【技术实现步骤摘要】
基于递归神经网络与角度偏好的铝电解建模与优化方法
本专利技术属于最优控制领域,具体涉及一种基于递归神经网络与角度偏好的铝电解建模与优化方法。
技术介绍
环保型铝电解生产过程长期以来都非常具有挑战性,在电解铝工业中,最终目标是在电解槽平稳运行的基础上,提高电流效率、降低槽电压以及减少全氟化物、减少吨铝能耗的排放量。然而,铝电解槽参数较多,并且参数间呈现出非线性、强耦合性,给铝电解生产过程建模带来了较大难度,而递归神经网络具有很强的非线性映射能力,适用于解决非线性系统建模问题,为铝电解生产过程建模提供了新的思路。而对于四个目标,同时实现则非常困难,因为目标相互之间存在冲突的现象,因此可引入决策者的偏好信息,设定期望目标,灵活调整不同目标之间的权重,利用偏好A-PMQPSO优化算法进行变量优化。A-PMQPSO是在MQPSO基础上,引入A支配方法。MQPSO是一种经典的多目标优化算法,该算法简单、运算速度快、进化过程可直接用方程描述,因而被广泛应用于多个领域。
技术实现思路
本专利技术的目的在于克服现有技术的不足,提供一种基于递归神经网络与角度偏好的铝电解建模与优化方法,以解决现有技术中铝电解生产过程中因无法获得最优工艺参数而导致的耗能巨大、效率低且严重污染环境的技术问题,并且同时可以引入决策者偏好信息,实现动态灵活调整各目标之间偏好权重的目的。本专利技术的目的是这样实现的:一种基于递归神经网络与角度偏好的铝电解建模与优化方法,包括如下步骤:S1:选择对电流效率、槽电压以及全氟化物排放量有影响的控制参数构成决策变量,决策变量X=[x1,x2,···,xM],M为所选 ...
【技术保护点】
1.一种基于递归神经网络与角度偏好的铝电解建模与优化方法,其特征在于,包括如下步骤:S1:选择对电流效率、槽电压以及全氟化物排放量有影响的控制参数构成决策变量,决策变量X=[x1,x2,···,xM],M为所选控制参数的个数;S2:选定铝电解工业现场,采集N组决策变量X1,X2,···,XN及其对应的电流效率y1,y2,···,yN,槽电压z1,z2,···,zN,以及全氟化物排放量s1,s2,···,sN和吨铝能耗c1,c2,···,cN为数据样本,以每一组决策变量Xi作为输入,以对应的电流效率yi、槽电压zi以及全氟化物排放量si和吨铝能耗ci作为输出,利用递归神经网络对样本进行训练、检验,建立四个铝电解槽生产过程模型;S3:利用基于A支配的偏好多目标量子粒子群算法,根据决策者预先设定的期望值作为参考点,建立基于A支配的严格偏序关系,对步骤S2所得的四个生产过程模型进行优化,得到一组最满足决策者期望的决策变量Xbest及其对应的电流效率ybest、槽电压zbest以及全氟化物排放量sbest和吨铝能耗cbest;S4:按照步骤S3所得的最优决策变量Xbest中的控制参数来控制步骤S ...
【技术特征摘要】
1.一种基于递归神经网络与角度偏好的铝电解建模与优化方法,其特征在于,包括如下步骤:S1:选择对电流效率、槽电压以及全氟化物排放量有影响的控制参数构成决策变量,决策变量X=[x1,x2,···,xM],M为所选控制参数的个数;S2:选定铝电解工业现场,采集N组决策变量X1,X2,···,XN及其对应的电流效率y1,y2,···,yN,槽电压z1,z2,···,zN,以及全氟化物排放量s1,s2,···,sN和吨铝能耗c1,c2,···,cN为数据样本,以每一组决策变量Xi作为输入,以对应的电流效率yi、槽电压zi以及全氟化物排放量si和吨铝能耗ci作为输出,利用递归神经网络对样本进行训练、检验,建立四个铝电解槽生产过程模型;S3:利用基于A支配的偏好多目标量子粒子群算法,根据决策者预先设定的期望值作为参考点,建立基于A支配的严格偏序关系,对步骤S2所得的四个生产过程模型进行优化,得到一组最满足决策者期望的决策变量Xbest及其对应的电流效率ybest、槽电压zbest以及全氟化物排放量sbest和吨铝能耗cbest;S4:按照步骤S3所得的最优决策变量Xbest中的控制参数来控制步骤S2中所选定的铝电解工业现场,使其达到节能减排降耗的目的。2.根据权利要求1所述的基于递归神经网络与角度偏好的铝电解建模与优化方法,其特征在于,步骤S1中,所述控制参数包括系列电流、下料次数、分子比、出铝量、铝水平、电解质水平、槽温。3.根据权利要求1所述的基于递归神经网络与角度偏好的铝电解建模与优化方法,其特征在于,步骤S2中,以电流效率作为输出,建立铝电解槽生产过程模型,其输入层采用10个神经元节点,隐藏层采用15个神经元节点,输出层采用1个神经元节点,输入层到隐藏层之间传递函数为Tansig函数,隐藏层到输出层之间的函数为Purelin函数,样本训练时的迭代次数为1000。4.根据权利要求1所述的基于递归神经网络与角度偏好的铝电解建模与优化方法,其特征在于,步骤S2中,以槽电压作为输出,建立铝电解槽生产过程模型,其输入层采用10个神经元节点,隐藏层采用15个神经元节点,输出层采用1个神经元节点,输入层到隐藏层之间传递函数为Logsig函数,隐藏层到输出层之间的函数为Purelin函数,样本训练时的迭代次数为1000。5.根据权利要求1所述的基于递归神经网络与角度偏好的铝电解建模与优化方法,其特征在于,步骤S2中,以全氟化物排放量作为输出,建立铝电解槽生产过程模型,其输入层采用10个神经元节点,隐藏层采用15个神经元节点,输出层采用1个神经元节点,输入层到隐藏层之间传递函数为Logsig函数,隐藏层到输出层之间的函数为Purelin函数,样本训练时的迭代次数为1000。6.根据权利要求1所述的基于递归神经网络与角度偏好的铝电解建模与优化方法,其特征在于,步骤S2中,以...
【专利技术属性】
技术研发人员:易军,白竣仁,陈雪梅,周伟,吴凌,陈实,
申请(专利权)人:重庆科技学院,
类型:发明
国别省市:重庆,50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。