專利名稱：鋁電解過程電解槽中氧化鋁濃度的軟測量方法
技術領域：
本發明涉及鋁電解過程生產參數的測量技術，尤其涉及一種用于解決鋁電解過程中難以用物理傳感器在線實時測量電解槽中氧化鋁濃度的軟測量方法。
背景技術：
在鋁電解工業中，氧化鋁濃度是反映鋁電解槽生產運行過程的重要狀態參數，同時也是維持鋁電解槽物料平衡的一個重要控制參數，根據現代鋁電解工業生產“三低一高”的工藝調度要求，必須將氧化鋁濃度控制在一個較低的濃度范圍，但是由于目前針對氧化鋁濃度直接測量的傳感器成本高、容易損壞等經濟、技術原因，導致一直缺乏在線直接測量氧化鋁濃度的測量手段，這已經成為制約鋁電解行業進一步提高控制效率，降低能耗的一個瓶頸。目前，軟測量技術為解決此類問題提供了有效的途徑，并被認為是富有成效和最具有吸引力的新方法，在不增加或少增加投資的條件下，軟測量技術將會得到廣泛應用，從而對過程控制和檢測系統產生巨大的影響。軟測量就是依據易測可測的過程變量(稱為輔助變量，如速度、壓力、溫度等)與難以直接檢測的待測變量(稱為主導變量，如物料成分、產品質量等)的數學關系，根據某種最優準則，采用各種計算方法，用軟測量模型實現對待測變量的測量或估計。目前，針對氧化鋁濃度的軟測量，主要還是槽電阻斜率計算法，即通過對槽電阻大小的分析可以推算出氧化鋁的濃度，其關系曲線如圖I所示。由于槽電阻R是由槽電壓和系列電流強度計算所得，可以將圖I所示的關系轉換為槽電壓與氧化鋁濃度之間的關系，即將氧化鋁濃度變化轉化到一個較小的時間區間范圍內，在此范圍內依據槽電壓或槽電阻斜率值及其對應的氧化鋁濃度值，采用線性回歸模型等線性理論的方法，建立氧化鋁濃度的軟測量模型，這種方法只能在很小的工作區域內有效的檢測氧化鋁濃度變化，而不能徹底解決整個工作區域的氧化鋁濃度軟測量問題，這是因為氧化鋁濃度除了跟當前的槽電壓或槽電阻變化有關外，還與當前或早些時候電解槽所處的電解槽狀態，所采用的槽動作，和其他生產參數的波動等有關。另外，基于人工神經網絡(Artificial Neural Network,簡記為ANN)的氧化鋁濃度軟測量也有人采用過，基于人工神經網絡的軟測量可在不具備對象的先驗知識的條件下，根據對象的輸入輸出關系直接建模，模型的在線校正能力強，并能適用于高度非線性和嚴重不穩定系統。但是，神經網絡的學習訓練樣本的數量和質量、學習算法、網絡的拓撲結構和類型等的選擇對構成的軟測量模型都有重大影響，而且訓練樣本特征向量的選擇往往缺乏可靠的工藝依據，所以采用神經網絡的氧化鋁濃度軟測量模型也有其局限性。綜上所述，由于鋁電解槽是一個非均一非穩態模型，涉及到的氧化鋁濃度變化的各項因素相互耦合，所以結合工藝選取合適的氧化鋁濃度模型的特征輸入，采用一種準確、可靠的非線性軟測量模型對建立氧化鋁濃度軟測量模型是至關重要的。
發明內容
有鑒于此，本發明的目的是提供一種準確、可靠的鋁電解過程電解槽中氧化鋁濃、度的軟測量方法。
本發明的目的是通過以下技術方案實現的該鋁電解過程電解槽中氧化鋁濃度的軟測量方法，包括以下步驟步驟一采集過程生產參數數據，包括采集槽電壓、系列電流、加料間隔(NB)、出鋁量的過程產生參數，并通過硬件設備建立存儲各個參數數值的歷史數據庫；步驟二 設定一讀取時間參數和讀取時間段參數，每隔一段讀取時間參數，就讀取歷史數據庫該時刻的讀取時間段參數以前的數據，對過程生產參數進行數據處理，建立訓練樣本集合和測試樣本集合，樣本集合的格式為Ixi, yj，其中Xi = {F (k), H (k), R (k), S (k), T (k), NB (k), L (k), Vs (k)}, Yi = {C (k)}, Xi e R8,Ii e R，其中，式中各參數的含義如下k表示樣本i所處的某采樣時刻，時刻k-時刻(k-ι)=讀取時間參數；F(k)為槽電壓波動次數，對采集到的讀取時間段參數以內的所有槽電壓數據信號Vk按照樹結構用DB8小波分解信號到第八層，然后將(8，0)頻段的信號進行重構得到讀取時間段參數以內的(8，0)頻段的槽電壓信號V·，統計讀取時間段參數以內(8，0)頻段的槽電壓信號波峰波谷個數，一個波峰波谷記為I次波動，一個波峰或者波谷為O. 5次波動；H(k)為高頻能量百分比，將采集到讀取時間段參數以內的槽電壓記為Vk，計算槽電壓信號總能量
權利要求
1.鋁電解過程電解槽中氧化鋁濃度的軟測量方法，其特征在于所述軟測量方法包括以下步驟 步驟一采集過程生產參數數據，包括采集槽電壓、系列電流、加料間隔(NB)、出鋁量的過程產生參數，并通過硬件設備建立存儲各個參數數值的歷史數據庫； 步驟二 設定一讀取時間參數和讀取時間段參數，每隔一段讀取時間參數，就讀取歷史數據庫該時刻的讀取時間段參數以前的數據，對過程生產參數進行數據處理，建立訓練樣本集合和測試樣本集合，樣本集合的格式為Ixi, yj，其中 Xi = {F (k), H (k), R (k), S (k), T (k), NB (k), L (k), Vs (k)} ,Yi = {C (k)}, Xi e R8，力 e R,其中，式中各參數的含義如下 k表示樣本i所處的某采樣時刻，時刻k-時刻(k-Ι)=讀取時間參數； F(k)為槽電壓波動次數，對采集到的讀取時間段參數以內的所有槽電壓數據信號Vk按照樹結構用DB8小波分解信號到第八層，然后將(8，0)頻段的信號進行重構得到讀取時間段參數以內的(8，O)頻段的槽電壓信號V·，統計讀取時間段參數以內(8，O)頻段的槽電壓信號波峰波谷個數，一個波峰波谷記為I次波動，一個波峰或者波谷為O. 5次波動； H(k)為高頻能量百分比，將采集到讀取時間段參數以內的槽電壓記為Vk，計算槽電壓信號總能量
2.根據權利要求I所述的鋁電解過程電解槽中氧化鋁濃度的軟測量方法，其特征在于在步驟四中，槽狀態包括健康、基本健康、亞健康、臨界健康、輕微病態、中度病態、嚴重病態共七種狀態，針對不同槽狀態下的訓練采集得到樣本集合，采用最小二乘支持向量機(LSSVM)訓練得到不同槽狀態對應的氧化鋁濃度軟測量模型，共7種，采用的最優函數如下
3.根據權利要求2所述的鋁電解過程電解槽中氧化鋁濃度的軟測量方法，其特征在于核函數為徑向基函數(RBF),表示為
4.根據權利要求I所述的鋁電解過程電解槽中氧化鋁濃度的軟測量方法，其特征在于在步驟四中，對某一槽狀態下的電解槽，氧化鋁濃度軟測量模型參數的算法如下 步驟I : 模型參數初始化；包括初始化群體數量η、最大迭代次數kmax、學習因子C1、學習因子C2、懲罰系數變化速度下界Vcmin、懲罰系數變化速度上界Vcmax、核函數寬度系數變化下界V σ _、核函數寬度系數變化下界V σ _、核函數寬度系數下界σ _、核函數寬度系數上界σ_、懲罰系數下界Cniin、懲罰系數上界Cniax、慣性權重ω ； 步驟2 :初始化群體中的所有粒子對應算法參數c和σ，即初始化粒子種群，初始種群通過Logistic映射來產生得到，具體方法是定義ξη，ξ12為(0，1)內的隨機數，且ξη 關 ξ12，將 ξη，ξ12 代入 Logistic 映射，即:
5.根據權利要求I所述的鋁電解過程電解槽中氧化鋁濃度的軟測量方法，其特征在于在步驟一中，讀取時間參數為IOmin,讀取時間段參數為2h。
全文摘要
本發明公開了一種鋁電解過程電解槽中氧化鋁濃度的軟測量方法，具體包括以下步驟(1)過程生產參數數據采集；(2)過程生產參數數據預處理；(3)過程生產參數數據樣本建立；(4)建立基于不同槽狀態的多氧化鋁濃度軟測量模型及求取模型參數；(5)應用模型預估氧化鋁濃度。本發明能夠快速、準確、實時的檢測氧化鋁濃度的變化，實現對生產過程的優化控制。
文檔編號G01N33/00GK102636624SQ20121013160
公開日2012年8月15日 申請日期2012年4月28日 優先權日2012年4月28日
發明者呂函珂, 林景棟, 林湛丁, 王豐, 王雪 申請人:重慶大學