权利要求
1.一种再生金属冶炼跨产线协同优化系统，其特征在于，包括：物理执行层、数字孪生层和智能决策层;
所述数字孪生层，包括：
与所述第一产线装置集合通信连接的第一数字孪生模型，用于模拟再生铝的熔炼-精炼-铸造过程;
与所述第二产线装置集合通信连接的第二数字孪生模型，用于模拟再生铜的熔化-结晶-上引过程;
跨产线耦合分析模块，分别与所述第一数字孪生模型和第二数字孪生模型连接，用于接收两者的状态数据并计算至少一个全局性的耦合指标;
所述智能决策层，包括：
多目标优化引擎，与所述跨产线耦合分析模块连接，用于以优化所述耦合指标为主目标，并以所述第一产线和第二产线的独立工艺指标为约束，生成协同优化决策指令集;
指令分发模块，用于将所述协同优化决策指令集分发至所述物理执行层中对应的装置。
2.根据权利要求1所述的系统，其特征在于，所述第一数字孪生模型被配置为：
接收来自所述第一产线装置集合中熔炼炉的实时温度数据，以及来自光谱在线检测仪的熔体成分数据;
基于接收的数据，通过内置的多物理场耦合模型，输出铝液的预测最终温度和关键元素含量预测值。
3.根据权利要求1所述的系统，其特征在于，所述第二数字孪生模型被配置为：
接收来自所述第二产线装置集合中结晶器的温度场分布数据和上引机的实时牵引力数据;
基于接收的数据，通过内置的热-流-固耦合模型，输出铜杆的凝固界面位置预测值和晶粒度等级预测值。
4.根据权利要求1所述的系统，其特征在于，所述跨产线耦合分析模块计算的耦合指标为实时综合成本指数，其表达式为：
C=α(t)·PAl+β(t)·PCu+γ·PCom
其中，C为实时综合成本指数，PAl、PCu、PCom分别为所述第一产线、第二产线及公共设施的实际或预测功率，α(t)、β(t)为与实时电价信号关联的动态权重系数，γ为固定权重系数。
5.根据权利要求1或4所述的系统，其特征在于，所述多目标优化引擎被配置为执行基于深度强化学习的优化算法;
所述主目标为最小化未来预设时段内的所述耦合指标;
所述约束条件至少包括：所述第一产线的铝液温度处于第一工艺范围、所述第二产线的铜杆晶粒度达到合格等级，以及两条产线的烟气排放浓度预测值低于设定阈值。
6.根据权利要求5所述的系统，其特征在于，所述协同优化决策指令集包括：
发送至所述第一产线装置集合中熔炼炉或蓄热燃烧系统的第一类指令，用于调整加热功率或燃烧换向频率;
发送至所述第二产线装置集合中保温炉或结晶器冷却系统的第二类指令，用于调整温度设定值或冷却介质流量;
以及，发送至两条产线共享的除尘风机变频器的第三类指令，用于协同调整运行频率。
7.一种基于权利要求1至6中任一项所述系统的再生金属冶炼跨产线协同优化方法，其特征在于，包括以下步骤：
S1：实时采集所述第一产线装置集合和第二产线装置集合的生产运行数据;
S2：基于所述生产运行数据，驱动所述第一数字孪生模型和第二数字孪生模型进行状态模拟，并生成至少一个全局耦合指标;
S3：以优化所述全局耦合指标为主目标，在满足各产线独立工艺约束的条件下，通过所述多目标优化引擎进行求解，生成协同优化决策指令集;
S4：将所述协同优化决策指令集下发至所述物理执行层执行，并返回步骤S1，形成闭环控制。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求7所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求7所述的方法的步骤。
说明书
技术领域
[0001]本发明涉及有色金属冶炼的智能制造与协同控制技术领域，具体而言，涉及一种用于再生铝与再生铜两种异质冶炼产线的协同优化系统及方法。
背景技术
[0002]在再生金属资源化利用产业中，再生铝的熔铸生产线(通常包含熔炼、精炼、铸造等工序)与再生铜的上引连铸生产线(通常包含熔化、保温、结晶、上引等工序)常共存于同一厂区。目前，这两条在生产工艺、设备及控制目标上均存在显著差异的产线，普遍采用独立运行和管理的模式。
[0003]在该模式下，两条产线及为其服务的公共辅助设施(如集中除尘系统)通常独立运行，难以从全厂角度进行统筹优化，在能源成本方面：两条产线及为其服务的公共辅助设施(如集中除尘系统)各自为政，无法从全厂角度统筹优化，尤其在电力供需紧张、执行分时电价的时段，无法智能调节总负荷以实现最低的综合用电成本。其次，在生产质量与效率方面，对进厂废料成分的被动响应导致金属熔炼过程波动大，影响最终产品质量与金属回收率，且单一产线的局部优化可能以牺牲另一产线的效率或全厂效益为代价。最后，在环保运行方面，配套的环保设施通常按最大处理能力或固定模式运行，能耗高，无法根据两条产线实时产生的总污染负荷进行精准、协同的节能控制。
[0004]现有技术中，虽有针对单一冶炼设备(如熔炼炉)的节能控制或针对单一产线的自动化升级方案，亦存在通用的数字孪生建模与人工智能优化技术。然而，如何将铝、铜这两条工艺原理不同、关键参数各异、优化目标可能存在冲突的产线视为一个有机整体，构建一个能够实现全厂综合经济效益、产品质量稳定与环保合规运行多目标动态平衡的协同控制系统，仍是当前行业亟待解决的技术难题。若仅将两个独立的先进控制系统简单组合，难以实现跨产线的全局协同优化效应。
发明内容
[0005]1.要解决的技术问题：
本发明旨在克服上述现有技术的不足，提供一种再生金属冶炼跨产线协同优化系统及方法，以解决两条产线独立运行导致的全局资源利用效率低、综合生产成本高、协同调控能力弱的问题。
[0006]2.技术方案：
为解决上述问题，本发明采用如下的技术方案。
[0007]本发明提供一种再生金属冶炼跨产线协同优化系统，其包括：物理执行层、数字孪生层和智能决策层。
[0008]所述物理执行层，包括用于再生铝熔铸的第一产线装置集合和用于再生铜上引连铸的第二产线装置集合。
[0009]所述数字孪生层，包括：与所述第一产线装置集合通信连接的第一数字孪生模型，用于对再生铝的熔炼、精炼及铸造过程进行高保真动态仿真;与所述第二产线装置集合通信连接的第二数字孪生模型，用于对再生铜的熔化、结晶及上引过程进行高保真动态仿真;跨产线耦合分析模块，其与第一、第二数字孪生模型数据连接，用于接收并处理两者的仿真输出数据，计算得到至少一个表征两条产线整体运行状态的全局性耦合指标。
[0010]所述智能决策层，包括：多目标优化引擎，与所述跨产线耦合分析模块连接，用于以优化所述全局耦合指标作为核心目标，同时以满足两条产线各自的独立工艺约束为边界条件，求解生成一组协同优化决策指令;指令分发模块，用于将该组协同优化决策指令准确分发至所述物理执行层中对应的被控装置。
[0011]进一步地，所述跨产线耦合分析模块所计算的全局耦合指标为实时综合成本指数，其数学表达式定义为：
C=α(t)·PAl+β(t)·PCu+γ·PCom
其中，C代表实时综合成本指数，PAl、PCu、PCom分别代表第一产线(铝线)、第二产线(铜线)及公共设施在下一调度周期内的预测功率或实际功率，γ为固定权重系数。α(t)和β(t)为动态权重系数，其数值与外部输入的实时电价信号相关联并随时间t动态调整。该公式将外部市场信号(实时电价)量化为内部优化目标的动态权重系数，使优化目标从单一的物理能耗最低，转变为综合经济成本最优。
[0012]进一步地，所述协同优化决策指令集具体包括三种类型的控制指令：
第一类指令，发送至所述第一产线装置集合中的熔炼炉或蓄热燃烧系统控制器，用于调整其加热功率或燃烧换向频率;
第二类指令，发送至所述第二产线装置集合中的保温炉或结晶器冷却系统控制器，用于调整其温度设定值或冷却介质(如水)的流量;
第三类指令，发送至为两条产线共同服务的公共设施(如总除尘风机)的变频器，用于协同调整其运行频率。
[0013]本发明提供一种基于上述系统的再生金属冶炼跨产线协同优化方法。
[0014]S1：实时采集所述第一产线装置集合和第二产线装置集合的生产运行数据;
S2：基于所述生产运行数据，驱动所述第一数字孪生模型和第二数字孪生模型进行状态模拟，并生成至少一个全局耦合指标;
S3：以优化所述全局耦合指标为主目标，在满足各产线独立工艺约束的条件下，通过所述多目标优化引擎进行求解，生成协同优化决策指令集;
S4：将所述协同优化决策指令集下发至所述物理执行层执行，并返回步骤S1，形成闭环控制。
[0015]本发明提供一种电子设备及计算机可读存储介质，其上存储有程序，当所述程序被处理器执行时，实现所述的方法。
[0016]3.有益效果：
采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：
(1)优化全局经济效益：系统通过构建与实时电价关联的实时综合成本指数C模型，能够在电价高峰时段生成跨产线负荷调节指令，引导能耗向低成本时段转移，以降低全厂综合生产成本。。
[0017](2)提升生产质量与资源回收率的稳定性：通过第一、第二数字孪生模型对关键工艺状态(如铝液最终成分、铜杆凝固组织)进行超前预测，并结合全局优化决策，能够更主动、更协同地补偿原料波动带来的干扰，有效提高金属总收得率与产品品质的稳定性。
[0018](3)达成环保合规与运行能耗的精细协同：系统能够依据两条产线的实时工况与总污染负荷预测，动态、协同地控制公共环保设施(如除尘风机)的运行功率，确保排放达标的同时，将其能耗降至最低。
[0019](4)实现闭环协同优化：系统通过“数据感知-孪生预测-耦合分析-全局优化-指令执行-反馈更新”的闭环流程，能够依据实时数据进行持续优化，减少对固定人工操作经验的依赖。
[0020]需要说明的是，本发明未介绍的结构由于不涉及本发明的设计要点及改进方向，均与现有技术相同或者可采用现有技术加以实现在此不做赘述。
附图说明
[0021]图1为本发明实施例提供的再生金属冶炼跨产线协同优化系统的整体架构示意图。
[0022]图2为本发明实施例中再生铝熔铸产线工艺流程及主要监测与控制点示意图。
[0023]图3为本发明实施例中再生铜上引连铸产线工艺流程及主要监测与控制点示意图。
[0024]图4为本发明实施例中跨产线协同优化方法的完整流程图。
[0025]图5为本发明实施例展示的一个具体协同优化场景下，系统各模块间的数据流与决策逻辑示意图。
具体实施方式
[0026]为使本发明的目的、技术方案和优点更加清楚，下面将结合附图和具体实施例，对本发明进行进一步详细描述。以下描述中涉及的具体参数、通信协议及实现方式仅为示例，不应理解为对本发明的唯一限定。
[0027]为使本发明的技术方案描述更加清晰，以下对说明书中出现的关键参数与变量进行统一定义：
1.生产状态参数：
Tcurrent，Al：表示第一产线(再生铝熔铸线)熔炼炉内铝熔体的当前实时温度，单位为摄氏度(°C)。
[0028][Si]current：表示铝熔体中硅(Si)元素的当前实时质量百分比含量。
[0029]Tmold，array：表示第二产线(再生铜上引连铸线)结晶器区域的温度场分布数据。
[0030]Fpull：表示铜上引连铸过程的实时牵引力，单位为牛顿(N)。
[0031]2.能耗与成本参数：
PAl，PCu，PCom：分别表示第一产线、第二产线及公共辅助设施(如除尘系统)的实时或预测功率，单位为千瓦(kW)。
[0032]C：表示本发明定义的实时综合成本指数，是全局优化的目标函数，其计算方式为C=α(t)·PAl+β(t)·PCu+γ·PCom。
[0033]Price(t)：表示从外部能源系统获取的实时电价信号，单位为元/千瓦时，是影响成本指数C的关键经济变量。
[0034]α(t)，β(t)：表示与Price(t)动态关联的权重系数，用于将物理能耗转化为经济成本。
[0035]3.模型预测与决策参数：
Tpred，Al，[Si]pred：分别为第一数字孪生模型输出的铝熔体未来温度预测值和硅含量变化趋势预测值。
[0036]Frontpred：为第二数字孪生模型输出的铜杆凝固界面位置预测值。
[0037]Min C：表示本发明中多目标优化引擎的核心目标，即寻求决策使成本指数C最小化。
[0038]ΔPAl，ΔTCu，ΔF：分别表示优化引擎生成的、需下发给执行设备的功率调整指令、温度设定调整指令和风机频率调整指令。
[0039]实施例一：系统详细配置与数据交互实现
如图1所示，本系统在物理上可部署于工厂的中央服务器，通过工业物联网关和网络与现场设备层连接。
[0040]1.物理执行层具体构成：
第一产线装置集合(再生铝线)：
主要被控设备(执行器)：智能熔炼炉(含配套的蓄热燃烧系统)、精炼喷粉机、智能铝合金锭铸造机。
[0041]关键监测设备(传感器)：嵌入熔炼炉的多支热电偶(用于测量熔池温度Tcurrent，Al)、安装在流槽的在线直读光谱仪(用于实时分析铝液成分，如硅含量[Si]current)、烟气连续在线监测系统(用于测量NOx、SO2浓度及烟气总量)。
[0042]通信接口：上述设备的可编程逻辑控制器普遍支持Modbus TCP/IP协议。例如，熔炼炉的加热功率设定值对应其PLC内一个特定的保持寄存器地址。
[0043]第二产线装置集合(再生铜线)：
主要被控设备：工频感应熔化炉、铜液保温炉、上引连铸机组(核心为结晶器、牵引机与收线装置)。
[0044]关键监测设备：环绕结晶器布置的多点温度传感器阵列(用于监测结晶器温度场分布Tmold，array)、保温炉热电偶、牵引机伺服系统反馈的实时牵引速度Vpull与拉力Fpull。
[0045]通信接口：上引连铸机组的主控系统多采用Profinet等工业实时以太网协议。结晶器冷却水调节阀的开度设定值、牵引速度设定值均作为过程变量可在网络中访问。
[0046]公共设施：
主要设备：服务于整个车间的集中式脉冲布袋除尘器(其主风机由高压变频器驱动)。
[0047]关键接口：除尘风机变频器通常支持Modbus RTU等协议，其输出频率设定值可通过对应的寄存器地址进行读写。
[0048]2.数字孪生层模型构建与运行：
第一数字孪生模型(铝线)：
模型输入：实时采集的熔池温度Tcurrent，Al、光谱成分[Si]current、燃气流量等。
[0049]模型输出：未来一定时间窗口内的铝液预测最终温度Tpred，Al和关键元素含量预测值[Si]pred。该模型基于热力学、流体动力学及冶金反应动力学原理构建，可通过历史数据训练后的机器学习模型或简化机理模型实现。
[0050]第二数字孪生模型(铜线)：
模型输入：结晶器温度场数据Tmold，array、牵引速度Vpull、冷却水参数等。
[0051]模型输出：铜杆的预测凝固界面位置Frontpred和预测晶粒度等级Grainpred。该模型主要依据结晶器内的传热与凝固机理构建。
[0052]跨产线耦合分析模块的核心算法：
该模块实时接收上述两个孪生模型的预测输出，并接入外部实时电价信号Price(t)。
[0053]它根据公式C=α(t)·PAl+β(t)·PCu+γ·PCom计算全局耦合指标。其中，PAl、PCu为孪生模型根据当前工况推算的下一周期能耗，PCom为根据总烟气量预测的公共设施能耗。
[0054]动态权重系数α(t)，β(t)的确定策略可根据实际需求设计。作为一种示例性策略，可设定α(t)=β(t)=K*Price(t)，K为比例系数。这意味着当电价Price(t)升高时，权重同步增大，系统在优化时会更加“珍视”此刻的能耗，倾向于做出更积极的节能调度。更复杂的策略还可融入产线生产计划紧急程度等因素。
[0055]3.智能决策层工作流程：
多目标优化引擎可采用深度强化学习算法。其状态(State) 包括：孪生模型的各项预测值、当前能耗、实时电价等。其动作(Action) 即为需要下发的各类控制指令的调整量(如功率调整百分比、温度调整值、频率调整值)。其奖励函数(Reward)的核心设计原则是：奖励综合成本指数C的降低，同时奖励产品质量指标的稳定和环保指标的达标。
[0056]指令分发模块负责将优化引擎输出的抽象“动作”向量，翻译成符合现场设备通信协议的具体控制指令，并确保其在下发前经过安全逻辑校验。
[0057]实施例二：一个完整的协同优化运行场景
本实施例结合图4和图5，以一个典型的工作日午后运行为例，具体说明本发明系统的工作流程。
[0058]场景初始化：时间：下午14:15。外部条件：电网处于峰电时段，实时电价Price(t)为1.2元/千瓦时。生产状态：铝线监测到当前炉料硅含量[Si]current有波动上升趋势;铜线处于稳定生产状态，保温炉热容量充足。
[0059]步骤一：全面数据感知与孪生预测。
[0060]系统周期性地采集全场数据。第一数字孪生模型基于当前数据运行后预测：若保持当前工艺，铝液最终硅含量[Si]pred可能超出上限。模型同时模拟得出，若将精炼功率微升3%，则可将其控制在合格范围内，此举将使PAl预测值上升。第二数字孪生模型预测：铜线保温炉在当前温度TCu，current下有较大热惯性，未来30分钟内将其设定温度下调25°C，不会影响铜杆的Frontpred和Grainpred，且可使PCu预测值显著下降。公共设施模型根据总烟气量预测PCom。
[0061]步骤二：跨产线耦合分析与问题构建。
[0062]耦合分析模块接收预测数据。因处于峰电时段，它采用较高的动态权重系数(例如α(t)=β(t)=0.96)。计算发现，尽管铝线需小幅增耗(ΔPAl为正)，但铜线可实现的节能潜力(ΔPCu为负)更大。经过加权计算，一个“允许铝线小幅增耗以保质量，同时指令铜线深度节能”的方案，很可能使全局成本指数C降低。模块将此情景构建为一个明确的多目标优化问题，提交给决策引擎。
[0063]步骤三：智能协同决策生成。
[0064]多目标优化引擎以“最小化未来30分钟的成本指数C”为目标，在铝液成分、铜杆质量、排放浓度等多个约束条件下进行快速求解。引擎最终输出一组协同优化决策指令，例如：
1.向铝线熔炼炉发送指令：将精炼段功率提升3%(第一类指令，应对质量波动)。
[0065]2.向铜线保温炉发送指令：将温度设定值由1150°C下调至1125°C(第二类指令，利用热惯性节能)。
[0066]3.向总除尘风机变频器发送指令：将运行频率从48Hz下调至46.5Hz(第三类指令，协同节能)。
[0067]步骤四：指令分发、执行与闭环。
[0068]指令分发模块通过对应的工业网络协议(Modbus TCP， Profinet， Modbus RTU)将三条指令安全、准确地下发至三个不同的被控设备。设备执行后，系统进入下一个数据采集周期，基于新的状态开始新一轮的优化循环，从而实现持续的自我优化与协同。
[0069]在该场景下，本发明系统基于实时电价Price(t)与孪生模型的预测结果，通过跨产线耦合分析模块将铝产线的质量调控需求与铜产线的节能潜力纳入统一优化目标C。多目标优化引擎生成的协同决策指令集，一方面指令铝产线小幅提升精炼功率以稳定成分，另一方面指令铜产线利用热惯性降低保温温度，同时协调降低公共设施运行频率。该决策过程表明，本系统能够在确保各产线工艺约束的前提下，通过跨产线的动态负荷调配，响应外部经济信号，实现综合成本指数C的优化。
[0070]以上实施例仅为本发明的优选实施方式，并非因此限制本发明的专利范围。凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
说明书附图(5)
