CN117951838A - 炉膛形状模型生成方法、系统及电子设备 - Google Patents
炉膛形状模型生成方法、系统及电子设备 Download PDFInfo
- Publication number
- CN117951838A CN117951838A CN202410170001.4A CN202410170001A CN117951838A CN 117951838 A CN117951838 A CN 117951838A CN 202410170001 A CN202410170001 A CN 202410170001A CN 117951838 A CN117951838 A CN 117951838A
- Authority
- CN
- China
- Prior art keywords
- variable
- target
- model
- parameters
- ledge
- 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 57
- 229910052782 aluminium Inorganic materials 0.000 claims abstract description 62
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims abstract description 61
- 238000005868 electrolysis reaction Methods 0.000 claims description 50
- 229910000831 Steel Inorganic materials 0.000 claims description 42
- 239000010959 steel Substances 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 17
- 239000003792 electrolyte Substances 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 201000010099 disease Diseases 0.000 abstract description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 9
- 230000001364 causal effect Effects 0.000 abstract description 5
- 210000004027 cell Anatomy 0.000 description 42
- 238000005259 measurement Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- PUZPDOWCWNUUKD-UHFFFAOYSA-M sodium fluoride Chemical compound [F-].[Na+] PUZPDOWCWNUUKD-UHFFFAOYSA-M 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 239000007784 solid electrolyte Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000004411 aluminium Substances 0.000 description 2
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 2
- -1 aluminum ions Chemical class 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 235000013024 sodium fluoride Nutrition 0.000 description 2
- 239000011775 sodium fluoride Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000001134 F-test Methods 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 150000001450 anions Chemical class 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003575 carbonaceous material Substances 0.000 description 1
- 210000005056 cell body Anatomy 0.000 description 1
- 210000002421 cell wall Anatomy 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910001610 cryolite Inorganic materials 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Electrolytic Production Of Metals (AREA)
Abstract
本发明涉及电解铝技术领域,公开了一种炉膛形状模型生成方法、系统及电子设备。该方法将槽帮结壳相关的形状指标确定为目标变量,将影响目标变量的温度指标作为特征变量,并对目标变量和特征变量之间进行线性拟合,得到回归方程模型,通过回归方程模型对目标时间点的目标特征参数进行计算,得到目标时间段的槽帮预测参数,生成满足槽帮预测参数的炉膛形状模型,相较于通过工具对槽帮形状进行测量,通过回归方程模型建立槽帮形状与温度指标之间的因果关系,并以目标时间点的温度为驱动,确定目标时间点的槽帮形状,生成满足该槽帮形状的炉膛形状模型,降低了槽帮形状的测量难度,进而提高炉膛形状模型的准确性,便于对调整槽况和分析病槽进行指导。
Description
技术领域
本发明涉及电解铝技术领域,尤其涉及一种炉膛形状模型生成方法、系统及电子设备。
背景技术
我国铝电解工业发展迅猛,目前原铝产量连续十几年保持世界第一,并且在电解槽设计、建造、控制与管理方面均取得创新性发展。我国铝电解工业正呈现产业集中化、槽大型化以及操作工艺苛刻化的特征。槽帮是在电解槽内部沿四周槽膛逐渐形成的一层坚固的固态结壳。槽帮对于铝电解槽的长寿命、低能耗及稳定运行影响重大。槽帮的存在避免了熔融的高温电解质及铝液对于侧部炭块的直接物理冲刷和化学侵蚀,保护了内衬材料,是槽寿命延长的先决条件;槽帮是电和热的不良导体,规整的槽膛能抑制电流侧漏,对节能意义重大;槽帮的生长与消融一定程度上能够使电解质实现自适调节,从而及时调节电解槽内热损失及电解质分子比,维持动态热平衡与物料平衡。因此,通过测量槽帮形状生成炉膛形状模型,对槽况和生产的监控及问题的处理具有重要意义。
目前,应用于工业铝电解槽槽帮的测量方法主要通过用工具测量,其中,由于铝电解槽内温度高、炉膛形状不规则等原因,导致工具测量槽帮厚度的难度较大,进而生成的炉膛形状模型的准确性较低,其指导意义无法满足行业要求。
发明内容
为了对披露的实施例的一些方面有基本的理解,下面给出了简单的概括。所述概括不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围,而是作为后面的详细说明的序言。
鉴于以上所述现有技术的缺点,本发明公开了一种炉膛形状模型生成方法、系统及电子设备,以便于测量槽帮形状,提高炉膛形状模型的准确性。
本发明公开了一种炉膛形状模型生成方法,包括:获取铝电解槽中不同测温区域分别对应的温度指标,并获取槽帮结壳相关的形状指标;将所述形状指标作为目标变量,并从各所述温度指标中确定影响所述目标变量的特征变量;根据所述目标变量和所述特征变量进行数据采集,得到历史变量参数,并根据所述历史变量参数对所述目标变量和所述特征变量之间进行线性拟合,得到回归方程模型;通过所述回归方程模型对目标时间点的目标特征参数进行计算,得到所述目标变量在所述目标时间段的槽帮预测参数,并生成满足所述槽帮预测参数的炉膛形状模型,其中,所述目标特征参数通过对所述目标时间段的特征变量进行数据采集得到。
本发明公开了一种炉膛形状模型生成系统,包括:获取模块,用于获取铝电解槽中不同测温区域分别对应的温度指标,并获取槽帮结壳相关的形状指标;确定模块,用于将所述形状指标作为目标变量,并从各所述温度指标中确定影响所述目标变量的特征变量;拟合模块,用于根据所述目标变量和所述特征变量进行数据采集,得到历史变量参数,并根据所述历史变量参数对所述目标变量和所述特征变量之间进行线性拟合,得到回归方程模型;生成模块,用于通过所述回归方程模型对目标时间点的目标特征参数进行计算,得到所述目标变量在所述目标时间段的槽帮预测参数,并生成满足所述槽帮预测参数的炉膛形状模型,其中,所述目标特征参数通过对所述目标时间段的特征变量进行数据采集得到。
本发明公开了一种电子设备,包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述电子设备执行上述的方法。
本发明的有益效果:
将槽帮结壳相关的形状指标确定为目标变量,将影响目标变量的温度指标作为特征变量,并对目标变量和特征变量之间进行线性拟合,得到回归方程模型,从而通过回归方程模型对目标时间点的目标特征参数进行计算,得到目标时间段的槽帮预测参数,并生成满足槽帮预测参数的炉膛形状模型。这样,相较于通过工具对槽帮形状进行测量,通过回归方程模型建立槽帮形状与温度指标之间的因果关系,并以目标时间点的温度为驱动,确定目标时间点的槽帮形状,从而生成满足该槽帮形状的炉膛形状模型,降低了槽帮形状的测量难度,进而提高炉膛形状模型的准确性,便于对调整槽况和分析病槽进行指导。
附图说明
图1是本发明实施例中一个用于实施炉膛形状模型生成方法的应用环境的结构示意图;
图2是本发明实施例中一个炉膛形状模型生成方法的流程示意图;
图3是本发明实施例中一个铝电解槽的结构示意图;
图4是本发明实施例中一个钢窗区域的示意图;
图5是本发明实施例中另一个炉膛形状模型生成方法的流程示意图;
图6是本发明实施例中一个炉膛形状模型生成系统的结构示意图;
图7是本发明实施例中一个电子设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的子样本可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开实施例的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。
除非另有说明,术语“多个”表示两个或两个以上。
本公开实施例中,字符“/”表示前后对象是一种“或”的关系。例如,A/B表示:A或B。
术语“和/或”是一种描述对象的关联关系,表示可以存在三种关系。例如,A和/或B,表示:A或B,或,A和B这三种关系。
对本发明实施例进行进一步详细说明之前,对本发明实施例中涉及的名词和术语进行说明,本发明实施例中涉及的名词和术语适用于如下的解释。
铝电解槽:电解铝生产的核心设备,其工作原理是将氧化铝、冰晶石、氟化钠等原料放入电解槽中,通过直流电的作用,使原料发生电化学反应,将氧化铝还原成铝和氧气的过程。铝电解槽主要由槽体、阳极、阴极、电解质等部分组成。其中,槽体是电解槽的主要承载设备,要求具有良好的保温和密封性能;阳极由碳素材料制成,起到传递电流和反应的作用;阴极分为可消耗阴极和不可消耗阴极,是铝电解槽中的重要组成部分;电解质是铝离子和氟化钠等原料的混合物,起到传递电流和反应的作用。
结合图1所示,本公开实施例提供了一种应用环境,用于实施炉膛形状模型生成方法,包括服务器端和设备端,其中,服务器端通过网络与设备端进行数据交互。
服务器端设置有炉膛形状模型生成模型,该炉膛形状模型生成模型用于实现以下至少一部分:获取铝电解槽中不同测温区域分别对应的温度指标,并获取槽帮结壳相关的形状指标;将形状指标作为目标变量,并从各温度指标中确定影响目标变量的特征变量;根据目标变量和特征变量进行数据采集,得到历史变量参数,并根据历史变量参数对目标变量和特征变量之间进行线性拟合,得到回归方程模型;通过回归方程模型对目标时间点的目标特征参数进行计算,得到目标变量在目标时间段的槽帮预测参数,并生成满足槽帮预测参数的炉膛形状模型,其中,目标特征参数通过对目标时间段的特征变量进行数据采集得到。
设备端包括铝电解槽和槽控机,其中,槽控机设置有槽控机数据库,槽控机用于采集历史变量参数,并将采集到的历史变量参数存储在槽控机数据库中。
结合图2所示,本公开实施例提供了一种炉膛形状模型生成方法,包括:
步骤S201,获取铝电解槽中不同测温区域分别对应的温度指标,并获取槽帮结壳相关的形状指标;
步骤S202,将形状指标作为目标变量,并从各温度指标中确定影响目标变量的特征变量;
步骤S203,根据目标变量和特征变量进行数据采集,得到历史变量参数,并根据历史变量参数对目标变量和特征变量之间进行线性拟合,得到回归方程模型;
步骤S204,通过回归方程模型对目标时间点的目标特征参数进行计算,得到目标变量在目标时间段的槽帮预测参数,并生成满足槽帮预测参数的炉膛形状模型;
其中,目标特征参数通过对目标时间段的特征变量进行数据采集得到。
采用本公开实施例提供的炉膛形状模型生成方法,将槽帮结壳相关的形状指标确定为目标变量,将影响目标变量的温度指标作为特征变量,并对目标变量和特征变量之间进行线性拟合,得到回归方程模型,从而通过回归方程模型对目标时间点的目标特征参数进行计算,得到目标时间段的槽帮预测参数,并生成满足槽帮预测参数的炉膛形状模型。这样,相较于通过工具对槽帮形状进行测量,通过回归方程模型建立槽帮形状与温度指标之间的因果关系,并以目标时间点的温度为驱动,确定目标时间点的槽帮形状,从而生成满足该槽帮形状的炉膛形状模型,降低了槽帮形状的测量难度,进而提高炉膛形状模型的准确性,便于对调整槽况和分析病槽进行指导。
结合图3所示,本公开实施例提供了一种铝电解槽,铝电解槽的外部由钢板组成,且底部有作为阴极的阴极钢棒,铝电解槽的两侧设置有10cm左右的碳棒帮助绝缘,铝电解槽的阳极氧化阴离子或水分子,释放电子并参与电解反应,通过电解反应促使铝离子在阴极上还原成铝金属,实现铝的析出。铝电解槽的电解温度与周围环境温度始终存在900℃以上的温度差,当边部电解质熔体的热量从槽膛内壁向外传递时,该处的电解质温度不断下降,当其下降到初晶温度后结晶析出形成凝固层,称为槽帮结壳,其中,在凝固在槽膛内壁的固态电解质中,将铝液接触处之上的固态电解质称为炉帮区域,将铝液接触处及其以下的固态电解质称为伸腿区域。
可选地,根据历史变量参数对目标变量和特征变量之间进行线性拟合,得到回归方程模型,包括:若目标变量为炉帮区域在预设高度的定高厚度,则定高厚度对应的特征变量为铝电解槽在预设高度的定高槽侧温度,其中,炉帮区域为槽帮结壳中的一部分;根据历史变量参数对目标变量和特征变量之间进行线性拟合,得到回归方程模型。
在一些实施例中,基于预设高度分别在铝电解槽两侧选定对称的30个钢窗区域,其中,同一侧的钢窗区域之间的间距相等,该侧的正视图如图4所示;通过采集各钢窗区域的温度,得到铝电解槽在预设高度的定高槽侧温度,同时,基于预设高度测量炉帮区域的定高厚度。
可选地,若目标变量为炉帮区域在预设高度的定高厚度,则回归方程模型表示为:
y1=b1·x1+c 公式(1)
其中,y1为定高厚度,c1为定高厚度对应的第一回归系数,x1为定高槽侧温度,b1为定高槽侧温度对应的第一回归系数。
可选地,根据历史变量参数对目标变量和特征变量之间进行线性拟合,得到回归方程模型,包括:若目标变量为伸腿区域的伸腿长度,则伸腿长度对应的特征变量为铝电解槽的槽底钢板温度、铝电解槽的阴极钢棒温度中的至少一部分,其中,伸腿区域为槽帮结壳中的一部分;根据历史变量参数对目标变量和特征变量之间进行线性拟合,得到回归方程模型。
在一些实施例中,通过专业设备测量伸腿区域的伸腿长度,同时,测量出铝电解槽的槽底钢板温度、阴极钢棒温度。
可选地,若目标变量为伸腿区域的伸腿长度,则回归方程模型表示为:
y2=b0'+b2'·x2+b3'·x3 公式(2)
其中,y2为伸腿长度,b0'为伸腿长度对应的第一回归系数,x2为槽底钢板温度,b2'为槽底钢板温度对应的第一回归系数,x3为阴极钢棒温度,b3'为阴极钢棒温度对应的第一回归系数。
可选地,根据历史变量参数对目标变量和特征变量之间进行线性拟合,得到回归方程模型,包括:若目标变量为炉帮区域在预设厚度的定厚高度,则定厚高度对应的特征变量为铝电解槽在预设高度的定高槽侧温度、铝电解槽的槽底钢板温度、铝电解槽的阴极钢棒温度中的至少一部分;根据历史变量参数对目标变量和特征变量之间进行线性拟合,得到回归方程模型。
在一些实施例中,以槽的底部作为基准,测量出预设厚度下炉帮区域的定厚高度。
可选地,若目标变量为炉帮区域在预设厚度的定厚高度,则回归方程模型表示为:
y3=b0”+b1”·x1+b2”·x2+b3”·x3 公式(3)
其中,y3为定厚高度,b0”为定厚高度对应的第一回归系数,x1为定高槽侧温度,b1”为定高槽侧温度对应的第二回归系数,x2为槽底钢板温度,b2”为槽底钢板温度对应的第二回归系数,x3为阴极钢棒温度,b3”为阴极钢棒温度对应的第二回归系数。
可选地,该方法还包括:响应于历史变量参数更新,根据更新后的历史变量参数对回归方程模型进行更新。
可选地,该方法还包括:通过学生检验(T检验)对回归方程模型中的回归系数进行显著性检测,得到显著性检测结果,并将显著性检测结果与预设显著性阈值之间的比较结果作为回归方程模型的一部分模型评价结果。
在一些实施例中,回归系数包括定高厚度对应的第一回归系数、定厚高度对应的第一回归系数、伸腿长度对应的第一回归系数、定高槽侧温度对应的第一回归系数、定高槽侧温度对应的第二回归系数、槽底钢板温度对应的第一回归系数、槽底钢板温度对应的第二回归系数、阴极钢棒温度对应的第一回归系数、阴极钢棒温度对应的第二回归系数中的至少一部分。
在一些实施例中,通过学生检验可以验证回归系数取值的显著性和稳定性,例如,针对0.05的设定阈值,如果检验统计量小于该值,可认为该特征参数的系数是有效的,如果低于该值,则无效,需在方程中删除该参数。
可选地,该方法还包括:对回归方程模型进行拟合优度检验,得到拟合优度结果,并将拟合优度结果作为回归方程模型的一部分模型评价结果。
在一些实施例中,拟合优度检验的R2取值0-1,越接近1表示模型拟合效果越好。
可选地,该方法还包括:对回归方程模型进行联合假设检验(F检验),得到联合假设检验结果,并将联合假设检验结果作为回归方程模型的一部分模型评价结果。
在一些实施例中,基于整个关系方程显著性的检验,F检验通过表示拟合变量和特征参数之间建立的方程关系是稳定可靠的,可用于判断定期的自动化模型更新时是否当前更新是有效的。
可选地,根据目标变量和特征变量进行数据采集,得到历史变量参数,包括:对目标变量和特征变量进行数据采集,得到多个预设时间点分别对应的历史变量参数;若历史变量参数存在空值参数,则根据空值参数对应的预设时间点从各预设时间点中确定多个参考时间点,并根据各参考时间段对应的历史变量参数进行均值计算,以根据计算得到的参数均值更新控制参数;若历史变量参数存在异常值,则以预设参数替换异常值。
在一些实施例中,对历史变量参数进行异常值处理,处理方法采用设定特定阈值的方式;若历史变量参数大于最大值阈值,则用最大值阈值替换该历史变量参数;若历史变量参数小于最小值阈值,则用最小值阈值替换该历史变量参数。
在一些实施例中,采用窗口滑动的方式对采集的历史变量参数进行取均值处理,即:对于第i个窗口的采集值,同时获取其左右各两个窗口的数据取均值,即i-2、i-1、i、i+1、i+2五个值的平均值作为一个测量值,若数据的位置为1、2或29、30,则只取左右位置具有采集值的数据进行平均化。
在一些实施例中,对于固定高度所测量电解槽内部炉帮需要减去一个固定值,固定值为炉膛侧部碳块的厚度。
可选地,通过以下方法生成满足槽帮预测参数的炉膛形状模型:预先将温度指标作为预设神经网络模型的输入变量,并将炉膛形状曲线作为预设神经网络模型的输出变量,对预设神经网络模型进行训练,并将训练完成的预设神经网络模型作为炉膛形状预测模型,其中,预设神经网络模型包括BP网络模型;将目标特征参数输入炉膛形状预测模型,使得炉膛形状预测模型输出形状曲线参数;根据形状曲线参数和槽帮预测参数生成目标时间段对应的炉膛形状模型。
可选地,预设神经网络模型的输入变量还包括电解质水平和/或铝水平。
可选地,通过以下方法生成满足槽帮预测参数的炉膛形状模型:预先设置炉膛形状模板,其中,炉膛形状模板用于表征炉膛的形状曲线;将槽帮预测参数填入炉膛形状模板,生成满足槽帮预测参数的炉膛形状模型。
通过以下方法生成满足槽帮预测参数的炉膛形状模型:基于专家建议和实验验证,将炉帮区域在预设高度的定高厚度、炉帮区域的定厚高度、伸腿区域的伸腿长度作为测量目标。这些测量目标直接关联电解槽效率监测、材料损耗评估、以及伸腿长度与电流分布关系等关键参数。这样的炉膛形状模型在对调整槽况和分析病槽方面具有指导意义,通过测量目标的槽帮预测参数即可实现炉膛形状模型的目的。将测量目标对应的槽帮预测参数作为锚点,绘制满足槽帮预测参数的炉膛形状模型,可以在不断监测每日炉帮厚度和伸腿长度的基础上,更为精准地指导调整槽况和分析病槽。这种基于炉膛形状模型的方法,为调整槽况和提高电解效率提供了系统的管理手段:通过电解槽效率监测,我们能够利用炉帮厚度和伸腿长度直接反映电解槽的效率。定期监测这些参数有助于及时发现电解过程中的异常情况,比如电解质的损耗或不均匀的电流分布。及早发现问题并采取措施,有助于维持槽的高效运行,从而提高生产效率。在材料损耗评估方面,炉帮作为电解槽中的固态电解质,其厚度变化能够反映电解质的损耗情况。每日测量炉帮厚度有助于评估电解质的耐用性,提前预测电解槽的维护需求,从而减少由于电解质损耗引起的停工和生产损失。对于伸腿长度与电流分布关系的监测,伸腿长度的变化可能会影响电解槽中的电流分布。通过监测伸腿长度的变化,可以了解电流分布的均匀性。及时调整电解槽操作参数以优化电流分布,有助于降低能耗、提高产量。在预测维护周期方面,炉帮厚度和伸腿长度的变化趋势可用于预测电解槽的维护周期。通过建立这些参数与设备寿命的关系,可以制定更有效的维护计划,避免突发故障,提高生产效率。质量控制方面,炉帮的形成和变化受电解槽热平衡支配。通过监测炉帮厚度和伸腿长度,可以间接了解电解槽的热平衡状态,有助于保持适当的热平衡,进而提高电解效率和铝的纯度。这些监测手段有效地结合了对电解槽效率、材料损耗、电流分布和维护周期的全面管理。
可选地,通过以下方法生成满足槽帮预测参数的炉膛形状模型:基于专家建议和实验验证,将炉帮区域在预设高度的定高厚度、炉帮区域的定厚高度、伸腿区域的伸腿长度作为测量目标,其中,这些测量目标对于铝电解槽的长寿命、低能耗及稳定运行的影响重大,而炉膛形状模型主要用于对调整槽况和分析病槽进行指导,通过测量目标的槽帮预测参数即可实现炉膛形状模型的目的;将测量目标对应的槽帮预测参数作为锚点,绘制满足槽帮预测参数的炉膛形状模型,从而基于炉膛形状模型中的槽帮预测参数对调整槽况和分析病槽进行指导。
结合图5所示,本公开实施例提供了一种炉膛形状模型生成方法,包括:
步骤S501,获取铝电解槽中不同测温区域分别对应的温度指标;
其中,温度指标包括铝电解槽在预设高度的定高槽侧温度、铝电解槽的槽底钢板温度、铝电解槽的阴极钢棒温度;
步骤S502,获取槽帮结壳相关的形状指标,跳转步骤S503、S506、S509;
其中,形状指标包括炉帮区域在预设高度的定高厚度、炉帮区域的定厚高度、伸腿区域的伸腿长度;
步骤S503,将炉帮区域在预设高度的定高厚度作为目标变量;
步骤S504,将铝电解槽在预设高度的定高槽侧温度作为目标变量对应的特征变量;
步骤S505,建立目标变量和特征变量之间的回归方程模型,跳转步骤S512;
步骤S506,将伸腿区域的伸腿长度作为目标变量;
步骤S507,将铝电解槽的槽底钢板温度、铝电解槽的阴极钢棒温度作为目标变量对应的特征变量;
步骤S508,建立目标变量和特征变量之间的回归方程模型,跳转步骤S512;
步骤S509,将炉帮区域在炉帮区域在预设厚度的定厚高度作为目标变量;
步骤S510,将铝电解槽在预设高度的定高槽侧温度、铝电解槽的槽底钢板温度、铝电解槽的阴极钢棒温度作为目标变量对应的特征变量;
步骤S511,建立目标变量和特征变量之间的回归方程模型,跳转步骤S512;
步骤S512,通过回归方程模型对目标时间点的目标特征参数进行计算,得到目标变量在目标时间段的槽帮预测参数;
步骤S513,生成满足槽帮预测参数的炉膛形状模型。
采用本公开实施例提供的炉膛形状模型生成方法,将槽帮结壳相关的形状指标确定为目标变量,将影响目标变量的温度指标作为特征变量,并对目标变量和特征变量之间进行线性拟合,得到回归方程模型,从而通过回归方程模型对目标时间点的目标特征参数进行计算,得到目标时间段的槽帮预测参数,并生成满足槽帮预测参数的炉膛形状模型。这样,相较于通过工具对槽帮形状进行测量,通过回归方程模型建立槽帮形状与温度指标之间的因果关系,并以目标时间点的温度为驱动,确定目标时间点的槽帮形状,从而生成满足该槽帮形状的炉膛形状模型,降低了槽帮形状的测量难度,进而提高炉膛形状模型的准确性,便于对调整槽况和分析病槽进行指导。
结合图6所示,本公开实施例提供了一种炉膛形状模型生成系统,包括获取模块601、确定模块602、拟合模块603、生成模块604。
获取模块601用于获取铝电解槽中不同测温区域分别对应的温度指标,并获取槽帮结壳相关的形状指标。
确定模块602用于将形状指标作为目标变量,并从各温度指标中确定影响目标变量的特征变量。
拟合模块603用于根据目标变量和特征变量进行数据采集,得到历史变量参数,并根据历史变量参数对目标变量和特征变量之间进行线性拟合,得到回归方程模型。
生成模块604用于通过回归方程模型对目标时间点的目标特征参数进行计算,得到目标变量在目标时间段的槽帮预测参数,并生成满足槽帮预测参数的炉膛形状模型,其中,目标特征参数通过对目标时间段的特征变量进行数据采集得到。
采用本公开实施例提供的炉膛形状模型生成系统,将槽帮结壳相关的形状指标确定为目标变量,将影响目标变量的温度指标作为特征变量,并对目标变量和特征变量之间进行线性拟合,得到回归方程模型,从而通过回归方程模型对目标时间点的目标特征参数进行计算,得到目标时间段的槽帮预测参数,并生成满足槽帮预测参数的炉膛形状模型。这样,相较于通过工具对槽帮形状进行测量,通过回归方程模型建立槽帮形状与温度指标之间的因果关系,并以目标时间点的温度为驱动,确定目标时间点的槽帮形状,从而生成满足该槽帮形状的炉膛形状模型,降低了槽帮形状的测量难度,进而提高炉膛形状模型的准确性,便于对调整槽况和分析病槽进行指导。
本公开实施例还提供了一种电子设备,包括:处理器及存储器;存储器用于存储计算机程序,处理器用于执行存储器存储的计算机程序,以使电子设备执行上述的方法。
图7示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是,图7示出的电子设备的计算机系统700仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(Central Processing Unit,CPU)701,其可以根据存储在只读存储器(Read-Only Memory,ROM)702中的程序或者从储存部分708加载到随机访问存储器(Random Access Memory,RAM)703中的程序而执行各种适当的动作和处理,例如执行上述实施例中的方法。在RAM 703中,还存储有系统操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(Input/Output,I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分707;包括硬盘等的储存部分708;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器170也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器170上,以便于从其上读出的计算机程序根据需要被安装入储存部分708。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
本实施例公开的电子设备,包括处理器、存储器、收发器和通信接口,存储器和通信接口与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于进行通信,处理器和收发器用于运行计算机程序,使电子设备执行如上方法的各个步骤。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,可以取决于技术方案的特定应用和设计约束条件。技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能,但是这种实现不应认为超出本公开实施例的范围。技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本文所披露的实施例中,所揭露的方法、产品(包括但不限于装置、设备等),可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,可以仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些子样本可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外,在本公开实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中,不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生,有时不同的操作或步骤之间不存在特定的顺序。例如,两个连续的操作或步骤实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
Claims (10)
1.一种炉膛形状模型生成方法,其特征在于,包括:
获取铝电解槽中不同测温区域分别对应的温度指标,并获取槽帮结壳相关的形状指标;
将所述形状指标作为目标变量,并从各所述温度指标中确定影响所述目标变量的特征变量;
根据所述目标变量和所述特征变量进行数据采集,得到历史变量参数,并根据所述历史变量参数对所述目标变量和所述特征变量之间进行线性拟合,得到回归方程模型;
通过所述回归方程模型对目标时间点的目标特征参数进行计算,得到所述目标变量在所述目标时间段的槽帮预测参数,并生成满足所述槽帮预测参数的炉膛形状模型,其中,所述目标特征参数通过对所述目标时间段的特征变量进行数据采集得到。
2.根据权利要求1所述的方法,其特征在于,根据所述历史变量参数对所述目标变量和所述特征变量之间进行线性拟合,得到回归方程模型,包括:
若所述目标变量为炉帮区域在预设高度的定高厚度,则所述定高厚度对应的特征变量为所述铝电解槽在所述预设高度的定高槽侧温度,其中,所述炉帮区域为所述槽帮结壳中的一部分;
根据所述历史变量参数对所述目标变量和所述特征变量之间进行线性拟合,得到回归方程模型,所述回归方程模型表示为y1=b1·x1+c,其中,y1为所述定高厚度,c1为所述定高厚度对应的第一回归系数,x1为所述定高槽侧温度,b1为所述定高槽侧温度对应的第一回归系数。
3.根据权利要求1所述的方法,其特征在于,根据所述历史变量参数对所述目标变量和所述特征变量之间进行线性拟合,得到回归方程模型,包括:
若所述目标变量为伸腿区域的伸腿长度,则所述伸腿长度对应的特征变量为所述铝电解槽的槽底钢板温度、所述铝电解槽的阴极钢棒温度中的至少一部分,其中,所述伸腿区域为所述槽帮结壳中的一部分;
根据所述历史变量参数对所述目标变量和所述特征变量之间进行线性拟合,得到回归方程模型,所述回归方程模型表示为y2=b0'+b2'·x2+b3'·x3,其中,y2为所述伸腿长度,b0'为所述伸腿长度对应的第一回归系数,x2为所述槽底钢板温度,b2'为所述槽底钢板温度对应的第一回归系数,x3为所述阴极钢棒温度,b3'为所述阴极钢棒温度对应的第一回归系数。
4.根据权利要求1所述的方法,其特征在于,根据所述历史变量参数对所述目标变量和所述特征变量之间进行线性拟合,得到回归方程模型,包括:
若所述目标变量为炉帮区域在预设厚度的定厚高度,则所述定厚高度对应的特征变量为所述铝电解槽在预设高度的定高槽侧温度、所述铝电解槽的槽底钢板温度、所述铝电解槽的阴极钢棒温度中的至少一部分;
根据所述历史变量参数对所述目标变量和所述特征变量之间进行线性拟合,得到回归方程模型,所述回归方程模型表示为y3=b0”+b1”·x1+b2”·x2+b3”·x3,其中,y3为所述定厚高度,b0”为所述定厚高度对应的第一回归系数,x1为所述定高槽侧温度,b1”为所述定高槽侧温度对应的第二回归系数,x2为所述槽底钢板温度,b2”为所述槽底钢板温度对应的第二回归系数,x3为所述阴极钢棒温度,b3”为所述阴极钢棒温度对应的第二回归系数。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括以下至少一种:
通过学生检验对所述回归方程模型中的回归系数进行显著性检测,得到显著性检测结果,并将所述显著性检测结果与预设显著性阈值之间的比较结果作为所述回归方程模型的一部分模型评价结果;
对所述回归方程模型进行拟合优度检验,得到拟合优度结果,并将所述拟合优度结果作为所述回归方程模型的一部分模型评价结果;
对所述回归方程模型进行联合假设检验,得到联合假设检验结果,并将所述联合假设检验结果作为所述回归方程模型的一部分模型评价结果。
6.根据权利要求1所述的方法,其特征在于,根据所述目标变量和所述特征变量进行数据采集,得到历史变量参数,包括:
对所述目标变量和所述特征变量进行数据采集,得到多个预设时间点分别对应的历史变量参数;
若所述历史变量参数存在空值参数,则根据所述空值参数对应的预设时间点从各所述预设时间点中确定多个参考时间点,并根据各所述参考时间段对应的历史变量参数进行均值计算,以根据计算得到的参数均值更新所述控制参数;
若所述历史变量参数存在异常值,则以预设参数替换所述异常值。
7.根据权利要求1至6任一项所述的方法,其特征在于,通过以下方法生成满足所述槽帮预测参数的炉膛形状模型:
预先将所述温度指标作为预设神经网络模型的输入变量,并将炉膛形状曲线作为所述预设神经网络模型的输出变量,对所述预设神经网络模型进行训练,并将训练完成的预设神经网络模型作为炉膛形状预测模型,其中,所述预设神经网络模型包括BP网络模型;
将所述目标特征参数输入所述炉膛形状预测模型,使得所述炉膛形状预测模型输出形状曲线参数;
根据所述形状曲线参数和所述槽帮预测参数生成所述目标时间段对应的炉膛形状模型。
8.根据权利要求7所述的方法,其特征在于,所述预设神经网络模型的输入变量还包括电解质水平和/或铝水平。
9.一种炉膛形状模型生成系统,其特征在于,包括:
获取模块,用于获取铝电解槽中不同测温区域分别对应的温度指标,并获取槽帮结壳相关的形状指标;
确定模块,用于将所述形状指标作为目标变量,并从各所述温度指标中确定影响所述目标变量的特征变量;
拟合模块,用于根据所述目标变量和所述特征变量进行数据采集,得到历史变量参数,并根据所述历史变量参数对所述目标变量和所述特征变量之间进行线性拟合,得到回归方程模型;
生成模块,用于通过所述回归方程模型对目标时间点的目标特征参数进行计算,得到所述目标变量在所述目标时间段的槽帮预测参数,并生成满足所述槽帮预测参数的炉膛形状模型,其中,所述目标特征参数通过对所述目标时间段的特征变量进行数据采集得到。
10.一种电子设备,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述电子设备执行如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410170001.4A CN117951838A (zh) | 2024-02-06 | 2024-02-06 | 炉膛形状模型生成方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410170001.4A CN117951838A (zh) | 2024-02-06 | 2024-02-06 | 炉膛形状模型生成方法、系统及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117951838A true CN117951838A (zh) | 2024-04-30 |
Family
ID=90798242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410170001.4A Pending CN117951838A (zh) | 2024-02-06 | 2024-02-06 | 炉膛形状模型生成方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117951838A (zh) |
-
2024
- 2024-02-06 CN CN202410170001.4A patent/CN117951838A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sysoev et al. | Method of controlling the energy balance of electrolytic cells for aluminum production | |
Nekrasov et al. | Theoretical and experimental study of anode process at the carbon in KF–AlF3–Al2O3 melts | |
US9996074B2 (en) | System and predictive modeling method for smelting process control based on multi-source information with heterogeneous relatedness | |
CN101868765B (zh) | 用于控制电解池的方法和装置 | |
Ilyushin et al. | Developing a comprehensive mathematical model for aluminium production in a soderberg electrolyser | |
CN105467945A (zh) | 一种基于电解槽实时生产数据的专家系统 | |
Bearne | The development of aluminum reduction cell process control | |
Polekhina et al. | Identification of magnetic field strength realisation as a necessary solution for high-quality metal synthesis | |
CN114970320A (zh) | 一种铝电解槽温度场动态监测的方法和系统 | |
Botnikov et al. | Development of the metal temperature prediction model for steel-pouring and tundish ladles used at the casting and rolling complex | |
JP2007052739A (ja) | モデル生成方法、状態予測方法、状態調整方法、モデル生成装置、状態予測装置、及び状態調整システム | |
CN117951838A (zh) | 炉膛形状模型生成方法、系统及电子设备 | |
CN111126550B (zh) | 基于蒙特卡洛方法的神经网络钢水温度预报方法 | |
CN117331384A (zh) | 一种焦炉温度控制方法、系统、设备及存储介质 | |
CN111462830B (zh) | 一种基于电解铝工艺模型的状态观测方法 | |
Manolescu et al. | Net carbon consumption in aluminum electrolysis: impact of anode properties and reduction cell-operation variables | |
Cui et al. | Soft sensing of alumina concentration in aluminum electrolysis industry based on deep belief network | |
Manolescu et al. | Estimation of net carbon consumption in aluminum electrolysis using multivariate analysis | |
El-Feki et al. | Corrosion rate measurements under conditions of mixed charge transfer plus diffusion control including the cathodic metal ion deposition partial reaction | |
CN118147707A (zh) | 铝电解槽运行状态判断方法、系统及电子设备 | |
WO2020190271A1 (en) | System and method for controlling of smelting pot line | |
JP2004360044A (ja) | 溶鋼温度推定計算装置及び溶鋼温度推定計算方法 | |
CN118016210A (zh) | 一种用于铝电解槽的运行参数推荐方法、系统、电子设备及可读存储介质 | |
Cheung et al. | Impacts of anode set on the energy re-distribution of PB aluminum smelting cells | |
RU2540248C2 (ru) | Способ автоматического контроля криолитового отношения |
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 |