CN103103570B - 基于主元相似性测度的铝电解槽况诊断方法 - Google Patents
基于主元相似性测度的铝电解槽况诊断方法 Download PDFInfo
- Publication number
- CN103103570B CN103103570B CN201310035937.8A CN201310035937A CN103103570B CN 103103570 B CN103103570 B CN 103103570B CN 201310035937 A CN201310035937 A CN 201310035937A CN 103103570 B CN103103570 B CN 103103570B
- Authority
- CN
- China
- Prior art keywords
- aluminium cell
- pivot
- cell condition
- variables
- variable
- 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.)
- Expired - Fee Related
Links
Abstract
本发明公开了一种基于主元相似性测度的铝电解槽况诊断方法,其特征在于按如下步骤进行:一,约简原始特征:利用核主元分析法计算贡献率排在前位的m个主元Bj;依次考察每个原始特征对表征铝电解槽况的贡献度,删掉贡献度低于贡献度阈值的原始特征,实现特征约简;二,约简后特征作为概率神经网络的输入变量,建立铝电解槽况的分类模型,模型最大输出值对应的铝电解槽况类型即为诊断结果。本发明克服了核主元无明确物理意义的缺陷,减少传感器数量和运算量,同时利用具有一次训练时间短、诊断精确度高的概率神经网络建立故障诊断模型,更加适合铝电解槽况的在线诊断。
Description
技术领域
本发明属于故障诊断技术领域,具体涉及一种基于主元相似性测度的铝电解槽况的诊断方法。
背景技术
故障诊断是对系统运行状态和异常情况作出判断,并根据诊断结果作出判断,为系统故障恢复提供依据,其中最重要的是故障检测和类型判断。故障检测是指与系统建立连接后,周期性地向下位机发送检测信号,通过接收的响应数据帧,判断系统是否产生故障;故障类型判断就是系统在检测出故障之后,通过分析原因,判断出系统故障的类型。由于系统的时变特性,建立精确的在线故障诊断较为困难,一直是控制领域研究的热点。
铝电解槽是霍尔-埃鲁电解法生产铝的主要设备,在运行过程受各种因素干扰,容易出现冷槽、铝液波动、阴极破损等异常工况。及时准确的槽况诊断对于调整电解工艺参数,保障正常生产至关重要。但是,铝电解槽是强直流电作用的高温高腐蚀电化学反应器,内部状态难以直接监测。
核主元分析法在故障诊断中是一种常见的特征分析方法,这种方法是利用非线性映射Φ和Ψ将原始随机向量空间xi和yi映射到高维空间Fx和Fy,使得数据在特征空间中成为线性数据,再在特征空间中利用主元分析法对变换后的数据提取主元,相当于原始特征空间的非线性运算。然而获得的主元仍然是原始变量在特征空间的线性组合,只是达到了降维的目的,并没有剔除原始特征的个数,而原始特征数反应了传感器的数量,现有的核主元分析法无法通过减少传感器数量和种类降低生产成本。
而在铝电解槽故障诊断中,用的比较多的建模方法是BP神经网络,但是由于表征铝电解槽况的特征众多且彼此相关性强,参与建模的数据量大,计算较为复杂,采用BP神经网络建立精确的诊断模型较为困难。
现有技术的缺陷是:在对铝电解槽况进行诊断时,需要安装大量不同种类的传感器,对所有传感器检测数据进行计算,才能实现正确的故障诊断,参与建模的数据量大,计算较为复杂,造成生产效率低、生产成本高。
发明内容
本发明的目的在于提供一种基于主元相似性测度的铝电解槽况诊断方法,能够在数目众多的表征铝电解槽况的特征中进行特征约简,减少传感器的数量和种类,减少运算量,用最少的特征建立铝电解槽的故障诊断模型,实现在线诊断。
本发明的技术方案如下:一种基于主元相似性测度的铝电解槽况诊断方法,其关键在于按如下步骤进行:
步骤一:约简原始特征,确定表征铝电解槽况特征的最简变量组,包括以下步骤:
第一步:n个表征铝电解槽况的原始特征组成原变量组X,X=(x1,x2,…,xi,…,xn),采集原变量组的L个样本数据,利用核主元分析法计算所述原变量组X的主元,将所有主元按贡献率由大到小排列,并计算累积贡献率,直到累积贡献率达到或超过预设的累积贡献率阈值,所累积的主元数为m,对应了所有原始特征的最少主元Bj,j=1,2,…,m;
所述m个主元Bj的累积贡献率达到或超过预设的累积贡献率阈值,可以认为这m个主元Bj反映了整个样本的特征。累积贡献率阈值大于等于0.98。
第二步:按i=1,2,…,n的顺序,依次考察原变量组X中每个变量对表征铝电解槽况的贡献度:
(一)将原变量组X中的变量xi置零,得到一个新的变量组,即待测邻点
(二)利用核主元分析法计算所述待测邻点的前m个贡献率最大的主元j=1,2,…,m;
(三)计算所述变量xi置零前后第j个主元的相似性测度cosj(i),j=1,2,…,m:
相似性测度考察的是变量xi对单个主元所代表的样本的影响;若cosj(i)接近1,则说明Bj与的相似度大,变量xi对所述主元所代表的样本影响小,解释能力小;若cosj(i)较大的偏离1,则说明Bj与的相似度小,变量xi对所述主元所代表的样本影响大,解释能力大。
(四)计算所述变量xi置零前后在前m个主元投影总的相似度di,该相似度di与变量xi对表征铝电解槽况的贡献度成正比:
总的相似度di考察的是变量xi对所述m个主元所代表的整个样本的影响,能反映变量xi对表征铝电解槽的贡献度,di越大,变量xi对表征铝电解槽的贡献度越大,di越小,变量xi对表征铝电解槽的贡献度越小。
第三步:确定贡献度阈值Δd,剔除小于贡献度阈值Δd的di对应的变量xi,剩下的变量组成表征铝电解槽况特征的最简变量组 最简变量组中的变量将作为建立铝电解槽况分类模性的输入变量。
剔除贡献度小的变量,即减少了传感器的种类,有效的降低了生产成本。
步骤二:将所述原变量组的L个样本数据按照最简变量组重新组合后,形成新的L个样本数据;从新的L个样本数据中选取P个样本数据作为训练样本,利用概率神经网络建立铝电解槽况分类模型,模型最大输出值对应的铝电解槽况类型即为诊断结果。
概率神经网络相比其他分类器具有一次训练时间短,诊断精确度高的特点。
在所述核主元分析法中,核函数选择高斯核函数。
所述表征铝电解槽况的原始特征有系列电流、NB次数、分子比、出铝量、铝水平、电解质水平、槽温、NB间隔、槽电压。
所述铝电解槽况类型有异常极距、漂浮碳渣、阴极破损及铝液异常波动4种异常槽况和正常槽况。
本发明的显著效果:提供一种基于主元相似性测度的铝电解槽况诊断方法,能够在数目众多的表征铝电解槽况的特征中进行特征约简,克服了核主元无明确物理意义的缺陷,减少传感器数量和运算量,同时利用具有一次训练时间短、诊断精确度高的概率神经网络建立故障诊断模型,更加适合铝电解槽况的在线诊断。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明:
实施例1:
如图1,一种基于主元相似性测度的铝电解槽况诊断方法,按如下步骤进行:
步骤一:约简原始特征,确定表征铝电解槽况特征的最简变量组,包括以下步骤:
第一步:n个表征铝电解槽况的原始特征组成原变量组X,X=(x1,x2,…,xi,…,xn),采集原变量组的L个样本数据,利用核主元分析法计算所述原变量组X的主元,将所有主元按贡献率由大到小排列,并计算累积贡献率,直到累积贡献率达到或超过预设的累积贡献率阈值,所累积的主元数为m,对应了所有原始特征的最少主元Bj,j=1,2,…,m;
在所述核主元分析法中,核函数选择高斯核函数。
第二步:按i=1,2,…,n的顺序,依次考察原变量组X中每个变量对表征铝电解槽况的贡献度:
(一)将原变量组X中的变量xi置零,得到一个新的变量组,即待测邻点
(二)利用核主元分析法计算所述待测邻点的前m个贡献率最大的主元j=1,2,…,m;在所述核主元分析法中,核函数选择高斯核函数;
(三)计算所述变量xi置零前后第j个主元的相似性测度cosj(i),j=1,2,…,m:
相似性测度考察的是变量xi对单个主元所代表的样本的影响;若cosj(i)接近1,则说明Bj与的相似度大,变量xi对所述主元所代表的样本影响小,解释能力小;若cosj(i)较大的偏离1,则说明Bj与的相似度小,变量xi对所述主元所代表的样本影响大,解释能力大。
(四)计算所述变量xi置零前后在前m个主元投影总的相似度di,该相似度di与变量xi对表征铝电解槽况的贡献度成正比:
总的相似度di考察的是变量xi对所述m个主元所代表的整个样本的影响,能反映变量xi对表征铝电解槽的贡献度,di越大,变量xi对表征铝电解槽的贡献度越大,di越小,变量xi对表征铝电解槽的贡献度越小。
第三步:确定贡献度阈值Δd,剔除小于贡献度阈值Δd的di对应的变量xi,剩下的变量组成表征铝电解槽况特征的最简变量组
剔除贡献度小的变量,即减少了传感器的种类,有效的降低了生产成本。
步骤二:将所述原变量组的L个样本数据按照最简变量组重新组合后,形成新的L个样本数据;从新的L个样本数据中选取P个样本数据作为训练样本,利用概率神经网络建立铝电解槽况分类模型,模型最大输出值对应的铝电解槽况类型即为诊断结果。
以某铝业有限公司170KA系列某铝电解槽数据为样本,获得共计9种数据268组样本及输出槽况诊断类型。通过对铝电解槽异常槽况的影响因素分析,并综合考虑现场采集数据的实际难度,筛选出的原始特征包括:系列电流(x1);NB次数(x2);分子比(x3);出铝量(x4);铝水平(x5);电解质水平(x6);槽温(x7);NB间隔(x8);槽电压(x9)。输出的槽况诊断类型有:异常极距、漂浮碳渣、阴极破损及铝液异常波动4种异常槽况和正常槽况,将这5中槽况诊断类型作为概率神经网络期望分类输出。如表1、表2所示:
表1 9个原始特征的268组样本
表2 概率神经网络期望分类输出
利用核主元分析法计算原变量组的主元,核函数采用高斯核,核参为500,每个主元的贡献率及累积贡献率如表3所示,
表3 各主元的贡献率及累计贡献率
选取累积贡献率阈值0.98,从表3可以看出,前5个主元的累积贡献率为0.9803,基本代表了原始特征。因此选择B1、B2、B3、B4、B5这5个主元进行相似性测度计算。
再依次考察9个原始特征置零前后第j个主元的相似性测度cosj(i),j=1,2,…,5,每个原始特征得到5个相似性测度值。
接着,计算每个原始特征置零前后在前5个主元投影的总的相似度di,即计算每个原始特征对表征铝电解槽况的贡献度。
每个变量的d值如表4所示:
表4 FNN计算相关性
选取贡献度阈值Δd为0.001,由表4可知,系列电流x1、分子比x3、铝水平x5、槽温x7、槽电压x9共5种变量贡献度较大,将作为概率神经网络的输入变量得以保留,其他4种被剔除。
然后挑选60个样本中的前40个作为训练样本,后20个作为预测样本先进行训练,δ=1.5,其结果对20个测试样本进行测试,其分类准确率达到95%。
Claims (4)
1.一种基于主元相似性测度的铝电解槽况诊断方法,其特征在于按如下步骤进行:
步骤一:约简原始特征,确定表征铝电解槽况特征的最简变量组,包括以下步骤:
第一步:n个表征铝电解槽况的原始特征组成原变量组X,X=(x1,x2,…,xi,…,xn),采集原变量组的L个样本数据,利用核主元分析法计算所述原变量组X的主元,将所有主元按贡献率由大到小排列,并计算累积贡献率,直到累积贡献率达到或超过预设的累积贡献率阈值,所累积的主元数为m,对应了所有原始特征的最少主元Bj,j=1,2,…,m;
第二步:按i=1,2,…,n的顺序,依次考察原变量组X中每个变量对表征铝电解槽况的贡献度:
(一)将原变量组X中的变量xi置零,得到一个新的变量组,即待测邻点
(二)利用核主元分析法计算所述待测邻点的前m个贡献率最大的主元j=1,2,…,m;
(三)计算所述变量xi置零前后第j个主元的相似性测度cosj(i),j=1,2,…,m:
(四)计算所述变量xi置零前后在前m个主元投影总的相似度di,该相似度di与变量xi对表征铝电解槽况的贡献度成正比:
第三步:设定贡献度阈值Δd,剔除小于贡献度阈值Δd的di对应的变量xi,剩下的变量组成表征铝电解槽况特征的最简变量组
步骤二:将所述原变量组的L个样本数据按照最简变量组重新组合后,形成新的L个样本数据;从新的L个样本数据中选取P个样本数据作为训练样本,利用概率神经网络建立铝电解槽况分类模型,模型最大输出值对应的铝电解槽况类型即为诊断结果。
2.根据权利要求1所述的基于主元相似性测度的铝电解槽况诊断方法,其特征在于:在所述核主元分析法中,核函数选择高斯核函数。
3.根据权利要求1所述的基于主元相似性测度的铝电解槽况诊断方法,其特征在于:所述表征铝电解槽况的原始特征有系列电流、NB次数、分子比、出铝量、铝水平、电解质水平、槽温、NB间隔、槽电压。
4.根据权利要求1所述的基于主元相似性测度的铝电解槽况诊断方法,其特征在于:所述铝电解槽况类型有异常极距、漂浮碳渣、阴极破损及铝液异常波动4种异常槽况和正常槽况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310035937.8A CN103103570B (zh) | 2013-01-30 | 2013-01-30 | 基于主元相似性测度的铝电解槽况诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310035937.8A CN103103570B (zh) | 2013-01-30 | 2013-01-30 | 基于主元相似性测度的铝电解槽况诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103103570A CN103103570A (zh) | 2013-05-15 |
CN103103570B true CN103103570B (zh) | 2015-10-28 |
Family
ID=48311752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310035937.8A Expired - Fee Related CN103103570B (zh) | 2013-01-30 | 2013-01-30 | 基于主元相似性测度的铝电解槽况诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103103570B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345559B (zh) * | 2013-07-10 | 2016-04-20 | 重庆科技学院 | 铝电解过程电解槽工艺能耗的动态演化建模方法 |
CN103952724B (zh) * | 2014-04-22 | 2016-04-20 | 重庆科技学院 | 用于铝电解槽况故障诊断的优化权重相对主元分析方法 |
CN104504271A (zh) * | 2014-12-25 | 2015-04-08 | 重庆科技学院 | 基于独立元相似度的高含硫天然气净化脱硫过程检测方法 |
CN104532299B (zh) * | 2015-01-20 | 2017-04-05 | 重庆科技学院 | 基于相对核主元分析的铝电解槽况诊断方法 |
CN104499001B (zh) * | 2015-01-20 | 2017-03-29 | 重庆科技学院 | 基于特征子空间优化相对矩阵的铝电解槽况诊断方法 |
CN105404142B (zh) * | 2015-11-06 | 2017-12-26 | 重庆科技学院 | 基于bp神经网络与mbfo算法的铝电解多参数控制方法 |
CN108805202B (zh) * | 2018-06-11 | 2021-07-30 | 上海新增鼎数据科技有限公司 | 一种用于电解槽故障预警的机器学习方法及其应用 |
CN114959797A (zh) * | 2022-07-04 | 2022-08-30 | 广东技术师范大学 | 基于数据扩增和sskelm的铝电解槽况诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3629079A (en) * | 1968-02-23 | 1971-12-21 | Kaiser Aluminium Chem Corp | Alumina feed control |
SU1482982A1 (ru) * | 1987-03-31 | 1989-05-30 | Математический Институт С Вычислительным Центром Ан Таджсср | Способ диагностики анодного эффекта в алюминиевом электролизере |
CN1807694A (zh) * | 2005-11-22 | 2006-07-26 | 沈阳建筑大学 | 铝电解故障预报器 |
CN101275250A (zh) * | 2008-04-28 | 2008-10-01 | 包头铝业股份有限公司 | 一种诊断铝电解槽底部阴极炭块破损的方法 |
-
2013
- 2013-01-30 CN CN201310035937.8A patent/CN103103570B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3629079A (en) * | 1968-02-23 | 1971-12-21 | Kaiser Aluminium Chem Corp | Alumina feed control |
SU1482982A1 (ru) * | 1987-03-31 | 1989-05-30 | Математический Институт С Вычислительным Центром Ан Таджсср | Способ диагностики анодного эффекта в алюминиевом электролизере |
CN1807694A (zh) * | 2005-11-22 | 2006-07-26 | 沈阳建筑大学 | 铝电解故障预报器 |
CN101275250A (zh) * | 2008-04-28 | 2008-10-01 | 包头铝业股份有限公司 | 一种诊断铝电解槽底部阴极炭块破损的方法 |
Non-Patent Citations (2)
Title |
---|
基于KPCA子空间虚假邻点判别的非线性建模的变量选择;李太福等;《机械工程学报》;20120531;第48卷(第10期);192-198 * |
基于特征子空间虚假邻点判别的软传感器模型变量选择;李太福;《机械工程学报》;20110630;第47卷(第12期);7-12 * |
Also Published As
Publication number | Publication date |
---|---|
CN103103570A (zh) | 2013-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
CN103678766B (zh) | 一种基于pso算法的异常用电客户检测方法 | |
CN103033362B (zh) | 一种基于改进多变量预测模型的齿轮故障诊断方法 | |
CN101382439B (zh) | 多参数自确认传感器的状态自确认方法 | |
CN110336534A (zh) | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 | |
CN102944416B (zh) | 基于多传感器信号融合技术的风电机组叶片故障诊断方法 | |
CN106059496B (zh) | 一种光伏组件阵列性能监测和故障识别的方法及系统 | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN114559819B (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
CN104617574A (zh) | 一种电力系统负荷区域暂态电压稳定的评估方法 | |
CN113011481B (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
CN109767054A (zh) | 基于深度神经网络算法的能效云评估方法及边缘能效网关 | |
CN104677997B (zh) | 一种变压器油色谱在线监测差异化预警方法 | |
CN111027408A (zh) | 一种基于支持向量机和v-i曲线特征的负荷识别方法 | |
CN102222151B (zh) | 一种基于自回归滑动平均的模拟电路故障预测方法 | |
CN103631681A (zh) | 一种在线修复风电场异常数据的方法 | |
CN113011089B (zh) | 一种基于深度学习的机采井系统效率优化方法与装置 | |
CN101738998A (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN111797533B (zh) | 一种核动力装置运行参数异常检测方法及系统 | |
CN103529337B (zh) | 设备故障与电气量信息间非线性相关关系的识别方法 | |
Liu et al. | Online diagnosis and prediction of power battery voltage comprehensive faults for electric vehicles based on multi-parameter characterization and improved K-means method | |
CN110968703A (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
CN112327189B (zh) | 一种基于knn算法的储能电池健康状态综合判断方法 | |
CN112287979B (zh) | 一种基于互信息的储能电池状态判定方法 | |
Yang et al. | Short-term wind power prediction based on multi-parameters similarity wind process matching and weighed-voting-based deep learning model selection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151028 Termination date: 20190130 |