【技术实现步骤摘要】
本专利技术涉及工业连铸，具体地，涉及一种基于数字孪生技术的连铸结晶器液位异常预报方法和系统。
技术介绍
1、在连铸过程中，结晶器液面的异常波动会对铸坯质量造成不利影响。对结晶器液面的合理控制不仅能够优化初生壳的形成和金属凝固过程，从根本上保证铸坯表面质量和内部组织均匀性，而且可以最大限度的避免振动扭曲、卡壳等严重事故的发生。
2、目前，在结晶器液位异常预报方面仍存在一些难点和挑战：液位波动受诸多复杂因素影响，涉及热力学、流体力学等多学科知识，构建精确的物理模型极具挑战；基于数据的黑盒建模方法如机器学习模型，对大量高质量数据有较高需求，一些关键工艺参数难以获取，同时缺乏异常样本的积累，增加了模型训练和预报的难度。
3、专利文献cn117386694a公开了一种液压缸磨损演化与泄露监测的方法及其数字孪生系统，方法包括如下步骤：一、构建表征液压缸的泄漏量与接触压力间映射关系的泄露模型。二、对液压缸的三维模型进行cfd仿真分析，得到不同磨损深度下的压力分布模型。三、对压力信号进行小波包分析，确定磨损特征值；并保留对应的特征值提取模型；四、采集真实数据并创建从特征值到磨损深度的数据驱动模型。五、对基础模型进行融合得到磨损演化监测模型和泄漏量监测模型；六、利用磨损演化监测模型和泄漏量监测模型对采集到的压力和位移信号进行状态预测。然而该专利无法完全解决目前存在的技术问题，也无法满足本专利技术的需求。
技术实现思路
1、针对现有技术中的缺陷，本专利技术的目的是提供一种基于数
2、根据本专利技术提供的基于数字孪生技术的连铸结晶器液位异常预报方法，包括：
3、步骤1：构建高保真连铸数字孪生物理环境；
4、构建包括中包车、结晶器、扇形段、支架、辊系在内的关键设备部件的三维模型，导入3d建模和仿真引擎，组装成完整的连铸生产线；利用粒子系统模拟熔融金属液体的浇注和流动，展现浇铸全过程；
5、步骤2：收集和融合浇铸过程中影响结晶器液位的多源异构数据；
6、与工业现场的监控系统、数据采集设备对接，获取实时生产数据，控制包括中包车、结晶器、辊系在内的数字孪生体的运动轨迹和速度；结合冶金原理分析及现场操作工的经验，选择影响结晶器液位波动的特征参数；
7、步骤3：对参数数据进行预处理，按固定窗口长度w分割多变量时序片段作为数据驱动模型的正样本，其中包括输入数据和输出数据；
8、步骤4：从随机噪声中生成噪声数据作为数据驱动模型的负样本，噪声数据维度和步骤3中分割后的输入数据维度相同，复制步骤3中分割后的输出数据作为噪声的输出；
9、步骤5：构建样本集，将步骤3中的输入数据和步骤4中的噪声数据作为输入样本，分别记作x1_true和x2_false；将步骤3中的输出数据和步骤4中噪声的输出作为输出样本，分别记作y1_true和y2_false；同时，对真实的输入数据和噪声数据分类，分别标记为0和1的标签；
10、步骤6：构建gan网络的数字孪生数据驱动模型；
11、gan生成器使用transformer的编解码器架构，引入交叉注意力机制，捕捉跨时间和跨维度的依赖关系；判别器使用多层感知机结构；gan生成器中编码器的输出作为判别器的输入，判别器的损失函数使用二分类交叉熵损失，输出为0和1标签；
12、步骤7：交替训练gan生成器和判别器；
13、采用python numpy库的shuffle和batch函数，对样本数据随机洗乱之后训练gan；在训练生成器时，固定判别器参数，并更新生成器参数以最小化其损失函数；在训练判别器时，固定生成器参数，并更新判别器参数以最小化其损失函数；
14、步骤8：模型评价合格后对结晶器液位异常情况进行判别，设置置信度阈值t，当判别器预测分数大于阈值t时判定为异常；生成器输出的预测数据包含所有参数未来一段时间内的变化趋势，用于提前观测结晶器液位的变化；
15、步骤9：采用训练好的gan数据驱动模型进行结晶器液位异常情况在线实时预报，并将模型输出反馈到数字孪生环境。
16、优选地，选择影响结晶器液位波动的特征参数，包括中包钢水净重、塞棒位置、浇铸区连续测温温度、结晶器液位、拉速各1个，结晶器水出口流量4个、油缸摩擦功2个、驱动辊力矩11个、拉绞辊电流25个，共计47个维度。
17、优选地，所述步骤3包括：
18、步骤3.1：对步骤2中的参数数据按约束条件进行筛选，筛选出浇铸过程数据，其约束条件为中包车在浇铸位、结晶器液位大于750mm、浇铸区连续测温温度大于1500℃；
19、步骤3.2：利用python中fillna函数前向填充空值，得到多变量时序数据；
20、步骤3.3：将多变量时序数据按固定窗口长度w进行分割，得到一系列长度为w的数据片段；每个片段包含多个变量的值，形成一个二维张量，该张量作为一个样本数据；其中，前w1个作为样本输入数据，(w-w1)个作为样本输出数据；
21、步骤3.4：准备多个批次的数据，每个批次包含多个样本，用于后续模型的训练。
22、优选地，所述步骤6包括：
23、gan生成器采用transformer的编解码器架构；编码器将步骤3中的输入数据x1_true和步骤4中的噪声数据x2_false映射到潜在空间隐向量z；隐向量z作为解码器的输入，解码器根据隐向量z生成步骤3中的输出数据y1_true和噪声的输出y2_false；同时，编码器输出的隐向量z作为判别器的输入，判别器对隐向量z分类，输出0和1标签，0表示正常，1表示异常；
24、编码器和解码器均由嵌入层、位置编码层、注意力层组成；嵌入层是一个线性层，将输入的特征向量映射到更高维度的表示空间；位置编码层是一个可学习的参数矩阵，用于学习高维序列相对或绝对位置的信息，形状和嵌入层的输出相同；注意力层使用缩放点积注意力机制，在点积注意力的基础上，对注意力权重进行缩放，以提高模型的稳定性，具体公式如下：
25、
26、式中，q·kt为表示查询向量q和键向量k的点积，dk为维度缩放因子；v为值向量；
27、gan生成器的编码器由1个嵌入层、1个位置编码层、2个自注意力层组成；嵌入层的输出和位置编码矩阵相加，对相加后的矩阵向量进行归一化处理，送入到第一个自注意力层，用于信息融合；引入一个可学习的参数矩阵作为查询向量q，第一个自注意力层的输出作为键向量k和值向量v，将三个矩阵送入第二个自注意力层，通过参数矩阵来控制不同时间片段之间信息流动的强度；编码器的输出作为潜在空间隐向量，用于解码器和gan判别器的输入；
28、gan生成器的解码器和编码器结构相同，外加3个线性层用于预测；将编码器的输出送入到解码器嵌入层；将解码器第二个自注意力层的输出送到线性层；线性层的输出为预测结果；
【技术保护点】
1.一种基于数字孪生技术的连铸结晶器液位异常预报方法，其特征在于，包括：
2.根据权利要求1所述的基于数字孪生技术的连铸结晶器液位异常预报方法，其特征在于，选择影响结晶器液位波动的特征参数，包括中包钢水净重、塞棒位置、浇铸区连续测温温度、结晶器液位、拉速各1个，结晶器水出口流量4个、油缸摩擦功2个、驱动辊力矩11个、拉绞辊电流25个，共计47个维度。
3.根据权利要求1所述的基于数字孪生技术的连铸结晶器液位异常预报方法，其特征在于，所述步骤3包括：
4.根据权利要求1所述的基于数字孪生技术的连铸结晶器液位异常预报方法，其特征在于，所述步骤6包括：
5.根据权利要求1所述的基于数字孪生技术的连铸结晶器液位异常预报方法，其特征在于，模型判别器置信度阈值t设置范围为0.5～1，置信度阈值设置越大，检测到异常的概率越大。
6.一种基于数字孪生技术的连铸结晶器液位异常预报系统，其特征在于，包括：
7.根据权利要求6所述的基于数字孪生技术的连铸结晶器液位异常预报系统，其特征在于，选择影响结晶器液位波动的特征参数，包括中包
8.根据权利要求6所述的基于数字孪生技术的连铸结晶器液位异常预报系统，其特征在于，所述模块M3包括：
9.根据权利要求6所述的基于数字孪生技术的连铸结晶器液位异常预报系统，其特征在于，所述模块M6包括：
10.根据权利要求6所述的基于数字孪生技术的连铸结晶器液位异常预报系统，其特征在于，模型判别器置信度阈值t设置范围为0.5～1，置信度阈值设置越大，检测到异常的概率越大。
...【技术特征摘要】
1.一种基于数字孪生技术的连铸结晶器液位异常预报方法，其特征在于，包括：
2.根据权利要求1所述的基于数字孪生技术的连铸结晶器液位异常预报方法，其特征在于，选择影响结晶器液位波动的特征参数，包括中包钢水净重、塞棒位置、浇铸区连续测温温度、结晶器液位、拉速各1个，结晶器水出口流量4个、油缸摩擦功2个、驱动辊力矩11个、拉绞辊电流25个，共计47个维度。
3.根据权利要求1所述的基于数字孪生技术的连铸结晶器液位异常预报方法，其特征在于，所述步骤3包括：
4.根据权利要求1所述的基于数字孪生技术的连铸结晶器液位异常预报方法，其特征在于，所述步骤6包括：
5.根据权利要求1所述的基于数字孪生技术的连铸结晶器液位异常预报方法，其特征在于，模型判别器置信度阈值t设置范围为0.5～1，置信度阈值设置越大，检测到异常的概率越大。
<...【专利技术属性】
技术研发人员：王森，郝建飞，宋健海，徐端，王晓刚，陆文倩，
申请(专利权)人：上海宝信软件股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。