RU2242540C1 - Способ автоматического контроля технологических состояний и нарушений алюминиевого электролизера - Google Patents
Способ автоматического контроля технологических состояний и нарушений алюминиевого электролизера Download PDFInfo
- Publication number
- RU2242540C1 RU2242540C1 RU2003129570/02A RU2003129570A RU2242540C1 RU 2242540 C1 RU2242540 C1 RU 2242540C1 RU 2003129570/02 A RU2003129570/02 A RU 2003129570/02A RU 2003129570 A RU2003129570 A RU 2003129570A RU 2242540 C1 RU2242540 C1 RU 2242540C1
- Authority
- RU
- Russia
- Prior art keywords
- technological
- electrolyzer
- amplitude
- violations
- failures
- Prior art date
Links
Images
Landscapes
- Electrolytic Production Of Metals (AREA)
Abstract
Изобретение относится к цветной металлургии, в частности к электролитическому получению алюминия. При автоматическом контроле технологических состояний и нарушений алюминиевого электролизера измеряют амплитуду колебаний рабочего напряжения в диапазоне частот, амплитуду колебаний тока серии. Рассчитывают приведенное напряжение, сравнивают с заданными значениями и определяют технологические нарушения. Осуществляют формирование временного ряда приведенного напряжения в диапазоне частот 0,005-1,0 Гц. Дополнительно производят амплитудно-частотное преобразование сигнала. Выполняют классификацию результатов преобразования с помощью искусственной нейронной сети. Сравнивают результаты классификации с типами технологических состояний и нарушений электролизера. Изобретение позволяет повысить информативность, точность, быстродействие и определить большее количество технологических состояний и нарушений электролизера. 5 з.п. ф-лы, 3 табл., 4 ил.
Description
Изобретение относится к цветной металлургии, в частности к электролитическому получению алюминия, и может быть использовано в автоматических системах управления технологическим процессом.
Причинами, вызывающими снижение технико-экономических показателей алюминиевых электролизеров (производительности, выхода по току и т.д.), являются периодически возникающие технологические нарушения, такие как образование конусообразных выступов на подошве анода, накопление угольной пены и кусков угля в электролите под анодом, низкое положение анодной рамы и т.д.
Задача минимизации общего числа не нормально (не удовлетворяющих установленному регламенту) работающих электролизеров может быть решена за счет своевременной и полной диагностики причин его технологических нарушений.
Известно, что измерение амплитуды колебаний рабочего напряжения и рассчитанного на основе его приведенного напряжения электролизера используют для оперативного обнаружения и выявления характера нарушения технологического процесса электролиза.
Известен способ автоматического контроля работы алюминиевого электролизера по амплитуде пульсаций и величине рабочего напряжения, характеризующих технологическое состояние электролизера (патент США №3583896, кл. 204-67, 1971) [1].
Недостатком способа [1] является низкая точность контроля (обнаружение и определение вида только одного класса нарушений). Технологическое нарушение определяют только на стадии его крайней тяжести, когда выступ на подошве анода развивается в “конус”, входящий в катодный металл, что всегда сопровождается значительным нарушением технологического режима.
Известен способ автоматического контроля технологического состояния алюминиевого электролизера, включающий измерение амплитуды колебаний его рабочего напряжения, при этом дополнительно измеряют амплитуду колебаний тока серии и на переменной составляющей омического сопротивления электролизера в диапазоне частот 0,3-3 Гц определяют среднюю амплитуду колебаний падения напряжения, которую сравнивают с ее граничными значениями, если средняя амплитуда колебаний меньше заданной в диапазоне 4-30 мВ нижней границы или больше заданной в диапазоне 15-50 мВ верхней границы, сигнализируют о наличии у электролизера технологического нарушения (Авторское свидетельство СССР №891808, м. кл. С 25 С 3/20, 26.03.80) [2].
Отметим, что характеристики переменных составляющих приведенного напряжения электролизера и омического (псевдосопротивления) сопротивления электролизера идентичны (1), поскольку приведенное напряжение определяют (2) умножением омического сопротивления на константу (номинальную силу тока).
где R(t) - омическое сопротивление (псевдосопротивление) ванны,
V(t) - рабочее напряжение электролизера,
VО - номинальное перенапряжение электрохимической реакции в электролизере,
I(t) - ток серии,
IO - номинальная сила тока.
Недостаток способа [2] состоит в недостаточной оперативности автоматического обнаружения и сигнализации о технологических нарушениях.
Задача изобретения состоит в повышении надежности и достоверности определения технологических состояний и нарушений алюминиевого электролизера различных типов.
Технический результат изобретения состоит в повышении информативности, точности, быстродействии и определения большего количества технологических состояний и нарушений алюминиевого электролизера, что обеспечивает повышение технико-экономических показателей процесса электролиза.
Технический результат достигается тем, что способ автоматического контроля обеспечивается следующими операциями: осуществляют формирование временного ряда приведенного напряжения в диапазоне частот 0,005-1,0 Гц; дополнительно производят амплитудно-частотное преобразование сигнала, выполняют классификацию результатов преобразования с помощью искусственной нейронной сети, обученной по алгоритму “ненаблюдаемого обучения сетей”, и сравнение результатов классификации с типами технологических состояний и нарушений электролизера.
Способ может характеризоваться тем, что временной ряд формируют длительностью 10-600 секунд.
Способ может характеризоваться тем, что производят амплитудно-частотное преобразование, например, с помощью алгоритма быстрого преобразования Фурье.
Способ может характеризоваться тем, что осуществляют классификацию амплитудно-частотного преобразования временных рядов с помощью нейронной сети, например, Кохонена.
Способ может характеризоваться тем, что для электролизеров с самообжигающимся анодом на выходе искусственной нейронной сети настраивают не менее пятидесяти технологических состояний и нарушений электролизера.
Способ может характеризоваться тем, что для электролизеров с обоженными анодами на выходе искусственной нейронной сети настраивают не менее тридцати семи технологических состояний и нарушений электролизера.
Сущность изобретения поясняется на чертежах, где
на фиг.1 представлена структурная схема контроля для реализации патентуемого способа;
на фиг.2 - схема идентификации технологического состояния электролизера по переменной составляющей приведенного напряжения;
на фиг.3 - интерфейс программного модуля “Автоматического контроля технологических состояний и нарушений электролизера” для электролизеров с самообжигающимся анодом типа С-БМ;
на фиг.4 - интерфейс программного модуля “Автоматического контроля технологических состояний и нарушений электролизера” для электролизеров с обоженным анодом С-160 М 4 и С-120.
В основе патентуемого способа лежат следующие предпосылки.
Как указывалось выше, технико-экономические показатели процесса электролиза алюминия напрямую зависят от своевременной и полной диагностики причин технологических нарушений. Технологические состояния и нарушения алюминиевого электролизера имеют тесную взаимосвязь с характеристиками временного ряда переменной составляющей приведенного напряжения.
В патентуемом изобретении предлагается более совершенный способ контроля и диагностики технологического состояния электролизеров с использованием принципов анализа временных рядов на основе методов амплитудно-частотного преобразования и нейросетевых технологий.
По отношению к прототипу у предлагаемого способа имеются следующие особенности.
Во-первых, производится формирование временного ряда приведенного напряжения определенной длительности (вектора состояния), который несет больше информации о технологических состояниях и нарушениях электролизера. Во-вторых, выполняется амплитудно-частотное преобразование временного ряда приведенного напряжения с целью повышения точности определения технологических состояний и нарушений электролизера. В-третьих, выполняется классификация амплитудно-частотного преобразования ряда с помощью искусственной нейронной сети, которая применяется с целью повышения точности классификации и определения большего количества технологических состояний и нарушений. В-четвертых, производится сравнение результатов классификации с типами технологических состояний и нарушений электролизера, с целью повышения быстродействия.
Анализ, проведенный заявителем, показал, что совокупность признаков является новой, а сам способ удовлетворяет условию изобретательского уровня ввиду новизны причинно-следственной связи “отличительные признаки - технический результат”.
Сущность способа поясняется на примере функционирования способа контроля, структурная схема которого представлена на фиг.1.
В процессе управления технологическим процессом автоматическая система управления постоянно контролирует значение рабочего напряжения электролизера, тока серии и рассчитывает приведенное напряжение (секундные значения). Затем приведенное напряжение подается в блок 1, формирующий временной ряд определенной длительностью. Сформированный ряд поступает на блок 2, выполняющий функцию амплитудно-частотного преобразования. Рассчитанная амплитудно-частотная характеристика ряда поступает на классификатор - обученную нейронную сеть (блок 3). Нейронная сеть производит отнесение входного набора данных, представляющих распознаваемый объект, к одному из ранее известных классов. Результаты классификации сравниваются с типами технологического состояния и нарушениями электролизера (блок 4). Визуализация контроля технологического состояния и нарушений электролизера представляются в виде гистограмм и операционных сообщений. Для электролизеров с самообжигающимся анодом выход искусственной нейронной сети настроен на определение не менее пятидесяти типов технологических состояний и нарушений электролизера, список которых приведен в таблице 2. Для электролизеров с обоженными анодами выход искусственной нейронной сети настроен на определение не менее тридцати семи типов технологических состояний и нарушений электролизера, список которых приведен в таблице 3.
Применение временного ряда связано с тем, что временной ряд приведенного напряжения в более полной степени характеризует технологические состояния и нарушения электролизера, т.к. представляет комплекс гармоник приведенного напряжения, являющихся результатом действия различных причин. Причины возникновения колебаний приведенного напряжения подразделяются на технологические и технические. Технологические причины обуславливаются физико-химическими процессами в межполюсном зазоре (движение межфазной границы металл-электролит и пузырькового слоя под анодом, капиллярные процессы, связанные с силами поверхностного натяжения, локальные изменения плотности тока). Технические причины - это наложение на напряжение электролизера шумов аппаратной части в виде нестабильности питающего напряжения и тока серии. Амплитуда колебаний приведенного напряжения, вызванных техническими причинами существенно ниже амплитуды колебаний, вызванных технологическими причинами, а частота соответственно выше, поэтому колебания технического характера не оказывают влияния на определение технологических состояний и нарушений электролизера.
Применение временного ряда длительностью 10-600 секунд объясняется тем, что в этом диапазоне укладывается достаточное для распознавания количество периодов колебаний приведенного напряжения, обусловленных технологическими причинами (Larry Ваnta, Congxia Dai, Philip Biedler “Noise classification in the aluminum reduction process”. Light Metals, 2003,431-435) [5].
Нижняя граница 10 секунд определяется быстро текущими процессами в электролизере (процесс газовыделения). Верхняя граница 600 секунд определяется медленно текущими процессами (периодом колебаний границы раздела металл-электролит).
Предварительная обработка временного ряда в виде амплитудно-частотного преобразования во взаимодействии с искусственной нейронной сетью (НС) позволяет более точно идентифицировать технологические состояния и нарушения электролизера.
Организация классификации временных рядов по группам или распознавание образа ряда производится с помощью искусственной нейронной сети. Задача распознавания образов состоит в отнесении входного набора данных, представляющих распознаваемый объект, к одному из ранее известных классов. Нейросетевой подход показал свою эффективность при решении плохо формализованных задач распознавания (см., например, Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. “Базы данных. Интеллектуальная обработка информации”.-М.: Издатель Молгачева С.В., 2001 г.) [4]. Для плохо формализованных задач характерно отсутствие разработанных моделей, приводящих к расчетным формулам, или цепочек простых действий, последовательное применение которых дает искомый результат.
Для реализации поставленной задачи применена искусственная нейронная сеть Кохонена (см., например, C.Amza et.al. TreadMarks: Shared Memory Computing on Networks of Workstation. Computer. Vol.29, No.2, 1996, pp.18-23) [5].
Практика показывает, что НС способна относить сходные образы к одному классу. Тестирование НС путем подачи на ее входы примеров позволяет установить: какие примеры НС относит к каждому классу, количество классов и комбинации значений выходов, соответствующих каждому классу. В ходе функционирования обученная НС при подаче на ее входы очередного входного вектора вырабатывает комбинацию значений выходов, соответствующих классу, к которому НС отнесла входной вектор.
Программные продукты, обеспечивающие решение технологических задач упомянутыми методами, описаны (см. [4], а также “нейросетевые симуляторы”, такие как NeuroShell 2.0, Stuttgart Neural Net Simulator v.4.1), принципы, построения которых патентуются (см., например, патент US 6317730, Neuner, et.al., 706/2, G 06 F 15/18, 13.11.2001 [6]) и имеются в продаже.
Проведено тестирование различных способов предварительной обработки временного ряда приведенного напряжения электролизера в комплекте с НС следующими методами: вайвелет преобразованием, быстрым преобразованием Фурье, гистограммой распределения и без преобразования. В качестве искусственной нейронной сети выбрана сеть Кохонена.
Результаты тестирования группы временных рядов различных технологических нарушений представлены в табл.1.
Как видно из табл.1, наиболее точным методом предварительного преобразования временного ряда приведенного напряжения является амплитудно-частотное преобразование - методом быстрого преобразования Фурье, которое дает наименьшую ошибку при распознавании временного ряда приведенного напряжения.
Нейронная сеть Кохонена состоит из двух блоков. Первый блок на входе имеет 149 нейронов и второй блок на выходе 50 нейронов. Обучение нейронной сети производилось по алгоритмам ненаблюдаемого обучения. В обучении участвовало 70000 образцов временных рядов приведенного напряжения длительностью 300 секунд каждый. Для реализации нейронной сети Кохонена был использован программный продукт NeuroShell 2.0.
Проведение сравнения результатов классификации с технологическими состояниями и нарушениями электролизера необходимо с целью придания физического смысла номерам классов. Список типов технологических состояний и нарушений для электролизеров с самообжигающимся анодом и обоженными анодами составлен на основе экспертных оценок, активных и пассивных экспериментов. Схема диагностики технологического состояния электролизера по флуктуациям рабочего напряжения приведена на фиг.2.
Способ осуществляется в следующей последовательности.
1. Выполняется измерение рабочего напряжения электролизера и силы тока.
2. Производится формирование временного ряда приведенного напряжения определенной длительности (10-600 секунд).
3. Производится амплитудно-частотное преобразование временного ряда при помощи быстрого преобразования Фурье.
4. Полученное амплитудно-частотное преобразование временного ряда поступает на вход искусственной нейронной сети (Кохонена), обученной на основе образцов временных рядов приведенного напряжения, которая относит входной набор данных к одному из ранее известных классов.
5. Производится определение технологического состояния или нарушения электролизера путем сравнения результатов классификации с известными типами технологических состояний и нарушений.
6. Представление результатов в виде гистограмм и операционных сообщений.
Эффективность патентуемого способа показана на следующих алюминиевых электролизерах.
1. Типа С8-БМ с самобжигающимся анодом, верхним токоподводом и работающим на силе тока 158 кА;
2. Типа С-160 М4 (сила тока 168 кА) и С-120 (сила тока 125 кА) с обожженными анодами.
Разработан программный модуль, реализующий патентуемый способ, интерфейс которого для электролизеров с самообжигающимся анодом типа С8-БМ представлен на фиг.3, а для электролизеров с обожженными анодами С-160 М 4 и С-120 – на фиг.4.
Программный модуль позволяет в реальном масштабе времени контролировать рассчитанные колебания приведенного напряжения электролизера и производить по ним автоматический контроль технологических состояний и нарушений электролизера.
Реализация предложенного способа автоматического контроля технологических состояний и нарушений алюминиевого электролизера позволяет улучшить технико-экономические показатели электролиза за счет оперативного и точного выявления технологических нарушений и своевременного их устранения.
Claims (6)
1. Способ автоматического контроля технологических состояний и нарушений алюминиевого электролизера, включающий измерение амплитуды колебаний рабочего напряжения в диапазоне частот, амплитуды колебаний тока серии и расчет приведенного напряжения, сравнение с заданными значениями и определение технологических нарушений, отличающийся тем, что осуществляют формирование временного ряда приведенного напряжения в диапазоне частот 0,005-1,0 Гц, дополнительно производят амплитудно-частотное преобразование сигнала, выполняют классификацию результатов преобразования с помощью искусственной нейронной сети и сравнение результатов классификации с типами технологических состояний и нарушений электролизера.
2. Способ по п.1, отличающийся тем, что формируют временной ряд длительностью 10-600 с.
3. Способ по п.1, отличающийся тем, что производят амплитудно-частотное преобразование, например, с помощью алгоритма быстрого преобразования Фурье.
4. Способ по п.1, отличающийся тем, что классификацию производят с помощью искусственной нейронной сети типа Кохонена.
5. Способ по п.1, отличающийся тем, что для электролизеров с самообжигающимся анодом на выходе искусственной нейронной сети настраивают не менее пятидесяти технологических состояний и нарушений электролизера.
6. Способ по п.1, отличающийся тем, что для электролизеров с обожженными анодами на выходе искусственной нейронной сети настраивают не менее тридцати семи технологических состояний и нарушений электролизера.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2003129570/02A RU2242540C1 (ru) | 2003-10-03 | 2003-10-03 | Способ автоматического контроля технологических состояний и нарушений алюминиевого электролизера |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2003129570/02A RU2242540C1 (ru) | 2003-10-03 | 2003-10-03 | Способ автоматического контроля технологических состояний и нарушений алюминиевого электролизера |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2242540C1 true RU2242540C1 (ru) | 2004-12-20 |
Family
ID=34388587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2003129570/02A RU2242540C1 (ru) | 2003-10-03 | 2003-10-03 | Способ автоматического контроля технологических состояний и нарушений алюминиевого электролизера |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2242540C1 (ru) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101280436B (zh) * | 2008-05-22 | 2010-06-02 | 四川启明星铝业有限责任公司 | 铝电解冷热趋势计算机实时控制方法 |
| RU2496923C2 (ru) * | 2008-06-16 | 2013-10-27 | Рио Тинто Алкан Интернэшнл Лимитед | Способ производства алюминия в электролизере |
| RU2631077C1 (ru) * | 2016-08-04 | 2017-09-18 | Общество с ограниченной ответственностью "Объединенная Компания РУСАЛ Инженерно-технологический центр" | Способ автоматического контроля технологических нарушений алюминиевого электролизера |
| RU2648413C1 (ru) * | 2017-01-20 | 2018-03-27 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Способ управления режимами на основе нейросетевого диагностирования неисправностей и технического состояния электроприводного газоперекачивающего агрегата |
-
2003
- 2003-10-03 RU RU2003129570/02A patent/RU2242540C1/ru not_active IP Right Cessation
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101280436B (zh) * | 2008-05-22 | 2010-06-02 | 四川启明星铝业有限责任公司 | 铝电解冷热趋势计算机实时控制方法 |
| RU2496923C2 (ru) * | 2008-06-16 | 2013-10-27 | Рио Тинто Алкан Интернэшнл Лимитед | Способ производства алюминия в электролизере |
| US8961773B2 (en) | 2008-06-16 | 2015-02-24 | Rio Tinto Alcan International Limited | Method of producing aluminium in an electrolysis cell |
| RU2631077C1 (ru) * | 2016-08-04 | 2017-09-18 | Общество с ограниченной ответственностью "Объединенная Компания РУСАЛ Инженерно-технологический центр" | Способ автоматического контроля технологических нарушений алюминиевого электролизера |
| RU2648413C1 (ru) * | 2017-01-20 | 2018-03-27 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Способ управления режимами на основе нейросетевого диагностирования неисправностей и технического состояния электроприводного газоперекачивающего агрегата |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112527788B (zh) | 变压器监测数据异常值检测与清洗的方法及装置 | |
| Declercq et al. | Online Learning of Gaussian Mixture Models-a Two-Level Approach. | |
| Guh | Robustness of the neural network based control chart pattern recognition system to non‐normality | |
| CN108595884A (zh) | 电力系统暂态稳定性评估方法及装置 | |
| CN113033011A (zh) | 一种船舶机械健康状态评估方法及系统 | |
| RU2242540C1 (ru) | Способ автоматического контроля технологических состояний и нарушений алюминиевого электролизера | |
| CN111985528B (zh) | 一种基于pdgan的电缆局放数据增强方法 | |
| CN111626372A (zh) | 一种线上教学监督管理方法及系统 | |
| Jin et al. | Prediction model for back-bead monitoring during gas metal arc welding using supervised deep learning | |
| CN114463843A (zh) | 一种基于深度学习的多特征融合鱼类异常行为检测方法 | |
| CN115329669A (zh) | 基于深度贝叶斯主动学习的电力系统暂态稳定评估方法 | |
| CN112192318A (zh) | 机加工刀具状态监控方法和系统 | |
| CN113506186B (zh) | 电力系统受扰轨迹筛选方法、装置、电子设备和存储介质 | |
| CN117589233A (zh) | 继电保护装置运行状态智能检测方法及系统 | |
| CN110427958A (zh) | 一种融合无监督学习和监督学习的反馈式分类方法 | |
| CN113721086A (zh) | 用于监视mv或hv电气系统的装备件的电气绝缘状况的方法 | |
| CN113158448A (zh) | 一种船舶系统设备阈值的自适应计算方法 | |
| CN112241751B (zh) | 一种异常检测方法和系统，及计算机可读存储介质 | |
| CN116434258A (zh) | 一种表格数据的自动识别方法 | |
| CN114202907B (zh) | 一种火灾报警实时分类方法及系统 | |
| CN112529746A (zh) | 辅助教师的实时学习监督、提醒及分析的方法 | |
| CN114049543A (zh) | 一种基于深度学习的废钢卸料变化区域自动识别方法 | |
| Sakaki et al. | Automating event-detection of brain neuron synaptic activity and action potential firing in vivo using a random-access multiphoton laser scanning microscope for real-time analysis | |
| CN110852178A (zh) | 基于提升决策树的钢琴乐谱难度识别方法 | |
| CN111160454B (zh) | 一种速变信号检测方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PD4A | Correction of name of patent owner | ||
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20081004 |