CN115081319B - 铝电解生产过程智能决策、多目标优化方法 - Google Patents
铝电解生产过程智能决策、多目标优化方法 Download PDFInfo
- Publication number
- CN115081319B CN115081319B CN202210657050.1A CN202210657050A CN115081319B CN 115081319 B CN115081319 B CN 115081319B CN 202210657050 A CN202210657050 A CN 202210657050A CN 115081319 B CN115081319 B CN 115081319B
- Authority
- CN
- China
- Prior art keywords
- aluminum electrolysis
- production process
- electrolysis production
- aluminum
- objective optimization
- 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
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 120
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 120
- 238000005868 electrolysis reaction Methods 0.000 title claims abstract description 113
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000005457 optimization Methods 0.000 title claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 28
- 230000008878 coupling Effects 0.000 claims abstract description 16
- 238000010168 coupling process Methods 0.000 claims abstract description 16
- 238000005859 coupling reaction Methods 0.000 claims abstract description 16
- 239000002994 raw material Substances 0.000 claims description 28
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 claims description 16
- 238000005265 energy consumption Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 7
- 239000003792 electrolyte Substances 0.000 claims description 7
- 238000009776 industrial production Methods 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 7
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 6
- 239000007789 gas Substances 0.000 claims description 6
- TXEYQDLBPFQVAA-UHFFFAOYSA-N tetrafluoromethane Chemical compound FC(F)(F)F TXEYQDLBPFQVAA-UHFFFAOYSA-N 0.000 claims description 6
- 239000012535 impurity Substances 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 239000004411 aluminium Substances 0.000 claims description 4
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 3
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 3
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 3
- 230000008033 biological extinction Effects 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 239000003546 flue gas Substances 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 229910052744 lithium Inorganic materials 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 229910052700 potassium Inorganic materials 0.000 claims description 3
- 239000011591 potassium Substances 0.000 claims description 3
- 229910052717 sulfur Inorganic materials 0.000 claims description 3
- 239000011593 sulfur Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000000704 physical effect Effects 0.000 claims description 2
- 238000004134 energy conservation Methods 0.000 abstract description 6
- 230000009467 reduction Effects 0.000 abstract description 6
- 230000001276 controlling effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25C—PROCESSES FOR THE ELECTROLYTIC PRODUCTION, RECOVERY OR REFINING OF METALS; APPARATUS THEREFOR
- C25C3/00—Electrolytic production, recovery or refining of metals by electrolysis of melts
- C25C3/06—Electrolytic production, recovery or refining of metals by electrolysis of melts of aluminium
- C25C3/20—Automatic control or regulation of cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Electrochemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Metallurgy (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Organic Chemistry (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrolytic Production Of Metals (AREA)
Abstract
本发明公开一种铝电解生产过程智能决策、多目标优化方法,首先综合分析影响铝电解流程节能、减排的主要因素和耦合关系;然后构建铝电解过程电压功耗模型、电流效率模型以及废气排放模型,最后通过自适应动态规划方面来求解该多目标优化问题,给出最优决策变量。
Description
技术领域
本发明涉及铝电解生产过程智能决策、多目标优化方法,涉及铝电解智能控制技术领域。
背景技术
作为一个多变量耦合、非线性、时变以及大时滞的工业体系,铝电解过程内部的复杂的化学物理反应、作业的干扰、外界的各种条件使得在运行过程中电解槽会有许多变量和参数的不可连续测定性和不确定性;铝电解过程中单一因素的控制未必能确保电解槽总体工况最优,实现铝电解节能、降耗、减排等高效生产。铝电解控制系统是一个复杂物化反应过程,影响铝电解电流效率和排放的变量有很多,且部分变量之间相互耦合甚至冲突。
对此,为了提高铝电解生产过程智能决策、目标优化,越来越多的研究者提出了采用数据挖掘,设计综合优化控制方案,利用测量数据或者利用软测量技术对不能检测的数据进行软测量,对电解槽状况进行智能评价,利用智能算法对控制参数调整量进行决策;但是,针对高铝电解生产过程智能决策、目标优化,现有技术并没有成熟的方案解决相关技术问题,使得在本领域还存在技术空缺,相关问题也一直得不到改善,制约了行业的发展。
因此,本申请提供铝电解生产过程智能决策、多目标优化系统及方法,首先综合分析影响铝电解流程节能、减排的主要因素和耦合关系;然后构建铝电解过程电压功耗模型、电流效率模型以及废气排放模型,最后通过自适应动态规划方面来求解该多目标优化问题,给出最优决策变量。
发明内容
本发明的目的在于,提供铝电解生产过程智能决策、多目标优化方法,首先综合分析影响铝电解流程节能、减排的主要因素和耦合关系;然后构建铝电解过程电压功耗模型、电流效率模型以及废气排放模型,最后通过自适应动态规划方面来求解该多目标优化问题,给出最优决策变量。
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:
铝电解生产过程智能决策、多目标优化方法,包括以下步骤:
S1:铝电解生产过程多因素耦合分析
以铝电解生产过程的能耗、排放、铝产量为因素,依托铝电解工业生产过程海量数据中深度挖掘信息和知识,决策出规模化铝电解生产系统的能耗、排放、铝产量因素耦合分析;
S2:铝电解生产过程多目标决策模型建立
以电流效率最高、功耗以及废气排放最低为优化目标,以摩尔比、电解温度以及极距为决策变量,以氧化铝浓度满足要求与铝电解生产工艺要求为约束条件的优化模型框架;
S3:铝电解生产过程多目标优化问题求解及控制
将自适应动态规划方法引入到铝电解生产过程多目标优化问题求解中,将每一时刻的过程的电压功耗、电流效率和排放作为系统状态量,将每一时刻的摩尔比、电解质温度、极距调节变化量作为系统控制量,将以氧化铝浓度满足要求与铝电解生产工艺要求为约束条件,然后根据迭代自适应动态规划实现最优问题的快速求解;
铝电解过程多目标优化问题的成本函数或性能指标定义为:
xi是系统状态;ui是决策变量,r(xi,ui)为效用函数,表示当下控制向量ui后系统做出的奖励或惩罚;0<γ≤1是折扣因子;
采用值迭代策略求解成本函数及神经网络方法逼近非线性成本函数的最优值,从而得到最优控制策略。
进一步的,所述S1铝电解生产过程多因素耦合分析,以铝电解生产过程的能耗、排放、铝产量为因素,依托铝电解工业生产过程海量数据中深度挖掘信息和知识,决策出规模化铝电解生产系统的能耗、排放、铝产量因素耦合分析。
进一步的,所述铝电解生产过程的能耗:通过监测电解槽的实时电流效率、平均电压,计算电解槽的实时直流电耗进行,从而构建主要的工艺参数与电耗之间的关系,为铝电解过程的工艺优化提供依据;
所述实时电流效率通过在线测量烟气中一氧化碳浓度进行计算;所述工艺参数为摩尔比、电解质温度、极距。
进一步的,所述铝电解生产过程的排放:一是通过建立氧化铝下料的智能决策方法,减少阳极效应的发生,从而减少全氟化碳气体的排放;二是实现阳极效应的准确预报及快速熄灭来减少全氟化碳气体的排放。
进一步的,所述铝电解生产过程的铝产量:针对大型铝电解企业的原料来源复杂和原料性质波动频繁的特性,建立外界原料市场数据、电化学机理知识与检测数据知识融合的工艺技术指标、效益和成本的智能过程模型;
以原料的杂质含量、原料物性参数、原料价格及原料库存情况作为条件,以经济效益最大化为目标,从铝电解工业生产过程海量数据中深度挖掘信息和知识,决策出规模化铝电解生产系统在不同的原料和能源供应条件下的工艺指标,为多目标优化模型的建立打下基础;
所述原料的杂质含量:碳素阳极中硫含量、氧化铝中锂、钾含量;所述原料物性参数:氧化铝的安息角、粒度及晶型。
进一步的,所述S2铝电解生产过程多目标决策模型建立:
首先,对铝电解生产过程采用多元线性回归以及改进BP神经网络方法建立多目标优化模型;
其次,利用专家规则,集成多元线性同归以及BP神经网络建立电流效率模型、废气排放模型与电压功耗模型;
最后,集总给出铝电解生产过程的多目标优化模型。
本发明的有益效果:
本发明提供铝电解生产过程智能决策、多目标优化方法,首先综合分析影响铝电解流程节能、减排的主要因素和耦合关系;然后构建铝电解过程电压功耗模型、电流效率模型以及废气排放模型,最后通过自适应动态规划方面来求解该多目标优化问题,给出最优决策变量。
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铝电解生产过程智能决策、多目标优化方法流程图;
图2为本发明实施例所述铝电解多目标控制系统的总体模型;
图3为本发明实施例所述自适应动态规划算法示意图;
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。
铝电解生产过程智能决策、多目标优化方法,包括以下步骤:
S1:铝电解生产过程多因素耦合分析
以铝电解生产过程的能耗、排放、铝产量为因素,依托铝电解工业生产过程海量数据中深度挖掘信息和知识,决策出规模化铝电解生产系统的能耗、排放、铝产量因素耦合分析;
S2:铝电解生产过程多目标决策模型建立
以电流效率最高、功耗以及废气排放最低为优化目标,以摩尔比、电解温度以及极距为决策变量,以氧化铝浓度满足要求与铝电解生产工艺要求为约束条件的优化模型框架;
S3:铝电解生产过程多目标优化问题求解及控制
将自适应动态规划方法引入到铝电解生产过程多目标优化问题求解中,将每一时刻的过程的电压功耗、电流效率和排放作为系统状态量,将每一时刻的摩尔比、电解质温度、极距调节变化量作为系统控制量,将以氧化铝浓度满足要求与铝电解生产工艺要求为约束条件,然后根据迭代自适应动态规划实现最优问题的快速求解。
下面结合具体实施例对本发明进行说明:
实施例1
铝电解生产过程多因素(能耗、排放、铝产量)耦合分析
对提高电流效率,减少能源消耗以及废气排放的要求从工艺过程进行分析;
节能方面通过监测电解槽的实时电流效率(可通过在线测量烟气中一氧化碳浓度进行计算)、平均电压,计算电解槽的实时直流电耗进行,从而构建主要的工艺参数(摩尔比、电解质温度、极距等)与电耗之间的关系,为铝电解过程的工艺优化提供依据。
减排方面一是通过建立氧化铝下料的智能决策方法,减少阳极效应的发生,从而减少全氟化碳气体的排放;二是实现阳极效应的准确预报(电解槽电压变化)及快速熄灭(发生阳极效应时增加氧化铝下料量)来减少全氟化碳气体的排放。
此外,为实现铝电解产量和品质,针对大型铝电解企业的原料来源复杂和原料性质波动频繁的特性,建立外界原料市场数据、电化学机理知识与检测数据知识融合的工艺技术指标、效益和成本的智能过程模型。以原料的杂质含量(如:碳素阳极中硫含量、氧化铝中锂、钾含量等)、原料物性参数(例如氧化铝的安息角、粒度及晶型等)、原料价格及原料库存情况等作为条件,以经济效益最大化为目标,从铝电解工业生产过程海量数据中深度挖掘信息和知识,决策出规模化铝电解生产系统在不同的原料和能源供应条件下的工艺指标,为多目标优化模型的建立打下基础。
实施例2
铝电解生产过程多目标决策模型建立
在铝电解生产过程中期望的综合生产目标是:在氧化铝浓度满足要求的前提下,使电流效率最高、功耗最低。而摩尔比、电解温度以及极距直接影响电流效率和功耗。因此,本部分提出以电流效率最高、功耗以及废气排放最低为优化目标,以摩尔比、电解温度以及极距为决策变量,以氧化铝浓度满足要求与铝电解生产工艺要求为约束条件的优化模型框架(如图2所示)。
首先,对铝电解生产过程采用多元线性回归以及改进BP神经网络方法建立多目标优化模型;其次,利用专家规则,集成多元线性同归以及BP神经网络建立电流效率模型、废气排放模型与电压功耗模型;最后,集总给出铝电解生产过程的多目标优化模型。
比如:由机理分析及关联性分析可知,影响电流效率、电压功耗、废气排放的主要因素有摩尔比x1、电解温度x2、极距x3、铝液高度M4、阳极效应系数M5、槽龄M6等,则电流效率模型为:
S=αS1=βS2=αfLR(x1,x2,x3,M4,M5,M6)+βfNN(x1,x2,x3,M4,M5,M6)
式中:a+β=1;0≤α,β≤1,根据工况变化,改变专家规则实时调整a和β。
采集铝电解生产过程历史数据,经过数据预处理则可通过数据挖掘确定上述模型中的参数。
实施例3
铝电解生产过程多目标优化问题求解及控制
在铝电解生产过程中,上述构建的优化问题属于多目标非线性不等式约束的优化问题,虽然目前出现了许多智能优化算法,如:多目标进化算法、粒子群算法、遗传算法等用于求解多目标优化问题,但这些算法大多需要离线求解,不适应多变的工况。近年来,学术界将人工智能技术引入优化问题求解,提出了自适应动态规划算法,要由动态系统、执行函数和评价函数三个部分共同组成,通过模拟人与环境之间互动的“奖励-惩罚”机理来调整执行动作。自适应动态规划算法原理如图3所示:
本部分将自适应动态规划方法引入到铝电解生产过程多目标优化问题求解中,将每一时刻的过程的电压功耗、电流效率和排放作为系统状态量,将每一时刻的摩尔比、电解质温度、极距调节变化量作为系统控制量,将以氧化铝浓度满足要求与铝电解生产工艺要求为约束条件,然后根据迭代自适应动态规划实现最优问题的快速求
铝电解过程多目标优化问题的成本函数或性能指标定义为:
式中,xi是系统状态;ui是决策变量,r(xi,ui)为效用函数,表示当下控制向量ui后系统做出的奖励或惩罚;0<γ≤1是折扣因子。采用值迭代策略求解成本函数及神经网络方法逼近非线性成本函数的最优值,从而得到最优控制策略。
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 (6)
1.铝电解生产过程智能决策、多目标优化方法,其特征在于,包括以下步骤:
S1:铝电解生产过程多因素耦合分析
以铝电解生产过程的能耗、排放、铝产量为因素,依托铝电解工业生产过程海量数据中深度挖掘信息和知识,决策出规模化铝电解生产系统的能耗、排放、铝产量因素耦合分析;
S2:铝电解生产过程多目标决策模型建立
以电流效率最高、功耗以及废气排放最低为优化目标,以摩尔比、电解温度以及极距为决策变量,以氧化铝浓度满足要求与铝电解生产工艺要求为约束条件的优化模型框架;
S3:铝电解生产过程多目标优化问题求解及控制
将自适应动态规划方法引入到铝电解生产过程多目标优化问题求解中,将每一时刻的过程的电压功耗、电流效率和排放作为系统状态量,将每一时刻的摩尔比、电解质温度、极距调节变化量作为系统控制量,将以氧化铝浓度满足要求与铝电解生产工艺要求为约束条件,然后根据迭代自适应动态规划实现最优问题的快速求解;
铝电解过程多目标优化问题的成本函数或性能指标定义为:
xi是系统状态;ui是决策变量,r(xi,ui)为效用函数,表示当下控制向量ui后系统做出的奖励或惩罚;0<γ≤1是折扣因子;
采用值迭代策略求解成本函数及神经网络方法逼近非线性成本函数的最优值,从而得到最优控制策略。
2.如权利要求1所述的铝电解生产过程智能决策、多目标优化方法,其特征在于:所述S1铝电解生产过程多因素耦合分析,以铝电解生产过程的能耗、排放、铝产量为因素,依托铝电解工业生产过程海量数据中深度挖掘信息和知识,决策出规模化铝电解生产系统的能耗、排放、铝产量因素耦合分析。
3.如权利要求2所述的铝电解生产过程智能决策、多目标优化方法,其特征在于:所述铝电解生产过程的能耗:通过监测电解槽的实时电流效率、平均电压,计算电解槽的实时直流电耗进行,从而构建主要的工艺参数与电耗之间的关系,为铝电解过程的工艺优化提供依据;
所述实时电流效率通过在线测量烟气中一氧化碳浓度进行计算;所述工艺参数为摩尔比、电解质温度、极距。
4.如权利要求2所述的铝电解生产过程智能决策、多目标优化方法,其特征在于:所述铝电解生产过程的排放:一是通过建立氧化铝下料的智能决策方法,减少阳极效应的发生,从而减少全氟化碳气体的排放;二是实现阳极效应的准确预报及快速熄灭来减少全氟化碳气体的排放。
5.如权利要求2所述的铝电解生产过程智能决策、多目标优化方法,其特征在于:所述铝电解生产过程的铝产量:针对大型铝电解企业的原料来源复杂和原料性质波动频繁的特性,建立外界原料市场数据、电化学机理知识与检测数据知识融合的工艺技术指标、效益和成本的智能过程模型;
以原料的杂质含量、原料物性参数、原料价格及原料库存情况作为条件,以经济效益最大化为目标,从铝电解工业生产过程海量数据中深度挖掘信息和知识,决策出规模化铝电解生产系统在不同的原料和能源供应条件下的工艺指标,为多目标优化模型的建立打下基础;
所述原料的杂质含量:碳素阳极中硫含量、氧化铝中锂、钾含量;所述原料物性参数:氧化铝的安息角、粒度及晶型。
6.如权利要求1所述的铝电解生产过程智能决策、多目标优化方法,其特征在于:所述S2铝电解生产过程多目标决策模型建立:
首先,对铝电解生产过程采用多元线性回归以及改进BP神经网络方法建立多目标优化模型;
其次,利用专家规则,集成多元线性同归以及BP神经网络建立电流效率模型、废气排放模型与电压功耗模型;
最后,集总给出铝电解生产过程的多目标优化模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210657050.1A CN115081319B (zh) | 2022-06-10 | 2022-06-10 | 铝电解生产过程智能决策、多目标优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210657050.1A CN115081319B (zh) | 2022-06-10 | 2022-06-10 | 铝电解生产过程智能决策、多目标优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115081319A CN115081319A (zh) | 2022-09-20 |
CN115081319B true CN115081319B (zh) | 2024-03-29 |
Family
ID=83252239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210657050.1A Active CN115081319B (zh) | 2022-06-10 | 2022-06-10 | 铝电解生产过程智能决策、多目标优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115081319B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034306A (zh) * | 2022-06-13 | 2022-09-09 | 昆明理工大学 | 基于可拓神经网络的铝电解故障预报及安全运维方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109085752A (zh) * | 2018-03-09 | 2018-12-25 | 重庆科技学院 | 基于角度支配关系的铝电解偏好多目标优化算法 |
WO2020107549A1 (zh) * | 2018-11-30 | 2020-06-04 | 南通海星电子股份有限公司 | 一种表面贴装铝电解电容器用电极箔的制造方法 |
CN113539687A (zh) * | 2020-10-13 | 2021-10-22 | 南通一品机械电子有限公司 | 一种降低导电聚合物固体铝电解电容器阻抗和损耗的方法 |
-
2022
- 2022-06-10 CN CN202210657050.1A patent/CN115081319B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109085752A (zh) * | 2018-03-09 | 2018-12-25 | 重庆科技学院 | 基于角度支配关系的铝电解偏好多目标优化算法 |
WO2020107549A1 (zh) * | 2018-11-30 | 2020-06-04 | 南通海星电子股份有限公司 | 一种表面贴装铝电解电容器用电极箔的制造方法 |
CN113539687A (zh) * | 2020-10-13 | 2021-10-22 | 南通一品机械电子有限公司 | 一种降低导电聚合物固体铝电解电容器阻抗和损耗的方法 |
Non-Patent Citations (4)
Title |
---|
Functional deep echo state network improved by a bi-level optimization approach for multivariate time series classification;Zhaoke Huang 等;Applied Soft Computing;20210701;第106卷(第C期);全文 * |
Multi-objective parametric optimization on machining with wire electric discharge machining;Kapil Kumar & Sanjay Agarwal;Int J Adv Manuf Technol (2012) 62;20111221;第617–633页 * |
低压铝电解电容器用高性能阳极氧化膜研究;陈金菊;中国优秀博硕士学位论文全文数据库(博士)工程科技II辑;20070115;C042-14 * |
基于事件驱动的自适应动态规划及在铝电解 生产过程中的应用;施建阳;中国优秀硕士学位论文全文数据库 工程科技I辑;20230215;B023-365 * |
Also Published As
Publication number | Publication date |
---|---|
CN115081319A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101763036A (zh) | 基于模糊神经网络的赖氨酸发酵过程补料预测控制系统及方法 | |
CN105447567B (zh) | 基于bp神经网络与mpso算法的铝电解节能减排控制方法 | |
CN107203687B (zh) | 吸收塔脱硫过程多目标协同智能优化控制方法 | |
CN115081319B (zh) | 铝电解生产过程智能决策、多目标优化方法 | |
CN109242188B (zh) | 一种钢铁煤气系统长期区间预测及其结构学习方法 | |
CN105302973A (zh) | 基于moea/d算法的铝电解生产优化方法 | |
CN111340305A (zh) | 一种建筑运行能耗预测方法 | |
CN109685283B (zh) | 一种基于置信规则库推理的矿热炉工况预测方法 | |
Sun et al. | A hybrid carbon price forecasting model with external and internal influencing factors considered comprehensively: a case study from China | |
CN113589693A (zh) | 基于邻域优化的水泥工业分解炉温度模型预测控制方法 | |
CN116436033A (zh) | 一种基于用户满意度和强化学习的温控负荷频率响应控制方法 | |
CN116048135A (zh) | 一种光伏清洁机器人续航优化方法 | |
CN105302976A (zh) | 基于spea2算法的铝电解生产优化方法 | |
CN113361097B (zh) | 一种基于大数据的工程项目管理系统 | |
CN105334824A (zh) | 基于nsga-ⅱ算法的铝电解生产优化方法 | |
CN109359320A (zh) | 基于多采样率自回归分布滞后模型的高炉指标预测方法 | |
CN110619931B (zh) | 一种基于多时间尺度优化的烧结过程碳效优化方法 | |
CN104133369A (zh) | 一种质子交换膜燃料电池动态特性的控制方法 | |
CN112668751B (zh) | 一种机组优化调度模型的建立方法及装置 | |
CN115186900A (zh) | 适用于多工况类别的动态高炉煤气产生量预测方法及系统 | |
CN101333669A (zh) | 锌电解过程电能优化方法 | |
CN115323440B (zh) | 基于ai神经网络深度自学习的铝电解全息化闭环控制系统 | |
CN103135444A (zh) | 一种钢铁生产能耗免疫预测控制模型 | |
CN110334373A (zh) | 一种基于机理模型和模糊加权lssvm的发酵建模与优化方法 | |
CN111520740B (zh) | 一种多个多孔介质燃烧器协调优化运行的方法 |
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 |