CN102289718A - 一种赤泥沉降过程泥层高度的软测量方法 - Google Patents

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

一种赤泥沉降过程泥层高度的软测量方法

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，......a_n，平均值为a，偏差为v_i＝a_i-a(i＝1，2，Λn)

按照公式：

$\mathrm{\δ}={\left[\mathrm{\Σ}\frac{{v_i}^2}{n-1}\right]}^{1/2}$

计算出标准偏差δ：如果某一样本数据x_i的偏差v_i(1≤i≤n)，满足：|v_i|≥3δ则认为x_i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：

$x=0.9-0.8\frac{b_{\max }-b}{b_{\max }-b_{\min }}$

式中，b表示样本数据测量值，b_max表示样本数据的最大值，b_min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，......x_p)，输出表示为Y，神经网络的期望输出为Y_d；设共有m个训练样本，则第k个训练样本为X_k＝(x₁(k)，x₂(k)，......x_p(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：

${\mathrm{In}}_i^{\left(1\right)}\left(k\right)=x_i\left(k\right)$ (i＝1，2Λ，p)

${\mathrm{Out}}_i^{\left(1\right)}\left(k\right)={\mathrm{In}}_i^{\left(1\right)}\left(k\right)$ (i＝1，2Λ，p)

分别表示输入层的输入和输出；

隐含层，该层由n个神经元组成：

${\mathrm{In}}_j^{\left(2\right)}\left(k\right)=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w1}_{j,i}\left(k\right)x_i\left(k\right)$ (i＝1，2Λ，p.j＝1，2，Λn)；

${\mathrm{Out}}_j^{\left(2\right)}\left(k\right)=f_j\left({\mathrm{In}}_j^{\left(2\right)}\left(k\right)\right);$ (i＝1，2Λ，p.j＝1，2，Λn)；

分别表示隐含层的输入和输出；w1j，i(k)表示第i个输入层神经元与第j个隐含层神经元之间的联结权值，f(·)为sigmoid函数，其形式为：

$f\left(x\right)=\frac{1}{1+e^{-x}}$

输出层，该层只有1个神经元

$y\left(k\right)={\mathrm{Out}}^{\left(3\right)}\left(k\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w2}_j\left(k\right)\×{\mathrm{Out}}_j^{\left(2\right)}\left(k\right)$ (j＝1，2Λ，n)

Out⁽³⁾(k)表示输出层的输出，w2_j(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

$E=\frac{1}{2}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(y\left(k\right)-y_d\left(k\right))}^T(y\left(k\right)-y_d\left(k\right))$

式中，y_d(k)表示沉降槽泥层高度实测值，既期望值。

展开至输入层

$E=\frac{1}{2}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\{y\left(k\right)-f[\underset{j=0}{\overset{n}{\mathrm{\Σ}}}{w2}_j\left(k\right){\mathrm{Out}}_j^{\left(2\right)}\left(k\right)\}=\frac{1}{2}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\{y\left(k\right)-f\left[\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{w1}_{j,i}f(\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{w1}_{j,i}X\left(k\right)\right\}$

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E_d，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：

$\mathrm{\Δ}{w2}_j\left(k\right)=-\mathrm{\η}\frac{\∂E}{\∂{w2}_j\left(k\right)}$

$\mathrm{\Δ}{w1}_{j,i}=-\mathrm{\η}\frac{\∂E}{\∂{w1}_{{j,i}_i}}$

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Y_d(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，......a_n，平均值为a，偏差为v_i＝a_i-a(i＝1，2，Λn)

按照公式：

$\mathrm{\δ}={\left[\mathrm{\Σ}\frac{{v_i}^2}{n-1}\right]}^{1/2}$

计算出标准偏差δ：如果某一样本数据x_i的偏差v_i(1≤i≤n)，满足：|v_i|≥3δ

则认为x_i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：

$x=0.9-0.8\frac{b_{\max }-b}{b_{\max }-b_{\min }}$

式中，b表示样本数据测量值，b_max表示样本数据的最大值，b_min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，......x_p)，输出表示为Y，神经网络的期望输出为Y_d；设共有m个训练样本，则第k个训练样本为X_k＝(x₁(k)，x₂(k)，......x_p(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：

${\mathrm{In}}_i^{\left(1\right)}\left(k\right)=x_i\left(k\right)$ (i＝1，2Λ，p)

${\mathrm{Out}}_i^{\left(1\right)}\left(k\right)={\mathrm{In}}_i^{\left(1\right)}\left(k\right)$ (i＝1，2Λ，p)

分别表示输入层的输入和输出；

隐含层，该层由n个神经元组成：

${\mathrm{In}}_j^{\left(2\right)}\left(k\right)=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w1}_{j,i}\left(k\right)x_i\left(k\right)$ (i＝1，2Λ，p.j＝1，2，Λn)；

${\mathrm{Out}}_j^{\left(2\right)}\left(k\right)=f_j\left({\mathrm{In}}_j^{\left(2\right)}\left(k\right)\right);$ (i＝1，2Λ，p.j＝1，2，Λn)；

分别表示隐含层的输入和输出；w1_j，i(k)表示第i个输入层神经元与第j个隐含层神经元之间的联结权值，f(·)为sigmoid函数，其形式为：

$f\left(x\right)=\frac{1}{1+e^{-x}}$

输出层，该层只有1个神经元

$y\left(k\right)={\mathrm{Out}}^{\left(3\right)}\left(k\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w2}_j\left(k\right)\×{\mathrm{Out}}_j^{\left(2\right)}\left(k\right)$ (j＝1，2Λ，n)

Out⁽³⁾(k)表示输出层的输出，w2_j(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

$E=\frac{1}{2}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(y\left(k\right)-y_d\left(k\right))}^T(y\left(k\right)-y_d\left(k\right))$

式中，y_d(k)表示沉降槽泥层高度实测值，既期望值；

展开至输入层

$E=\frac{1}{2}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\{y\left(k\right)-f[\underset{j=0}{\overset{n}{\mathrm{\Σ}}}{w2}_j\left(k\right){\mathrm{Out}}_j^{\left(2\right)}\left(k\right)\}=\frac{1}{2}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\{y\left(k\right)-f\left[\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{w1}_{j,i}f(\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{w1}_{j,i}X\left(k\right)\right\}$

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E_d，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：

$\mathrm{\Δ}{w2}_j\left(k\right)=-\mathrm{\η}\frac{\∂E}{\∂{w2}_j\left(k\right)}$

$\mathrm{\Δ}{w1}_{j,i}=-\mathrm{\η}\frac{\∂E}{\∂{w1}_{{j,i}_i}}$

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。

Images