[發明專利]復雜工業過程數字孿生系統智能建模方法、裝置、設備及存儲介質

在審

• 申請號: 202011435289.1
• 申請日: 2020-12-10
• 公開（公告）號: CN112560337A
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 柴天佑;王維洲
• 申請（專利權）人: 東北大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 晏靜文;陳旭紅

1.一種復雜工業過程數字孿生系統智能建模方法，其特征在于，所述方法包括：

建立復雜工業過程的機理模型，所述機理模型包括可辨識模型和未建模動態兩部分；

估計所述可辨識模型的參數，得到辨識模型；

采用辨識模型誤差與所述未建模動態構成未知非線性動態系統；

建立所述未知非線性動態系統的智能模型；

采用所述辨識模型與所述未知非線性動態系統的智能模型建立所述復雜工業過程數字孿生系統的智能模型；

其中，所述辨識模型誤差為將可辨識模型中的參數用其辨識值代替時造成的模型輸出誤差。

2.根據權利要求1所述的方法，其特征在于，所述未知非線性動態系統的智能模型包括離線深度學習模型、在線深度學習模型、深度學習校正模型和自校正機制；

采用LSTM建立所述離線深度學習模型；

采用與所述離線深度學習模型相同的結構建立所述在線深度學習模型；

采用與所述離線深度學習模型相同的結構建立所述深度學習校正模型；

當所述復雜工業過程數字孿生系統的智能模型的輸出與所述復雜工業過程的實際輸出之間的誤差大于設定閾值時，采用自校正機制，用所述深度學習校正模型的連接權參數和偏置參數校正所述在線深度學習模型的連接權參數和偏置參數；

其中，所述深度學習校正模型所用的歷史數據比所述在線深度學習模型所用的歷史數據多。

3.根據權利要求2所述的方法，其特征在于，所述在線深度學習模型和所述深度學習校正模型均包括輸入層、隱藏層、全連接層和輸出層；

固定所述在線深度學習模型中的所述隱藏層的連接權參數和偏置參數，并在線校正所述在線深度學習模型中的所述全連接層的連接權參數和偏置參數；

在線訓練所述深度學習校正模型中的所述隱藏層和所述全連接層的連接權參數和偏置參數；

當所述復雜工業過程數字孿生系統的智能模型的輸出與所述復雜工業過程的實際輸出之間的誤差大于設定閾值時，采用自校正機制，用所述深度學習校正模型的所述隱藏層的連接權參數和偏置參數替換所述在線深度學習模型中的所述隱藏層的連接權參數和偏置參數，用所述深度學習校正模型的所述全連接層的連接權參數和偏置參數替換所述在線深度學習模型中的所述全連接層的連接權參數和偏置參數。

4.根據權利要求1-3任一所述的方法，其特征在于，所述復雜工業過程為電熔鎂砂熔煉過程。

5.一種復雜工業過程數字孿生系統智能建模裝置，其特征在于，所述裝置包括：

機理模型建模模塊，用于建立復雜工業過程的機理模型，所述機理模型包括可辨識模型和未建模動態兩部分；

參數辨識模塊，用于估計所述可辨識模型的參數，得到辨識模型；

未知非線性動態系統構建模塊，用于采用辨識模型誤差與所述未建模動態構成未知非線性動態系統；

未知非線性動態系統智能模型建模模塊，用于建立所述未知非線性動態系統的智能模型；

數字孿生系統智能模型建模模塊，用于采用所述辨識模型與所述未知非線性動態系統的智能模型建立所述復雜工業過程數字孿生系統的智能模型；

其中，所述辨識模型誤差為將可辨識模型中的參數用其辨識值代替時造成的模型輸出誤差。

6.根據權利要求5所述的裝置，其特征在于，所述未知非線性動態系統智能模型建模模塊包括離線深度學習模型建模模塊、在線深度學習模型建模模塊、深度學習校正模型建模模塊和自校正模塊；

所述離線深度學習模型建模模塊采用LSTM建立所述離線深度學習模型；

所述在線深度學習模型建模模塊采用與所述離線深度學習模型相同的結構建立所述在線深度學習模型；

所述深度學習校正模型建模模塊采用與所述離線深度學習模型相同的結構建立所述深度學習校正模型；

所述自校正模塊，在所述復雜工業過程數字孿生系統的智能模型的輸出與所述復雜工業過程的實際輸出之間的誤差大于設定閾值時，采用自校正機制，用所述深度學習校正模型的連接權參數和偏置參數校正所述在線深度學習模型的連接權參數和偏置參數；

其中，所述深度學習校正模型所用的歷史數據比所述在線深度學習模型所用的歷史數據多。