基于数字孪生的玻璃绝缘子智能化生产线控制方法与流程

本发明涉及智能制造与工业自动化，具体为基于数字孪生的玻璃绝缘子智能化生产线控制方法。

背景技术：

1、在玻璃绝缘子生产领域，随着“工业4.0”推进，数字孪生技术被广泛应用，通过构建虚拟模型实现生产指导、实时监控、预测维护等功能，显著提升生产效率与产品质量。当下，部分工厂借助物联网对生产设备进行实时管理，通过数字孪生与深度学习结合构建模型，解决物理与虚拟信息集成问题。玻璃绝缘子作为电力系统中的关键部件，其核心性能，如机械强度和热稳定性，极大程度上取决于钢化过程。在传统的钢化工艺里，采用固定的风压和时间进行生产，这本质上是一种开环控制方式。

2、然而在实际生产中，玻璃料滴初始温度存在微小波动，且环境温湿度也会不断变化，开环控制无法有效应对这些干扰因素。其结果是，生产出的玻璃绝缘子内部残余应力不均，导致成品率低。更为严重的是，这种内部应力不均还会引发难以检测的“零值自爆”隐患，对电力系统的安全稳定运行构成重大威胁。

技术实现思路

1、针对现有技术的不足，本发明提供了基于数字孪生的玻璃绝缘子智能化生产线控制方法，解决了现有技术中相对比使用时玻璃绝缘子在钢化过程中由于初始温度波动和环境温湿度变化导致内部残余应力分布不均，从而引发成品率低及“零值自爆”隐患的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：基于数字孪生的玻璃绝缘子智能化生产线控制方法，所述方法包括：

3、s1、获取置于钢化处理站内的一个待钢化处理的玻璃绝缘子毛坯表面的实时温度场数据；

4、s2、基于所述实时温度场数据，驱动预设的热-力耦合物理模型，以实时解算出所述玻璃绝缘子毛坯内部的应力分布，并由此获得虚拟实测应力场；

5、s3、从预设的理想应力模型数据库中，调取与所述玻璃绝缘子毛坯的型号规格相对应的理想目标应力场；

6、s4、将所述虚拟实测应力场与所述理想目标应力场进行全域或关键点对比，以计算出表征二者差异的应力偏差；

7、s5、基于所述应力偏差，通过预设的控制决策模型生成针对分区控制的钢化风栅装置的优化调整指令；

8、s6、将所述优化调整指令通过数据通信接口发送至执行控制器，并由所述执行控制器驱动所述钢化风栅装置的多个独立可调的风嘴阵列，以对所述玻璃绝缘子毛坯进行分区差异化冷却；

9、其中，所述方法通过循环执行获取实时温度场数据、解算虚拟实测应力场、计算应力偏差、生成并执行优化调整指令的步骤，构成闭环控制回路，直至所述玻璃绝缘子毛坯的钢化过程结束。

10、进一步地，获取所述玻璃绝缘子毛坯表面的实时温度场数据，包括：

11、采用至少一台红外热像仪对所述玻璃绝缘子毛坯的全部或关键表面进行连续非接触式扫描；

12、所述红外热像仪将采集到的包含多个像素点及其对应温度值的原始热成像数据，发送至数据采集与同步模块；

13、所述数据采集与同步模块对所述原始热成像数据进行预处理，包括噪声滤除与坐标配准，以生成结构化的、可供所述热-力耦合物理模型直接使用的实时温度场数据。

14、进一步地，所述热-力耦合物理模型为高精度有限元模型；

15、基于所述实时温度场数据驱动所述热-力耦合物理模型，包括：

16、将所述实时温度场数据作为热载荷边界条件输入至所述有限元模型；

17、通过所述有限元模型进行瞬态热传导分析，以计算获得所述玻璃绝缘子毛坯内部的温度梯度分布；

18、瞬态热传导方程：；

19、其中，为玻璃密度，单位：），c为比热容单位：kg·℃，k为导热系数，单位：m·℃，为内热源，此处为0，t为温度，单位：℃，t为时间单位：。

20、基于所述温度梯度分布，进行热应力分析计算，以解算出所述玻璃绝缘子毛坯内部任意位置的热应力及残余应力分布，并将该分布作为所述虚拟实测应力场。

21、热应力本构方程：,；其中，为应力张量，单位：mpa，为弹性矩阵，为总应变张量，为热应变张量，为热膨胀系数，单位：1/℃，为温度变化量，单位：℃，为单位矩阵。

22、进一步地，所述理想应力模型数据库的构建方法包括：

23、针对不同型号规格的玻璃绝缘子，预先进行多次物理钢化实验；

24、在所述物理钢化实验中，通过优化工艺参数，获得多组具有最优机械性能与电气性能的样品；

25、对所述样品进行物理检测，以获得其内部的实际最优残余应力分布数据；

26、将所述实际最优残余应力分布数据进行数字化处理，并与对应的型号规格信息一同存储至所述理想应力模型数据库，以形成所述理想目标应力场。

27、进一步地，将所述虚拟实测应力场与所述理想目标应力场进行对比，以计算出应力偏差，包括：

28、在所述虚拟实测应力场和所述理想目标应力场中，确定一组空间位置对应的预设应力监测点；

29、提取每一所述应力监测点在所述虚拟实测应力场中的应力张量或主应力值；

30、提取每一所述应力监测点在所述理想目标应力场中的目标应力张量或目标主应力值；

31、计算所述虚拟实测应力值与所述目标应力值之间的差值或向量差，以形成一个包含各监测点偏差信息的应力偏差矩阵或偏差向量。

32、进一步地，所述控制决策模型为模型预测控制mpc算法模型；

33、基于所述应力偏差生成优化调整指令，包括：

34、将所述应力偏差矩阵或偏差向量作为输入提供给所述模型预测控制mpc算法模型；

35、所述模型预测控制mpc算法模型基于所述输入和对未来状态的预测，在一个预设的控制时域内进行滚动优化计算；

36、模型预测控制mpc目标函数公式：

37、;

38、其中，为t时刻预测的k步后应力偏差，单位：mpa，为预测时域，取值5~10，为t时刻的控制量调整值，单位：kpa或），为控制时域，q、r分别为应力偏差与控制量的权重矩阵，对角矩阵，元素为正数；

39、所述滚动优化计算的目标是使未来一段时间内的预测应力偏差总和最小化；

40、输出能够达成所述目标的、针对所述钢化风栅装置各个风嘴阵列的控制序列，并将该控制序列的首个元素作为当前周期的优化调整指令。

41、进一步地，所述控制决策模型为模糊控制算法模型；

42、基于所述应力偏差生成优化调整指令，包括：

43、将所述应力偏差进行模糊化处理，将其转换为一个或多个模糊语言变量；

44、应用一组预设的模糊控制规则，所述模糊控制规则的形式为“若应力偏差为正大，则风量调整为负大”；

45、通过模糊推理引擎处理所述模糊语言变量和所述模糊控制规则，得到模糊化的控制输出；

46、模糊控制隶属度函数公式：

47、负大隶属度函数：;

48、正大隶属度函数：;

49、其中，e为应力偏差，e为应力偏差的量化范围,单位：mpa，根据绝缘子型号设定，如10mpa；

50、对所述模糊化的控制输出进行解模糊化计算，以获得确定性的、针对所述钢化风栅装置各个风嘴阵列的优化调整指令；

51、模糊控制解模糊化，重心法公式：；

52、其中，为第i条模糊规则的输出隶属度，为第i条规则的输出量，m为规则数量，取值9~25条。

53、进一步地，所述优化调整指令具体包括对所述钢化风栅装置的特定风嘴阵列的风压、风量或风嘴角度中至少一项进行调整的指令参数；

54、所述执行控制器为可编程逻辑控制器plc或工业个人计算机；

55、所述执行控制器接收到所述优化调整指令后，将其转换为驱动信号，并发送至与所述特定风嘴阵列对应的电磁阀或变频风机驱动器。

56、进一步地，所述方法还包括：

57、在所述控制方法开始前，输入当前待处理的玻璃绝缘子毛坯的型号规格信息；

58、所述方法根据所述型号规格信息，自动从所述理想应力模型数据库中加载对应的理想目标应力场，并从模型库中选择与之匹配的所述热-力耦合物理模型。

59、进一步地，所述数据通信接口采用高速工业以太网协议；

60、所述闭环控制回路的单次循环时间小于预设时间阈值，以确保对钢化过程中应力场的快速动态变化进行有效跟踪与实时响应。

61、有益效果

62、本发明通过红外热像仪获取玻璃绝缘子毛坯表面实时温度场数据，驱动热-力耦合物理模型解算虚拟实测应力场，与理想应力模型数据库中对应型号的理想目标应力场对比得到应力偏差，再经模型预测控制mpc算法模型生成优化调整指令，控制钢化风栅装置的风嘴阵列进行分区差异化冷却，形成闭环控制回路。这一过程能实时响应玻璃料滴初始温度波动和环境温湿度变化，提升钢化工艺控制精度，使玻璃绝缘子内部残余应力分布均匀，有效消除“零值自爆”隐患，提高产品合格率，满足现代智能制造对产品质量和生产效率的更高要求。