数字孪生中基于稀疏注意力驱动的生产过程优化质量预测
机器学习
2024-08-27 v2 系统与控制
系统与控制
摘要
在流程工业中，生产线的长期高效优化需要实时监控和分析运行状态，以微调生产线参数。然而，运行逻辑的复杂性和生产过程参数的紧密耦合使得为整个流程开发精确的数学模型变得困难，从而阻碍了高效优化机制的部署。鉴于这些困难，我们提出通过数据驱动的方式编码生产线的运行逻辑来部署其数字孪生。通过在数字孪生中迭代映射反映设备运行状态和产品质量指标的真实世界数据，我们采用了一种基于自注意力启发的时序卷积神经网络的生产过程质量预测模型。该模型实现了数字孪生的数据驱动状态演化。数字孪生扮演着聚合实际运行条件和质量敏感性分析结果的角色，这有助于通过虚实演化优化流程生产。利用数字孪生作为信息流载体，我们从关键过程指标中提取时序特征，并基于所提出的深度神经网络建立了生产过程质量预测模型。我们在特定烟草制丝线上的运行实验表明，所提出的基于数字孪生的生产过程优化方法促进了虚拟生产线与真实生产线之间的无缝集成。这种集成实现了超过98%的平均运行状态预测准确率和超过96%的产品质量合格率。
引用
@article{arxiv.2405.11895,
title = {Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins},
author = {Yanlei Yin and Lihua Wang and Dinh Thai Hoang and Wenbo Wang and Dusit Niyato},
journal= {arXiv preprint arXiv:2405.11895},
year = {2024}
}