CN1807694A - 铝电解故障预报器 - Google Patents

Abstract

一种铝电解故障预报器，属于故障检测及计算机控制技术，其特点是(1)其中的下位控制机在线测量铝电解槽电压和系列电流，并计算槽电阻，经过滤波等数据处理后，作为故障诊断原始数据传输到上位管理机；(2)其中的上位管理机中设有故障信息数据库和铝电解故障预报模型，定时启动故障预报程序单元，对数据库中的电解槽数据进行辩识，跟踪模型参数，并与正常模型参数进行比较，当检测的参数偏离了正常范围，则根据其参数变化特征确定故障类型，对故障进行预报。本发明首次提出采用辨识技术预报铝电解铝故障并建立铝电解故障预报模型，具有预报方法简单、易于在计算机控制系统中实现、预报准确率高、提前量大和实时性强的特点。

Description

铝电解故障预报器

技术领域

本发明涉及一种通过监测多参数变化来判断故障的预报装置，特别是涉及一种通过监测铝电解槽系列电流和槽电压变化来预报故障的铝电解故障预报器，属于有色冶金过程中故障检测及计算机控制技术领域。

背景技术

铝电解过程故障是经常发生的。由于对整个系列中电解槽工作产生重大影响，使电流效率下降，影响电解系列的各项技术指标，降低了整个电解系列平稳供电。所以，准确地预报故障对节能和保证整个电解系列平稳供电、安全生产具有很重要的意义。据有关资料介绍，年产4万吨的铝厂，若能对铝电解故障有效预报，年节电2560万度，并能提高铝的产量和质量。

铝电解生产中产生的阳极效应是故障的一种，被国际学术界公认的难题。由于阳极效应从可测量槽电压变化突发性，所以对其预报难度相当大，从可测量无法对阳极效应预报。铝电解故障预报，可以提前预报故障将要发生，及时处理可以避免故障的发生。因此，有效地进行故障预报具有重要的实际应用价值，可产生重大的经济效益。所以，上世纪80年代初很多发达国家，如美国、法国、前苏联等，相继开展故障预报研究，大致可归纳为三种方法。

(1)采用实验性阳极预报法

这种方法是使用实验性阳极，间接测氧化铝浓度，根据氧化铝浓度的大小，对阳极效应进行预报，很多国家在这方面做了大量实验，大多数方法是根据测量临界电流密度原理，推测氧化铝浓度。但至今没有得到成功的应用。

(2)用测氧化铝浓度探头预报法

雷诺公司报道一种直接测量氧化铝浓度探头，它是一个石墨阳极，其外面是直径为12毫米的氧化硼保护管，管径为75～150毫米，再外面是石墨阴极。整个探头阳极和阴极用引线连接到外部的电流—电压程序装置，把它插入到电解液之后，接通电源通入电流，当阳极电流达到临界电流密度时，产生阳极效应，电压急剧上升，使电流停止。此时，临界电流密度所对应的氧化铝浓度便为所求。临界电流密度和氧化铝浓度关系是预先标定好的，根据临界电流密度和氧化铝浓度的对应关系来预报阳极效应。

上述两种方法是根据临界电流密度原理，间接测电解质中氧化铝浓度。这两种方法的缺点是，临界电流密度有时在阳极效应发生变化前，变化并不十分明显，阳极效应发生后突然增大，所以采用上述方法，预报提前量很小，无法及时处理，避免阳极效应发生。前苏联塔吉克铝厂曾用过探头法预报阳极效应，实际应用结果表明，预报准确率低，因此上述方法至今没被推广。

(3)电阻均值及电阻变化率预报法

国际铝业公司提出了阳极效应预报算法，其基本思想是：根据槽电压、系列电流和槽反电势可测量计算槽电阻的平均值，然后，计算槽电阻的变化率，根据槽电阻的变化率特征性升高预报阳极效应。仿真实验结果表明，这种算法是有效的。预报可提前15分钟左右，但是这种方法只能预报阳极效应一种故障，效果并不理想。我国90年代初开展铝电解故障预报研究，抚顺铝厂和贵阳等铝厂引进了国际铝业公司预报技术，预报准确率很低，后来全部取消。经调研，认为阳极效应预报不准主要原因有两条：一是我国铝电解生产设备、工艺比较落后；二是铝电解生产中整流设备难以达到稳流。由于上述原因，导致在阳极效应发生前槽电压变化率有时并没有特征升高，所以，采用国外这种预报方法不适合中国国情，不能对故障准确预报。

发明内容

本发明的目的在于克服现有技术存在的上述不足，通过研究探索，给出了一种通过监测铝电解槽系列电流和槽电压变化来预报故障的铝电解故障预报器。本发明给出的这种铝电解故障预报器，首次提出了采用辨识技术预报铝电解铝故障新方法，建立了铝电解故障预报模型，成功地采用辩识与参数估计及故障检测原理预报故障，即是将现场采集的数据进行辩识，跟踪模型参数，并与正常模型参数进行比较，若检测的参数偏离了正常范围，根据其参数变化特征进行预报。该故障预报器具有预报方法简单、实用性强、易于在计算机控制系统中实现、预报准确率高、提前量大和实时性强的特点，可大大提高铝的产量和质量，节能效果显著，并提高了铝电解智能控制水平。

本发明给出的技术方案是：这种铝电解故障预报器主要包括有上位管理计算机和下位控制计算机，其中上位管理计算机进行数据处理、离线辨识和故障预报，下位控制计算机实时检测电解槽的相关数据、计算槽电阻和将计算后的槽电阻传输到上位管理计算机，其特点是：

(1).下位控制计算机在线测量铝电解槽电压和系列电流，并计算槽电阻，经过滤波等数据处理后，作为故障诊断原始数据传输到上位管理计算机；

(2).上位管理计算机中设有故障信息数据库和铝电解故障预报模型，定时启动故障预报程序单元，对数据库中的电解槽数据进行辩识，跟踪模型参数，并与正常模型参数进行比较，当检测的参数偏离了正常范围，则根据其参数变化特征确定故障类型，对故障进行预报。

在上述技术方案中所述的故障预报程序单元采用的预报算法为增广最小二乘的辨识算法，其中最小二乘辨识算法主要是根据推导出的算式，即：

$\widehat{\mathrm{\θ}}\left(k\right)=\widehat{\mathrm{\θ}}(k-1)+K\left(k\right)[R\left(k\right)-{\mathrm{\φ}}^{\mathrm{\τ}}\left(k\right)\widehat{\mathrm{\θ}}(k-1)]---\left(8\right)$

$K\left(k\right)=\frac{P(k-1)\mathrm{\φ}\left(k\right)}{\mathrm{\λ}+{\mathrm{\φ}}^{\mathrm{\τ}}\left(k\right)P(k-1)\mathrm{\φ}\left(k\right)}---\left(9\right)$

$P\left(k\right)=\frac{1}{\mathrm{\λ}}[P(k-1)-K\left(k\right){\mathrm{\φ}}^{\mathrm{\τ}}\left(k\right)P(k-1)]---\left(10\right)$

其中， 是θ的无偏估计，即待辨识模型参数矩阵；R(k)是输出数据向量，

表示基于 和量测φ^τ(k)对输出R(k)的估计；P(k)是K时刻参数估计误差协方差阵的量度；λ是遗忘因子；K(k)是对估计误差的加权矩阵。

本发明给出的这种铝电解故障预报器的工作原理是：

一般故障都有一个发生、发展演变过程，即在故障检测到之前，其动态过程会发生改变，只不过这种变化没有表现在可测量中。但是，若过程内部不可测参数可以反映故障信息，可根据模型参数的估计值和正常值的偏差来判断是否产生了故障。所以，可以建立一个能反映故障信息的模型，根据模型参数的变化预报故障。

模型是用来描述过程运动规律的，确定什么样的模型结构，模型建立的准确与否是分析、预报故障的关键。根据铝电解过程的特点，其可测量系列电流和槽电压受电场、磁场、热场影响大，参数不稳定，所以，可以根据系列电流、槽电阻和槽反电动势，间接算出槽电阻数据。在电解过程中，槽电阻随时间逐渐增大，所以，可以建立反映槽电阻变化率的数学模型。

R(k)＝f(k)+ε(k)                          (1)

f(k)-f(k-1)＝[k-(k-1)]α＝α

f(k)＝f(k-1)+α                           (2)

将(2)式代入(1)式得

R(k)＝f(k-1)+α+ε(k)

R(k)＝f(k-1)+ε(k-1)-ε(k-1)+ε(k)+α

R(k)＝R(k-1)-ε(k-1)+ε(k)+α

动态模型的一般形式为

R(k)＝a₁R(k-1)+a₂+a₃ε(k-1)+ε(k)         (3)

模型参数辨识

将动态模型的一般形式写成最小二乘的形式

$R\left(k\right)=[R(k-1),1,\mathrm{\ϵ}(k-1)]\left[\begin{array}{c}{a}_1\\ a_2\\ a_3\end{array}\right]+\mathrm{\ϵ}\left(k\right)---\left(4\right)$

由增广最小二乘递推算法进行参数估计，则铝电解动态模型

R(k)＝0.95R(k-1)+0.15-0.96ε(k-1)+ε(k)。

将动态模型写成最小二乘形式

R(k)＝[R(k-1)，1，ε(k-1)][a₁，a₂，a₃]^τ+ε(k)   (4)

即R(k)＝φ^τ(k)θ+ε(k)                          (5)

其中φ^τ(k)＝[R(k-1)，1，ε(k-1)]θ＝[a₁，a₂，a₃]^τ

因ε(k)是白噪声，所以利用最小二乘法可获得参数θ的无偏估计。但是数据向量φ^τ(k)中含有不可测噪声向量ε(k-1)，它可用相应的估计值来代替，置

${\mathrm{\φ}}^{\mathrm{\τ}}\left(k\right)=[R(k-1),1,\widehat{\mathrm{\ϵ}}(k-1)]---\left(6\right)$

当k＞0时， 可按下式计算

$\widehat{\mathrm{\ϵ}}\left(k\right)=R\left(k\right)-{\mathrm{\φ}}^{\mathrm{\τ}}\left(k\right)\widehat{\mathrm{\θ}}(k-1)---\left(7\right)$

这样可以采用增广最小二乘递推算法

$\widehat{\mathrm{\θ}}\left(k\right)=\widehat{\mathrm{\θ}}(k-1)+K\left(k\right)[R\left(k\right)-{\mathrm{\φ}}^{\mathrm{\τ}}\left(k\right)\widehat{\mathrm{\θ}}(k-1)]---\left(8\right)$

$K\left(k\right)=\frac{P(k-1)\mathrm{\φ}\left(k\right)}{\mathrm{\λ}+{\mathrm{\φ}}^{\mathrm{\τ}}\left(k\right)P(k-1)\mathrm{\φ}\left(k\right)}---\left(9\right)$

$P\left(k\right)=\frac{1}{\mathrm{\λ}}[P(k-1)-K\left(k\right){\mathrm{\φ}}^{\mathrm{\τ}}\left(k\right)P(k-1)]---\left(10\right)$

在铝电解生产中，故障的检测方法主要是根据可测量系列电流和槽电压来判断故障。往往有些故障一旦发生会给生产带来影响或使整个系统瘫痪。仿真结果表明，采用上述的故障检测方法，可以对有些故障提前预报。

为进一步说明故障发生前后模型参数变化情况，取槽电压、系列电流和槽电阻(由槽电压、系列电流和槽反电动势得到)90分钟的数据，采样的数据间隔是15秒，这样，每个量有360个数据。

当t₂后槽电压波动大，超出了正常的电压变化范围，说明此时电解槽发生了故障(病槽)。这种变化缓慢的故障，若通过可测量需要在故障发生很长时间才能测得，一般通过检测装置，可在t₂时刻发出故障报警信号。这样往往给铝电解生产带来损失，影响铝的产量和质量。而采用该故障检测方法可以对故障提前预报。从仿真结果看，在t₁时刻后a₁、a₂、a₃参数开始变化，不仅偏离了模型参数变化的正常范围，而且参数变化数率加快，造成参数不稳定，说明将要有故障发生，根据其参数变化特征，预报将有病槽故障发生。

当阳极效应(故障)发生时槽电压瞬间增大，在此之前，可测量槽电压并没有明显改变，所以无法通过可测量进行预报阳极效应。但在阳极效应发生前大约17分钟，动态模型参数a₁，a₂，a₃发生变化，特别是a₂参数变化明显，偏离了正常的变化范围，说明过程的动态规律发生改变，故障信息反映在动态模型参数中，故障将要发生，根据a₁，a₂，a₃参数变化特征，可以对阳极效应提前预报。通过上述两种故障情况分析，可以看出，通过模型参数对故障进行预报是切实可行的，最关键的是建立的模型是否能反映故障信息，及模型的可靠程度。故障分类，可根据模型参数变化的特征，如病槽发生前，模型参数变化震荡较大。

与现有技术相比，本发明的有益效果是：

①、应用辩识及参数估计和故障检测理论，不仅能对铝电解中的阳极效应预报，而且能对铝电解故障进行预报。

②、采用多参数跟踪跟踪技术，可以用单一参数和多参数结合预报，辨识参数跟踪能力强，所以，预报提前量可以提前，准确率可以大大提高，可达到90％。

③、铝电解故障预报，可填补我国在铝电解过程预报方面的空白，为其它故障预报提供一种研究方法，在国内外处于领先地位。

附图说明

图1是铝电解故障预报原理图；

图2是槽电阻变化规律曲线(是经过滤波处理后的)示意图；

图3是故障预报算法程序框图；

图4是冷槽发生前后模型参数变化曲线示意图；

图5是阳极效应发生前后模型参数变化曲线示意图；

图6是计算机控制系统结构图。

具体实施方式

如图1所示，本发明给出的这种铝电解故障预报器的预报原理是：实时检测过程参数，如槽电压和系列电流，间接计算出槽电阻，通过增广最小二乘辨识算法，进行模型参数辨识，将实际辨识的模型参数与正常情况下的模型参数进行比较，然后通过模型参数分析，进行故障检测，分析故障类型，进行故障预报。

如图2所示，槽电阻(是经过滤波处理后的)变化曲线是建立铝电解预报模型的基础，由于铝电解故障产生与槽电阻的变化率有一定的关系，所以在建立故障预报模型时，让模型参数能反映槽电阻的变化率，应尽量包含更多的故障故障信息，使模型参数最大限度地涵盖故障信息，使模型参数有效地监测故障。

如图3所示，故障预报算法程序采用最小二乘的辨识算法。其中最小二乘辨识算法主要是根据在说明书中推导出的算式，即：

$\widehat{\mathrm{\θ}}\left(k\right)=\widehat{\mathrm{\θ}}(k-1)+K\left(k\right)[R\left(k\right)-{\mathrm{\φ}}^{\mathrm{\τ}}\left(k\right)\widehat{\mathrm{\θ}}(k-1)]---\left(8\right)$

$K\left(k\right)=\frac{P(k-1)\mathrm{\φ}\left(k\right)}{\mathrm{\λ}+{\mathrm{\φ}}^{\mathrm{\τ}}\left(k\right)P(k-1)\mathrm{\φ}\left(k\right)}---\left(9\right)$

$P\left(k\right)=\frac{1}{\mathrm{\λ}}[P(k-1)-K\left(k\right){\mathrm{\φ}}^{\mathrm{\τ}}\left(k\right)P(k-1)]---\left(10\right)$

其中， 是θ的无偏估计，即待辨识模型参数矩阵；R(k)是输出数据向量， 表示基于

和量测φ^τ(k)对输出R(k)的估计；P(k)是K时刻参数估计误差协方差阵的量度；λ是遗忘因子；K(k)是对估计误差的加权矩阵。

算法程序说明如下：

(1).算法程序初始化：θ(0)参数初始值设任意值，P(0)＝α²I，α²为数值很大的标量，I为单位矩阵。

(2).取360个槽电阻数据，进行参数辨识递推运算，共循环360次，在此期间对槽电阻数据进行滤波处理。

(3).构造φ^τ(k)见式(6)，然后通过式(9)计算K(k)。

(4).由(8)、(10)计算

和P(k)，由 向量得到模型参数a₁、a₂、a₃估计值，并进行平均值计算。

(5).判断计算后的a₁、a₂、a₃是否超出标准模型参数的变化范围，若超出了，分析参数变化特征，进行故障预报，否则，进行递推运算，继续对故障进行预报监测。

图4、图5分别表示了故障发生前后模型参数变化情况。取槽电压、系列电流和槽电阻(由槽电压、系列电流和槽反电动势得到)90分钟的数据，采样的数据间隔是15秒，这样，每个量360个数据。

由图4可知，t₂后槽电压波动大，超出了正常的电压变化范围，说明此时电解槽发生了故障(病槽)。这种变化缓慢的故障，若通过可测量需要在故障发生很长时间才能测得，一般通过检测装置，可在t₂时刻发出故障报警信号。这样往往给铝电解生产带来损失，影响铝的产量和质量。而采用该故障检测方法可以对故障提前预报。从仿真结果看，在t₁时刻后a₁、a₂、a₃参数开始变化，不仅偏离了模型参数变化的正常范围，而且参数变化数率加快，造成参数不稳定，说明将要有故障发生，根据其参数变化特征，预报将有病槽故障发生。

由图5可知：阳极效应(故障)发生时槽电压瞬间增大，在此之前，可测量槽电压并没有明显改变，所以无法通过可测量进行预报阳极效应。但在阳极效应发生前大约17分钟，动态模型参数a₁，a₂，a₃发生变化，特别是a₂参数变化明显，偏离了正常的变化范围，说明过程的动态规律发生改变，故障信息反映在动态模型参数中，故障将要发生，根据a₁，a₂，a₃参数变化特征，可以对阳极效应提前预报。

如图6所示，计算机控制系统采用分布式计算机控制系统结构，下位控制机由两台工业控制机组成，主要完成对铝电解过程的控制及系统故障的监测；上位管理机主要进行铝电解过程管理，主要功能有故障预报、故障查询、铝电解槽状态查询、参数设定，打印报表等。其中故障报警是管理计算机功能中的重要部分。下位控制机将铝电解过程检测的数据，传入上位管理机，建立数据库，作为故障预报的数据。

Claims (2)

1.一种铝电解故障预报器，主要包括有上位管理计算机和下位控制计算机，其中上位管理计算机进行数据处理、离线辨识和故障预报，下位控制计算机实时检测电解槽的相关数据、计算槽电阻和将计算后的槽电阻传输到上位管理计算机，其特征在于

(1).下位控制计算机在线测量铝电解槽电压和系列电流，并计算槽电阻，经过滤波等数据处理后，作为故障诊断原始数据传输到上位管理计算机；

(2).上位管理计算机中设有故障信息数据库和铝电解故障预报模型，定时启动故障预报程序单元，对数据库中的电解槽数据进行辩识，跟踪模型参数，并与正常模型参数进行比较，当检测的参数偏离了正常范围，则根据其参数变化特征确定故障类型，对故障进行预报。

2.根据权利要求1所述的铝电解故障预报器，其特征在于所述的故障预报程序单元采用的预报算法为增广最小二乘的辨识算法，其中最小二乘辨识算法主要的算式为：

$\widehat{\mathrm{\θ}}\left(k\right)=\widehat{\mathrm{\θ}}(k-1)+K\left(k\right)[R\left(k\right)-{\mathrm{\φ}}^{\mathrm{\τ}}\left(k\right)\widehat{\mathrm{\θ}}(k-1)]---\left(8\right)$

$P\left(k\right)=\frac{1}{\mathrm{\λ}}[P(k-1)-K\left(k\right){\mathrm{\φ}}^{\mathrm{\τ}}\left(k\right)P(k-1)]---\left(10\right)$

其中，

是θ的无偏估计，即待辨识模型参数矩阵；R(k)是输出数据向量，

表示基于 和量测φ^τ(k)对输出R(k)的估计；P(k)是K时刻参数估计误差协方差阵的量度；λ是遗忘因子；K(k)是对估计误差的加权矩阵。

Images