CN113780672B - 基于大数据人工智能的电解槽参数优化方法和系统 - Google Patents
基于大数据人工智能的电解槽参数优化方法和系统 Download PDFInfo
- Publication number
- CN113780672B CN113780672B CN202111094533.7A CN202111094533A CN113780672B CN 113780672 B CN113780672 B CN 113780672B CN 202111094533 A CN202111094533 A CN 202111094533A CN 113780672 B CN113780672 B CN 113780672B
- Authority
- CN
- China
- Prior art keywords
- alkali
- parameters
- current efficiency
- cell
- daily
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000005868 electrolysis reaction Methods 0.000 title description 5
- 239000003513 alkali Substances 0.000 claims abstract description 78
- 238000004519 manufacturing process Methods 0.000 claims abstract description 57
- 238000013178 mathematical model Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 9
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 239000002253 acid Substances 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 239000002585 base Substances 0.000 claims description 2
- 239000012141 concentrate Substances 0.000 claims 1
- 239000012528 membrane Substances 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 abstract description 3
- 230000002035 prolonged effect Effects 0.000 abstract 1
- 239000012267 brine Substances 0.000 description 9
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical compound O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 description 9
- 235000011121 sodium hydroxide Nutrition 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- KZBUYRJDOAKODT-UHFFFAOYSA-N Chlorine Chemical compound ClCl KZBUYRJDOAKODT-UHFFFAOYSA-N 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B1/00—Electrolytic production of inorganic compounds or non-metals
- C25B1/01—Products
- C25B1/34—Simultaneous production of alkali metal hydroxides and chlorine, oxyacids or salts of chlorine, e.g. by chlor-alkali electrolysis
- C25B1/46—Simultaneous production of alkali metal hydroxides and chlorine, oxyacids or salts of chlorine, e.g. by chlor-alkali electrolysis in diaphragm cells
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B1/00—Electrolytic production of inorganic compounds or non-metals
- C25B1/50—Processes
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B15/00—Operating or servicing cells
- C25B15/02—Process control or regulation
- C25B15/023—Measuring, analysing or testing during electrolytic production
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B15/00—Operating or servicing cells
- C25B15/02—Process control or regulation
- C25B15/023—Measuring, analysing or testing during electrolytic production
- C25B15/025—Measuring, analysing or testing during electrolytic production of electrolyte parameters
- C25B15/027—Temperature
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B15/00—Operating or servicing cells
- C25B15/02—Process control or regulation
- C25B15/023—Measuring, analysing or testing during electrolytic production
- C25B15/025—Measuring, analysing or testing during electrolytic production of electrolyte parameters
- C25B15/029—Concentration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Automation & Control Theory (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Inorganic Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
Abstract
本发明涉及电解设备性能优化领域,尤其涉及一种基于大数据人工智能的电解槽参数优化方法和系统,所述方法主要包括获取电解槽生产过程中产生的历史生产数据,以获得影响电流效率和碱日产量的工艺参数;根据所述工艺参数及其对电流效率和碱日产量的影响关系获得电流效率、碱日产量和吨碱电耗的KPI指标,并通过主成分分析法获得所述工艺参数对所述KPI指标影响的权重排序;根据预设条件参数通过所述数学模型获得能够实现最大化碱日产量或最小化吨碱电耗的控制参数。本发明通过数学建模精准分析众多生产参数之间的关系,提供比DCS更优化的控制参数,能够减缓电流效率降低速率,延长离子膜使用周期,降低生产电耗,合理分配产能。
Description
技术领域
本发明涉及电解设备性能优化领域,尤其涉及一种基于大数据人工智能的电解槽参数优化方法和系统。
背景技术
现有烧碱行业通常采用离子膜烧碱生产技术,主要包括了一次盐水制备、二次盐水精制、精制盐水电解、氯氢气处理和液氯生产五个方面的生产任务。其中精制盐水电解过程会耗费大量电能,同时又关系到碱产量,因此需要对电解槽的工艺参数进行监控和优化。然而仅靠工厂手动分析数据,分析效果差,无法准确预测工艺异常和设备故障带来的影响,不能最大程度优化电解槽运行参数,导致产能分配不合理,经济效益差。
发明内容
本发明的目的在于提供一种基于大数据人工智能的电解槽参数优化方法和系统,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明提供了一种基于大数据人工智能的电解槽参数优化方法,包括以下步骤:
获取电解槽生产过程中产生的历史生产数据;
根据所述历史生产数据获得影响电流效率和碱日产量的工艺参数;
根据所述工艺参数及所述工艺参数对电流效率和碱日产量的影响关系获得电流效率、碱日产量和吨碱电耗的KPI指标(Key Performance Indicator,关键绩效指标),并通过主成分分析法获得所述工艺参数对所述KPI指标影响的权重排序;
基于所述KPI指标和所述权重排序建立电解槽数学模型;
根据预设条件参数通过所述数学模型获得能够实现最大化碱日产量或最小化吨碱电耗的控制参数;
获取基于所述控制参数得到的实时生产数据,并对所述数学模型进行验证训练。
优选的,所述历史生产数据包括DCS数据、数据库数据和人工输入数据;所述历史生产数据存储于云服务器或本地服务器中。
优选的,所述工艺参数包括槽电流、槽温度、碱温度、碱浓度、电解槽数、阳极液流量、精盐水流量和加酸流量。
优选的,所述电流效率的KPI指标计算公式为:
E=1-exp(a1+a2*lnb1+a3*lnb2+a4*lnA+a5/t);其中,E为电流效率,a1-a5为回归系数,b1为碱浓度,b2为碱温度,A为电流,t为槽温度。
优选的,所述碱日产量的KPI指标计算公式为:
其中,O为碱日产量,k为常量,n为碱浓度,a为槽电流,i为电解槽数,b为阳极液流量,c为槽温,d为加酸流量。
优选的,所述吨碱电耗的KPI指标计算公式为:Wg=V×1000/(1.492×η);其中,Wg为生产1吨100%的纯NaOH实际消耗的直流电能;V为电解槽槽电压;η为电解槽阴极电流效率;1.492为NaOH电化当量。
本发明还提供一种基于大数据人工智能的电解槽参数优化系统,包括:
获取模块,用于获取电解槽生产过程中产生的历史生产数据;
分析模块,用于根据所述历史生产数据获得影响电流效率和碱日产量的工艺参数;根据所述工艺参数及所述工艺参数对电流效率和碱日产量的影响关系获得电流效率、碱日产量和吨碱电耗的KPI指标,并通过主成分分析法获得所述工艺参数对所述KPI指标影响的权重排序;
处理模块,用于基于所述KPI指标和所述权重排序建立电解槽数学模型;根据预设条件参数通过所述数学模型获得能够实现最大化碱日产量或最小化吨碱电耗的控制参数;
反馈模块,用于获取基于所述控制参数得到的实时生产数据,并对所述数学模型进行验证训练。
本发明的有益效果是:
本发明提供了一种基于大数据人工智能的电解槽参数优化方法和系统,针对电解过程进行优化和智能控制,通过大数据分析、机器学习和人工智能技术对电解过程数据和电解槽设备进行建模,精准分析众多生产参数之间的关系,提供比DCS更优化的控制参数,减缓电流效率降低速率,延长离子膜使用周期,降低生产电耗,合理分配产能;在最大程度上满足生产环境上的限制,同时完成既定的生产目标。
附图说明
图1是本发明提供的一种基于大数据人工智能的电解槽参数优化方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种基于大数据人工智能的电解槽参数优化方法,如图1所示,包括以下步骤:
S101.获取电解槽生产过程中产生的历史生产数据。
所述历史生产数据包括DCS数据、数据库数据和人工输入数据,所述历史生产数据存储于云服务器或本地服务器中。
本发明在设计和开发中使用大数据、云计算、机器学习和人工智能技术。用户使用和部署极其方便,采用浏览器作为人机界面,不会对现有的IT体系结构做更改,只需要接入DCS或数据库数据(同时支持word、txt、csv等离线文本输入),软件即可完成建模和学习的功能。
用户通过浏览器登陆到网站主页,使用内嵌的各种在线工具来查看生产状态、历史数据、电压、电流效率的曲线和曲面图、生产参数排序、离线更改参数模拟计算对应的KPI、用户也可以通过指定生产目标和限制系统可以生成符合用户装置情况最优的生产控制方案。由于DCS和数据库存储时间有限,系统将历史数据存储于云服务器或本地服务器中,方便用户实时查询,并通过包括json在内的多种数据格式与用户其它软件系统进行交互。用户可通过指定的格式上传更新生产数据,也可以通过我们提供的在线工具对指定时间指定参数的历史数据进行查询,最大程度减少用户的开发。
S102.根据所述历史生产数据获得影响电流效率和碱日产量的工艺参数。
本发明通过自动数据处理技术,对无意义的生产数据进行过滤,同时改变数据采集频率降低服务器负荷。
本实施例中影响电流效率和碱日产量工艺参数主要包括槽电流、槽温度、碱温度、碱浓度、电解槽数、阳极液流量、精盐水流量和加酸流量。
S103.根据所述工艺参数及所述工艺参数对电流效率和碱日产量的影响关系获得电流效率、碱日产量和吨碱电耗的KPI指标,并通过主成分分析法获得所述工艺参数对所述KPI指标影响的权重排序。
(1)电流效率的KPI指标
首先进行工艺参数对电流效率的影响分析,具体步骤如下:
第一步:选择需要分析的设备,获取电解槽编号及该设备的工艺参数信息。
第二步:在其他工艺参数x一定的基础上,选择一个或两个工艺参数y进行变化。
第三步:计算电流效率,得到工艺参数y对电流效率的影响关系,并通过三维电流效率曲面变化情况进行展示。
第四步:反复迭代第二步至第三步,反复选择不同参数,以得到效率最大值及影响最大的工艺参数。
表1为电流效率与工艺参数之间的影响关系
然后根据上述工艺参数及影响关系进行数据分析,得到所述电流效率的KPI指标计算公式,其数学表达式为:
E=1-exp(a1+a2*lnb1+a3*lnb2+a4*lnA+a5/t)
其中,E为电流效率(%),a1-a5为回归系数,b1为碱浓度(%),b2为碱温度(℃),A为电流(kA),t为槽温度(℃)。
(2)碱日产量的KPI指标
首先进行工艺参数对碱日产量的影响分析,具体步骤与上述电流效率相似。
根据得到的工艺参数及影响关系后进行数据分析,得到所述碱日产量的KPI指标计算公式,其数学表达式为:
其中,O为碱日产量(吨),k为常量,n为碱浓度(%),a为槽电流(kA),i为电解槽数(个),b为阳极液流量(m3/小时),c为槽温(℃),d为加酸流量(升/小时)。
(3)吨碱电耗的KPI指标
经数据分析,吨碱电耗主要受电解槽的槽电压和阴极电流效率影响,其KPI指标计算公式为:
Wg=V×1000/(1.492×η)
其中,Wg为生产1吨100%的纯NaOH实际消耗的直流电能,单位为千瓦小时/吨NaOH;V为电解槽槽电压,单位V;η为电解槽阴极电流效率,单位为%;1.492为NaOH电化当量,单位为g/(A·h)。
(4)权重排序
分析各个工艺参数对KPI的影响,并根据影响权重对其进行排序。权重排序采用了多元分析法的主成分分析法的逻辑,多元统计法是指利用多元统计分析来对样本数据进行计算从而确定指标权重的方法,包括主成分分析法和因子分析法两种,主成分分析法是将多个变量通过线性变换以选出较少个数重要变量的一种方法。利用主成分分析所得的主成分顺序,即是对各个指标影响都比较大的参数排序。表2-4为具体实施例中的权重排序示例。
表2为影响电流效率的参数分析及权重排序
位号 | 参数描述 | 影响权重 |
I-230 | 电流(千安) | 较强 |
FIT-211 | 加酸(升/小时) | 较强 |
FIT-231 | 阳极液流量(立方米/小时) | 较强 |
TE-274 | 成品碱温度(摄氏度) | 较强 |
TE-234 | 槽温(摄氏度) | 中等 |
FIT-232 | 阴极液流量(立方米/小时) | 中等 |
FIT-241 | 精盐水流量(立方米/小时) | 较弱 |
-- | 成品碱浓度(%) | 较弱 |
TE-273 | 阴极液高位槽温度(摄氏度) | 较弱 |
表3为影响槽电压的参数分析及权重排序
位号 | 参数描述 | 影响权重 |
I-230 | 电流(千安) | 较强 |
FIT-211 | 加酸流量(升/小时) | 较强 |
FIT-231 | 阳极液流量(立方米/小时) | 较强 |
TE-234 | 槽温(摄氏度) | 中等 |
FIT-232 | 阴极液流量(立方米/小时) | 中等 |
TE-274 | 成品碱温度(摄氏度) | 中等 |
FIT-241 | 精盐水流量(立方米/小时) | 较弱 |
-- | 碱浓度(%) | 较弱 |
TE-273 | 阴极液高位槽温度(摄氏度) | 较弱 |
表4影响吨碱电耗参数分析及权重排序
位号 | 参数描述 | 影响权重 |
I-230 | 电流(千安) | 较强 |
FIT-211 | 加酸(升/小时) | 较强 |
FIT-231 | 阳极液流量(立方米/小时) | 较强 |
TE-234 | 槽温(摄氏度) | 中等 |
FIT-232 | 阴极液流量(立方米/小时) | 中等 |
TE-274 | 成品碱温度(摄氏度) | 中等 |
FIT-241 | 精盐水流量(立方米/小时) | 较弱 |
-- | 成品碱浓度(%) | 较弱 |
TE-273 | 阴极液高位槽温度(摄氏度) | 较弱 |
S104.基于所述KPI指标和所述权重排序建立电解槽数学模型。
S105.根据预设条件参数通过所述数学模型获得能够实现最大化碱日产量或最小化吨碱电耗的控制参数。
本实施例中可以利用该数学模型实时计算监测装置产能、槽电压、吨碱电耗及电流效率,以判断是否存在生产异常或设备故障。
本实施例中可以通过调控数学模型得到的控制参数,以实现电流的有效分配,最大化生产效率。具体为:
一、预设生产需求的前提条件(限值总电流或指定目标日产量)。
二、并确定优化目标(最大化碱日产量或最小化吨碱电耗)。
三、获取当前工艺参数(或人工输入任意一种电流分配方式以及对应的输入参数)。
四、计算出能够实现优化目标的控制参数,以及基于该控制参数预测得到的槽电压、电流效率、碱日产量和吨碱电耗等分析数据。
其中,电流效率预测既能预测出整个装置的电流效率,还可以通过同样电流和生产环境下多台电解槽间效率的对比,计算出每台电解槽的相对效率。数学模型在生产需求和目标一定情况下(例如在限值总电流100(kA),目标最大化产量),通过计算电解槽1至n的电流效率,并按电解槽的电流效率高低进行电流配比。槽电流分配公式为:
in=IT*(E1+E2+...+Ex)/En
其中:in为第n个电解槽分配的电流(kA),IT为电流总量(kA),E为电解槽电流效率(%),x为电解槽数量。
表5为具体实施中生产条件为“限值总电流”值为110kA情况下,优化目标为“最大化产量”,电流分配及其它参数配置优化结果表。
表5
S106.获取基于所述控制参数得到的实时生产数据,并对所述数学模型进行验证训练。
数学模型能够实时收集新的生产数据,自动对模型进行修整和完善。将预测得到的控制参数及其他分析数据与实际DCS数据比较,验证系统返回的结果数据是否正常、是否可信服。通过反复参数调整,追求优化的目标值达到更好的效果。最后将学习训练的特征数据进行保存,方便后续模型的训练和优化,形成一个完整的数据闭环。
在本发明的一些实施例中,利用机器学习和人工智能技术对整个烧碱生产系统进行建模和精准控制,能提供比DCS更优化的控制参数,使电解装置始终运行在最优状态;通过调整输入参数,量化预测每次工艺异常及故障给装置带来的影响,使装置运行在最佳状态。
在本发明的一些实施例中,利用数学优化模型,计算出每台电解槽效率,根据实际效率提升或降低装置负荷,根据每台电解槽的运行效率在安全生产联锁值范围内智能推荐参数调整;调节包括电流、阴极温度、进槽盐水等在内的可输入参数,使电流在不同效率电解槽之间进行更合理分配。系统默认提供针对最大化产量或者最小化电耗进行优化,提高运行效率。
在本发明的一些实施例中,将数学模型与工厂手动分析数据结合建立新的数学模型,指导用户日常操作分析。
在本发明的一些实施例中,本系统不需要使用昂贵的硬件设备来进行电压测量计算效率,采用数据驱动技术建立槽电压、电耗与电流、温度等其他生产过程参数之间的非线性模型,在这个模型的基础上,用户可以定性及定量地了解电解槽在整个生命周期不同阶段的电流效率,提前预警在升降电流过程中可能出现的意外来预防潜在的安全隐患,对设备KPI预测。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
本发明提供了一种基于大数据人工智能的电解槽参数优化方法和系统,针对电解过程进行优化和智能控制,通过大数据分析、机器学习和人工智能技术对电解过程数据和电解槽设备进行建模,精准分析众多生产参数之间的关系,提供比DCS更优化的控制参数,减缓电流效率降低速率,延长离子膜使用周期,降低生产电耗,合理分配产能;在最大程度上满足生产环境上的限制,同时完成既定的生产目标。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (4)
1.一种基于大数据人工智能的电解槽参数优化方法,其特征在于,包括以下步骤:
获取电解槽生产过程中产生的历史生产数据;
根据所述历史生产数据获得影响电流效率和碱日产量的工艺参数;
根据所述工艺参数及所述工艺参数对电流效率和碱日产量的影响关系获得电流效率、碱日产量和吨碱电耗的KPI指标,并通过主成分分析法获得所述工艺参数对所述KPI指标影响的权重排序;
基于所述KPI指标和所述权重排序建立电解槽数学模型;
根据预设条件参数通过所述数学模型获得能够实现最大化碱日产量或最小化吨碱电耗的控制参数;
获取基于所述控制参数得到的实时生产数据,并对所述数学模型进行验证训练;
所述电流效率的KPI指标计算公式为:E=1-exp(a1+a2*lnb1+a3*lnb2+a4*lnA+a5/t);其中,E为电流效率,a1-a5为回归系数,b1为碱浓度,b2为碱温度,A为电流,t为槽温度;
所述碱日产量的KPI指标计算公式为:
其中,O为碱日产量,k为常量,n为碱浓度,a为槽电流,i为电解槽数,b为阳极液流量,c为槽温,d为加酸流量;
所述吨碱电耗的KPI指标计算公式为:Wg=V×1000/(1.492×η);其中,Wg为生产1吨100%的纯NaOH实际消耗的直流电能;V为电解槽槽电压;η为电解槽阴极电流效率;1.492为NaOH电化当量。
2.根据权利要求1所述的电解槽参数优化方法,其特征在于,所述历史生产数据包括DCS数据、数据库数据和人工输入数据;所述历史生产数据存储于云服务器或本地服务器中。
3.根据权利要求1所述的电解槽参数优化方法,其特征在于,所述工艺参数包括槽电流、槽温度、碱温度、碱浓度、电解槽数、阳极液流量、精盐水流量和加酸流量。
4.一种基于大数据人工智能的电解槽参数优化系统,其特征在于,包括:
获取模块,用于获取电解槽生产过程中产生的历史生产数据;
分析模块,用于根据所述历史生产数据获得影响电流效率和碱日产量的工艺参数;根据所述工艺参数及所述工艺参数对电流效率和碱日产量的影响关系获得电流效率、碱日产量和吨碱电耗的KPI指标,并通过主成分分析法获得所述工艺参数对所述KPI指标影响的权重排序;
处理模块,用于基于所述KPI指标和所述权重排序建立电解槽数学模型;根据预设条件参数通过所述数学模型获得能够实现最大化碱日产量或最小化吨碱电耗的控制参数;
反馈模块,用于获取基于所述控制参数得到的实时生产数据,并对所述数学模型进行验证训练;
所述电流效率的KPI指标计算公式为:E=1-exp(a1+a2*lnb1+a3*lnb2+a4*lnA+a5/t);其中,E为电流效率,a1-a5为回归系数,b1为碱浓度,b2为碱温度,A为电流,t为槽温度;
所述碱日产量的KPI指标计算公式为:
其中,O为碱日产量,k为常量,n为碱浓度,a为槽电流,i为电解槽数,b为阳极液流量,c为槽温,d为加酸流量;
所述吨碱电耗的KPI指标计算公式为:Wg=V×1000/(1.492×η);其中,Wg为生产1吨100%的纯NaOH实际消耗的直流电能;V为电解槽槽电压;η为电解槽阴极电流效率;1.492为NaOH电化当量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111094533.7A CN113780672B (zh) | 2021-09-17 | 2021-09-17 | 基于大数据人工智能的电解槽参数优化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111094533.7A CN113780672B (zh) | 2021-09-17 | 2021-09-17 | 基于大数据人工智能的电解槽参数优化方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780672A CN113780672A (zh) | 2021-12-10 |
CN113780672B true CN113780672B (zh) | 2023-09-05 |
Family
ID=78851920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111094533.7A Active CN113780672B (zh) | 2021-09-17 | 2021-09-17 | 基于大数据人工智能的电解槽参数优化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780672B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114351163A (zh) * | 2021-12-20 | 2022-04-15 | 浙江大学 | 一种电解制氢电压最优占空比的搜寻方法 |
CN114892186B (zh) * | 2022-05-31 | 2023-03-14 | 浙江天行健水务有限公司 | 一种次氯酸钠的发生工艺 |
EP4335947A1 (en) * | 2022-09-06 | 2024-03-13 | Covestro Deutschland AG | Method and system for operating an electrochemical reactor |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008231537A (ja) * | 2007-03-22 | 2008-10-02 | Sumitomo Chemical Co Ltd | 電解シミュレーション装置 |
CN108445756A (zh) * | 2018-03-09 | 2018-08-24 | 重庆科技学院 | 基于ar支配关系的铝电解节能减排智能控制方法 |
CN111926343A (zh) * | 2020-07-29 | 2020-11-13 | 上海浦辰信息科技有限公司 | 一种离子膜电解槽最佳运行周期的确定方法 |
-
2021
- 2021-09-17 CN CN202111094533.7A patent/CN113780672B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008231537A (ja) * | 2007-03-22 | 2008-10-02 | Sumitomo Chemical Co Ltd | 電解シミュレーション装置 |
CN108445756A (zh) * | 2018-03-09 | 2018-08-24 | 重庆科技学院 | 基于ar支配关系的铝电解节能减排智能控制方法 |
CN111926343A (zh) * | 2020-07-29 | 2020-11-13 | 上海浦辰信息科技有限公司 | 一种离子膜电解槽最佳运行周期的确定方法 |
Non-Patent Citations (1)
Title |
---|
伍迪离子膜电解槽电流效率与电耗匹配情况及优化管理;张隆刚等,;《氯碱工业》;第51卷(第6期);第17-19页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113780672A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113780672B (zh) | 基于大数据人工智能的电解槽参数优化方法和系统 | |
CN103279075B (zh) | 一种间歇化工生产过程的控制方法 | |
CN110929927A (zh) | 一种应用配电网全域大数据的人工智能预测模型构方法 | |
CN111090939B (zh) | 石化装置异常工况的预警方法和系统 | |
CN105467945A (zh) | 一种基于电解槽实时生产数据的专家系统 | |
CN110363335A (zh) | 考虑陕北级联断面限额联动调整的实时发电计划优化方法 | |
CN116995674A (zh) | 一种基于aem实现的智能能源调度方法 | |
Xing et al. | Research on the influence of hidden layers on the prediction accuracy of GA-BP neural network | |
CN114462761A (zh) | 基于物联网的分布式能源智能管控系统 | |
CN117454093A (zh) | 一种智能电源模块管理方法及系统 | |
CN116894663B (zh) | 一种智能化的aem电解槽控制系统 | |
CN116633022A (zh) | 一种基于氢储能的微电网协调控制系统 | |
CN109231389B (zh) | 一种用于重金属废水处理过程的多工况协调优化方法 | |
CN116667535A (zh) | 一种新能源模块化的微电网协调控制系统 | |
CN116005171A (zh) | 一种电解水制氢系统、方法、设备及介质 | |
CN115051360A (zh) | 集成式知识迁移的电力系统运行风险在线计算方法与装置 | |
CN107730046A (zh) | 一种电力短期负荷预测系统及方法 | |
CN114819058A (zh) | 一种基于实时能耗数据的企业综合碳排测算方法 | |
CN101604420A (zh) | 煤气平衡模型的建立方法 | |
Wang et al. | XGBoost-based failure prediction method for metal additive manufacturing equipment | |
CN112465196A (zh) | 一种系统负荷预测方法、装置、设备和存储介质 | |
Zhang et al. | Self-organized cascade collaborative optimization method for associated unit processes | |
US20240177076A1 (en) | Digital twin for green ammonia facility using a low carbon energy source and related methods of use | |
Mohammad | Automation and Supervision of an Electrolysis System for Hydrogen Production Using PLC/SCADA | |
Yang et al. | Investigation on data-driven life prediction methods |
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 |