复杂工业过程数字孪生系统智能建模方法、装置、设备及存储介质

摘要

本发明提供了一种复杂工业过程数字孪生系统智能建模方法、装置、设备及存储介质。复杂工业过程数字孪生系统智能建模方法包括：建立复杂工业过程的机理模型，所述机理模型包括可辨识模型和未建模动态两部分；估计所述可辨识模型的参数，得到辨识模型；采用辨识模型误差与所述未建模动态构成未知非线性动态系统；建立所述未知非线性动态系统的智能模型；采用所述辨识模型与所述未知非线性动态系统的智能模型建立所述复杂工业过程数字孪生系统的智能模型；其中，所述辨识模型误差为将可辨识模型中的参数用其辨识值代替时造成的模型输出误差。针对复杂工业过程数字孪生系统的精度较难保证的问题，将基于机理模型的系统辨识方法与基于大数据的深度学习方法相结合，采用端边云协同方式，建立了复杂工业过程数字孪生系统的智能模型，解决了复杂工业过程数字孪生系统的建模难题，提高了建模精度。

说明书

技术领域

本发明属于工业人工智能技术领域，尤其涉及复杂工业过程数字孪生系统的智能建模方法、装置、设备及存储介质。

背景技术

钢铁、冶金、选矿、石化、电力等流程工业中存在着大量的复杂工业过程，该些工业过程的机理模型存在如下复杂性：模型中含有输入输出变量之间的非线性项、多变量强耦合、未知频繁变化的干扰、部分模型结构未知、输入输出变量阶次未知、未知变化的动态特性，因此，目前已有的基于机理模型的系统辨识方法无法建立该些工业过程的动态模型。生产过程中的物质流、信息流、能源流的相互作用，使该些工业过程的动态特性随生产时间而发生未知变化，导致该些过程的输入、输出数据处于变化的、开放的、不确定的信息空间，因此，目前已有的在完备信息空间的深度学习技术无法建立该些工业过程的动态模型。目前，该些工业过程的运行工况识别、过程控制系统的设定值决策仍然依靠操作人员和工程技术人员凭经验和知识人工识别和决策。由于人难以及时、准确的感知工况信息、处理多源异构信息，加之人的主观和不确定性，难以实现工业过程的高性能控制和运行优化，造成产品质量不稳定、能耗与物耗高。建立工业过程的数字孪生系统是实现工业过程优化运行与控制一体化的关键。然而，由于复杂工业过程存在上述特点，难以采用已有的机理建模方法或深度学习方法建立满足精度要求的数字孪生系统。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。本发明的技术方案如下：

一种复杂工业过程数字孪生系统智能建模方法，包括如下步骤：

建立复杂工业过程的机理模型，所述机理模型包括可辨识模型和未建模动态两部分；

估计所述可辨识模型的参数，得到辨识模型；

采用辨识模型误差与所述未建模动态构成未知非线性动态系统；

建立所述未知非线性动态系统的智能模型；

采用所述辨识模型与所述未知非线性动态系统的智能模型建立所述复杂工业过程数字孪生系统的智能模型；

其中，所述辨识模型误差为将可辨识模型中的参数用其辨识值代替时造成的模型输出误差。

进一步，作为优选，所述未知非线性动态系统的智能模型包括离线深度学习模型、在线深度学习模型、深度学习校正模型和自校正机制；采用LSTM建立所述离线深度学习模型；采用与所述离线深度学习模型相同的结构建立所述在线深度学习模型；采用与所述离线深度学习模型相同的结构建立所述深度学习校正模型；当所述复杂工业过程数字孪生系统的智能模型的输出与所述复杂工业过程的实际输出之间的误差大于设定阈值时，采用自校正机制，用所述深度学习校正模型的连接权参数和偏置参数校正所述在线深度学习模型的连接权参数和偏置参数；其中，所述深度学习校正模型所用的历史数据比所述在线深度学习模型所用的历史数据多。

进一步，作为优选，所述在线深度学习模型和所述深度学习校正模型均包括输入层、隐藏层、全连接层和输出层；固定所述在线深度学习模型中的所述隐藏层的连接权参数和偏置参数，并在线校正所述在线深度学习模型中的所述全连接层的连接权参数和偏置参数；在线训练所述深度学习校正模型中的所述隐藏层和所述全连接层的连接权参数和偏置参数；当所述复杂工业过程数字孪生系统的智能模型的输出与所述复杂工业过程的实际输出之间的误差大于设定阈值时，采用自校正机制，用所述深度学习校正模型的所述隐藏层的连接权参数和偏置参数替换所述在线深度学习模型中的所述隐藏层的连接权参数和偏置参数，用所述深度学习校正模型的所述全连接层的连接权参数和偏置参数替换所述在线深度学习模型中的所述全连接层的连接权参数和偏置参数。

进一步，作为优选，所述复杂工业过程为电熔镁砂熔炼过程。

一种复杂工业过程数字孪生系统智能建模装置，包括：

机理模型建模模块，用于建立复杂工业过程的机理模型，所述机理模型包括可辨识模型和未建模动态两部分；

参数辨识模块，用于估计所述可辨识模型的参数，得到辨识模型；

未知非线性动态系统构建模块，用于采用辨识模型误差与所述未建模动态构成未知非线性动态系统；

未知非线性动态系统智能模型建模模块，用于建立所述未知非线性动态系统的智能模型；

数字孪生系统智能模型建模模块，用于采用所述辨识模型与所述未知非线性动态系统的智能模型建立所述复杂工业过程数字孪生系统的智能模型；

其中，所述辨识模型误差为将可辨识模型中的参数用其辨识值代替时造成的模型输出误差。

进一步，作为优选，所述未知非线性动态系统智能模型建模模块包括离线深度学习模型建模模块、在线深度学习模型建模模块、深度学习校正模型建模模块和自校正模块；所述离线深度学习模型建模模块采用LSTM建立所述离线深度学习模型；所述在线深度学习模型建模模块采用与所述离线深度学习模型相同的结构建立所述在线深度学习模型；所述深度学习校正模型建模模块采用与所述离线深度学习模型相同的结构建立所述深度学习校正模型；所述自校正模块，在所述复杂工业过程数字孪生系统的智能模型的输出与所述复杂工业过程的实际输出之间的误差大于设定阈值时，采用自校正机制，用所述深度学习校正模型的连接权参数和偏置参数校正所述在线深度学习模型的连接权参数和偏置参数；其中，所述深度学习校正模型所用的历史数据比所述在线深度学习模型所用的历史数据多。

进一步，作为优选，所述在线深度学习模型和所述深度学习校正模型均包括输入层、隐藏层、全连接层和输出层；所述在线深度学习模型建模模块固定所述在线深度学习模型中的所述隐藏层的连接权参数和偏置参数，并在线校正所述在线深度学习模型中的所述全连接层的连接权参数和偏置参数；所述深度学习校正模型建模模块在线训练所述深度学习校正模型中的所述隐藏层和所述全连接层的连接权参数和偏置参数；所述自校正模块，在所述复杂工业过程数字孪生系统的智能模型的输出与所述复杂工业过程的实际输出之间的误差大于设定阈值时，采用自校正机制，用所述深度学习校正模型的所述隐藏层的连接权参数和偏置参数替换所述在线深度学习模型中的所述隐藏层的连接权参数和偏置参数，用所述深度学习校正模型的所述全连接层的连接权参数和偏置参数替换所述在线深度学习模型中的所述全连接层的连接权参数和偏置参数。

进一步，作为优选，所述复杂工业过程为电熔镁砂熔炼过程。

一种用于实现复杂工业过程数字孪生系统智能建模方法的设备，包括：端侧子设备、边缘侧子设备和云侧子设备；

所述端侧子设备用于获得所述在线深度学习模型和所述深度学习校正模型的输入数据；

所述边缘侧子设备用于运行所述辨识模型和所述在线深度学习模型；

所述云侧子设备用于运行所述深度学习校正模型；

所述端侧子设备为所述复杂工业过程的过程控制系统，所述边缘侧子设备为边缘计算设备，所述云侧子设备为工业云。

一种计算机可读存储介质，其存储有计算机程序，所述程序被处理器执行时实现上述复杂工业过程数字孪生系统智能建模方法。

本发明将基于机理模型的系统辨识方法与基于大数据的深度学习方法相结合，采用端边云协同方式，建立了复杂工业过程数字孪生系统的智能模型，解决了复杂工业过程数字孪生系统的建模难题，提高了建模精度。

附图说明

图1为本发明实施例的复杂工业过程数字孪生系统智能建模方法实现流程图；

图2为本发明一个实施例的电熔镁砂熔炼过程数字孪生系统智能建模方法实现流程图；

图3为本发明一个实施例的LSTM网络结构图；

图4为本发明一个实施例的LSTM单元节点图；

图5为本发明一个实施例的误差随神经元个数的变化曲线；

图6为本发明一个实施例的误差随单元节点数的变化曲线；

图7为本发明一个实施例的误差随网络层数的变化曲线；

图8为本发明一个实施例的误差随时间序列窗口长度的变化曲线；

图9为本发明一个实施例的电熔镁砂熔炼过程数字孪生系统结构图；

图10为本发明一个实施例的复杂工业过程数字孪生系统智能建模装置的结构示意图。

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。

图1为本发明实施例的复杂工业过程数字孪生系统智能建模方法实现流程图，该方法包括以下步骤：

S1：建立复杂工业过程的机理模型，所述机理模型包括可辨识模型和未建模动态两部分。

具体的，采用未知常数F表示模型参数为未知变化的非线性函数F(·)，采用新的变量

S2：估计所述可辨识模型的参数，得到辨识模型。

具体的，利用过程的输入输出数据u

S3：采用辨识模型误差与所述未建模动态构成未知非线性动态系统。

具体的，辨识模型误差为将可辨识模型中的参数用其辨识值代替时造成的模型输出误差。采用辨识模型误差和未建模动态构成下式表示的未知非线性动态系统：

其中，

f是未知变化的非线性函数，y

S4：建立所述未知非线性动态系统的智能模型。

具体的，所述未知非线性动态系统的智能模型包括离线深度学习模型、在线深度学习模型、深度学习校正模型和自校正机制。

采用多层长短周期记忆网络LSTM，选择(1)式中的输入变量作为单个神经元的输入，阶次n作为神经元的个数，v(k)作为标签数据，采用(1)式的输入、输出数据组成大数据样本，采用训练算法，使标签数据v(k)与离线深度学习模型的输出

采用与离线深度学习模型相同的结构建立在线深度学习模型，即，采用LSTM建立在线深度学习模型，且该在线深度学习模型的神经元个数、单元节点数和神经网络层数均与所述离线深度学习模型相同。在线深度学习模型的各层的连接权参数和偏置参数的初始值采用离线深度学习模型的对应层的连接权参数值和偏置参数，固定在线深度学习模型中的隐藏层的连接权参数和偏置参数，采用时间序列窗口长度为N的实时更新的输入数据和标签数据在线校正该在线深度学习模型的全连接层的连接权参数和偏置参数，其中，时间序列窗口长度N是通过训练算法，使标签数据v(k)与在线深度学习模型的输出

采用与离线深度学习模型相同的结构，建立深度学习校正模型。即，采用LSTM建立深度学习校正模型，且该深度学习校正模型的神经元个数、单元节点数和神经网络层数均与所述离线深度学习模型相同。采用当前时刻及以前所有时刻的(1)式的输入数据和输出数据作为深度学习校正模型的输入数据和标签数据，训练该深度学习校正模型各层的所有连接权参数和偏置参数。

自校正机制设定误差的区间上界为δ。当k时刻在线深度学习模型的输出与辨识模型的输出相叠加得到的输出与k时刻实际工业过程的真实输出值之间的误差|Δr(k)|>δ时，采用深度学习校正模型的各层的连接权参数和偏置参数替换在线深度学习模型的相应层的连接权参数和偏置参数。

其中，在线深度学习模型和深度学习校正模型的输入数据由端—过程控制系统获得，在线深度学习模型在边—边缘计算设备运行，深度学习校正模型在云—工业云运行。

S5：采用辨识模型与未知非线性动态系统的智能模型建立复杂工业过程数字孪生系统的智能模型。

进一步的，在一个实施例中，复杂工业过程数字孪生系统智能建模方法可用于电熔镁砂熔炼过程。

电熔镁砂熔炼过程是以三相电机转动方向与频率为输入、以三相电极电流为输出的强非线性、强耦合工业过程。熔炼过程采用埋弧方式，边熔化边加料，熔池高度随原矿的不断加入和熔化、原矿颗粒长度和杂质成分的变化而发生变化，熔池电阻率随熔液温度的变化、原矿颗粒长度和杂质成分的变化而变化。因此，熔化电流动态模型的模型阶次未知且动态特性变化未知，无法采用基于机理模型的系统辨识方法建立其数学模型。该过程的输入、输出数据处于变化的、开放的、不确定的信息空间，因此无法采用已有的完备信息空间的深度学习技术建立其动态模型。

图2为本发明一个实施例的电熔镁砂熔炼过程数字孪生系统智能建模方法实现流程图，该方法包括以下步骤：

S1’：建立电熔镁砂熔炼过程电极电流机理模型，将该机理模型用可辨识模型与未知非线性函数表示。

具体的，电熔镁砂熔炼过程边熔化边加料，熔池随着原矿的不断加入和熔化而不断升高，熔池高度h(·)与电振给料机振动频率

其中，y

当h(·)随加料和熔化而以(4)式规律变化时，电流控制系统通过拖动电机调节电极与熔池之间的距离，使电极电流稳定跟踪最佳熔化电流设定值来熔化菱镁矿石。电熔镁砂熔炼过程以电机转动方向与频率u

其中，i＝1,2,3分别表示A、B、C三相，L

F

其中，Δh

其中，M

将(5)式中的未知非线性函数F

其中，

采用欧拉法对(8)式进行离散化可得：

其中，

为了消除(10)式中u

由于k时刻y

采用新的变量

采用未知非线性函数V

其中，V

S2’：估计可辨识模型参数，获得辨识模型。

具体的，利用实际过程输入输出数据u

于是可得辨识模型输出

S3’：采用辨识模型误差和未知非线性函数V

具体的，采用辨识模型误差

于是v

其中，输入数据向量

由(14)、(17)和(18)式可得未知非线性动态系统输出v

由(21)式可得电熔镁砂熔炼过程电流机理模型可表示为辨识模型输出

S4’：建立未知非线性动态系统v

具体的，该智能模型由离线深度学习模型、在线深度学习模型、深度学习校正模型和自校正机制组成。

S41’：采用如图3所示的多层长短周期记忆网络LSTM架构，建立v

选择(19)式中输入数据向量

针对第1层(n

第1层第n

其中，⊙表示两个向量对应位置的元素相乘；tanh为双曲正切函数，即tanh(x)＝(e

其中，σ为sigmoid函数，即σ(x)＝(1+e

(25)式和(26)式中，

当n

其中，在计算每层第1个神经元的输入和输出时，

将第L层第n个神经元的输出

其中，W

采用两炉次的实际过程数据(每炉次为10小时，数据量为36000组)分别作为训练集和测试集，采用(19)式的M个(M＝36000)输入、输出数据组成大数据样本，采用下列训练算法使标签数据v(k)与离线深度学习模型输出

令网络层数L＝1，训练算法的目标函数为：

其中，Δ

其中，

根据下式更新输出门权重

其中，η为学习率。

采用与(32)式～(33)式相同的训练算法确定其它权重和偏置。

令LSTM的单元节点数h等于输入时间序列

固定n＝3、L＝1，令h从15开始递增，分别计算Δ

固定n＝3、h＝1770，令L从1开始递增，分别计算Δ

S42’：采用与离线深度学习模型相同的结构建立在线深度学习模型，具体的：

采用LSTM建立在线深度学习模型，且该在线深度学习模型的神经元个数、单元节点数和神经网络层数均与所述离线深度学习模型相同，在线深度学习模型的各层的连接权参数和偏置参数的初始值采用离线深度学习模型的对应层的连接权参数值和偏置参数，固定在线深度学习模型中的第1～7层的连接权参数和偏置参数，采用时间序列窗口长度为N的实时更新的输入数据和标签数据在线校正该在线深度学习模型的全连接层的连接权参数W

其中，W

在k+1时刻，更新的数据集为

在线校正W

其中，

固定n＝3、h＝1770、L＝7，采用(36)式～(38)式所示训练算法，令N从1开始递增，分别计算Δv(k)的均方根误差(RMSE)。由图8可知，当N＝1330时Δv(k)的RMSE最小，因此时间序列窗口长度N取1330。

S43’：采用与离线深度学习模型完全相同的结构，即n＝3、h＝1770、L＝7，建立下式所示的深度学习校正模型。

其中，

设定误差的区间上界为δ＝100A，在k+1时刻，若在线深度学习模型的输出与辨识模型的输出相叠加得到的电极电流智能模型的输出

其中，在线深度学习模型和深度学习校正模型的输入数据由端—电熔镁砂熔炼过程PLC控制系统获得，辨识模型和在线深度学习模型在边—边缘计算设备运行，深度学习校正模型在云—工业云运行。

S5’：采用辨识模型与未知非线性动态系统的智能模型建立电熔镁砂熔炼过程数字孪生系统的电极电流智能模型。

具体的，电熔镁砂熔炼过程数字孪生系统的电极电流智能模型为：

其中，辨识模型输出

选取300组测试集数据，对采用辨识模型输出

其中，N

表1 三相电流模型精度性能评价表

由表1可以看出，本发明实施例的建模精度明显优于采用辨识模型输出的方法，三相电流y

在一个实施例中，如图10所示，提供了一种复杂工业过程数字孪生系统智能建模装置，包括：机理模型建模模块、参数辨识模块、未知非线性动态系统构建模块、未知非线性动态系统智能模型建模模块和数字孪生系统智能模型建模模块，其中：

机理模型建模模块用于建立复杂工业过程的机理模型，所述机理模型包括可辨识模型和未建模动态两部分；

参数辨识模块用于估计所述可辨识模型的参数，得到辨识模型；

未知非线性动态系统构建模块用于采用辨识模型误差与所述未建模动态构成未知非线性动态系统；

未知非线性动态系统智能模型建模模块用于建立所述未知非线性动态系统的智能模型；

数字孪生系统智能模型建模模块用于采用所述辨识模型与所述未知非线性动态系统的智能模型建立所述复杂工业过程数字孪生系统的智能模型；

其中，所述辨识模型误差为将可辨识模型中的参数用其辨识值代替时造成的模型输出误差。

在其中一个实施例中，未知非线性动态系统智能模型建模模块包括离线深度学习模型建模模块、在线深度学习模型建模模块、深度学习校正模型建模模块和自校正模块；所述离线深度学习模型建模模块采用LSTM建立所述在线深度学习模型；所述在线深度学习模型建模模块采用与所述离线深度学习模型相同的结构建立所述在线深度学习模型；所述深度学习校正模型建模模块采用与所述离线深度学习模型相同的结构建立所述深度学习校正模型；所述自校正模块，在所述复杂工业过程数字孪生系统的智能模型的输出与所述复杂工业过程的实际输出之间的误差大于设定阈值时，采用自校正机制，用所述深度学习校正模型的连接权参数和偏置参数校正所述在线深度学习模型的连接权参数和偏置参数；其中，所述深度学习校正模型所用的历史数据比所述在线深度学习模型所用的历史数据多。

在其中一个实施例中，所述在线深度学习模型和所述深度学习校正模型均包括输入层、隐藏层、全连接层和输出层；所述在线深度学习模型建模模块固定所述在线深度学习模型中的所述隐藏层的连接权参数和偏置参数，并在线校正所述在线深度学习模型中的所述全连接层的连接权参数和偏置参数；所述深度学习校正模型建模模块在线训练所述深度学习校正模型中的所述隐藏层和所述全连接层的连接权参数和偏置参数；所述自校正模块，在所述复杂工业过程数字孪生系统的智能模型的输出与所述复杂工业过程的实际输出之间的误差大于设定阈值时，采用自校正机制，用所述深度学习校正模型的所述隐藏层的连接权参数和偏置参数替换所述在线深度学习模型中的所述隐藏层的连接权参数和偏置参数，用所述深度学习校正模型的所述全连接层的连接权参数和偏置参数替换所述在线深度学习模型中的所述全连接层的连接权参数和偏置参数。

在其中一个实施例中，所述复杂工业过程为电熔镁砂熔炼过程。

关于复杂工业过程数字孪生系统智能建模装置的具体限定可以参见上文中对于复杂工业过程数字孪生系统智能建模方法的限定，在此不再赘述。上述复杂工业过程数字孪生系统智能建模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。

在一个实施例中，提供了一种用于实现上述各实施例中的复杂工业过程数字孪生系统智能建模方法的设备，包括：端侧子设备、边缘侧子设备和云侧子设备；所述端侧子设备用于获得所述在线深度学习模型和所述深度学习校正模型的输入数据；所述边缘侧子设备用于运行所述辨识模型和所述在线深度学习模型；所述云侧子设备用于运行所述深度学习校正模型；所述端侧子设备为所述复杂工业过程的过程控制系统，所述边缘侧子设备为边缘计算设备，所述云侧子设备为工业云。

在一个实施例中，提供了一种计算机可读存储介质，其存储有计算机程序，所述程序被处理器执行时实现上述各实施例中的复杂工业过程数字孪生系统智能建模方法。

在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例以及不同实施例的特征进行结合和组合。

综上所述，本发明实施例提出的复杂工业过程数字孪生系统智能建模方法、装置和设备针对复杂工业过程数字孪生系统的精度较难保证的问题，将基于机理模型的系统辨识方法与基于大数据的深度学习方法相结合，采用端边云协同方式，建立了复杂工业过程数字孪生系统的智能模型，解决了复杂工业过程数字孪生系统的建模难题，提高了建模精度。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。