基于机理-AI耦合世界模型的钢铁产线控制系统的制作方法

本发明涉及产线控制，具体地，涉及基于机理-ai耦合世界模型的钢铁产线控制系统，更为具体地，涉及面向钢铁流程工业的多模态融合感知驱动的机理-ai耦合世界模型构建系统。

背景技术：

1、钢铁流程工业通常包括炼铁、炼钢、连铸、轧制、热处理、精整等连续或半连续生产环节，各工序之间存在强耦合、长流程、大惯性、强非线性和多变量协同控制等特点。现有钢铁产线控制方法通常以基础自动化系统和过程控制系统为核心，通过plc、dcs、l1基础自动化系统、l2过程控制系统、mes系统以及各类在线检测装置采集现场数据，并基于设定值控制、pid控制、前馈补偿、专家规则、查表模型、工艺机理模型、数值仿真模型或局部数据驱动模型实现温度、速度、压力、流量、张力、压下量、冷却水量、能源介质分配等工艺参数的控制。

2、在现有产线控制方法中，基础自动化层通常负责设备级实时控制，例如电机速度控制、阀门开度控制、辊缝控制、冷却水控制和联锁保护等；过程控制层通常根据钢种、规格、工艺制度、历史经验和在线测量值计算目标设定值，并将设定值下发至基础自动化层执行；制造执行系统或生产管理系统则主要负责生产计划、质量跟踪、数据记录和工艺报表生成。该类控制体系能够满足常规生产中的基本自动化需求，但其控制效果通常依赖预先设定的工艺规则、人工经验、局部机理模型和单点检测数据。当原料成分波动、设备状态变化、生产节奏变化、新钢种新规格切换或现场扰动增强时，现有控制方法容易出现模型精度下降、控制设定偏差增大、异常工况响应滞后等问题。

3、具体而言，现有钢铁产线控制方法存在以下不足，包括：

4、第一，现有控制方法对多源异构数据的综合利用能力不足。钢铁现场同时存在温度、压力、流量、速度、电流、张力等一维时序数据，设备启停、阀位、报警、联锁等离散状态数据，工业图像、红外热像、点云或缺陷图像等空间数据，以及振动、音频、电流频谱、超声信号等频域数据。然而，现有控制系统通常按工序、设备或数据类型分别处理上述数据，更多依赖单一传感器或少量关键变量进行反馈控制，缺少将时序、状态、图像、频谱等多模态数据统一映射为工况隐状态的机制。因此，在出现传感器噪声、模态缺失、局部异常或复杂工况耦合时，系统难以准确识别当前生产状态，也难以为后续机理建模和控制决策提供稳定、全面的状态输入。

5、第二，现有机理模型或集总参数模型难以同时满足可解释性和空间精细化控制需求。传统钢铁产线控制中广泛使用基于物料守恒、能量守恒、动量守恒、热力学、反应动力学或经验公式建立的机理模型、查表模型和集总参数模型。该类模型具有一定物理解释性和工程可用性，适合描述平均温度、平均成分、平均压力、平均流量、平均速度、产量、能耗等宏观变量。但是，该类模型通常只能描述整体趋势或平均状态，难以表达沿产线方向、宽度方向、厚度方向、设备区段或空间网格上的局部分布差异，也难以准确补偿复杂边界条件、局部扰动、设备老化、环境变化和工况漂移导致的空间分布偏差。因此，仅依靠传统宏观机理模型进行产线控制时，容易出现宏观预测合理但局部空间状态偏差较大的问题，进而影响质量稳定性和控制精度。

6、第三，传统数值仿真方法难以满足在线控制的实时性要求。有限元法、有限体积法、有限差分法、cfd、fem 等数值计算方法能够对温度场、流场、应力场、浓度场、速度场等空间分布状态进行较高精度的计算，但其通常需要较细的网格划分、复杂的边界条件设置和较长的计算时间。在钢铁流程工业在线控制场景中，控制周期通常较短，现场工况变化较快，控制系统需要在有限时间内完成状态估计、预测、策略生成和安全校验。因此，传统高精度数值仿真方法更多适合离线分析、工艺设计或局部工况验证，难以直接作为实时产线控制的核心模型。

7、第四，纯数据驱动的 ai 预测或控制方法缺乏物理约束和工业可信性。近年来，机器学习、深度学习、cnn、rnn、lstm、transformer 等数据驱动模型逐渐用于质量预测、设备状态识别、工艺参数预测和异常诊断等任务。该类方法能够从历史数据中学习复杂非线性关系，但其预测结果高度依赖训练数据分布和数据质量。在新钢种、新规格、异常工况、极端工况或训练样本不足的场景下，纯 ai 模型容易出现外推不稳定、输出不满足物理规律、控制策略不可解释等问题。同时，纯 ai 模型通常缺少与物料守恒、能量守恒、动量守恒、边界条件、安全约束和设备能力约束之间的显式关联，难以被工业控制系统直接信任并用于闭环控制。

8、第五，现有物理信息神经网络或机理-ai 混合方法多面向单一设备、单一工序或单一物理场，难以形成产线级闭环控制能力。部分现有方法将物理方程嵌入神经网络训练过程，或者将机理模型输出作为 ai 模型输入，用于提高预测精度和泛化能力。然而，该类方法通常只针对局部对象建立模型，例如单个加热炉、单个轧制环节、单一温度场、单一板形场或单一质量预测任务，缺少面向钢铁流程工业全产线的统一多模态感知输入、统一工况隐状态、宏观机理预测、空间残差修正、动态置信融合、安全约束校验、控制策略生成和数据回流迭代的一体化框架。因此，现有机理-ai 混合方法虽然能够提高局部预测精度，但难以支撑从状态感知到控制执行再到模型自进化的产线级控制闭环。

9、第六，现有数字孪生或工业智能控制平台更偏重监控展示和辅助决策，缺乏面向实时控制的安全闭环机制。现有数字孪生平台通常将设备模型、工艺模型、实时数据和可视化系统结合，用于生产监控、状态展示、离线仿真、报表分析或辅助决策。但在实际控制应用中，许多平台并未形成由多模态感知、机理仿真、空间修正、控制策略生成、安全约束校验、设备执行和数据回流组成的完整闭环。同时，现有平台对 ai 模型输出不可信、输入工况超出训练分布、物理残差过大、通信异常或推理延迟超限等情况缺少动态降权和安全回退机制，难以保证 ai 参与控制时的工业安全性。

10、因此，现有钢铁产线控制方法普遍存在多源异构数据难以统一感知、宏观机理模型难以描述空间分布偏差、传统数值仿真难以满足实时控制、纯 ai 模型缺少物理约束和安全可信性、机理-ai 混合模型难以形成产线级闭环、数字孪生平台难以持续自进化等问题。如何构建一种能够统一融合多模态工业数据、兼顾宏观机理解释和空间残差修正、支持安全约束下的在线控制执行，并能够通过实时数据回流持续迭代优化的钢铁产线控制方法及系统，是钢铁流程工业智能化和产线级智能驾驶亟需解决的技术问题。

技术实现思路

1、针对现有技术中的缺陷，本发明的目的是提供一种基于机理-ai耦合世界模型的钢铁产线控制系统。

2、根据本发明提供的一种基于机理-ai耦合世界模型的钢铁产线控制系统，包括：

3、数据采集与预处理模块，用于从钢铁流程工业物理产线中采集多源异构工业数据，并对采集到的多源异构工业数据进行预处理，得到标准化多模态数据；

4、多模态融合感知模块，用于将标准化多模态数据映射到统一隐空间，形成能够综合表征当前生产过程的工况隐状态；

5、ode宏观机理模型模块，用于基于物料守恒、能量守恒、质量守恒、动量守恒、反应动力学、热力学约束和工艺动态特性建立产线宏观状态变量的常微分方程组，作为ode宏观机理模型；所述ode宏观机理模型基于当前生产过程的工况隐状态、控制变量和工艺参数生成宏观预测结果；

6、pde物理ai残差网络模块，用于基于pde物理ai残差网络根据宏观预测结果、空间坐标和工况信息生成空间残差修正量；

7、机理-ai融合输出模块，用于将宏观预测结果与空间残差修正量按动态置信权重融合，生成最终空间-时间工艺状态场；

8、在线闭环控制模块，用于根据最终空间-时间工艺状态场生成控制策略并执行至产线设备。

9、优选地，所述数据采集与预处理模块包括：

10、模块m1.1：用于从包括炼铁、炼钢、连铸、轧制、热处理、精整的钢铁流程工业物理产线采集包括一维时序数值类数据、开关状态离散类数据、图像与空间二维类数据以及频域频谱类数据；

11、其中，所述一维时序数值类数据包括：温度、压力、流量、速度、电流、电压、轧制力、张力、plc模拟量、阀门开度、pid闭环曲线、冷却水流量、能源介质流量；

12、所述开关状态离散类数据包括：设备启停信号、运行档位、plc开关量、io点位、阀位开关反馈、报警状态、联锁状态、工艺模式号；

13、所述图像与空间二维类数据包括：可见光工业图像、红外热成像图像、激光轮廓图、点云投影图、表面缺陷图像、设备状态图像；

14、所述频域频谱类数据包括：现场工业音频、设备振动信号、电机电流频谱、超声波探伤信号、包络谱、时频谱图；

15、模块m1.2：对一维时序数值类数据进行包括异常值剔除、滤波、归一化和滑动时间窗口切片处理，形成时序输入张量；对开关状态离散类数据进行包括状态编码、缺失补全、时间保持和事件对齐处理，形成离散状态输入张量；对图像与空间二维类数据进行包括分辨率标准化、感兴趣区域截取、坐标标定和时间戳对齐处理，形成图像空间输入张量；对频域频谱类数据进行包括时频变换、频谱图生成、归一化和设备工况对齐处理，形成频谱输入张量；

16、模块m1.3：以包括炉号、卷号、板坯号、材料段编号、设备编号、工艺段编号或时间戳为索引，将不同模态的数据对齐到同一材料对象、同一设备对象或同一工艺时刻，从而形成标准化多模态数据。

17、优选地，所述多模态融合感知模块包括：

18、模块m2.1：针对时序输入张量，提取其时间动态特征，获得一维时序编码特征；

19、模块m2.2：针对离散状态输入张量，提取其设备状态、工艺模式和事件变化特征，获得离散状态编码特征；

20、模块m2.3：针对图像空间输入张量，提取其空间分布特征，获得图像空间编码特征；

21、模块m2.4：针对频谱输入张量，提取其设备状态和异常频率特征，获得频域频谱编码特征；

22、模块m2.5：将一维时序编码特征、离散状态编码特征、图像空间编码特征以及频域频谱编码特征映射到统一维度的工况表征空间；

23、

24、其中，为模态m的编码特征；表示第m个模态的映射权重矩阵；表示第m个模态的偏置项；表示第m个模态映射后的统一维度特征；

25、模块m2.6：建立不同模态之间的关联关系，并对不同模态的重要性进行动态加权获得多模态融合特征，包括：

26、采用双向交叉注意力机制，以任一模态特征作为查询向量，以另一模态特征作为键和值，计算模态间注意力增强特征：

27、

28、其中，表示模态n对模态m的注意力增强结果，q表示查询向量，k表示键向量，v表示值向量；

29、在得到模态间注意力增强特征后，根据当前工况状态和数据质量评分计算动态模态权重：

30、

31、其中，表示第m个模态的动态权重，g(·)表示权重生成网络，s表示当前工况状态，表示第m个模态的数据质量评分；

32、所述多模态融合特征表示为：

33、

34、其中，表示多模态融合特征。

35、模块m2.7：针对多模态融合特征进行时序建模，用于捕捉产线工况随时间演化的规律，获得工况隐状态。

36、优选地，所述ode宏观机理模型包括：

37、

38、其中，s(t)表示时刻t的宏观状态变量集合，u(t)表示时刻t的控制变量集合，p(t)表示时刻t的工艺参数集合，表示多模态融合感知模块输出的工况隐状态，表示ode宏观机理模型参数，表示由物理守恒关系、工艺动态关系和经验机理关系构成的机理函数；

39、ode宏观机理模型模块通过输出函数将宏观状态变量转换为目标宏观预测结果：

40、

41、其中，表示ode宏观机理模型在时刻t输出的宏观预测结果，g(·)表示由宏观状态变量到目标预测变量的输出函数。

42、优选地，所述pde物理ai残差网络模块包括：以时间t、空间坐标x、工况隐状态、宏观状态变量s(t)、控制变量u(t)、工艺参数p(t)和宏观预测结果作为输入，输出空间残差修正量：

43、

44、其中，表示pde物理ai残差网络在时间t、空间位置处输出的残差修正量，表示参数为的pde物理ai残差网络，表示pde物理ai残差网络参数；

45、当空间变量为多维空间坐标时，表示为：

46、

47、其中，至分别表示不同空间方向、设备区段、工艺位置或离散网格节点；

48、其中，所述pde物理ai残差网络是基于时间、空间坐标、工况隐状态、宏观状态变量、控制变量、工艺参数和ode宏观预测结果，学习真实空间场相对于ode宏观预测结果的残差，从而实现对空间分布偏差的物理约束补偿。

49、优选地，所述pde物理ai残差网络包括：

50、在离线训练阶段，基于真实观测数据、离线仿真数据或计算数据获得目标空间场；表示时间t、空间位置x处的真实或满足预设要求的高置信工艺状态值；

51、空间残差定义为：

52、

53、其中，r(t,x)表示真实空间场相对于ode宏观预测结果的空间残差；

54、引入与目标工业过程变量对应的偏微分方程约束，其统一形式表示为：

55、

56、其中，n(·)表示目标物理过程对应的偏微分方程算子，y(t,x)表示待预测的空间-时间工艺状态场，p(t)表示工艺参数，u(t)表示控制变量；

57、所述pde物理ai残差网络的训练总损失函数包括：

58、

59、其中，l表示总损失函数，表示数据拟合损失，表示pde 物理损失，表示边界条件损失，表示初始条件损失，表示ode一致性损失，表示空间平滑损失，表示残差幅值约束损失，分别表示各损失项的权重系数；

60、其中，pde物理损失包括：

61、

62、其中，表示物理约束采样点数量，表示由ode宏观预测结果与pde物理ai残差网络输出融合后，在采样点处的预测状态；所述pde物理损失，用于约束网络输出满足目标物理过程所对应的pde规律损失；

63、所述数据拟合损失包括：

64、

65、其中，表示观测数据采样点数量；

66、所述ode一致性损失包括：

67、

68、其中，表示空间区域，表示空间区域的测度，空间平均项表示机理-ai融合输出模块生成的空间-时间工艺状态场在空间区域上的平均值；所述ode一致性损失，用于使pde物理ai残差网络输出的空间场在宏观平均意义上与ode宏观机理模型输出保持一致；

69、所述残差幅值约束损失包括：

70、

71、其中，表示允许的最大残差修正幅值。

72、优选地，所述机理-ai融合输出模块包括：

73、

74、其中，表示最终输出的空间-时间工艺状态场，表示宏观预测结果，表示pde物理ai残差网络输出的空间残差修正量，表示动态置信权重；

75、其中，所述动态置信权重由pde物理ai残差网络的输出置信度、数据质量评分、pde物理残差、工况分布匹配度、通信健康状态共同确定：

76、

77、其中，表示sigmoid函数，表示权重生成网络，表示pde物理残差，表示当前工况与训练分布之间的偏离程度，表示数据质量评分，表示通信健康状态。

78、优选地，所述在线闭环控制模块包括：

79、模块m6.1：从包括plc、dcs、mes、l1基础自动化系统、l2过程控制系统、传感器网络、图像系统和检测系统中实时获取当前生产数据；

80、模块m6.2：调用多模态融合感知模块，基于当前实时生产数据计算在线运行时刻t的实时工况隐状态；

81、模块m6.3：调用ode宏观机理模型模块，根据当前宏观状态、控制变量、工艺参数和工况隐状态，计算下一时间步或未来时间窗口内的宏观预测结果；其中，表示预测时间步长；

82、模块m6.4：调用pde物理ai残差网络模块，根据实时工况隐状态、宏观预测结果、控制变量、工艺参数和空间坐标，计算空间残差修正量；并通过机理-ai融合输出模块生成最终空间-时间工艺状态场；

83、模块m6.5：在控制策略生成前进行工艺边界检查、设备能力检查、控制量上下限检查、联锁条件检查、通信状态检查、置信度检查和异常回退条件检查；当当前工况、模型输出和设备状态满足安全约束时，进入控制策略生成阶段；当不满足安全约束时，拒绝生成或下发高风险控制策略，并触发报警、保守控制或ode安全基准回退；

84、模块m6.6：根据最终空间-时间工艺状态场、目标工艺指标、设备约束和生产计划生成控制策略；所述控制策略包括温度设定、速度设定、压下量设定、张力设定、流量设定、压力设定、阀门开度设定、能源介质分配策略、生产节奏调整策略、设备维护策略和异常处置策略；

85、控制策略表示为：

86、

87、其中，u*(t)表示最优控制策略，u表示待优化控制变量，j(·)表示控制目标函数，表示目标工艺状态，c表示设备能力约束、安全边界约束和工艺规程约束；

88、模块m6.6：通过制造api、设备api、能源api、物流api或安全api将通过安全校验的控制策略发送至对应设备、控制器或执行机构。

89、优选地，所述系统还包括：实时数据回流与模型迭代模块，用于接收在线运行过程中的实时数据、预测结果、控制策略、设备执行结果和实际反馈结果，进行持续评估和迭代更新，包括：

90、模块m7.1：记录多模态融合感知模块输出的工况隐状态、ode宏观机理模型模块输出的宏观预测结果、pde物理ai残差网络模块输出的空间残差修正量、机理-ai融合输出模块输出的融合输出以及在线闭环控制模块生成的控制策略u*(t)；

91、模块m7.2：采集设备执行后的实际工艺状态、质量指标、设备响应和异常信息；

92、模块m7.3：同时进行仿真跟随误差和控制策略误差评估；

93、其中，所述仿真跟随误差用于比较设备执行后的真实反馈结果与仿真预测结果：；其中，表示仿真预测结果，表示设备执行后的真实反馈结果；当持续大于预设值时，说明对真实工况跟随不足，需要学习新的残差或更新参数；

94、所述控制策略误差用于比较设定值、仿真值和真实值之间的偏差：

95、

96、

97、

98、其中，表示控制策略给出的目标设定值，表示预测执行后的仿真结果，表示真实执行反馈值；若接近但偏离且满足预设要求时，则说明设备执行或现场扰动存在问题；若本身偏离，且满足预设要求时，则说明控制策略生成效果不好；若与长期偏差较大且满足预设要求时，则说明残差需要更新；

99、模块m7.4：根据多模态融合结果、数据质量、工况分布偏离程度、仿真误差、控制误差和工况状态，评估样本价值：

100、

101、其中，表示样本价值评分，:表示多模态数据质量，表示当前工况与训练数据分布之间的偏离程度，表示仿真跟随误差，表示控制策略误差，表示工况状态或异常类型；

102、模块m7.5：将高价值样本、异常样本、边界工况样本、新钢种样本、新规格样本和模型误差较大样本写入样本库；

103、模块m7.6：基于所述样本库，周期性或事件触发地更新多模态融合感知模型、ode参数、pde物理ai残差网络参数和控制策略模型参数；再训练触发条件包括：仿真误差连续超过阈值、控制策略误差连续超过阈值、出现新钢种新规格新工况、当前工况分布显著偏离训练集且满足预设要求、样本库中满足预设要求的高价值样本数量达到阈值、周期性维护训练时间到达、pde残差长期偏大且满足预设要求、安全回退频率升高且满足预设要求。

104、优选地，所述系统还包括：安全监测与降级回退模块，用于监测pde物理ai残差网络、机理-ai融合输出模块、在线闭环控制模块和通信链路的运行状态，并在异常情况下保证安全运行，包括：对输入数据、模型输出、物理残差、模型置信度、通信心跳和推理延迟进行连续监测，以判断当前模型结果是否满足工业控制场景的安全要求。

105、与现有技术相比，本发明具有如下的有益效果：

106、1、本发明通过采用多模态融合感知模块，将一维时序数值类数据、开关状态离散类数据、图像与空间二维类数据和频域频谱类数据分别编码，并映射到统一维度工况隐空间，从而解决了钢铁流程工业现场多源异构数据结构不统一、采样频率不一致、数据语义难以融合的问题；

107、2、本发明通过采用双向交叉注意力机制、动态模态权重机制和全局时序建模机制，使系统能够根据不同工况和不同数据质量自适应调整各模态贡献，从而解决了单一模态感知不全面、模态缺失或模态噪声导致工况识别不稳定的问题；

108、3、本发明通过采用ode宏观机理模型作为产线宏观机理骨架，基于物料守恒、能量守恒、动量守恒、质量守恒和工艺动态特性计算宏观预测结果，从而解决了纯ai模型缺乏物理可解释性、冷启动困难、在异常工况下不稳定的问题；

109、4、本发明通过采用pde物理ai残差网络补偿ode宏观机理模型难以描述的空间分布偏差，从而解决了传统集总参数模型或宏观机理模型只能描述整体趋势、难以描述空间场分布特性的问题；

110、6、本发明通过采用“宏观机理预测+空间残差修正”的融合结构，使最终输出表示为，从而解决了单一机理模型精度不足和单一ai模型安全性不足之间的矛盾问题；

111、7、本发明通过采用ode一致性损失、pde物理约束损失、边界条件损失、初始条件损失、空间平滑损失和残差幅值约束损失，使pde物理ai残差网络在学习空间偏差的同时保持物理一致性和宏观守恒一致性，从而解决了黑箱神经网络输出结果不满足物理规律的问题。

112、8、本发明通过采用动态置信权重和安全监测与降级回退模块，在pde物理ai残差网络异常或不可信时使残差修正权重平滑衰减至零，从而解决了工业控制场景中ai模型失效可能导致控制风险的问题。