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

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

基于可拓神经网络的铝电解故障预报及安全运维方法

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)＝h^T(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)＝h^T(k)θ₀+h^T(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：

对比分析有、无故障时参数偏差

的协方差阵与过程结构偏差θ(k)协方差阵的关系可知，当故障可由参数变化来描述时，可利用参数辨识方法实现过程的故障检测。

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)＝h^T(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)＝h^T(k)θ₀+h^T(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：

对比分析有、无故障时参数偏差

的协方差阵与过程结构偏差θ(k)协方差阵的关系可知，当故障可由参数变化来描述时，可利用参数辨识方法实现过程的故障检测。

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)＝h^T(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)＝h^T(k)θ₀+h^T(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：

对比分析有、无故障时参数偏差

的协方差阵与过程结构偏差θ(k)协方差阵的关系可知，当故障可由参数变化来描述时，可利用参数辨识方法实现过程的故障检测。

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。

Images