CN102289718A - 一种赤泥沉降过程泥层高度的软测量方法 - Google Patents
一种赤泥沉降过程泥层高度的软测量方法 Download PDFInfo
- Publication number
- CN102289718A CN102289718A CN2011102204955A CN201110220495A CN102289718A CN 102289718 A CN102289718 A CN 102289718A CN 2011102204955 A CN2011102204955 A CN 2011102204955A CN 201110220495 A CN201110220495 A CN 201110220495A CN 102289718 A CN102289718 A CN 102289718A
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- mud
- neural network
- settlement process
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
一种赤泥沉降过程泥层高度的软测量方法,属于自动化测量技术领域,包括以下步骤:通过采集不同工况下的赤泥沉降过程数据,建立与沉降槽泥层高度(L)的映射;对采集到的赤泥沉降过程数据进行标准化处理,剔除异常数据;对数据进行规范化处理,利用函数变换将其数值映射到[0.1,0.9]的数值区间;将步骤3处理的数据代入神经网络,通过对神经网络的训练确定各权系数;实时采集赤泥沉降过程数据,并利用步骤2-3对采集到的数据进行处理,带入步骤4中已训练好的神经网络,实现对赤泥沉降过程泥层高度的测量;实现泥层高度的实时在线测量,克服了当前方法维护量大、价格昂贵,得不到广泛的应用的缺点。
Description
技术领域
本发明属于自动化测量技术领域,涉及一种赤泥沉降过程泥层高度的软测量方法。
背景技术
金属铝的优良性质促使氧化铝生产在全世界得到了迅速的发展,在生产氧化铝过程中,赤泥沉降工序是极其关键的一道工序,其中,沉降槽的泥层高度更是整个赤泥沉降工序的核心技术指标,它不仅反映沉降槽沉降性能的好坏,而且对氧化铝后续生产有着重要意义,因此,检测沉降槽泥层高度是氧化铝生产过程中一项重要工作。
目前,氧化铝厂多通过使用人工分析法和现场仪表检测法来测定沉降槽内泥层高度:人工分析法一般分析周期为2个小时,不能实时反映沉降槽的沉降性能;而现场仪表又因为维护量大、价格昂贵,得不到广泛的应用。
发明内容
针对现有方法的不足,本发明提出一种赤泥沉降过程泥层高度的软测量方法,实现沉降槽内泥层高度实时测量,从而达到节约生产周期,便于维护和广泛应用的目的。
本发明的技术方案是这样实现的:一种赤泥沉降过程泥层高度的软测量方法,包括以下步骤:
步骤1:通过采集不同工况下的赤泥沉降过程数据,建立与沉降槽泥层高度(L)的映射;
所述赤泥沉降过程数据包括:沉降槽絮凝剂的添加量f1、沉降槽温度T1、压煮器温度T2、沉降槽底流出料量f2和沉降槽稀释溶液量f3;
所述的赤泥沉降过程数据与沉降槽泥层高度的映射关系,满足如下公式:
L=f(f1、T1、T2、f2、f3)
步骤2:对采集到的赤泥沉降过程数据进行标准化处理,剔除异常数据,方法如下:
采用统计判别法中的拉依达准则:
设样本数据为a1,a2,......an,平均值为a,偏差为vi=ai-a(i=1,2,Λn)
按照公式:
计算出标准偏差δ:如果某一样本数据xi的偏差vi(1≤i≤n),满足:|vi|≥3δ则认为xi是异常数据,应予剔除;
步骤3:经过步骤2标准化处理后的数据,其数据度量单位不同,为参与评价计算,对数据进行规范化处理,利用函数变换将其数值映射到[0.1,0.9]的数值区间,方法如下:
采用归一化处理方法,按照公式:
式中,b表示样本数据测量值,bmax表示样本数据的最大值,bmin表示样本数据的最小值,x表示样本数据b归一化后值;
步骤4:将步骤3处理的数据代入神经网络,通过对神经网络的训练确定各权系数,所述的神经网络的构造方法为:网络分为三层,输入层、隐含层、输出层,确定神经网络为p-n-1的连接方式,即输入层神经元为p个,隐含层神经元n个,输出层神经元1个;
步骤5:实时采集赤泥沉降过程数据,并利用步骤2-3对采集到的数据进行处理,带入步骤4中已训练好的神经网络,实现对赤泥沉降过程泥层高度的测量;
其中,步骤4所述的通过对神经网络的训练确定各权系数,方法为:
对神经网络的权值进行随机赋值;神经网络的输入表示为X=(x1,x2,......xp),输出表示为Y,神经网络的期望输出为Yd;设共有m个训练样本,则第k个训练样本为Xk=(x1(k),x2(k),......xp(k)),用第k个训练样本训练神经网络时,神经网络各层的计算功能是:
输入层,该层由p个神经元组成:
隐含层,该层由n个神经元组成:
输出层,该层只有1个神经元
Out(3)(k)表示输出层的输出,w2j(k)表示第j个隐含层神经元与输入层神经元之间的联结权值,y(k)为神经网络的实际输出;
定义误差函数为
式中,yd(k)表示沉降槽泥层高度实测值,既期望值。
展开至输入层
训练神经网络的目的是使式定义的误差不断减小,最终达到期望值Ed,因此,应使权值的调整量与误差的负梯度成正比,得到权值调整计算公式为:
式中符号表示梯度下降,常数η∈(0,1)表示比例系数,在训练中表示学习速率。
本发明优点:本发明方法是一种基于动态神经网络的赤泥沉降过程泥层高度软测量方法,该方法通过分析赤泥沉降过程,在众多可测变量中选择一组既与泥层高度有密切联系又容易测量的变量作为辅助变量,通过构造神经网络,实现辅助变量与泥层高度之间的映射,从而实现泥层高度的实时在线测量,解决了当前测量泥层高度存在的种种问题。
附图说明
图1为一种赤泥沉降过程泥层高度的软测量方法流程图;
图2为一种赤泥沉降过程泥层高度的软测量方法神经网络结构框图;
图3为一种赤泥沉降过程泥层高度的软测量方法神经网络拟合图;
图4为一种赤泥沉降过程泥层高度的软测量方法神经网络预测图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明一种赤泥沉降过程泥层高度的软测量方法,包括以下步骤,如图1所示:
步骤1:数据采集,根据河南某铝厂2008年末的过程数据记录,采集了较为完整的130组数据:沉降槽絮凝剂的添加量f1、沉降槽温度T1、压煮器温度T2、沉降槽底流出料量f2和沉降槽稀释溶液量f3,如表1所示:
表1为神经网络模型预测情况对照表
采用具有测量流量和温度功能的电磁流量计和铠装铂热电阻丝实现对上述数据的测量;建立了赤泥沉降过程数据与沉降槽泥层高度的映射关系,公式如下:
L=f(f1、T1、T2、f2、f3)
步骤2:对采集到的赤泥沉降过程数据进行标准化处理,剔除异常数据,采用拉依达准则,剔除异常数据后,还剩下96组数据样本;
步骤3:经数据标准化处理后,将输入数据处理到0.1-0.9之间;
步骤4:将步骤3处理的数据代入神经网络,通过对神经网络的训练确定各权系数,其中,输入层神经元数量为5,输出层神经元数量为1;
步骤5:实时采集赤泥沉降过程数据,并利用步骤2-3对采集到的数据进行处理,带入步骤4中已训练好的神经网络,实现对赤泥沉降过程泥层高度的测量。
所述步骤4所述的通过对神经网络的训练确定各权系数,如图2~图4所示:
(1)至少有一个S型隐含层加上线性输出层的网络,能够以任意精度逼近任何有理函数,所以,隐含层选择S型激活函数,输出层选择线性激活函数;
(2)隐含层节点数的确定,采用试凑的方法确定隐含层数量,在发明中,我们对网络隐含层神经元个数为5~24的情况分别进行训练:
表2隐含层为5~24的训练情况对照表
S1 | SSE | MSE | S1 | SSE | MSE |
5 | 1.741 | 0.08705 | 15 | 5.187 | 0.25935 |
6 | 1.659 | 0.08295 | 16 | 10.148 | 0.5074 |
7 | 1.613 | 0.08065 | 17 | 3.811 | 0.19055 |
8 | 1.968 | 0.0984 | 18 | 2.379 | 0.11895 |
9 | 2.586 | 0.1293 | 19 | 5.076 | 0.2538 |
10 | 1.662 | 0.0831 | 20 | 2.841 | 0.14205 |
11 | 3.903 | 0.19515 | 21 | 3.7012 | 0.18506 |
12 | 2.293 | 0.11465 | 22 | 4.517 | 0.22585 |
13 | 1.998 | 0.0999 | 23 | 3.347 | 0.16735 |
14 | 3.456 | 0.1728 | 24 | 6.028 | 0.3014 |
表2为隐含层为5~24的训练情况对照表,由表2可知,当隐含层数为7时的时候收敛情况和预测情况相对情况要好一些,因此选择网络隐含层神经元个数为7个;初始权值取在(-1,1)之间的随机数;学习速率确定为0.4;期望误差为0.1;最大循环次数为250000;修正权值的初始学习速率为0.05;从1开始的循环训练;
(1)输入1~76组训练样本,并根据其中辅助变量样本X逐层计算出网络输出矩阵Y(既主导变量的估计值);
(2)计算网络输出矩阵Y与主导变量测量值样本矩阵Yd(目标矩阵)之间的误差E及误差平方和SSE;
(3)检查SSE是否小于期望误差0.1,若是,训练结束,进入(6);若否,则进入下一步骤;
(4)判断训练次数是否到达最大循环次数250000,若是,训练结束,进入(6);若否,则进入下一步骤,反向转播误差E,调整网络权值及偏差;
(5)根据前面的神经网络,误差矩阵E计算出各层反传的误差变化,并计算出各层权值的修正值以及新的权值,转入(1);
(6)输入1-20组校验样本,并根据其中的辅助变量样本X2逐层计算出网络输出矩阵Y2作为主导变量的预测值输出。
Claims (2)
1.一种赤泥沉降过程泥层高度的软测量方法,包括以下步骤:
步骤1:通过采集不同工况下的赤泥沉降过程数据,建立与沉降槽泥层高度(L)的映射;
所述赤泥沉降过程数据包括:沉降槽絮凝剂的添加量f1、沉降槽温度T1、压煮器温度T2、沉降槽底流出料量f2和沉降槽稀释溶液量f3;
所述的赤泥沉降过程数据与沉降槽泥层高度的映射关系,满足如下公式:
L=f(f1、T1、T2、f2、f3)
步骤2:对采集到的赤泥沉降过程数据进行标准化处理,剔除异常数据,方法如下:
采用统计判别法中的拉依达准则:
设样本数据为a1,a2,......an,平均值为a,偏差为vi=ai-a(i=1,2,Λn)
按照公式:
计算出标准偏差δ:如果某一样本数据xi的偏差vi(1≤i≤n),满足:|vi|≥3δ
则认为xi是异常数据,应予剔除;
步骤3:经过步骤2标准化处理后的数据,其数据度量单位不同,对数据进行规范化处理,利用函数变换将其数值映射到[0.1,0.9]的数值区间,方法如下:
采用归一化处理方法,按照公式:
式中,b表示样本数据测量值,bmax表示样本数据的最大值,bmin表示样本数据的最小值,x表示样本数据b归一化后值;
步骤4:将步骤3处理的数据代入神经网络,通过对神经网络的训练确定各权系数,所述的神经网络的构造方法为:网络分为三层,输入层、隐含层、输出层,确定神经网络为p-n-1的连接方式,即输入层神经元为p个,隐含层神经元n个,输出层神经元1个;
步骤5:实时采集赤泥沉降过程数据,并利用步骤2-3对采集到的数据进行处理,带入步骤4中已训练好的神经网络,实现对赤泥沉降过程泥层高度的测量。
2.根据权利要求1所述的赤泥沉降过程泥层高度的软测量方法,其特征在于:步骤4所述的通过对神经网络的训练确定各权系数,方法为:
对神经网络的权值进行随机赋值;神经网络的输入表示为X=(x1,x2,......xp),输出表示为Y,神经网络的期望输出为Yd;设共有m个训练样本,则第k个训练样本为Xk=(x1(k),x2(k),......xp(k)),用第k个训练样本训练神经网络时,神经网络各层的计算功能是:
输入层,该层由p个神经元组成:
隐含层,该层由n个神经元组成:
输出层,该层只有1个神经元
Out(3)(k)表示输出层的输出,w2j(k)表示第j个隐含层神经元与输入层神经元之间的联结权值,y(k)为神经网络的实际输出;
定义误差函数为
式中,yd(k)表示沉降槽泥层高度实测值,既期望值;
展开至输入层
训练神经网络的目的是使式定义的误差不断减小,最终达到期望值Ed,应使权值的调整量与误差的负梯度成正比,得到权值调整计算公式为:
式中符号表示梯度下降,常数η∈(0,1)表示比例系数,在训练中表示学习速率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102204955A CN102289718A (zh) | 2011-08-03 | 2011-08-03 | 一种赤泥沉降过程泥层高度的软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102204955A CN102289718A (zh) | 2011-08-03 | 2011-08-03 | 一种赤泥沉降过程泥层高度的软测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102289718A true CN102289718A (zh) | 2011-12-21 |
Family
ID=45336122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011102204955A Pending CN102289718A (zh) | 2011-08-03 | 2011-08-03 | 一种赤泥沉降过程泥层高度的软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102289718A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104858069A (zh) * | 2015-06-09 | 2015-08-26 | 河南东大矿业股份有限公司 | 快速判断低品位铝土矿正浮选尾矿絮凝剂优劣的方法 |
CN105407364A (zh) * | 2015-10-27 | 2016-03-16 | 四川长虹电器股份有限公司 | 基于智能电视收视率体系下频道综合竞争力实现方法 |
CN105578259A (zh) * | 2015-12-14 | 2016-05-11 | 四川长虹电器股份有限公司 | 一种基于智能电视下用户观影行为分类方法 |
CN106485326A (zh) * | 2016-10-17 | 2017-03-08 | 鞍钢集团矿业有限公司 | 一种矿石破碎生产过程中的硬度检测方法 |
CN107290983A (zh) * | 2016-04-01 | 2017-10-24 | 佛山市顺德区美的电热电器制造有限公司 | 电烹饪器的温度采集方法、装置、控制方法和电烹饪器 |
-
2011
- 2011-08-03 CN CN2011102204955A patent/CN102289718A/zh active Pending
Non-Patent Citations (3)
Title |
---|
俞钟行: "拉依达准则用于剔除物探数据中的坏值", 《物探与化探》 * |
张宏建等: "《现代检测技术》", 30 September 2007, 化学工业出版社 * |
魏迎春等: "基于RBF神经网络的沉降槽泥层高度软测量模型研究", 《中国仪器仪表》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104858069A (zh) * | 2015-06-09 | 2015-08-26 | 河南东大矿业股份有限公司 | 快速判断低品位铝土矿正浮选尾矿絮凝剂优劣的方法 |
CN104858069B (zh) * | 2015-06-09 | 2017-09-29 | 河南东大科技股份有限公司 | 快速判断低品位铝土矿正浮选尾矿絮凝剂优劣的方法 |
CN105407364A (zh) * | 2015-10-27 | 2016-03-16 | 四川长虹电器股份有限公司 | 基于智能电视收视率体系下频道综合竞争力实现方法 |
CN105407364B (zh) * | 2015-10-27 | 2018-07-03 | 四川长虹电器股份有限公司 | 基于智能电视收视率体系下频道综合竞争力实现方法 |
CN105578259A (zh) * | 2015-12-14 | 2016-05-11 | 四川长虹电器股份有限公司 | 一种基于智能电视下用户观影行为分类方法 |
CN107290983A (zh) * | 2016-04-01 | 2017-10-24 | 佛山市顺德区美的电热电器制造有限公司 | 电烹饪器的温度采集方法、装置、控制方法和电烹饪器 |
CN106485326A (zh) * | 2016-10-17 | 2017-03-08 | 鞍钢集团矿业有限公司 | 一种矿石破碎生产过程中的硬度检测方法 |
CN106485326B (zh) * | 2016-10-17 | 2019-02-05 | 鞍钢集团矿业有限公司 | 一种矿石破碎生产过程中的硬度检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105042339B (zh) | 一种基于无量纲的成品油管道泄漏量估计系统及方法 | |
CN110555230B (zh) | 基于集成gmdh框架的旋转机械剩余寿命预测方法 | |
CN102289718A (zh) | 一种赤泥沉降过程泥层高度的软测量方法 | |
WO2021093362A1 (zh) | 一种蒸发过程出料苛性碱浓度测量装置精度补偿方法 | |
CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
CN107741578B (zh) | 智能电能表运行误差远程校准的原始抄表数据处理方法 | |
CN110533167B (zh) | 一种电动阀门执行机构用故障诊断方法及诊断系统 | |
CN109213127A (zh) | 一种基于深度学习的hvac系统渐变故障诊断方法 | |
CN109409425B (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
CN109872247B (zh) | 一种泵组特性曲线拟合方法 | |
CN104677997B (zh) | 一种变压器油色谱在线监测差异化预警方法 | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
CN102880905A (zh) | 一种常顶油干点在线软测量方法 | |
CN105930629A (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
CN114757269A (zh) | 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法 | |
CN113447879A (zh) | 基于多应力影响的电能表计量误差预测方法、系统及装置 | |
CN114265001B (zh) | 一种智能电表计量误差评估方法 | |
CN110222825B (zh) | 一种水泥成品比表面积预测方法及系统 | |
CN109886314B (zh) | 一种基于pnn神经网络的餐厨废弃油检测方法及其装置 | |
CN108204997A (zh) | 常一线油闪点在线软测量方法 | |
CN103389360A (zh) | 基于概率主元回归模型的脱丁烷塔丁烷含量软测量方法 | |
CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 | |
CN110298385A (zh) | 一种基于*信息与增量svdd在线早期故障检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20111221 |