CN115034306A - 基于可拓神经网络的铝电解故障预报及安全运维方法 - Google Patents
基于可拓神经网络的铝电解故障预报及安全运维方法 Download PDFInfo
- Publication number
- CN115034306A CN115034306A CN202210665064.8A CN202210665064A CN115034306A CN 115034306 A CN115034306 A CN 115034306A CN 202210665064 A CN202210665064 A CN 202210665064A CN 115034306 A CN115034306 A CN 115034306A
- Authority
- CN
- China
- Prior art keywords
- fault
- aluminum electrolysis
- neural network
- model
- aluminum
- 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
- 238000000034 method Methods 0.000 title claims abstract description 123
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 101
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 89
- 238000005868 electrolysis reaction Methods 0.000 title claims abstract description 78
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 53
- 238000012423 maintenance Methods 0.000 title claims abstract description 35
- 238000003745 diagnosis Methods 0.000 claims abstract description 36
- 238000004519 manufacturing process Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- AZDRQVAHHNSJOQ-UHFFFAOYSA-N alumane Chemical compound [AlH3] AZDRQVAHHNSJOQ-UHFFFAOYSA-N 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000005096 rolling process Methods 0.000 claims abstract description 7
- 230000006378 damage Effects 0.000 claims abstract description 6
- 238000013210 evaluation model Methods 0.000 claims abstract description 5
- 238000000556 factor analysis Methods 0.000 claims abstract description 5
- 238000007619 statistical method Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 60
- 210000004027 cell Anatomy 0.000 claims description 53
- 230000005856 abnormality Effects 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 24
- 210000000349 chromosome Anatomy 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 239000003792 electrolyte Substances 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000003313 weakening effect Effects 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25C—PROCESSES FOR THE ELECTROLYTIC PRODUCTION, RECOVERY OR REFINING OF METALS; APPARATUS THEREFOR
- C25C7/00—Constructional parts, or assemblies thereof, of cells; Servicing or operating of cells
- C25C7/06—Operating or servicing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Electrolytic Production Of Non-Metals, Compounds, Apparatuses Therefor (AREA)
Abstract
本发明公开基于可拓神经网络的铝电解故障预报及安全运维方法,首先采用因素分析和统计方法分析阳极效应、阴极破损、阳极长苞、冷槽和热槽、滚铝的影响因素;然后采用系统辨识方法提出一种根据模型的铝电解故障建模和诊断方法;采用模型诊断和智能诊断融合的多层次诊断方法,对故障的具体类别进行诊断和预报;构建铝电解槽的测试信息建立铝电解槽性能评估模型,在此基础上确定铝电解槽的最优测试时机。采用基于解析模型和数据驱动的方法研究复杂生产过程异常工况或故障预报与安全运行维护理论和方法,保证整个电解平稳安全生产,延长铝电解槽寿命。
Description
技术领域
本发明涉及基于可拓神经网络的铝电解故障预报及安全运维方法,涉及铝电解安全运维技术领域。
背景技术
铝电解生产工业体系流程复杂,受外界强电场、强磁场及高腐蚀等一系列不利因素的影响,铝电解过程中故障类型多,主要故障有阳极效应、阴极破损、阳极长苞、冷槽和热槽、滚铝等,生产过程不易受到监督和控制,对运行过程的安全性构成了一定威胁。考虑铝电解生产过程运行历史数据包含丰富的运行工况信息及异常工况发生和演化的信息。因此,本发明采用基于解析模型和数据驱动的方法研究复杂生产过程异常工况或故障预报与安全运行维护理论和方法,保证整个电解平稳安全生产,延长铝电解槽寿命。
发明内容
本发明的目的在于,提供基于可拓神经网络的铝电解故障预报及安全运维方法,采用基于解析模型和数据驱动的方法研究复杂生产过程异常工况或故障预报与安全运行维护理论和方法,保证整个电解平稳安全生产,延长铝电解槽寿命。
为实现上述技术目的,达到上述技术效果,本发明是通过以下技术方案实现:
基于可拓神经网络的铝电解故障预报及安全运维方法,包括以下步骤:
S1:铝电解过程常见故障分析及建模
首先采用因素分析和统计方法分析阳极效应、阴极破损、阳极长苞、冷槽和热槽、滚铝的影响因素;然后采用系统辨识方法提出一种根据模型的铝电解故障建模和诊断方法;
S2:铝电解过程异常工况的预报及诊断
采用模型诊断和智能诊断融合的多层次诊断方法,对故障的具体类别进行诊断和预报;
S3:基于故障预报的电解槽最优维护时机确定
构建铝电解槽的测试信息建立铝电解槽性能评估模型,在此基础上确定铝电解槽的最优测试时机。
进一步的,所述S1铝电解过程常见故障分析及建模,提取铝电解过程的主要参数,建立动态模型,通过将现场提取的参数与模型的正常值进行比较,通过计算偏差来判断故障是否发生;
假定正常情况下过程的数学模型表示为:
Z(k)=hT(k)θ0+v(k)
其中:Z(k)是过程的输出变量;θ是维的模型参数向量;hT(k)是数据向量;V(k)是均值为零的白噪声序列;
故障情况下过程的数学模型表示为:
Z(k)=hT(k)θ0+hT(k)Δθ(k)+v(k)
其中:Δθ(k)为过程结构偏差,它指过程的输入输出关系因故障而产生的相应变化;这个结构偏差性质取决于故障的类型;通常,突变的故障,Δθ(k)显示阶跃性的变化,不确定的故障Δθ(k)显示随机变化或者显示缓慢单调漂移变化;
根据随机牛顿法,参数辨识算法可写成:
进一步的,所述S2铝电解过程异常工况的预报及诊断,首先进行第一层级判断,通过采集铝电解过程中数据并进行处理,之后将数据输入到线性辨识模型之中判断铝电解过程中是否发生异常;
当模型诊断出有异常发生时,进入第二层级诊断阶段,采用可拓神经网络作为故障状态检测模型,同时引入GM灰色预估模型作为网络的输入层,对数据样本先进行灰色预估计算得到一系列规律性较强的累加数据,作为可拓神经网络的输入特征量;并且在网络结构层加入遗传算法对网络连接权值进行优化训练,基于灰色预估双权连接可拓神经网络的结构;最终对异常的种类进行进一步判别,判别出异常类别后进行异常预警;
进一步的,所述基于灰色预估双权连接可拓神经网络的结构:
首先进行第一层级判断,先通过监控软件采集铝电解过程中各项数据;其次对辅助变量数据进行处理;之后将处理过的数据输入到线性辨识模型之中判断铝电解过程中是否发生异常;但因为模型的方法只能判断异常的发生,而不能判断异常的类别;
当模型诊断出有异常发生时,进入第二层级诊断阶段,采用可拓神经网络作为故障状态检测模型,同时引入GM(1,1)灰色预估模型作为网络的输入层,对数据样本先进行灰色预估计算,利用其能够弱化数据随机性的特点,通过预估计算后得到一系列规律性较强的累加数据,作为可拓神经网络的输入特征量;
并且在网络结构层加入遗传算法对网络连接权值进行优化训练,最终对异常的种类进行进一步判别,判别出异常类别后进行异常预警。
进一步的,所述基于灰色预估双权连接可拓神经网络的输入层:
选取8个对生产系统影响作用比较大的参数作为进行输入层数据样本的采集,它们分别是:x1=电解液温度、x2=电解液温度变化量、x3=电解液浓度、x4=极距、x5=槽电阻、x6=槽电阻变化量、x7=系列电压、x8=槽电压变化量;
其次,选取的8个原始数据样本进行GM(1,1)预估,对输入数据样本进行约简,确定铝电解过程中的主要输入参数样本;
而后将灰色预估后输出的规律性较强的累加数据输入到可拓神经网络特征层中;
进一步的,所述基于灰色预估双权连接可拓神经网络的输出层:
将输入层的结果输送到网络输出层,输出的结果为可拓神经网络故障诊断识别之后的电解槽状态模式类别,他们分别是:y1=正常状态(0,0,0)、y2=阳极效应(0,0,1)、y3=阴极破损(0,1,0)、y4=阳极长苞(1,0,0)、y5=冷槽(1,0,1)、y6=热槽(1,1,0)、y7=滚铝(1,1,1)。
进一步的,所述基于灰色预估双权连接可拓神经网络的网络结构层:
①确定连接网络输入层和输出层的权值,如下式:
式中,Nk表示故障的种类;cj表示故障的特征;
②初始化种群:
这些在样本集中随机产生的种群即可表示为不同故障物元的故障特征变化域,染色体即可以在这些初始种群的基础上按照编码规则生成,则染色体表示为:
③计算每个个体的评价适应函数,并将其排序,对于任意一个训练参数样本,
如:
式中,P∈NC,λj(j=1,2,…,n)表示每个特征向量所对应的权系数;
若被训练的染色体成功表示出所对应的输出,则说明Max{ED ik,k=1,2,L,m}所表示故障模式相符于样本所对应的故障模式,此时将成功的次数添加到计数器N sucess,直到样本训练过程全部结束,即可求得该染色体的适应值
若所有的EDik<0,i=1,2,…,NC,k=1,2,…,m,则表示该染色体不符要求,应将其剔除;
排序规则:依据适应值大小,下位个体的淘汰比例取0.4,在保留下来的上位个体中采用单点均匀交叉原则,为了确保种群规模不变,新得到的子代个体将被不断地添加到种群中去;
④变异操作:采用高斯单点变异法则,公式如下所示:
式中,i=1,2,…,n,j=1,2,…,m,μ表示某设定常数;
⑤若公式:
其大小符合达到规定的要求,则说明染色体满足训练要求,算法将终止。
进一步的,所述S3基于故障预报的电解槽最优维护时机确定,以铝电解槽最优维护时机确定为目标,首先基于证据推理的多元信息融合方法对铝电解槽的性能进行评估;其次,根据铝电解槽的实际背景,构建铝电解槽最优维护时机优化模型。
本发明的有益效果:
本发明公开基于可拓神经网络的铝电解故障预报及安全运维方法,采用基于解析模型和数据驱动的方法研究复杂生产过程异常工况或故障预报与安全运行维护理论和方法,保证整个电解平稳安全生产,延长铝电解槽寿命。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
图1为本发明实施例所述基于可拓神经网络的铝电解故障预报及安全运维方法流程图;
图2为本发明实施例所述基于灰色预估双权连接可拓神经网络结构图;
图3为本发明实施例所述铝电解槽最优维护实现步骤流程图;
具体实施方式
为了更清楚地说明本发明实施例的技术方案,下面将结合附图对实施例对本发明进行详细说明。
基于可拓神经网络的铝电解故障预报及安全运维方法,包括以下步骤:
S1:铝电解过程常见故障分析及建模
首先采用因素分析和统计方法分析阳极效应、阴极破损、阳极长苞、冷槽和热槽、滚铝的影响因素;然后采用系统辨识方法提出一种根据模型的铝电解故障建模和诊断方法;
S2:铝电解过程异常工况的预报及诊断
采用模型诊断和智能诊断融合的多层次诊断方法,对故障的具体类别进行诊断和预报;
S3:基于故障预报的电解槽最优维护时机确定
构建铝电解槽的测试信息建立铝电解槽性能评估模型,在此基础上确定铝电解槽的最优测试时机。
下面结合具体实施例对本发明进行说明:
实施例1
铝电解过程常见故障分析及建模
首先采用因素分析和统计方法分析阳极效应、阴极破损、阳极长苞、冷槽和热槽、滚铝等常见故障的影响因素。
然后采用系统辨识方法提出一种根据模型的铝电解故障建模和诊断方法。该方法提取铝电解过程的主要参数,如:槽电压,槽电阻,系列电流等,建立动态模型,通过将现场提取的参数与模型的正常值进行比较,通过计算偏差来判断故障是否发生。
假定正常情况下过程的数学模型表示为:
Z(k)=hT(k)θ0+v(k)
其中:Z(k)是过程的输出变量;θ是维的模型参数向量;hT(k)是数据向量;V(k)是均值为零的白噪声序列。
故障情况下过程的数学模型表示为:
Z(k)=hT(k)θ0+hT(k)Δθ(k)+v(k)
其中:Δθ(k)为过程结构偏差,它指过程的输入输出关系因故障而产生的相应变化。这个结构偏差性质取决于故障的类型。通常,突变的故障,Δθ(k)显示阶跃性的变化,不确定的故障Δθ(k)显示随机变化或者显示缓慢单调漂移变化。
根据随机牛顿法,参数辨识算法可写成:
实施例2
模型辨识的方法可以满足故障诊断实时性的要求,但是采用辨识的方式进行故障诊断仅仅可以对故障进行诊断,很难准确判别出故障的类别。
采用模型诊断和智能诊断融合的多层次诊断方法,对故障的具体类别进行诊断和预报。首先进行第一层级判断,通过采集铝电解过程中数据并进行处理,之后将数据输入到线性辨识模型之中判断铝电解过程中是否发生异常。当模型诊断出有异常发生时,进入第二层级诊断阶段,采用可拓神经网络作为故障状态检测模型,同时引入GM灰色预估模型作为网络的输入层,对数据样本先进行灰色预估计算得到一系列规律性较强的累加数据,作为可拓神经网络的输入特征量。并且在网络结构层加入遗传算法对网络连接权值进行优化训练,基于灰色预估双权连接可拓神经网络的结构如图2所示。最终对异常的种类进行进一步判别,判别出异常类别后进行异常预警;
模型辨识的方法可以满足故障诊断实时性的要求,但是采用辨识的方式进行故障诊断仅仅可以对故障进行诊断,但是铝电解故障原因很多,采用模型的异常诊断方式很难能准确的判别出故障的类别,所以需要采用智能诊断的方式对故障的具体类别进行诊断,但智能诊断的方式有耗费时间长,预报慢的特点。因此采用模型诊断和智能诊断融合的多层次诊断方法,不仅可以有效提高预报的准确性,而且能提高它的实时性。
首先进行第一层级判断,先通过监控软件采集铝电解过程中各项数据,其次对辅助变量数据进行处理,之后将处理过的数据输入到线性辨识模型之中判断铝电解过程中是否发生异常,但因为模型的方法只能判断异常的发生,而不能判断异常的类别。所以当模型诊断出有异常发生时,进入第二层级诊断阶段,采用可拓神经网络作为故障状态检测模型,同时引入GM(1,1)灰色预估模型作为网络的输入层,对数据样本先进行灰色预估计算,利用其能够弱化数据随机性的特点,通过预估计算后得到一系列规律性较强的累加数据,作为可拓神经网络的输入特征量。并且在网络结构层加入遗传算法对网络连接权值进行优化训练,基于灰色预估双权连接可拓神经网络的结构图如图2所示。最终对异常的种类进行进一步判别,判别出异常类别后进行异常预警。
所述基于灰色预估双权连接可拓神经网络的结构:
首先进行第一层级判断,先通过监控软件采集铝电解过程中各项数据;其次对辅助变量数据进行处理;之后将处理过的数据输入到线性辨识模型之中判断铝电解过程中是否发生异常;但因为模型的方法只能判断异常的发生,而不能判断异常的类别;
当模型诊断出有异常发生时,进入第二层级诊断阶段,采用可拓神经网络作为故障状态检测模型,同时引入GM(1,1)灰色预估模型作为网络的输入层,对数据样本先进行灰色预估计算,利用其能够弱化数据随机性的特点,通过预估计算后得到一系列规律性较强的累加数据,作为可拓神经网络的输入特征量;
并且在网络结构层加入遗传算法对网络连接权值进行优化训练,最终对异常的种类进行进一步判别,判别出异常类别后进行异常预警。
所述基于灰色预估双权连接可拓神经网络的输入层:
选取8个对生产系统影响作用比较大的参数作为进行输入层数据样本的采集,它们分别是:x1=电解液温度、x2=电解液温度变化量、x3=电解液浓度、x4=极距、x5=槽电阻、x6=槽电阻变化量、x7=系列电压、x8=槽电压变化量;
其次,选取的8个原始数据样本进行GM(1,1)预估,对输入数据样本进行约简,确定铝电解过程中的主要输入参数样本;
而后将灰色预估后输出的规律性较强的累加数据输入到可拓神经网络特征层中;
所述基于灰色预估双权连接可拓神经网络的输出层:
将输入层的结果输送到网络输出层,输出的结果为可拓神经网络故障诊断识别之后的电解槽状态模式类别,他们分别是:y1=正常状态(0,0,0)、y2=阳极效应(0,0,1)、y3=阴极破损(0,1,0)、y4=阳极长苞(1,0,0)、y5=冷槽(1,0,1)、y6=热槽(1,1,0)、y7=滚铝(1,1,1)。
所述基于灰色预估双权连接可拓神经网络的网络结构层:
①确定连接网络输入层和输出层的权值,如下式:
式中,Nk表示故障的种类;cj表示故障的特征;
②初始化种群:
这些在样本集中随机产生的种群即可表示为不同故障物元的故障特征变化域,染色体即可以在这些初始种群的基础上按照编码规则生成,则染色体表示为:
③计算每个个体的评价适应函数,并将其排序,对于任意一个训练参数样本,
如:
式中,P∈NC,λj(j=1,2,…,n)表示每个特征向量所对应的权系数;
若被训练的染色体成功表示出所对应的输出,则说明Max{ED ik,k=1,2,L,m}所表示故障模式相符于样本所对应的故障模式,此时将成功的次数添加到计数器N sucess,直到样本训练过程全部结束,即可求得该染色体的适应值
若所有的EDik<0,i=1,2,…,NC,k=1,2,…,m,则表示该染色体不符要求,应将其剔除;
排序规则:依据适应值大小,下位个体的淘汰比例取0.4,在保留下来的上位个体中采用单点均匀交叉原则,为了确保种群规模不变,新得到的子代个体将被不断地添加到种群中去;
④变异操作:采用高斯单点变异法则,公式如下所示:
式中,i=1,2,…,n,j=1,2,…,m,μ表示某设定常数;
⑤若公式:
其大小符合达到规定的要求,则说明染色体满足训练要求,算法将终止。
实施例3
基于故障预报的电解槽最优维护时机确定
铝电解生产过程中电解槽内各项指标或参数会发生缓慢变化,为了有效掌握其性能状态,通过对铝电解生产过程进行实时测试,准确标定出误差系数,进而判断铝电解槽的性能是否达到技术指标要求。然而,定周期测试可能使铝电解槽出现性能下降、难以及时监测以及维护成本高;
构建铝电解槽的测试信息建立铝电解槽性能评估模型,在此基础上确定铝电解槽的最优测试时机,有效降低铝电解槽的故障发生率,延长惯组的使用寿命,减少测试费用。具体研究中以铝电解槽最优维护时机确定为目标,首先基于证据推理的多元信息融合方法对铝电解槽的性能进行评估;其次,根据铝电解槽的实际背景,构建铝电解槽最优维护时机优化模型,具体步骤如图3所示。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.基于可拓神经网络的铝电解故障预报及安全运维方法,其特征在于,包括以下步骤:
S1:铝电解过程常见故障分析及建模
首先采用因素分析和统计方法分析阳极效应、阴极破损、阳极长苞、冷槽和热槽、滚铝的影响因素;然后采用系统辨识方法提出一种根据模型的铝电解故障建模和诊断方法;
S2:铝电解过程异常工况的预报及诊断
采用模型诊断和智能诊断融合的多层次诊断方法,对故障的具体类别进行诊断和预报;
S3:基于故障预报的电解槽最优维护时机确定
构建铝电解槽的测试信息建立铝电解槽性能评估模型,在此基础上确定铝电解槽的最优测试时机。
2.如权利要求1所述的基于可拓神经网络的铝电解故障预报及安全运维方法,其特征在于:所述S1铝电解过程常见故障分析及建模,提取铝电解过程的主要参数,建立动态模型,通过将现场提取的参数与模型的正常值进行比较,通过计算偏差来判断故障是否发生;
假定正常情况下过程的数学模型表示为:
Z(k)=hT(k)θ0+v(k)
其中:Z(k)是过程的输出变量;θ是维的模型参数向量;hT(k)是数据向量;V(k)是均值为零的白噪声序列;
故障情况下过程的数学模型表示为:
Z(k)=hT(k)θ0+hT(k)Δθ(k)+v(k)
其中:Δθ(k)为过程结构偏差,它指过程的输入输出关系因故障而产生的相应变化;这个结构偏差性质取决于故障的类型;通常,突变的故障,Δθ(k)显示阶跃性的变化,不确定的故障Δθ(k)显示随机变化或者显示缓慢单调漂移变化;
根据随机牛顿法,参数辨识算法可写成:
3.如权利要求1所述的基于可拓神经网络的铝电解故障预报及安全运维方法,其特征在于:所述S2铝电解过程异常工况的预报及诊断,首先进行第一层级判断,通过采集铝电解过程中数据并进行处理,之后将数据输入到线性辨识模型之中判断铝电解过程中是否发生异常;
当模型诊断出有异常发生时,进入第二层级诊断阶段,采用可拓神经网络作为故障状态检测模型,同时引入GM灰色预估模型作为网络的输入层,对数据样本先进行灰色预估计算得到一系列规律性较强的累加数据,作为可拓神经网络的输入特征量;并且在网络结构层加入遗传算法对网络连接权值进行优化训练,基于灰色预估双权连接可拓神经网络的结构;最终对异常的种类进行进一步判别,判别出异常类别后进行异常预警;
4.如权利要求3所述的基于可拓神经网络的铝电解故障预报及安全运维方法,其特征在于:包括以下步骤:
首先进行第一层级判断,先通过监控软件采集铝电解过程中各项数据;其次对辅助变量数据进行处理;之后将处理过的数据输入到线性辨识模型之中判断铝电解过程中是否发生异常;但因为模型的方法只能判断异常的发生,而不能判断异常的类别;
当模型诊断出有异常发生时,进入第二层级诊断阶段,采用可拓神经网络作为故障状态检测模型,同时引入GM(1,1)灰色预估模型作为网络的输入层,对数据样本先进行灰色预估计算,利用其能够弱化数据随机性的特点,通过预估计算后得到一系列规律性较强的累加数据,作为可拓神经网络的输入特征量;
并且在网络结构层加入遗传算法对网络连接权值进行优化训练,最终对异常的种类进行进一步判别,判别出异常类别后进行异常预警。
5.如权利要求4所述的基于可拓神经网络的铝电解故障预报及安全运维方法,其特征在于:所述基于灰色预估双权连接可拓神经网络的输入层:
选取8个对生产系统影响作用比较大的参数作为进行输入层数据样本的采集,它们分别是:x1=电解液温度、x2=电解液温度变化量、x3=电解液浓度、x4=极距、x5=槽电阻、x6=槽电阻变化量、x7=系列电压、x8=槽电压变化量;
其次,选取的8个原始数据样本进行GM(1,1)预估,对输入数据样本进行约简,确定铝电解过程中的主要输入参数样本;
而后将灰色预估后输出的规律性较强的累加数据输入到可拓神经网络特征层中;
6.如权利要求4所述的基于可拓神经网络的铝电解故障预报及安全运维方法,其特征在于:所述基于灰色预估双权连接可拓神经网络的输出层:
将输入层的结果输送到网络输出层,输出的结果为可拓神经网络故障诊断识别之后的电解槽状态模式类别,他们分别是:y1=正常状态(0,0,0)、y2=阳极效应(0,0,1)、y3=阴极破损(0,1,0)、y4=阳极长苞(1,0,0)、y5=冷槽(1,0,1)、y6=热槽(1,1,0)、y7=滚铝(1,1,1)。
7.如权利要求4所述的基于可拓神经网络的铝电解故障预报及安全运维方法,其特征在于:所述基于灰色预估双权连接可拓神经网络的网络结构层:
①确定连接网络输入层和输出层的权值,如下式:
式中,Nk表示故障的种类;cj表示故障的特征;
②初始化种群:
这些在样本集中随机产生的种群即可表示为不同故障物元的故障特征变化域,染色体即可以在这些初始种群的基础上按照编码规则生成,则染色体表示为:
③计算每个个体的评价适应函数,并将其排序,对于任意一个训练参数样本,如:
式中,P∈NC,λj(j=1,2,…,n)表示每个特征向量所对应的权系数;
若被训练的染色体成功表示出所对应的输出,则说明Max{ED ik,k=1,2,L,m}所表示故障模式相符于样本所对应的故障模式,此时将成功的次数添加到计数器N sucess,直到样本训练过程全部结束,即可求得该染色体的适应值
若所有的EDik<0,i=1,2,…,NC,k=1,2,…,m,则表示该染色体不符要求,应将其剔除;
排序规则:依据适应值大小,下位个体的淘汰比例取0.4,在保留下来的上位个体中采用单点均匀交叉原则,为了确保种群规模不变,新得到的子代个体将被不断地添加到种群中去;
④变异操作:采用高斯单点变异法则,公式如下所示:
式中,i=1,2,…,n,j=1,2,…,m,μ表示某设定常数;
⑤若公式:
其大小符合达到规定的要求,则说明染色体满足训练要求,算法将终止。
8.如权利要求1所述的基于可拓神经网络的铝电解故障预报及安全运维方法,其特征在于:所述S3基于故障预报的电解槽最优维护时机确定,以铝电解槽最优维护时机确定为目标,首先基于证据推理的多元信息融合方法对铝电解槽的性能进行评估;其次,根据铝电解槽的实际背景,构建铝电解槽最优维护时机优化模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210665064.8A CN115034306A (zh) | 2022-06-13 | 2022-06-13 | 基于可拓神经网络的铝电解故障预报及安全运维方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210665064.8A CN115034306A (zh) | 2022-06-13 | 2022-06-13 | 基于可拓神经网络的铝电解故障预报及安全运维方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115034306A true CN115034306A (zh) | 2022-09-09 |
Family
ID=83125575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210665064.8A Pending CN115034306A (zh) | 2022-06-13 | 2022-06-13 | 基于可拓神经网络的铝电解故障预报及安全运维方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034306A (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2230882A1 (en) * | 1997-03-14 | 1998-09-14 | Dubai Aluminium Company Limited | Intelligent control of aluminium reduction cells using predictive and pattern recognition techniques |
JPH11154626A (ja) * | 1997-11-21 | 1999-06-08 | Matsushita Electric Ind Co Ltd | アルミ電解コンデンサ用電極箔の製造方法およびその製造装置 |
WO1999057336A1 (en) * | 1998-04-30 | 1999-11-11 | Kaiser Aluminum And Chemical Corporation | System and method for predicting impending anode effect in aluminum reduction cells |
CN1807694A (zh) * | 2005-11-22 | 2006-07-26 | 沈阳建筑大学 | 铝电解故障预报器 |
CN202610360U (zh) * | 2012-06-19 | 2012-12-19 | 贵阳铝镁设计研究院有限公司 | 铝电解槽漏槽检测装置 |
CN103451680A (zh) * | 2012-06-05 | 2013-12-18 | 沈阳铝镁设计研究院有限公司 | 基于多元统计方法的电解铝全流程监测及故障诊断系统 |
CN103952724A (zh) * | 2014-04-22 | 2014-07-30 | 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 |
CN104200266A (zh) * | 2014-08-22 | 2014-12-10 | 浙江工业大学 | 一种基于可拓神经网络的烘房加热系统故障诊断方法 |
WO2017141134A1 (en) * | 2016-02-15 | 2017-08-24 | Dubai Aluminium Pjsc | Method for estimating dynamic state variables in an electrolytic cell suitable for the hall-héroult electrolysis process |
CA2963808A1 (en) * | 2016-04-11 | 2017-10-11 | A2Ia S.A.S. | Systems and methods for recognizing characters in digitized documents |
CN108360021A (zh) * | 2018-04-10 | 2018-08-03 | 中南大学 | 基于数据与知识的铝电解槽过程控制参数获取方法及设备 |
CN111030597A (zh) * | 2019-12-31 | 2020-04-17 | 国网思极神往位置服务(北京)有限公司 | 一种无人机自动充电站的太阳能故障诊断方法 |
CN111286759A (zh) * | 2020-03-27 | 2020-06-16 | 国网山东省电力公司电力科学研究院 | 一种电解铝负荷参与电网紧急控制的控制方法及系统 |
CN112364499A (zh) * | 2020-11-09 | 2021-02-12 | 广西电网有限责任公司电力科学研究院 | 宽频扰动测试下的电解电容寿命的预测方法及终端 |
CN112858917A (zh) * | 2021-01-15 | 2021-05-28 | 哈尔滨工业大学(威海) | 基于遗传算法优化神经网络的电池系统多故障诊断方法 |
CN113177650A (zh) * | 2021-05-28 | 2021-07-27 | 中车齐齐哈尔车辆有限公司 | 一种铁路货车车厢的预测性维护方法及装置 |
CN114595750A (zh) * | 2022-02-28 | 2022-06-07 | 西安理工大学 | 基于深度强化学习参数自动调整的铝电解故障识别方法 |
CN115081319A (zh) * | 2022-06-10 | 2022-09-20 | 昆明理工大学 | 铝电解生产过程智能决策、多目标优化方法 |
-
2022
- 2022-06-13 CN CN202210665064.8A patent/CN115034306A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2230882A1 (en) * | 1997-03-14 | 1998-09-14 | Dubai Aluminium Company Limited | Intelligent control of aluminium reduction cells using predictive and pattern recognition techniques |
JPH11154626A (ja) * | 1997-11-21 | 1999-06-08 | Matsushita Electric Ind Co Ltd | アルミ電解コンデンサ用電極箔の製造方法およびその製造装置 |
WO1999057336A1 (en) * | 1998-04-30 | 1999-11-11 | Kaiser Aluminum And Chemical Corporation | System and method for predicting impending anode effect in aluminum reduction cells |
CN1807694A (zh) * | 2005-11-22 | 2006-07-26 | 沈阳建筑大学 | 铝电解故障预报器 |
CN103451680A (zh) * | 2012-06-05 | 2013-12-18 | 沈阳铝镁设计研究院有限公司 | 基于多元统计方法的电解铝全流程监测及故障诊断系统 |
CN202610360U (zh) * | 2012-06-19 | 2012-12-19 | 贵阳铝镁设计研究院有限公司 | 铝电解槽漏槽检测装置 |
CN103952724A (zh) * | 2014-04-22 | 2014-07-30 | 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 |
CN104200266A (zh) * | 2014-08-22 | 2014-12-10 | 浙江工业大学 | 一种基于可拓神经网络的烘房加热系统故障诊断方法 |
WO2017141134A1 (en) * | 2016-02-15 | 2017-08-24 | Dubai Aluminium Pjsc | Method for estimating dynamic state variables in an electrolytic cell suitable for the hall-héroult electrolysis process |
CA2963808A1 (en) * | 2016-04-11 | 2017-10-11 | A2Ia S.A.S. | Systems and methods for recognizing characters in digitized documents |
CN108360021A (zh) * | 2018-04-10 | 2018-08-03 | 中南大学 | 基于数据与知识的铝电解槽过程控制参数获取方法及设备 |
CN111030597A (zh) * | 2019-12-31 | 2020-04-17 | 国网思极神往位置服务(北京)有限公司 | 一种无人机自动充电站的太阳能故障诊断方法 |
CN111286759A (zh) * | 2020-03-27 | 2020-06-16 | 国网山东省电力公司电力科学研究院 | 一种电解铝负荷参与电网紧急控制的控制方法及系统 |
CN112364499A (zh) * | 2020-11-09 | 2021-02-12 | 广西电网有限责任公司电力科学研究院 | 宽频扰动测试下的电解电容寿命的预测方法及终端 |
CN112858917A (zh) * | 2021-01-15 | 2021-05-28 | 哈尔滨工业大学(威海) | 基于遗传算法优化神经网络的电池系统多故障诊断方法 |
CN113177650A (zh) * | 2021-05-28 | 2021-07-27 | 中车齐齐哈尔车辆有限公司 | 一种铁路货车车厢的预测性维护方法及装置 |
CN114595750A (zh) * | 2022-02-28 | 2022-06-07 | 西安理工大学 | 基于深度强化学习参数自动调整的铝电解故障识别方法 |
CN115081319A (zh) * | 2022-06-10 | 2022-09-20 | 昆明理工大学 | 铝电解生产过程智能决策、多目标优化方法 |
Non-Patent Citations (5)
Title |
---|
向长城;黄席樾;殷礼胜;杨祖元;: "基于遗传算法与可拓神经网络的故障诊断", 计算机仿真, no. 04, 15 April 2008 (2008-04-15) * |
孟彬;周颖;: "铝电解故障诊断研究现状及发展趋势", 科技广场, no. 12, 30 December 2013 (2013-12-30) * |
官文越: ""铝电解故障诊断与容错控制策略研究"", 15 May 2017, 《中国优秀硕士学位论文全文数据库(工程科技Ⅰ辑)》, pages: 023 - 40 * |
李界家;李世涛;王丽娜;: "基于遗传小波神经网络的故障预报应用", 沈阳建筑大学学报(自然科学版), no. 02, 15 March 2009 (2009-03-15) * |
邢杰;萧德云;: "有序神经网络及在阳极效应预报中的应用", 控制工程, no. 01, 20 February 2007 (2007-02-20) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Practical expert diagnosis model based on the grey relational analysis technique | |
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
CN111709447A (zh) | 电网异常检测方法、装置、计算机设备和存储介质 | |
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
CN104615122B (zh) | 一种工控信号检测系统及检测方法 | |
CN112861350B (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
CN108154256A (zh) | 预测风险值的确定方法及装置、存储介质 | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN113850475A (zh) | 一种基于大数据的生产设备性能评估系统 | |
CN112241606A (zh) | 基于cps决策模块的船舶智能设备运维的协同决策方法 | |
CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
CN116109039A (zh) | 一种数据驱动异常检测与预警系统 | |
CN115496384A (zh) | 工业设备的监控管理方法、装置和计算机设备 | |
CN116680643A (zh) | 一种深度对比学习与密度聚类结合的异常检测方法 | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
CN113984389A (zh) | 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 | |
CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
CN109242093A (zh) | 一种基于模糊神经网络的电动汽车电机的可靠性评价方法 | |
CN110532699B (zh) | 基于模糊dcd的湿法冶金浓密洗涤过程故障诊断方法 | |
CN108830407A (zh) | 多工况条件下结构健康监测中的传感器分布优化方法 | |
CN117195114A (zh) | 一种化工产线状态识别方法及系统 | |
CN117435936A (zh) | 一种水冷式汽轮发电机冷却水温预警方法 | |
CN115034306A (zh) | 基于可拓神经网络的铝电解故障预报及安全运维方法 | |
CN117171621A (zh) | 一种基于单片机的闸机健康评估方法、装置及存储介质 | |
CN112287586A (zh) | 基于中小桥损伤识别结果的快速可靠度评估方法 |
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 |