一种基于数字孪生的热连轧轧制节奏动态监控方法及装置

技术领域

本发明涉及数字孪生系统技术领域，特别是指一种基于数字孪生的热连轧轧制节奏动态监控方法及装置。

背景技术

对热连轧带钢生产效率提升和能源消耗的研究一直是钢铁行业的热点。其中，轧制节奏控制直接影响热连轧产线的生产效率与能源消耗。轧制节奏控制是在满足设备、工艺、自动化控制等约束条件下，通过优化原料板坯进入生产线的等待时间，以便尽可能缩短产品生产的间隔时间。

通过提升轧制节奏，可以缩短生产等待时间，提升设备纯加工作业率，促进产能提升，降低能源消耗。在已有的热连轧带钢实际生产中，由于生产线高温环境，生产线不能与监控设备有机结合，导致轧制节奏自主控制的自动化程度较低。在连续生产的过程中，不能很好地实现动态优化轧制节奏。

在现有技术中，缺乏一种针对于热连轧生产过程的基于数字孪生的高效轧制节奏动态监控方法。

发明内容

本发明实施例提供了一种基于数字孪生的热连轧轧制节奏动态监控方法及装置。所述技术方案如下：

一方面，提供了一种基于数字孪生的热连轧轧制节奏动态监控方法，该方法由电子设备实现，该方法包括：

采用数字孪生技术进行生产线模型构建，获得轧制节奏动态监控模型；基于所述轧制节奏动态监控模型进行生产模拟，获得模拟生产数据；

根据所述模拟生产数据，通过轧件运动时空预测模型，获得轧件头尾位置随时间变化曲线；

基于生产线的设备段，对所述轧件头尾位置随时间变化曲线进行划分，获得各设备段的预测运输时间以及预测加工时间；

根据所述轧件头尾位置随时间变化曲线进行计算，得到预测出钢时间间隔；

输入实际生产数据，根据所述预测出钢时间间隔、所述预测运输时间、所述预测加工时间和所述实际生产数据，通过热连轧轧制节奏动态优化模型进行计算，得到优化出钢时间间隔；

根据所述优化出钢时间间隔，对热连轧生产线进行轧制节奏动态调节。

其中，所述轧制节奏动态监控模型包括：生产线物理空间模型、生产线虚拟空间模型、生产过程监控模型和工业数据传输监控模型。

可选地，所述根据所述模拟生产数据，通过轧件运动时空预测模型，获得轧件头尾位置随时间变化曲线，包括：

根据所述模拟生产数据，获得生产速度设定数据；

根据所述生产速度设定数据，通过轧件运动时空预测模型，获得轧件运动预测曲线；所述轧件运动时空预测模型是基于生产线工艺特征的数学预测模型；

根据预设的轧件头尾参数以及所述轧件运动预测曲线进行计算，得到轧件头尾位置随时间变化曲线。

可选地，所述输入实际生产数据，根据所述预测出钢时间间隔、所述预测运输时间、所述预测加工时间和所述实际生产数据，通过热连轧轧制节奏动态优化模型进行计算，得到优化出钢时间间隔，包括：

根据所述实际生产数据进行计算，得到实际运输时间以及实际加工时间；

根据所述实际运输时间以及所述预测运输时间进行计算，得到运输时间调节时间；

根据所述实际加工时间以及所述预测加工时间进行计算，得到加工时间调节时间；

根据所述运输时间调节时间以及所述加工时间调节时间进行计算，得到生产调节时间；

根据所述预测出钢时间间隔以及所述生产调节时间，获得优化出钢时间。

可选地，所述得到优化出钢时间间隔之后，所述方法还包括：

根据实际生产时间，获得实际出钢时间间隔；

根据所述实际出钢时间间隔以及所述优化出钢时间间隔，获得出钢时间预测调整量；

根据所述出钢时间预测调整量，通过出钢预测自学习模型，获得预测调节参数；所述出钢预测自学习模型用于根据当前批次预测调整量，对下一批次的出钢时间预测进行优化；

根据所述预测调节参数，对所述轧件运动时空预测模型进行优化。

另一方面，提供了一种基于数字孪生的热连轧轧制节奏动态监控装置，该装置应用于一种基于数字孪生的热连轧轧制节奏动态监控方法，该装置包括：

生产模拟模块，用于采用数字孪生技术进行生产线模型构建，获得轧制节奏动态监控模型；基于所述轧制节奏动态监控模型进行生产模拟，获得模拟生产数据；

轧件头尾曲线获取模块，用于根据所述模拟生产数据，通过轧件运动时空预测模型，获得轧件头尾位置随时间变化曲线；

各设备段时间获取模块，用于基于生产线的设备段，对所述轧件头尾位置随时间变化曲线进行划分，获得各设备段的预测运输时间以及预测加工时间；

预测出钢间隔计算模块，用于根据所述轧件头尾位置随时间变化曲线进行计算，得到预测出钢时间间隔；

出钢间隔优化模块，用于输入实际生产数据，根据所述预测出钢时间间隔、所述预测运输时间、所述预测加工时间和所述实际生产数据，通过热连轧轧制节奏动态优化模型进行计算，得到优化出钢时间间隔；

轧制节奏调节模块，用于根据所述优化出钢时间间隔，对热连轧生产线进行轧制节奏动态调节。

其中，所述轧制节奏动态监控模型包括：生产线物理空间模型、生产线虚拟空间模型、生产过程监控模型和工业数据传输监控模型。

可选地，所述轧件头尾曲线获取模块，进一步用于：

根据所述模拟生产数据，获得生产速度设定数据；

根据所述生产速度设定数据，通过轧件运动时空预测模型，获得轧件运动预测曲线；所述轧件运动时空预测模型是基于生产线工艺特征的数学预测模型；

根据预设的轧件头尾参数以及所述轧件运动预测曲线进行计算，得到轧件头尾位置随时间变化曲线。

可选地，所述出钢间隔优化模块，进一步用于：

根据所述实际生产数据进行计算，得到实际运输时间以及实际加工时间；

根据所述实际运输时间以及所述预测运输时间进行计算，得到运输时间调节时间；

根据所述实际加工时间以及所述预测加工时间进行计算，得到加工时间调节时间；

根据所述运输时间调节时间以及所述加工时间调节时间进行计算，得到生产调节时间；

根据所述预测出钢时间间隔以及所述生产调节时间，获得优化出钢时间。

可选地，所述出钢间隔优化模块，还用于：

根据实际生产时间，获得实际出钢时间间隔；

根据所述实际出钢时间间隔以及所述优化出钢时间间隔，获得出钢时间预测调整量；

根据所述出钢时间预测调整量，通过出钢预测自学习模型，获得预测调节参数；所述出钢预测自学习模型用于根据当前批次预测调整量，对下一批次的出钢时间预测进行优化；

根据所述预测调节参数，对所述轧件运动时空预测模型进行优化。

另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述一种基于数字孪生的热连轧轧制节奏动态监控方法。

另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述一种基于数字孪生的热连轧轧制节奏动态监控方法。

本发明实施例提供的技术方案带来的有益效果至少包括：

本发明提供了一种基于数字孪生的热连轧轧制节奏动态监控方法，通过数字孪生技术，构建了轧制节奏动态监控数字孪生系统，实现生产中的实时跟踪监测。通过对生产设备空间布置及其执行动作，以及工艺流程进行分析，结合生产工艺数据实现了热连轧生产过程轧件运动时空预测。在此基础上设计热连轧轧制节奏动态优化模型，通过定义各分段的“运输时间”与“加工时间”计算轧件的出钢时间间隔，实现对轧制节奏的动态监控与优化。引入出钢预测自学习功能，不断提高优化精度。本发明方法建立了热连轧实时跟踪模型和实时状态优化方法，通过三维虚拟模型实现对带钢的实时跟踪映射，并能够根据实时数据动态调整下一轧件的出钢时间，对于现场操作人员管理调控热连轧轧制节奏，具有良好的参考价值和指导意义。本发明是一种针对于热连轧生产过程的基于数字孪生的高效轧制节奏动态监控方法。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本发明实施例提供的一种基于数字孪生的热连轧轧制节奏动态监控方法流程图；

图2是本发明实施例提供的一种热连轧产线布置示意图；

图3是本发明实施例提供的一种基于数字孪生的热连轧轧制节奏动态监控装置框图；

图4是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明实施例提供了一种基于数字孪生的热连轧轧制节奏动态监控方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。如图1所示的一种基于数字孪生的热连轧轧制节奏动态监控方法流程图，该方法的处理流程可以包括如下的步骤：

S1、采用数字孪生技术进行生产线模型构建，获得轧制节奏动态监控模型；基于轧制节奏动态监控模型进行生产模拟，获得模拟生产数据。

其中，轧制节奏动态监控模型包括：生产线物理空间模型、生产线虚拟空间模型、生产过程监控模型和工业数据传输监控模型。

一种可行的实施方式中，热连轧产线为本发明实际应用场景，该产线从加热炉出钢后，板坯依次经过粗除鳞(HSB)，侧压机定宽(SSP)，1号粗轧机(R1)，2号粗轧机(R2)，飞剪(Crop Shear,CS)，精除鳞(FSB)，精轧(F1～F7)，层流冷却(Laminar Cooling,LC)，卷取机卷取(Coiler)。该产线粗轧工艺分为“3+3”和“3+5”两种，即R2轧制板坯时有三个道次和五个道次两种情况，分别对应着厚规格和薄规格带钢生产。

基于数字孪生技术，构建了轧制节奏动态监控数字孪生系统，如图2所示，具体表达式如下式(1)所示：

M

其中，PS代表生产线物理空间模型；VS代表生产线虚拟空间模型；M&C代表生产过程监控模型；DD代表存储数据；CN代表基于工业互联网的数据传输监控模型。

热连轧产线的数字孪生体包括映射路径和反馈路径。映射路径的主要功能是物理信息收集和动态行为映射，物理信息采集主要包括过程生命周期中的各种信号；反馈路径将决策数据配置到PS中。在VS中，在数据分析后收集过程决策。M&C还可以在物理空间中部署配置数据来控制该过程中的参数。

S2、根据模拟生产数据，通过轧件运动时空预测模型，获得轧件头尾位置随时间变化曲线。

可选地，根据模拟生产数据，通过轧件运动时空预测模型，获得轧件头尾位置随时间变化曲线，包括：

根据模拟生产数据，获得生产速度设定数据；

根据生产速度设定数据，通过轧件运动时空预测模型，获得轧件运动预测曲线；轧件运动时空预测模型是基于生产线工艺特征的数学预测模型；

根据预设的轧件头尾参数以及轧件运动预测曲线进行计算，得到轧件头尾位置随时间变化曲线。

一种可行的实施方式中，时空预测是利用数据中热连轧过程设定参数，计算即将出钢的轧件头尾在每一时刻的位置，并得到轧件头尾位置随时间变化的曲线。通过预测生产全过程轧件头部和尾部的位置，就能观察到各个时刻轧件长度与所处位置的相对关系。时空预测主要基于热连轧带钢全自动生产的速度设定数据，通过对速度积分，并结合产线各处的工艺特征，最终得到带钢热连轧时空预测曲线。

当轧件在辊道上运动时，轧件速度与辊道速度一致，轧件头部位置p

P

P

其中，v为辊道速度；t为轧件经历的时间；I

当轧件经过轧制时，板坯变形，头尾相对位置发生变化，轧件头部位置p

P

P

其中，轧件头部速度v

v

v

其中，SFR为前滑值；SBR为后滑值；v

S3、基于生产线的设备段，对轧件头尾位置随时间变化曲线进行划分，获得各设备段的预测运输时间以及预测加工时间。

一种可行的实施方式中，本发明中采用实际热连轧生产线设备段划分，如表1(2250热连轧产线分段表)所示：

表1

轧件依次经过各个分段，通过数据实际值计算得到轧件在各个机器分段的实际开始时间ST

ST

ST

r

其中，m为机器总数量；a

在一个生产计划单中，一般会生产几十卷带钢。但在本发明中，下一板坯的出钢间隔计算仅需要上一板坯的实际生产信息即可，因此，此处从实际生产计划单中，挑选出前三块进入生产的板坯进行计算。

基于生产时空预测的计算，得到各产线分段后的运输时间与加工时间，以及板坯在各加工分段的到达时间与完成时间，将轧制节奏预测的结果汇总，如表2(H210389090分段时间计算表)和表3(H210389100分段时间计算表)所示：

表2

表3

S4、根据轧件头尾位置随时间变化曲线进行计算，得到预测出钢时间间隔。

一种可行的实施方式中，相邻两块轧件的出钢时间间隔根据前一块轧件的完成时间与后一块轧件的开始时间计算得到。轧件j和轧件j+1在机器i段的理想间隔时间

基于各分段间隔时间，相邻两块轧件j和j+1的出钢时间间隔D

将轧制节奏预测的结果汇总，基于表2和表3计算重叠时间，并与设定的最小间隔时间相加，得到各个分段的下一轧件的倒计时。如表4(H210389100出钢时间预测表)所示，取其中最大值，得到板坯H210389100初步预测出钢时间为92.443秒。

表4

S5、输入实际生产数据，根据预测出钢时间间隔、预测运输时间、预测加工时间和实际生产数据，通过热连轧轧制节奏动态优化模型进行计算，得到优化出钢时间间隔。

可选地，输入实际生产数据，根据预测出钢时间间隔、预测运输时间、预测加工时间和实际生产数据，通过热连轧轧制节奏动态优化模型进行计算，得到优化出钢时间间隔，包括：

根据实际生产数据进行计算，得到实际运输时间以及实际加工时间；

根据实际运输时间以及预测运输时间进行计算，得到运输时间调节时间；

根据实际加工时间以及预测加工时间进行计算，得到加工时间调节时间；

根据运输时间调节时间以及加工时间调节时间进行计算，得到生产调节时间；

根据预测出钢时间间隔以及生产调节时间，获得优化出钢时间。

一种可行的实施方式中，在轧件实际出钢后，实时比较各段运输时间、加工时间实际值与计算值的偏差，并对出钢时间间隔进行动态调整。

实际生产过程中，考虑到数值扰动影响。基于轧件实时跟踪数据，计算运输时间实际值与计算值之差Δr

其中，r′

由两差值之和

生产现场的数据采样频率通常能达到毫秒级，这样就能确保了出钢时间实时优化的效果。

板坯H210389090开始加工后，开始对该板坯进行跟踪监控，此处以板坯经过粗除鳞加工段为例。在得到板坯在粗除鳞运输段的实际速度数据后，可以计算出在该段的实际运动曲线。通过观察曲线局部，可以发现实际加工过程与预测结果存在一定偏差，局部放大部分对应到时间轴上的偏差调整ΔT

表5

表6

可选地，得到优化出钢时间间隔之后，方法还包括：

根据实际生产时间，获得实际出钢时间间隔；

根据实际出钢时间间隔以及优化出钢时间间隔，获得出钢时间预测调整量；

根据出钢时间预测调整量，通过出钢预测自学习模型，获得预测调节参数；出钢预测自学习模型用于根据当前批次预测调整量，对下一批次的出钢时间预测进行优化；

根据预测调节参数，对轧件运动时空预测模型进行优化。

一种可行的实施方式中，本发明利用出钢时间间隔实际值与计算值的差值确定后续轧件出钢时间间隔的调整量，实现出钢时间预测结果的优化。

对轧制过程的预测未考虑升降辊道运输的升降速，导致已经从加热炉出钢的轧件，出钢时间预测值与实际值存在误差，即出钢时间预测调整量的计算公式如下式(16)所示：

ΔT＝T

其中，ΔT为已出钢板坯的出钢时间调整量；T

对于同一批次的轧制计划，其轧制过程曲线和轧制节奏具有规律性，可以利用已出钢板坯的出钢时间调整量ΔT确定即将出钢的轧件的调整量。因此，基于ΔT建立出钢预测自学性模型，出钢预测自学习模型的数学表达式如下式(17)所示：

ΔT

其中，ΔT

S6、根据优化出钢时间间隔，对热连轧生产线进行轧制节奏动态调节。

一种可行的实施方式中，将经由本发明的出钢时间动态调整结果与现场原有的出钢节奏设定进行比较，如表7(轧制节奏监控效果比较表)所示。现场的轧制节奏控制模式为自动出钢模式，对于一批计划单，出钢时间间隔长短不一。为保障安全生产，系统选择其中的最长时间间隔作为固定出钢间隔，而在试验所选择的这批计划单中，自动出钢时间间隔为120秒。从表中对比可知，经过动态调整后的热轧出钢时间缩短了近30秒，效率更高。经过出钢时间预测自学习调整后的结果与实际结果相差在50ms内，能够满足现场出钢时间控制的精度需求。

表7

本发明提供了一种基于数字孪生的热连轧轧制节奏动态监控方法，通过数字孪生技术，构建了轧制节奏动态监控数字孪生系统，实现生产中的实时跟踪监测。通过对生产设备空间布置及其执行动作，以及工艺流程进行分析，结合生产工艺数据实现了热连轧生产过程轧件运动时空预测。在此基础上设计热连轧轧制节奏动态优化模型，通过定义各分段的“运输时间”与“加工时间”计算轧件的出钢时间间隔，实现对轧制节奏的动态监控与优化。引入出钢预测自学习功能，不断提高优化精度。本发明方法建立了热连轧实时跟踪模型和实时状态优化方法，通过三维虚拟模型实现对带钢的实时跟踪映射，并能够根据实时数据动态调整下一轧件的出钢时间，对于现场操作人员管理调控热连轧轧制节奏，具有良好的参考价值和指导意义。本发明是一种针对于热连轧生产过程的基于数字孪生的高效轧制节奏动态监控方法。

图3是根据一示例性实施例示出的一种基于数字孪生的热连轧轧制节奏动态监控装置框图。参照图3，该装置包括：

生产模拟模块310，用于采用数字孪生技术进行生产线模型构建，获得轧制节奏动态监控模型；基于轧制节奏动态监控模型进行生产模拟，获得模拟生产数据；

轧件头尾曲线获取模块320，用于根据模拟生产数据，通过轧件运动时空预测模型，获得轧件头尾位置随时间变化曲线；

各设备段时间获取模块330，用于基于生产线的设备段，对轧件头尾位置随时间变化曲线进行划分，获得各设备段的预测运输时间以及预测加工时间；

预测出钢间隔计算模块340，用于根据轧件头尾位置随时间变化曲线进行计算，得到预测出钢时间间隔；

出钢间隔优化模块350，用于输入实际生产数据，根据预测出钢时间间隔、预测运输时间、预测加工时间和实际生产数据，通过热连轧轧制节奏动态优化模型进行计算，得到优化出钢时间间隔；

轧制节奏调节模块360，用于根据优化出钢时间间隔，对热连轧生产线进行轧制节奏动态调节。

其中，轧制节奏动态监控模型包括：生产线物理空间模型、生产线虚拟空间模型、生产过程监控模型和工业数据传输监控模型。

可选地，轧件头尾曲线获取模块320，进一步用于：

根据模拟生产数据，获得生产速度设定数据；

根据生产速度设定数据，通过轧件运动时空预测模型，获得轧件运动预测曲线；轧件运动时空预测模型是基于生产线工艺特征的数学预测模型；

根据预设的轧件头尾参数以及轧件运动预测曲线进行计算，得到轧件头尾位置随时间变化曲线。

可选地，出钢间隔优化模块350，进一步用于：

根据实际生产数据进行计算，得到实际运输时间以及实际加工时间；

根据实际运输时间以及预测运输时间进行计算，得到运输时间调节时间；

根据实际加工时间以及预测加工时间进行计算，得到加工时间调节时间；

根据运输时间调节时间以及加工时间调节时间进行计算，得到生产调节时间；

根据预测出钢时间间隔以及生产调节时间，获得优化出钢时间。

可选地，出钢间隔优化模块350，还用于：

根据实际生产时间，获得实际出钢时间间隔；

根据实际出钢时间间隔以及优化出钢时间间隔，获得出钢时间预测调整量；

根据出钢时间预测调整量，通过出钢预测自学习模型，获得预测调节参数；出钢预测自学习模型用于根据当前批次预测调整量，对下一批次的出钢时间预测进行优化；

根据预测调节参数，对轧件运动时空预测模型进行优化。

本发明提供了一种基于数字孪生的热连轧轧制节奏动态监控方法，通过数字孪生技术，构建了轧制节奏动态监控数字孪生系统，实现生产中的实时跟踪监测。通过对生产设备空间布置及其执行动作，以及工艺流程进行分析，结合生产工艺数据实现了热连轧生产过程轧件运动时空预测。在此基础上设计热连轧轧制节奏动态优化模型，通过定义各分段的“运输时间”与“加工时间”计算轧件的出钢时间间隔，实现对轧制节奏的动态监控与优化。引入出钢预测自学习功能，不断提高优化精度。本发明方法建立了热连轧实时跟踪模型和实时状态优化方法，通过三维虚拟模型实现对带钢的实时跟踪映射，并能够根据实时数据动态调整下一轧件的出钢时间，对于现场操作人员管理调控热连轧轧制节奏，具有良好的参考价值和指导意义。本发明是一种针对于热连轧生产过程的基于数字孪生的高效轧制节奏动态监控方法。

图4是本发明实施例提供的一种电子设备400的结构示意图，该电子设备400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)401和一个或一个以上的存储器402，其中，所述存储器402中存储有至少一条指令，所述至少一条指令由所述处理器401加载并执行以实现上述一种基于数字孪生的热连轧轧制节奏动态监控方法的步骤。

在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述一种基于数字孪生的热连轧轧制节奏动态监控方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，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。