CN110705373A - 一种基于小波包分析和残差网络的槽电压信号分类方法 - Google Patents
一种基于小波包分析和残差网络的槽电压信号分类方法 Download PDFInfo
- Publication number
- CN110705373A CN110705373A CN201910850611.8A CN201910850611A CN110705373A CN 110705373 A CN110705373 A CN 110705373A CN 201910850611 A CN201910850611 A CN 201910850611A CN 110705373 A CN110705373 A CN 110705373A
- Authority
- CN
- China
- Prior art keywords
- voltage signal
- low
- frequency
- cell voltage
- state
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 title claims abstract description 15
- 229910052782 aluminium Inorganic materials 0.000 claims abstract description 16
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims abstract description 15
- 238000005868 electrolysis reaction Methods 0.000 claims abstract description 14
- 238000005265 energy consumption Methods 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract 1
- 230000003595 spectral effect Effects 0.000 abstract 1
- 238000011160 research Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- AZDRQVAHHNSJOQ-UHFFFAOYSA-N alumane Chemical compound [AlH3] AZDRQVAHHNSJOQ-UHFFFAOYSA-N 0.000 description 1
- 239000004411 aluminium Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electrolytic Production Of Non-Metals, Compounds, Apparatuses Therefor (AREA)
Abstract
本发明公开了一种基于小波包分析和残差网络的槽电压信号分类方法，在铝电解生产过程中，槽电压信号是反映槽状态的有效的重要指标，反映了电解槽的稳定性和可控性。根据铝电解槽电压信号的频谱特性，本文提出了一种对槽电压信号进行分类评估的方法。首先，我们利用小波包分析将原始信号逐级分解为低频分量和高频分量，并构造了槽电压信号的能量模型，用于计算原始电压信号的高频故障能量消耗占比。然后我们构建了一个槽电压信号的低频分量样本数据集，并在该数据集上训练一个残差网络模型，用于识别槽电压低频分量的波动，最后，结合了一些专家规则来确定槽电压的状态。
Description
技术领域
本发明涉及一种基于小波包分析和残差网络的槽电压信号分类方法。
背景技术
作为一种强非线性，强耦合，时变和大时滞的工业过程，铝电解过程总是伴随着复杂的物理和化学反应，只有极少的数据可以被在线检测到，这使得对铝电解过程的建模和控制十分困难。槽电压是指电解槽的进电端和出电端的电压降，与电解质温度，分子比等难以检测的参数不同，槽电压信号是一种可以被轻易在线检测到的参数，它能及时反映电解槽的状态。对槽电压信号的研究对于铝电解的生产过程具有重要意义。槽电压信号中蕴含着一些重要的可以反映出电解槽状态的信息，如高频故障能耗比例，槽电压信号低频分量的波动等。
在铝电解生产过程中，槽电压信号的异常摆动是预焙电解槽的不良状态的体现，槽电压信号的状态是衡量电解效率以及电解槽的稳定性和安全运行的重要指标。不同槽状态下电解槽的瞬时电压信号在各个频带具有不同的幅频特性。当电解槽处于稳定可控状态时，槽的电解效率高，这意味着故障能量消耗相对较低，槽电压信号中的高频噪声较少，电解槽的运行处于安全可控状态。并且槽电压信号的低频分量的波动形状趋于规律的前后摆动的正弦曲线。然而，当电解槽处于病态时，槽电压的摆动异常。具体的表现是槽电压信号中存在很多噪声信号，槽电压的低频分量波动十分平缓或不规则，这表明电解槽的状态不稳定且不可控。
目前，国内外学者普遍通过快速傅里叶变换，参数谱估计方法和小波包分解算法提取电解槽电压信号的特征信息，然后以高频噪声成分为研究对象进行槽电压特征故障分类，但这些研究只是着眼于对电解槽运行工况的分析，而对真正反映电解槽状态的槽电压信号状态却研究的比较少。
针对上述存在的问题，研究如何根据槽电压信号本身的特点以及它与电解槽状态之间的相关性对槽电压信号状态进行准确的诊断和分类，从而为铝电解生产过程的稳定控制与操作优化提供指导，提高生产效率和产品质量有着重要意义。
发明内容
鉴于此，本发明提出一种基于小波包分析和残差网络的槽电压信号分类方法，其特征在于，主要包括以下步骤：
1)、根据铝电解生产过程中槽电压采样特点，定义槽电压信号为时间序列：
X＝[x1,x2,x3,...,xj,...,xn] (1)
电压信号的采样周期为10s，n为时间序列的长度，其等于槽电压信号单元的个数；xj表示为第j个单元，为整数且无量纲；槽电压信号记为S；针对槽电压信号非平稳性的特点，对其进行6层的小波包分解，并将其重组，分解为低频分量和高频分量，分解后的原始信号S可表示为：
S＝S60+S61+S51+S41+S31+S21+S11 (2)
其中，S60为低频分量，其余的为高频分量；
2)、构造槽电压信号能量模型为：
其中信号Sij，i表示在树中的层数，j表示在第i层的位置，xk表示信号Sij中离散点的瞬时电压幅值；
3)、计算原始槽电压信号的总能量为：
则可以得到槽电压信号的高频故障能耗占比P为：
4)、针对槽电压信号低频分量S60的波动特性，按照铝电解专家经验，按照其波形划分为平缓、正常、剧烈三类，并训练出一个残差网络模型对其波形进行识别，提取出低频波动特性；
5)、将提取出来的高频故障能耗占比和低频波动特性，按照专家规则对其槽电压信号进行分类。
优选的，步骤4)所述的残差网络模型为：该残差网络模型输入为50*50的图片，输出为三种类别的概率分布，其中卷积层的卷积核为3*3，步长为1，池化层padding模式为SAME，优化器采用默认参数的Adam优化器。
优选的，步骤4)所述的残差网络模型训练前的数据处理为：一维的槽电压时间序列转换为二维的图片数据输入模型，数据输入模型为交叉熵损失函数：
n为时间可能发生的情况总数，p(x)为样本的真实分布，q(x)为模型输出的分布。
优选的，步骤5)所述的按照专家规则对其槽电压信号进行分类方式为，PFEC是高频故障能耗占比的缩写：
如果低频波动正常，PFEC<3e-5则槽电压信号状态为健康；
如果低频波动正常，3e-5＝<PFEC<8e-5则槽电压信号状态为亚健康；
如果低频波动平缓，PFEC<＝2e-5则槽电压信号状态为亚健康，
如果低频波动平缓，2e-5＝<PFEC<＝4e-5则槽电压信号状态为临界状态；
如果低频波动剧烈，PFEC<＝3e-5则槽电压信号状态为临界状态；
如果低频波动正常，8e-5＝<PFEC则槽电压信号状态为临界状态；
如果低频波动平缓，4e-5＝<PFEC则槽电压信号状态为病态；
如果低频波动剧烈，3e-5＝<PFEC则槽电压信号状态为病态。
与现有技术相比，本发明之技术方案具有以下优点：本发明根据铝电解槽电压信号的频谱特性，本文提出了一种对槽电压信号进行分类评估的方法，利用小波包分析将原始信号逐级分解为低频分量和高频分量，并构造了槽电压信号的能量模型，用于计算原始电压信号的高频故障能量消耗占比，提高了频谱特性反应电解槽电压信号的精度；结合了一些专家规则来确定槽电压的状态，实验结果表明，该分类方法对准确率高达90.3％，对整个铝电解过程的控制和优化具有重要意义。
附图说明
图1为槽电压信号分类的方法流程图
图2为小波包分解重组树结构图
图3为残差网络模型图
图4为残差网络训练过程的损失曲线图
图5为残差网络训练过程的准确率曲线图
图6-9为槽电压信号分类实例图
具体实施方式
以下结合附图对本发明的优选实施例进行详细描述，但本发明并不仅仅限于这些实施例。本发明涵盖任何在本发明的精神和范围上做的替代、修改、等效方法以及方案。
为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。
在下列段落中参照附图以举例方式更具体地描述本发明。需说明的是，附图均采用较为简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
本发明通过深入分析铝电解槽电压信号与电解槽状态之间的机理关系，利用小波包分析和残差网络相结合的方法，并结合专家规则实现了槽电压信号的分类识别。此处采用某电解铝厂大量历史槽电压数据进行实验。
1.采用小波包分析算法对槽电压数据进行分解
选择一天的槽电压信号(8640个数据)进行六层小波包分解，采用sym6为小波函数基。
1)、根据铝电解生产过程中槽电压采样特点，定义槽电压信号为时间序列：
X＝[x1,x2,x3,...,xj,...,xn] (1)
电压信号的采样周期为10s，n为时间序列的长度，其等于槽电压信号单元的个数；xj表示为第j个单元，为整数且无量纲；槽电压信号记为S；针对槽电压信号非平稳性的特点，对其进行6层的小波包分解，并将其重组，分解为低频分量和高频分量，分解后的原始信号S可表示为：
S＝S60+S61+S51+S41+S31+S21+S11 (2)
其中，s60为低频分量，其余的为高频分量；
其中，小波包分解算法为：对于一个给定的正交尺度函数Φ(t)相应的小波函数Ψ(t)，由正交多分辨分析得到二尺度方程:
其中h(n)是高通滤波器，g(n)通滤波器。
对二尺度方程做进一步推广，令：
则得到小波包的严格数学定义为：
分解时采用sym6为小波函数基，即对信号进行6层分解。分解后得到原始信号的高频分量和低频分量。对分解后的小波包树进行重组为图2结构：
2)、构造槽电压信号能量模型为：
其中信号Sij，i表示在树中的层数，j表示在第i层的位置，xk信号Sij中离散点的瞬时电压幅值；
3)、计算原始槽电压信号的总能量为：
则可以得到槽电压信号的高频故障能耗占比P为：
4)、针对槽电压信号低频分量S60的波动特性，按照铝电解专家经验，按照其波形划分为平缓、正常、剧烈三类，并训练出一个残差网络模型对其波形进行识别，提取出低频波动特性；
5)、将提取出来的高频故障能耗占比和低频波动特性，按照专家规则对其槽电压信号进行分类。
优选的，步骤4)所述的残差网络模型为：该残差网络模型输入为50*50的图片，输出为三种类别的概率分布，其中卷积层的卷积核为3*3，步长为1，池化层padding模式为SAME，优化器采用默认参数的Adam优化器。
优选的，步骤4)所述的残差网络模型训练前的数据处理为：一维的槽电压时间序列转换为二维的图片数据输入模型，数据输入模型为交叉熵损失函数：
n为时间可能发生的情况总数，p(x)为样本的真实分布，q(x)为模型输出的分布。
优选的，步骤5)所述的按照专家规则对其槽电压信号进行分类方式为，PFEC是高频故障能耗占比的缩写：
如果低频波动正常，PFEC<3e-5则槽电压信号状态为健康；
如果低频波动正常，3e-5＝<PFEC<8e-5则槽电压信号状态为亚健康；
如果低频波动平缓，PFEC<＝2e-5则槽电压信号状态为亚健康，
如果低频波动平缓，2e-5＝<PFEC<＝4e-5则槽电压信号状态为临界状态；
如果低频波动剧烈，PFEC<＝3e-5则槽电压信号状态为临界状态；
如果低频波动正常，8e-5＝<PFEC则槽电压信号状态为临界状态；
如果低频波动平缓，4e-5＝<PFEC则槽电压信号状态为病态；
如果低频波动剧烈，3e-5＝<PFEC则槽电压信号状态为病态。
实验结果显示此方法分类的准确率达到了90.3％。
虽然以上将实施例分开说明和阐述，但涉及部分共通之技术，在本领域普通技术人员看来，可以在实施例之间进行替换和整合，涉及其中一个实施例未明确记载的内容，则可参考有记载的另一个实施例。
以上所述的实施方式，并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等，均应包含在该技术方案的保护范围之内。
Claims (4)
1.一种基于小波包分析和残差网络的槽电压信号分类方法，其特征在于，主要包括以下步骤：
1)、根据铝电解生产过程中槽电压采样特点，定义槽电压信号为时间序列：
X＝[x1,x2,x3,...,xj,...,xn] (1)
电压信号的采样周期为10s，n为时间序列的长度，其等于槽电压信号单元的个数；xj表示为第j个单元，为整数且无量纲；槽电压信号记为S；针对槽电压信号非平稳性的特点，对其进行6层的小波包分解，并将其重组，分解为低频分量和高频分量，分解后的原始信号S可表示为：
S＝S60+S61+S51+S41+S31+S21+S11 (2)
其中，S60为低频分量，其余的为高频分量；
2)、构造槽电压信号能量模型为：
其中信号Sij，i表示在树中的层数，j表示在第i层的位置，xk表示信号Sij中离散点的瞬时电压幅值；
3)、计算原始槽电压信号的总能量为：
则可以得到槽电压信号的高频故障能耗占比P为：
4)、针对槽电压信号低频分量S60的波动特性，按照铝电解专家经验，按照其波形划分为平缓、正常、剧烈三类，并训练出一个残差网络模型对其波形进行识别，提取出低频波动特性；
5)、将提取出来的高频故障能耗占比和低频波动特性，按照专家规则对其槽电压信号进行分类。
2.根据权利要求1所述的基于小波包分析和残差网络的槽电压信号分类方法，其特征在于：步骤4)所述的残差网络模型为：该残差网络模型输入为50*50的图片，输出为三种类别的概率分布，其中卷积层的卷积核为3*3，步长为1，池化层padding模式为SAME，优化器采用默认参数的Adam优化器。
3.根据权利要求2所述的基于小波包分析和残差网络的槽电压信号分类方法，其特征在于，步骤4)所述的残差网络模型训练前的数据处理为：一维的槽电压时间序列转换为二维的图片数据输入模型，数据输入模型为交叉熵损失函数：
n为时间可能发生的情况总数，p(x)为样本的真实分布，q(x)为模型输出的分布。
4.根据权利要求3所述的一种基于小波包分析和残差网络的槽电压信号分类方法，其特征在于：步骤5)所述的按照专家规则对其槽电压信号进行分类方式为，PFEC是高频故障能耗占比的缩写：
如果低频波动正常，PFEC<3e-5则槽电压信号状态为健康；
如果低频波动正常，3e-5＝<PFEC<8e-5则槽电压信号状态为亚健康；
如果低频波动平缓，PFEC<＝2e-5则槽电压信号状态为亚健康，
如果低频波动平缓，2e-5＝<PFEC<＝4e-5则槽电压信号状态为临界状态；
如果低频波动剧烈，PFEC<＝3e-5则槽电压信号状态为临界状态；
如果低频波动正常，8e-5＝<PFEC则槽电压信号状态为临界状态；
如果低频波动平缓，4e-5＝<PFEC则槽电压信号状态为病态；
如果低频波动剧烈，3e-5＝<PFEC则槽电压信号状态为病态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910850611.8A CN110705373B (zh) | 2019-09-10 | 2019-09-10 | 一种基于小波包分析和残差网络的槽电压信号分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910850611.8A CN110705373B (zh) | 2019-09-10 | 2019-09-10 | 一种基于小波包分析和残差网络的槽电压信号分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110705373A true CN110705373A (zh) | 2020-01-17 |
| CN110705373B CN110705373B (zh) | 2022-12-02 |
Family
ID=69194950
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910850611.8A Expired - Fee Related CN110705373B (zh) | 2019-09-10 | 2019-09-10 | 一种基于小波包分析和残差网络的槽电压信号分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110705373B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011518A (zh) * | 2021-03-31 | 2021-06-22 | 中南大学 | 基于组合加权朴素贝叶斯的铝电解槽槽况健康度分类方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325526A (zh) * | 2018-09-05 | 2019-02-12 | 福州大学 | 一种采用卷积深度置信网络的配电网故障分类方法 |
| CN109784242A (zh) * | 2018-12-31 | 2019-05-21 | 陕西师范大学 | 基于一维残差卷积神经网络的脑电信号去噪方法 |
-
2019
- 2019-09-10 CN CN201910850611.8A patent/CN110705373B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325526A (zh) * | 2018-09-05 | 2019-02-12 | 福州大学 | 一种采用卷积深度置信网络的配电网故障分类方法 |
| CN109784242A (zh) * | 2018-12-31 | 2019-05-21 | 陕西师范大学 | 基于一维残差卷积神经网络的脑电信号去噪方法 |
Non-Patent Citations (1)
| Title |
|---|
| 林景栋 等: ""基于小波神经网络的铝电解槽状态预测"", 《控制工程》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011518A (zh) * | 2021-03-31 | 2021-06-22 | 中南大学 | 基于组合加权朴素贝叶斯的铝电解槽槽况健康度分类方法 |
| CN113011518B (zh) * | 2021-03-31 | 2024-03-29 | 中南大学 | 基于组合加权朴素贝叶斯的铝电解槽槽况健康度分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110705373B (zh) | 2022-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886464B (zh) | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 | |
| CN110621026B (zh) | 一种基站流量多时刻预测方法 | |
| CN111193256A (zh) | 基于变分模态分解和门控循环单元的电力负荷预测方法 | |
| CN107992447A (zh) | 一种应用于河流水位预测数据的特征选择分解方法 | |
| CN108519347B (zh) | 一种基于二进制蜻蜓算法的红外光谱波长选择方法 | |
| CN112668611B (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
| CN112798888B (zh) | 一种无人驾驶列车车载电气系统故障非侵入诊断方法 | |
| CN111915449B (zh) | 基于vmd与omp的电力负荷数据降维重构处理方法 | |
| CN112686182A (zh) | 局部放电模式识别方法及终端设备 | |
| CN113468796A (zh) | 一种基于改进随机森林算法的电压缺失数据辨识方法 | |
| CN113761777A (zh) | 一种基于hp-ovmd的超短期光伏功率预测方法 | |
| CN114881093A (zh) | 一种信号分类识别方法 | |
| CN110705373B (zh) | 一种基于小波包分析和残差网络的槽电压信号分类方法 | |
| CN110969238A (zh) | 一种校准用电数据的方法及装置 | |
| CN115436343A (zh) | 异源激光诱导击穿光谱之间的迁移和标准化方法及系统 | |
| CN115359856A (zh) | 一种分子生成模型的训练方法及装置 | |
| CN105303051A (zh) | 一种空气污染物浓度预测方法 | |
| CN114545066A (zh) | 一种非侵入式负荷监测模型聚合方法和系统 | |
| CN115902396B (zh) | 大型风电并网系统的谐振检测方法和装置 | |
| CN116089897A (zh) | 一种基于多源信息融合的电力设备运行状态评估方法及系统 | |
| CN116340812A (zh) | 一种变压器局部放电故障模式识别方法及系统 | |
| CN116167277A (zh) | 一种基于Elman网络的电力设备故障诊断方法和系统、介质 | |
| CN115661532A (zh) | 一种开关设备的运行状态评估方法及系统 | |
| CN109063767A (zh) | 一种基于样本和变量共识的近红外光谱建模方法 | |
| CN116933119A (zh) | 一种基于卷积神经网络的信号数据去除趋势方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221202 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |