基于端边云协同的电熔镁砂需量数字孪生方法及装置

1.本技术涉及不同批次复杂炉室数字孪生技术领域，特别是涉及一种基于端边云协同的电熔镁砂需量数字孪生方法、装置、计算机设备及计算机可读存储介质。


背景技术：

2.电熔镁砂结构致密、熔点高、抗氧化能力强、绝缘性强，是制造、航天等行业所需耐火材料的主要原料，生产电熔镁砂的设备为重大耗能设备电熔镁炉。需量是电熔镁砂生产过程中指定的时间周期内电熔镁群炉平均用电功率值，用来监控群炉耗电量。电熔镁群炉共有4台电熔镁炉，其每天的生产过程记为一个炉次。
3.目前，在电价政策的驱动下，电熔镁砂生产企业追求在不超过电力部门规定的需量峰值的前提下尽可能提高用电率。为了避免需量超限，当其超过设定阈值时由控制系统随机拉闸一台电熔镁炉而使需量回到阈值以下。
4.在实现本技术的过程中，申请人发现相关技术至少存在以下问题：
5.现有技术在需量尖峰时产生不必要的拉闸，导致电熔镁砂的品位和产量降低。为了提高电能利用率和产品质量，需要进行需量预报和智能控制，而在真实工业环境下进行预报和控制方法的验证往往受到生产环境和安全的约束和限制，实验成本较高。因此，亟需建立需量数字孪生模型，在实验室搭建与工业现场需量动态特性相同的实验环境，便于需量智能控制和需量预报研究。


技术实现要素：

6.有鉴于此，本技术提供了一种基于端边云协同的电熔镁砂需量数字孪生方法、装置、计算机设备及计算机可读存储介质，主要目的在于解决目前真实工业环境下进行预报和控制方法的验证往往受到生产环境和安全的约束和限制，实验成本较高的问题。
7.依据本技术第一方面，提供了一种基于端边云协同的电熔镁砂需量数字孪生方法，该方法包括：
8.建立单炉电熔镁砂熔炼过程的电流闭环控制系统动态模型，基于所述电流闭环控制系统动态模型，生成电熔镁炉的多炉次群炉功率动态模型；
9.依据需量定义和所述多炉次群炉功率动态模型构建多炉次群炉需量数字孪生模型，所述多炉次群炉需量数字孪生模型包括线性模型和非线性动态系统；
10.构建所述非线性动态系统的离线深度学习模型，根据所述离线深度学习模型构建在线深度学习校正模型和云端深度学习校正模型；
11.在端侧采集电熔镁炉的生产过程数据，将所述生产过程数据传输至云端数据库，依据预设自校正机制，从所述云端数据库中获取指定生产过程数据对所述在线深度学习校正模型和所述云端深度学习校正模型进行校正，完成对所述非线性动态系统的校正；
12.获取所述非线性动态系统的系统输出和所述线性模型的模型输出，将所述系统输出和所述模型输出的和值作为目标需量数据，并将所述目标需量数据发送至展示终端进行
展示。
13.依据本技术第二方面，提供了一种基于端边云协同的电熔镁砂需量数字孪生装置，该装置包括：
14.生成模块，用于建立单炉电熔镁砂熔炼过程的电流闭环控制系统动态模型，基于所述电流闭环控制系统动态模型，生成电熔镁炉的多炉次群炉功率动态模型；
15.第一构建模型，用于依据需量定义和所述多炉次群炉功率动态模型构建多炉次群炉需量数字孪生模型，所述多炉次群炉需量数字孪生模型包括线性模型和非线性动态系统；
16.第二构建模块，用于构建所述非线性动态系统的离线深度学习模型，根据所述离线深度学习模型构建在线深度学习校正模型和云端深度学习校正模型；
17.校正模块，在端侧采集电熔镁炉的生产过程数据，将所述生产过程数据传输至云端数据库，依据预设自校正机制，从所述云端数据库中获取指定生产过程数据对所述在线深度学习校正模型和所述云端深度学习校正模型进行校正，完成对所述非线性动态系统的校正；
18.获取模块，用于获取所述非线性动态系统的系统输出和所述线性模型的模型输出，将所述系统输出和所述模型输出的和值作为目标需量数据，并将所述目标需量数据发送至展示终端进行展示。
19.依据本技术第三方面，提供了一种存储设备，其上存储有计算机程序，所述程序被处理器执行时实现上述第一方面中任一项所述方法的步骤。
20.依据本技术第四方面，提供了一种计算机存储介质，包括存储设备、处理器及存储在存储设备上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面中任一项所述方法的步骤。
21.借由上述技术方案，本技术提供的一种基于端边云协同的电熔镁砂需量数字孪生方法、装置、计算机设备及计算机可读存储介质，本技术首先建立单炉电熔镁砂熔炼过程的电流闭环控制系统动态模型，基于电流闭环控制系统动态模型，生成电熔镁炉的多炉次群炉功率动态模型。随后，依据需量定义和多炉次群炉功率动态模型构建包括线性模型和非线性动态系统多炉次群炉需量数字孪生模型。接下来，构建非线性动态系统的离线深度学习模型，根据离线深度学习模型构建在线深度学习校正模型和云端深度学习校正模型。进一步地，在端侧采集电熔镁炉的生产过程数据，将生产过程数据传输至云端数据库，依据预设自校正机制，从云端数据库中获取指定生产过程数据对在线深度学习校正模型和云端深度学习校正模型进行校正，完成对非线性动态系统的校正。最后，获取非线性动态系统的系统输出和线性模型的模型输出，将系统输出和模型输出的和值作为目标需量数据，并将目标需量数据发送至展示终端进行展示。本发明将机理与工业大数据、系统辨识与深度学习、离线训练与在线校正相结合，建立了多炉次需量数字孪生模型，并提出了基于端边云协同的需量数字孪生方法对多炉次需量数字孪生模型中的非线性部分进行校正，实现对动态特性随生产过程变化的工业过程运行指标建模。
22.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
23.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
24.图1示出了本技术实施例提供的一种基于端边云协同的电熔镁砂需量数字孪生方法流程示意图；
25.图2a示出了本技术实施例提供的一种基于端边云协同的电熔镁砂需量数字孪生方法流程示意图；
26.图2b示出了本技术实施例提供的一种基于端边云协同的电熔镁砂需量数字孪生方法参数确定示意图；
27.图2c示出了本技术实施例提供的一种基于端边云协同的电熔镁砂需量数字孪生方法参数确定示意图；
28.图2d示出了本技术实施例提供的一种基于端边云协同的电熔镁砂需量数字孪生方法参数确定示意图；
29.图2e示出了本技术实施例提供的一种基于端边云协同的电熔镁砂需量数字孪生方法网络结构示意图；
30.图2f示出了本技术实施例提供的一种基于端边云协同的电熔镁砂需量数字孪生方法结构示意图；
31.图2g示出了本技术实施例提供的一种基于端边云协同的电熔镁砂需量数字孪生方法参数确定示意图；
32.图2h示出了本技术实施例提供的一种基于端边云协同的电熔镁砂需量数字孪生方法测试结果示意图；
33.图2i示出了本技术实施例提供的一种基于端边云协同的电熔镁砂需量数字孪生方法测试结果示意图；
34.图2j示出了本技术实施例提供的一种基于端边云协同的电熔镁砂需量数字孪生方法测试结果示意图；
35.图2k示出了本技术实施例提供的一种基于端边云协同的电熔镁砂需量数字孪生方法测试结果示意图；
36.图2l示出了本技术实施例提供的一种基于端边云协同的电熔镁砂需量数字孪生方法测试结果示意图；
37.图3示出了本技术实施例提供的一种基于端边云协同的电熔镁砂需量数字孪生装置的结构示意图；
38.图4示出了本技术实施例提供的一种计算机设备的装置结构示意图。
具体实施方式
39.下面将参照附图更详细地描述本技术的示例性实施例。虽然附图中显示了本技术的示例性实施例，然而应当理解，可以以各种形式实现本技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本技术，并且能够将本技术的范围完整的传达给本领域的技术人员。
40.本技术实施例提供了一种基于端边云协同的电熔镁砂需量数字孪生方法，如图1所示，该方法包括：
41.101、建立单炉电熔镁砂熔炼过程的电流闭环控制系统动态模型，基于电流闭环控制系统动态模型，生成电熔镁炉的多炉次群炉功率动态模型。
42.102、依据需量定义和多炉次群炉功率动态模型构建多炉次群炉需量数字孪生模型，多炉次群炉需量数字孪生模型包括线性模型和非线性动态系统。
43.103、构建非线性动态系统的离线深度学习模型，根据离线深度学习模型构建在线深度学习校正模型和云端深度学习校正模型。
44.104、在端侧采集电熔镁炉的生产过程数据，将生产过程数据传输至云端数据库，依据预设自校正机制，从云端数据库中获取指定生产过程数据对在线深度学习校正模型和云端深度学习校正模型进行校正，完成对非线性动态系统的校正。
45.105、获取非线性动态系统的系统输出和线性模型的模型输出，将系统输出和模型输出的和值作为目标需量数据，并将目标需量数据发送至展示终端进行展示。
46.本技术实施例提供的方法，可以首先建立单炉电熔镁砂熔炼过程的电流闭环控制系统动态模型，基于电流闭环控制系统动态模型，生成电熔镁炉的多炉次群炉功率动态模型。随后，依据需量定义和多炉次群炉功率动态模型构建包括线性模型和非线性动态系统多
47.炉次群炉需量数字孪生模型。接下来，构建非线性动态系统的离线深度学习模型，根据离线深度学习模型构建在线深度学习校正模型和云端深度学习校正模型。进一步地，在端侧采集电熔镁炉的生产过程数据，将生产过程数据传输至云端数据库，依据预设自校正机制，从云端数据库中获取指定生产过程数据对在线深度学习校正模型和云端深度学习校正模型进行校正，完成对非线性动态系统的校正。最后，获取非线性动态系统的系统输出和线性模型的模型输出，将系统输出和模型输出的和值作为目标需量数据，并将目标需量数据发送至展示终端进行展示。本发明将机理与工业大数据、系统辨识与深度学习、离线训练与在线校正相结合，建立了多炉次需量数字孪生模型，并提出了基于端边云协同的需量数字孪生方法对多炉次需量数字孪生模型中的非线性部分进行校正，实现对动态特性随生产过程变化的工业过程运行指标建模。
48.电熔镁炉是一种生产电熔镁砂的大型耗能设备，耗电成本占总成本的60％以上。电熔镁炉采用埋弧方式，采用反馈控制系统控制熔化电流，边熔化边加料，将菱镁矿石转化为电熔镁砂产品。为了避免需量超限时控制系统随机拉闸断电对生产过程和产品质量的影响，也避免需量超过电力部门规定的需量峰值，有必要建立需量数字孪生模型，在实验室搭建与工业现场需量动态特性相同的实验环境，便于需量预报和需量控制研究，对于节能具有重要意义。电熔镁砂生产过程是多炉次的，即一个炉次生产结束后，间隔固定时间，继续进行下一炉次生产。由于采用同一生产系统，且原矿性质随不同炉次而变化，因此当前炉次熔炼特性既具有历史炉次的某些特性，又随当前炉次原矿的变化而发生了变化。因此为了搭建与工业现场需量动态特性相同的实验环境，本技术实施例提供了一种基于端边云协同的电熔镁砂需量数字孪生方法，如图2a所示，该方法包括：
49.201、建立单炉电熔镁砂熔炼过程的电流闭环控制系统动态模型，基于电流闭环控制系统动态模型，生成电熔镁炉的多炉次群炉功率动态模型。
50.在本技术实施例中，建立由二阶线性项和未知高阶非线性项表示的电熔镁砂熔炼过程电流动态模型，基于熔化电流反馈控制系统控制该工业过程，建立电流闭环控制系统动态模型，进而实现建立电熔镁炉多炉次下(炉次数为s)以闭环控制系统电流为输入、以功率为输出的多炉次群炉功率动态模型。具体生成多炉次群炉功率动态模型的过程如下：
51.首先，采用单炉电熔镁炉电机转动方向与频率ui作为输入数据，电极电流yi作为输出数据，建立第i个电熔镁炉的电流动态模型：
[0052][0053]
其中，l
i1
为变压器和电抗器的绕组电感；l
i2
为短路电感；u为相电压；r
i1
为变压器和电阻抗的有功电阻；r
i2
为短路有功电阻；p为电机极对数；h(
·
)为熔池高度；δh
ie
(
·
)为电极高度变化量；a，b为电弧常数。
[0054]
接下来，基于欧拉法对电流动态模型进行离散化，将电流动态模型表示为二阶线性项与高阶非线性项的和值，即ai(z-1
)yi(k)＝bi(z-1
)ui(k-1)+v
′i(k)。需要说明的是，ai(z-1
)＝1+a
i1
z-1
+a
i2
z-2
；bi(z-1
)＝b
i0
；yi(k)为第i个电熔镁炉的熔化电流；ui(k-1)为第i个电熔镁炉变频电机转动方向与频率；v
′i(k)为未知高阶非线性项。
[0055]
随后，采用熔化电流反馈控制系统对离散化的电流动态模型进行控制，得到电流闭环控制系统动态模型。熔化电流反馈控制系统表示为(1-z-1
)ui(k)＝gi(z-1
)ei(k)，需要说明的是，gi(z-1
)＝g
i0
+g
i1
z-1
+g
i2
z-2
；ei(k)＝yi(k)-y
*
；y
*
是熔化电流的设定值。电流闭环控制系统动态模型具体如下述公式1所示：
[0056]
公式1：ti(z-1
)yi(k)＝bi(z-1
)gi(z-1
)y
*
+(1-z-1
)vi'(k)
[0057]
其中，ti(z-1
)为设计反馈控制系统参数选择的闭环系统特征多项式，具体地，ti(z-1
)＝1+t
i1
z-1
+t
i2
z-2
+t
i3
z-3
。
[0058]
根据功率与电流之间的机理关系，单炉电熔镁炉的功率定义如下述公式2所示：
[0059]
公式2：
[0060]
其中，u为熔炼电压，yi(k)为一个炉次内第k时刻第i台电熔镁炉的三相电极熔炼电流的平均值，为功率因数。
[0061]
基于电熔镁炉单炉功率定义以及电流闭环控制系统动态模型，构建以电流闭环控制系统动态模型输出的电流为输入的一个炉次内第i个电熔镁炉的功率动态模型，也就是单炉次单炉功率动态模型，具体可以表示为：
[0062][0063]
其中，b0gi(z-1
)＝b0(g
i0
+g
i1
+g
i2
)＝d
i0
，p
*
是熔化电流设定值y
*
对应的功率，t
i*
(z-1
)＝ti(z-1
)-1。
[0064]
因每个炉次内群炉功率监控系统有四台电熔镁炉，故群炉功率定义如下述公式3所示：
[0065]
公式3：
[0066]
进一步地，采用群炉模型参数t1′
,t2′
,t3′
,d0′
替代单炉次单炉功率动态模型中的单炉模型参数可得一个炉次内电熔镁群炉功率动态模型为：
[0067][0068]
其中，v
′
(k)由非线性项和引入t1′
,t2′
,t3′
,d0′
产生的模型误差组成。
[0069]
根据电流动态模型可知，由于原矿不均匀、不同炉次间原矿不同，且同一炉次内原矿性质随熔化和加料过程而变化，使得模型参数l(
·
)、r(
·
)、h(
·
)、δh(
·
)随炉次s的变化而变化，进而使非线性项vi′
(k)随炉次s的变化而变化。具体应用场景中，采用不随炉次变化的常数t1,t2,t3,d0来代替随炉次而变化的模型参数t1′
,t2′
,t3′
,d0′
，得到多炉次群炉功率动态模型为下述公式4所示：
[0070]
公式4：
[0071]
其中，ψ(k-1)＝[y(k-1),y(k-2),y(k-3),y
*
]；θ＝[-t1,-t2,-t3,d0]
t
；ψ(k-1)θ为可辨识模型；未知非线性项vs′
(k)由非线性项v
′
(k)和引入不随炉次变化的常数t1,t2,t3,d0产生的模型误差组成。具体地，未知非线性项vs′
(k)可以表示为下述公式5所示：
[0072]
公式5：vs′
(k)＝v
′
(k)+(t
1-t1′
)y(k-1)+(t
2-t2′
)y(k-2)+(t
3-t3′
)y(k-3)+(d
0-d0′
)y
*
[0073]
基于上述步骤，采用电流闭环控制系统动态模型和功率与电流之间的机理模型，建立由可辨识模型和由未知非线性系统组成的多炉次电熔镁群炉功率动态模型，进而实现获取多炉次电熔镁群炉的功率数据。
[0074]
202、依据需量定义和多炉次群炉功率动态模型构建多炉次群炉需量数字孪生模型，多炉次群炉需量数字孪生模型包括线性模型和非线性动态系统。
[0075]
在本技术实施例中，通过估计多炉次群炉功率动态模型中可辨识模型的参数，进而构建多炉次群炉功率动态模型的未知非线性系统，最终实现构建多炉次需量数字孪生模型，建立多炉次需量数字孪生模型的具体过程如下：
[0076]
首先，利用最小二乘辨识算法辨识多炉次群炉功率动态模型中的可辨识模型，估计可辨识模型的辨识参数θ，得到辨识参数的参数估计值其中，参数辨识方程为p(k)＝ψ(k-1)θ。将参数辨识方程表示为y(k)＝x(k-1)θ，其中，输出向量y(k)可以表示为y(k)＝[p(k),p(k-1),...,p(k-ns+1)]
t
，输入矩阵可以表示为：
[0077][0078]
最小二乘算法的目标函数为其中最小二乘算法的参数θ的估计值为最小二乘算法的参数θ的估计值为
[0079]
随后，将由参数估计值带来的模型误差作为可辨识模型的辨识误差。将辨识误差和多炉次群炉功率动态模型中的未知非线性项v
′s(k)的和值作为未知非线性系统具体如下述公式6所示：
[0080]
公式6：
[0081]
需量的计算基于群炉功率，需量值为当前时刻与前m-1时刻的群炉功率p(k)的平均值，需量定义具体如公式7所示：
[0082]
公式7：
[0083]
其中，为第k时刻的需量值，p(k)为第k时刻的群炉功率值。
[0084]
进一步地，电熔镁生产企业采用30个功率采样周期计算需量值，基于需量定义、未知非线性系统和多炉次群炉功率动态模型，计算得到多炉次群炉需量数字孪生模型，需要说明的是，多炉次群炉需量数字孪生模型为非线性动态系统和线性模型的和值。具体构建多炉次群炉需量数字孪生模型的过程可以基于下述公式8实现：
[0085]
公式8：
[0086]
其中为需量数字孪生模型的线性模型；为需量数字孪生模型的非线性动态系统，且具体应用过程中，采用未知非线性函数f(
·
)表示其中，f(
·
)为未知变化的非线性函数，n为该系统的未知阶次，具体如下述公式9所示：
[0087]
公式9：
[0088]
通过上述步骤，采用辨识算法利用端侧采集来的一个炉次的电流和功率数据估计多炉次电熔镁炉功率动态模型中可辨识模型的参数，进而将可辨识模型的辨识误差与多炉次下未知非线性项合并为模型结构与阶次未知的未知非线性系统。最终实现根据需量定义、未知非线性系统和电熔镁群炉多炉次下功率动态模型，建立由线性模型和非线性动态系统组成的多炉次需量数字孪生模型
[0089]
203、构建非线性动态系统的离线深度学习模型，根据离线深度学习模型构建在线深度学习校正模型和云端深度学习校正模型。
[0090]
在本技术实施例中，采用长短期记忆多层神经网络(lstm)网络架构建立未知非线性动态系统离线深度学习模型，需要说明的是，离线深度学习模型的输出为非线性动态系统的预测值再采用与离线深度学习模型同样的网络架构建立在线深度学习校正模型和云端深度学习校正模型，具体建立离线深度学习模型、在线深度学习校正模型和云端深度学习校正模型的过程如下：
[0091]
首先，选择网络层数为1层，使用一个炉次ns组输入输出数据构成样本数据，具体地，输入输出数据为y(i),ns可以是5000。采用训练算法使标签数据与离线深度学习模型实际输出的误差尽可能小。确定神经元个数n、单个神经元节点数h和网络层数l，训练算法的目标函数如下述公式10所示：
[0092]
公式10：
[0093]
其中连接权为1
×
h行向量，为偏置参数，h1(k)为第n个神经元的输出。
[0094]
其中，h1(k)
t
＝o1(k)
⊙
tanh(c1(k))，tanh(x)＝(1-e-2x
)/(1+e-2x
)，输出门o1(k)和状态门c1(k)分别为o1(k)＝σ(w
1o
·
x1(k)
t
+b
1o
)，输出门o1(k)中，σ(x)＝1/(1+e-x
)，第n个神经元的输入状态门c1(k)中，遗忘门f1＝σ(w
1f
·
x1(k)
t
+b
1f
)，输入门i1＝σ(w
1in
·
x1(k)
t
+b
1in
)，状态候选值wf,w
in
,wc为h
×
(h+3)的矩阵，b
1f
,b
1in
,b
1c
为h
×
1的列向量。
[0095]
采用梯度下降算法训练连接权和偏置参数，输出门连接权w
1o
和权重b
1o
的训练算法为
[0096]
其中，α为学习率。再采用相同的训练算法确定模型的其他连接权和偏置。
[0097]
接下来，为了辨识深度学习模型的结构，引入的平均绝对误差：
[0098][0099]
具体地，使用一炉次实际电流与需量数据作为输入输出数据，先确定lstm网络神经元的个数n。令n＝1,2,3,4,...并计算模型输出误差的平均绝对误差(mae)，当的mae最小时，确定神经元个数n的值。然后固定神经元个数n，令节点数h＝1,2,3,4,...并计算模型输出误差的平均绝对误差，当的mae最小时，确定节点数h的值。最后固定深度学习模型的n和h，通过增加网络层数l＝1,2,3,4,...分别计算模型输出误差的平均绝对误差，当的mae最小时，确定网络层数l的值。最终，如图2b至图2d所示，可以得出神经元个数n为34，单个神经元隐藏层节点数h为238，网络层数l为3，确定离线深度学习模型的网络架构，具体如图2e所示。
[0100]
最后，采用和离线深度学习模型相同的单个神经元节点数、网络层数、网络神经元个数构建在线深度学习校正模型和云端深度学习校正模型，将在线深度学习校正模型的输出记为将云端深度学习校正模型的输出记为
[0101]
通过上述步骤，采用长短期记忆多层神经网络lstm构建离线深度学习模型，使用一炉次实际电流与需量数据作为输入输出数据，确定离线深度学习模型的神经元个数n、单元节点数h、多层神经网络层数l，进而实现构建在线深度学习校正模型和云端深度学习校正模型。
[0102]
204、在端侧采集电熔镁炉的生产过程数据，将生产过程数据传输至云端数据库，依据预设自校正机制，从云端数据库中获取指定生产过程数据对在线深度学习校正模型和云端深度学习校正模型进行校正，完成对非线性动态系统的校正。
[0103]
在本技术实施例中，需量数字孪生模型由线性模型和非线性动态系统组成，非线性动态系统由在线深度学习校正模型、自校正机制、云端深度学习校正模型组成。采用端边云协同的方式对非线性动态系统进行校正。具体地，在端侧实时采集电熔镁群炉的生产过程数据，将生产过程数据上传至云数据库。在云数据库中提取所有炉次实时更新的生产过程数据对云端深度学习校正模型的所有层权重和偏置参数进行校正。再固定在线深度学习校正模型的单个神经元节点数、网络层数、网络神经元个数，利用离线的同一炉次的生产数据计算在线深度学习校正模型的时间序列窗口长度。随后，在云数据库中提取同一炉次内在线更新的生产过程数据，基于生产过程数据的数据量与时间序列窗口长度的比对结果，对在线深度学习校正模型的全连接层权重和偏置参数进行校正。通过计算非线性动态系统的模型输出的误差上界，根据误差上界，得到预设自校正机制。最后，依据预设自校正机制，采用云端深度学习校正模型对在线深度学习校正模型进行模型校正。
[0104]
在实际应用过程中，如图2f所示，端侧为数据采集传输装置用于实时采集电流、功率和需量数据；云侧为云端计算设备，如英伟达服务器，用于根据所有炉次实时更新的生产过程数据校正云端深度学习校正模型的所有层权重和偏置参数。边侧为边缘计算设备，如东土工业服务器，用于在当前炉次熔炼过程中，根据在线更新的窗口长度为n的生产过程数据，校正在线深度学习校正模型的全连接层权重和偏置参数。当满足自校正机制条件时，下载云端深度学习校正模型的所有层权重和偏置替换在线深度学习校正模型的所有层权重
和偏置。需要说明的是，在实际应用过程中，非线性动态系统校正后的输出体现在所述在线深度学习校正模型的输出，因此，最后将需量线性模型的输出值与在线深度学习校正模型的输出值相加从而输出当前需量值。
[0105]
首先，在端侧实时采集电熔镁群炉的生产过程数据，将生产过程数据上传至云数据库。随后，在云数据库中提取所有炉次实时更新的生产过程数据对云端深度学习校正模型的所有层权重和偏置参数进行校正。具体地，每个炉次共有ns组输入输出数据，使用ns(k)组实时更新的生产过程数据y
s-1
(i),y1(i),ys(j),实时校正云端深度学习校正模型的所有层权重和偏置，随着熔炼过程进行，数据个数ns(k)不断增大。
[0106]
需要说明的是，训练算法的目标函数为其中，ns(k)表示云端深度学习校正模型采用的输入输出数据对个数，实际上ns(k)＝(s-1)ns+k，其中s表示当前炉次数，k表示当前炉次第k个采样时刻，采样周期为7秒，ns(k)随着熔炼过程的进行不断增大，每7秒增加1。
[0107]
进一步地，固定在线深度学习校正模型的单个神经元节点数、网络层数、网络神经元个数，利用离线的同一炉次的生产数据计算时间序列窗口长度。具体地，固定深度学习模型的n、h和l，通过增加时间序列窗口长度n＝1,2,3,4,...分别计算在线深度学习校正模型输出误差的平均绝对误差。当的mae最小时，确定时间序列窗口长度n的值，具体地，时间序列窗口长度为1450，训练过程如图2g所示。
[0108]
再从云数据库中提取同一炉次内在线更新的生产过程数据对在线深度学习校正模型进行校正。具体地，将生产过程数据的数据量与时间序列窗口长度进行比对，当比对结果指示同一炉次内生产过程数据的数据量不满足时间序列窗口长度时，不校正在线深度学习校正模型全连接层的权重和偏置参数。当比对结果指示生产过程数据的数据量满足时间序列窗口长度时，固定炉次s不变，根据在线更新的时间序列窗口长度为n的生产过程数据y(k-1),...,y(k-n-1),保持在线深度学习校正模型隐藏层的权重和偏置参数不变，实时校正全连接层的权重和偏置参数。
[0109]
在线深度学习校正模型的输出为式中连接权为1
×
h行向量，为偏置。固定1至l层的连接权和偏置不变，只在线校正在线深度学习校正模型的输出中的连接权和偏置参数。
[0110]
在线校正的目标函数为：连接权的校正算法为偏置参数校正算法为其中，
[0111]
接下来，计算非线性动态系统的模型输出的误差上界，根据误差上界，得到预设自
校正机制，依据预设自校正机制，采用云端深度学习校正模型对在线深度学习校正模型进行模型校正。具体地，采用模型精度评价指标rmse、拟合优度r2、上升趋势准确率tpr和下降趋势准确率tnr，建立云端深度学习校正模型和在线深度学习校正模型之间的自校正机制。也就是根据实验结果设定非线性动态系统的模型输出的误差上界(rmse＝δ1，r2＝δ2，tpr＝δ3，tnr＝δ4)。采用验证集的5000组数据计算自校正机制评价指标rmse、r2、tpr和tnr。经计算得四项指标rmse＝12.72，r2＝99.62％，tpr＝0.93，tnr＝0.92。然后根据公式11至公式14，计算在线深度学习校正模型的模型精度评价指标。
[0112]
公式11：
[0113]
公式12：
[0114]
其中，k为采样周期(k＝1,2,...)，为在线深度学习校正模型的输出值，在线深度学习校正模型的输出均值真实值的均值
[0115]
公式13：
[0116]
公式14：
[0117]
其中，tp1(k)表示在线深度学习校正模型的模型输出上升趋势数；tn1(k)表示在线深度学习校正模型的模型输出下降趋势数；allp(k)表示实际上升趋势总数；alln(k)表示实际下降趋势总数。tp1(k)，tn1(k)，allp(k)和alln(k)的计算公式如下：
[0118][0119][0120][0121][0122]
其中，
[0123][0124]
[0125][0126][0127]
采用相同方式计算云端深度学习校正模型的模型精度评价指标，记为rmse2(k)、r
22
(k)、tpr2(k)、tnr2(k)。分别检测在线深度学习校正模型和云端深度学习校正模型的模型精度评价指标，将在线深度学习校正模型和云端深度学习校正模型的模型精度评价指标与预设自校正机制进行比对，生成比对结果。当在线深度学习校正模型的模型精度评价指标(rmse1(k)≥12.72或r
12
(k)≤99.62％或tpr1(k)≤0.93或tnr1(k)≤0.92)且云端深度学习校正模型的模型精度评价指标(rmse2(k)＜12.72，r
22
(k)＞99.62％，tpr2(k)＞0.93，tnr2(k)＞0.92)时，生成指示模型校正的比对结果，进而下载云端深度学习校正模型的所有层权重和偏置参数替换在线深度学习校正模型的所有层权重和偏置参数。
[0128]
205、获取非线性动态系统的系统输出和线性模型的模型输出将系统输出和模型输出的和值作为目标需量数据并将目标需量数据发送至展示终端进行展示。
[0129]
在本技术实施例中，获取非线性动态系统的系统输出和线性模型的模型输出，将系统输出和模型输出的和值作为目标需量数据，并将目标需量数据发送至展示终端进行展示，实现需量的数字孪生，为需量预报和智能控制提供环境基础。
[0130]
本技术基于端边云协同的多炉次下电熔镁砂生产过程需量数字孪生方法。基于同一炉次实时采集的生产过程数据，对在线深度学习校正模型和云端深度学习校正模型进行实时仿真，对比结果如图2h至图2i所示。图2h为在线深度学习校正模型精度测试结果，测试得rmse为13.678；图2i为云端深度学习校正模型精度测试结果，测试得rmse为10.589。根据测试结果可知，云端深度学习校正模型的模型精度高于在线深度学习校正模型。因此当在线深度学习校正模型的精度不满足要求时，采用自校正机制，下载云端深度学习校正模型的所有层权重和偏置替换在线深度学习校正模型的所有层权重和偏置。
[0131]
基于不同炉次数据对需量数字孪生模型进行实时仿真，采用离线采集的一个炉次5000组数据对模型进行精度测试，测试结果如图2j至图2l所示。图2j为采用不同炉次数据进行实时仿真的需量数字孪生模型精度趋势图。采用单炉次数据进行实时仿真和采用15个炉次数据进行实时仿真时，需量数字孪生模型测试结果分别图2k和图2l所示(为了显示清楚，图中只显示了150组)。从图2j可以看出，随着使用更多炉次数据进行实时仿真，需量数字孪生模型输出误差的均方根误差呈下降趋势。由图2j至图2l可以看出，采用多炉次数据进行实时仿真的需量数字孪生模型的模型精度明显优于采用单炉次数据进行实时仿真的需量数字孪生模型的模型精度，采用单炉次数据和采用15个炉次数据进行实时仿真的需量数字孪生模型输出误差rmse分别为14.293和6.508，模型精度提高了54.46％。因此随着炉次的增多，数据不断增多，模型所学到的动态特性更多，且通过端边云协同校正，使得模型精度不断增高，符合数字孪生的要求。
[0132]
本技术实施例提供的方法，可以首先建立单炉电熔镁砂熔炼过程的电流闭环控制
系统动态模型，基于电流闭环控制系统动态模型，生成电熔镁炉的多炉次群炉功率动态模型。随后，依据需量定义和多炉次群炉功率动态模型构建包括线性模型和非线性动态系统多炉次群炉需量数字孪生模型。接下来，构建非线性动态系统的离线深度学习模型，根据离线深度学习模型构建在线深度学习校正模型和云端深度学习校正模型。进一步地，在端侧采集电熔镁炉的生产过程数据，将生产过程数据传输至云端数据库，依据预设自校正机制，从云端数据库中获取指定生产过程数据对在线深度学习校正模型和云端深度学习校正模型进行校正，完成对非线性动态系统的校正。最后，获取非线性动态系统的系统输出和线性模型的模型输出，将系统输出和模型输出的和值作为目标需量数据，并将目标需量数据发送至展示终端进行展示。本发明将机理与工业大数据、系统辨识与深度学习、离线训练与在线校正相结合，建立了多炉次需量数字孪生模型，并提出了基于端边云协同的需量数字孪生方法对多炉次需量数字孪生模型中的非线性部分进行校正，实现对动态特性随生产过程变化的工业过程运行指标建模。
[0133]
进一步地，作为图1所述方法的具体实现，本技术实施例提供了一种基于端边云协同的电熔镁砂需量数字孪生装置，如图3所示，所述装置包括：生成模块301、第一构建模块302、第二构建模块303、校正模块304、获取模块305。
[0134]
该生成模块301，用于建立单炉电熔镁砂熔炼过程的电流闭环控制系统动态模型，基于所述电流闭环控制系统动态模型，生成电熔镁炉的多炉次群炉功率动态模型；
[0135]
该第一构建模型302，用于依据需量定义和所述多炉次群炉功率动态模型构建多炉次群炉需量数字孪生模型，所述多炉次群炉需量数字孪生模型包括线性模型和非线性动态系统；
[0136]
该第二构建模块303，用于构建所述非线性动态系统的离线深度学习模型，根据所述离线深度学习模型构建在线深度学习校正模型和云端深度学习校正模型；
[0137]
该校正模块304，用于在端侧采集电熔镁炉的生产过程数据，将所述生产过程数据传输至云端数据库，依据预设自校正机制，从所述云端数据库中获取指定生产过程数据对所述在线深度学习校正模型和所述云端深度学习校正模型进行校正，完成对所述非线性动态系统的校正；
[0138]
该获取模块305，用于获取所述非线性动态系统的系统输出和所述线性模型的模型输出，将所述系统输出和所述模型输出的和值作为目标需量数据，并将所述目标需量数据发送至展示终端进行展示。
[0139]
在具体的应用场景中，该生成模块301，用于采用单炉电熔镁炉电机转动方向与频率作为输入数据，电极电流作为输出数据，建立电流动态模型；基于欧拉法对所述电流动态模型进行离散化，将所述电流动态模型表示为二阶线性项与高阶非线性项的和值；采用熔化电流反馈控制系统对所述电流动态模型进行控制，得到所述电流闭环控制系统动态模型；以所述电流闭环控制系统动态模型输出的电流为输入，建立单炉次单炉功率动态模型；将群炉模型参数替代所述单炉次单炉功率动态模型中的单炉模型参数，得到单炉次群炉功率动态模型；采用不随炉次变化的常数代替随炉次而变化的所述群炉模型参数，得到所述多炉次群炉功率动态模型。
[0140]
在具体的应用场景中，该第一构建模型302，用于利用最小二乘辨识算法，辨识所述多炉次群炉功率动态模型中的可辨识模型，估计所述可辨识模型的辨识参数；计算所述
辨识参数的参数估计值，并确定由所述参数估计值产生的所述可辨识模型的辨识误差；将所述辨识误差和所述多炉次群炉功率动态模型中的未知非线性项的和值作为未知非线性系统；基于需量定义、所述未知非线性系统和所述多炉次群炉功率动态模型，计算得到多炉次群炉需量数字孪生模型，所述多炉次群炉需量数字孪生模型为非线性动态系统和线性模型的和。
[0141]
在具体的应用场景中，该第二构建模块303，用于获取同一炉次的实际电流与需量数据作为样本数据，利用所述样本数据确定多层长短周期记忆(lstm)网络架构的单个神经元节点数、网络层数、网络神经元个数，得到所述离线深度学习模型；采用所述单个神经元节点数、所述网络层数、所述网络神经元个数构建所述在线深度学习校正模型和云端深度学习校正模型。
[0142]
在具体的应用场景中，该校正模块304，用于在端侧实时采集所述电熔镁群炉的生产过程数据，将所述生产过程数据上传至云数据库；在所述云数据库中提取所有炉次实时更新的生产过程数据对所述云端深度学习校正模型的所有层权重和偏置参数进行校正；固定所述在线深度学习校正模型对应的单个神经元节点数、网络层数和网络神经元个数，利用离线的同一炉次的生产数据，计算所述在线深度学习校正模型的时间序列窗口长度；在所述云数据库中提取同一炉次内在线更新的生产过程数据对所述在线深度学习校正模型的全连接层权重和偏置参数进行校正；计算所述非线性动态系统的模型输出的误差上界，根据所述误差上界，得到所述预设自校正机制；依据所述预设自校正机制，采用所述云端深度学习校正模型对所述在线深度学习校正模型进行模型校正。
[0143]
在具体的应用场景中，该校正模块304，用于当所述同一炉次内生产过程数据的数据量满足所述时间序列窗口长度时，根据在线更新的所述时间序列窗口长度的生产过程数据，保持所述在线深度学习校正模型隐藏层的权重和偏置参数不变，实时校正全连接层的权重和偏置参数；当所述同一炉次内生产过程数据的数据量不满足所述时间序列窗口长度时，不校正所述在线深度学习校正模型全连接层的权重和偏置参数，但仍遵循所述预设自校正机制。
[0144]
在具体的应用场景中，该校正模块304，用于分别检测所述在线深度学习校正模型和所述云端深度学习校正模型的模型精度评价指标，将所述在线深度学习校正模型和所述云端深度学习校正模型的模型精度评价指标与所述预设自校正机制进行比对，生成比对结果；当所述比对结果指示校正模型时，采用所述云端深度学习校正模型的所有层权重和偏置参数替换所述在线深度学习校正模型的所有层权重和偏置参数。
[0145]
本技术实施例提供的装置，可以首先建立单炉电熔镁砂熔炼过程的电流闭环控制系统动态模型，基于电流闭环控制系统动态模型，生成电熔镁炉的多炉次群炉功率动态模型。随后，依据需量定义和多炉次群炉功率动态模型构建包括线性模型和非线性动态系统多炉次群炉需量数字孪生模型。接下来，构建非线性动态系统的离线深度学习模型，根据离线深度学习模型构建在线深度学习校正模型和云端深度学习校正模型。进一步地，在端侧采集电熔镁炉的生产过程数据，将生产过程数据传输至云端数据库，依据预设自校正机制，从云端数据库中获取指定生产过程数据对在线深度学习校正模型和云端深度学习校正模型进行校正，完成对非线性动态系统的校正。最后，获取非线性动态系统的系统输出和线性模型的模型输出，将系统输出和模型输出的和值作为目标需量数据，并将目标需量数据发
送至展示终端进行展示。本发明将机理与工业大数据、系统辨识与深度学习、离线训练与在线校正相结合，建立了多炉次需量数字孪生模型，并提出了基于端边云协同的需量数字孪生方法对多炉次需量数字孪生模型中的非线性部分进行校正，实现对动态特性随生产过程变化的工业过程运行指标建模。
[0146]
需要说明的是，本技术实施例提供的一种基于端边云协同的电熔镁砂需量数字孪生装置所涉及各功能单元的其他相应描述，可以参考图1和图2中的对应描述，在此不再赘述。
[0147]
在示例性实施例中，参见图4，还提供了一种设备，该设备包括通信总线、处理器、存储器和通信接口，还可以包括输入输出接口和显示设备，其中，各个功能单元之间可以通过总线完成相互间的通信。该存储器存储有计算机程序，处理器，用于执行存储器上所存放的程序，执行上述实施例中的基于端边云协同的电熔镁砂需量数字孪生方法。
[0148]
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于端边云协同的电熔镁砂需量数字孪生方法的步骤。
[0149]
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本技术可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本技术的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施场景所述的方法。
[0150]
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本技术所必须的。
[0151]
本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0152]
上述本技术序号仅仅为了描述，不代表实施场景的优劣。
[0153]
以上公开的仅为本技术的几个具体实施场景，但是，本技术并非局限于此，任何本领域的技术人员能思之的变化都应落入本技术的保护范围。