022, Llc | Ai-based energy edge platform, systems, and methods |
CN115374670A (zh) * | 2022-08-11 | 2022-11-22 | 北京航空航天大学 | 一种基于数字孪生的粉末压制过程工艺参数优化方法 |
CN115857439A (zh) * | 2022-09-05 | 2023-03-28 | 中国船舶集团有限公司第七一六研究所 | 一种基于数字孪生的生产线数据映射及融合系统及方法 |
CN115423333A (zh) * | 2022-09-13 | 2022-12-02 | 浙江大学 | 基于数字孪生的流程生产工艺多目标优化方法及系统 |
CN116011103A (zh) * | 2022-12-30 | 2023-04-25 | 山东天瑞重工有限公司 | 针对磁悬浮动力装备基于数字孪生的协同管理方法及系统 |
CN116523119A (zh) * | 2023-04-13 | 2023-08-01 | 华南理工大学 | 一种面向个性化在制品定制生产线的数字孪生系统及方法 |
CN116149205A (zh) * | 2023-04-20 | 2023-05-23 | 南京航空航天大学 | 一种基于数字孪生的智能加工单元多策略组合仿真方法 |
Non-Patent Citations (2)
Title |
---|
江海凡;丁国富;张剑;: "数字孪生车间演化机理及运行机制", 中国机械工程, no. 07 * |
葛世荣;张帆;王世博;王忠宾;: "数字孪生智采工作面技术架构研究", 煤炭学报, no. 06 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391424A (zh) * | 2023-12-11 | 2024-01-12 | 延安随缘科技发展有限公司 | 基于润滑油的制备节点组合方法及系统 |
CN117391424B (zh) * | 2023-12-11 | 2024-03-08 | 延安随缘科技发展有限公司 | 基于润滑油的制备节点组合方法及系统 |
CN117574691A (zh) * | 2024-01-17 | 2024-02-20 | 湘江实验室 | 虚拟实体数据系统构建方法及相关设备 |
CN117574691B (zh) * | 2024-01-17 | 2024-05-14 | 湘江实验室 | 虚拟实体数据系统构建方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116882708B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070117B (zh) | 一种数据处理方法及装置 | |
Wang et al. | Adaboost-based security level classification of mobile intelligent terminals | |
Wang et al. | A hybrid wind speed forecasting model based on phase space reconstruction theory and Markov model: A case study of wind farms in northwest China | |
CN109714395A (zh) | 云平台资源使用预测方法及终端设备 | |
CN116882708B (zh) | 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备 | |
CN108052387B (zh) | 一种移动云计算中的资源分配预测方法及系统 | |
Li et al. | Dynamic structure embedded online multiple-output regression for streaming data | |
Cui et al. | Cross-platform machine learning characterization for task allocation in IoT ecosystems | |
Hou et al. | Short-term fault prediction based on support vector machines with parameter optimization by evolution strategy | |
Satapathy et al. | Fuzzy-class point approach for software effort estimation using various adaptive regression methods | |
CN113051130A (zh) | 结合注意力机制的lstm网络的移动云负载预测方法及系统 | |
CN116090536A (zh) | 神经网络的优化方法、装置、计算机设备及存储介质 | |
Su et al. | Data-driven prediction model for adjusting burden distribution matrix of blast furnace based on improved multilayer extreme learning machine | |
CN108241864A (zh) | 基于多变量分组的服务器性能预测方法 | |
CN113421174A (zh) | 一种基于大数据的知识产权价值评估参考方法及系统 | |
Eban et al. | Learning the experts for online sequence prediction | |
Yan et al. | Service caching for meteorological emergency decision-making in cloud-edge computing | |
EP4080789A1 (en) | Enhanced uncertainty management for optical communication systems | |
Kim et al. | FedGPO: Heterogeneity-Aware Global Parameter optimization for Efficient Federated Learning | |
CN111598390B (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
Shi et al. | Three-Way Ensemble prediction for workload in the data center | |
Nhu et al. | Optimizing resource scaling in network slicing | |
JP7384999B2 (ja) | 機械学習モデル決定システム及び機械学習モデル決定方法 | |
Anderson et al. | Optimizing machine learning inference performance on iot devices: trade-offs and insights from statistical learning | |
AlQerm et al. | BEHAVE: Behavior-aware, intelligent and fair resource management for heterogeneous edge-IoT systems |
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 |