本发明专利技术公开了一种基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法，包括以下几个步骤：一：统计对电流效率、吨铝能耗以及全氟化物排放量影响大的参数作为决策变量X；二：利用BP神经网络建立铝电解生产过程模型；三：运用MOBFOA算法对决策变量在其取值范围内进行优化；四：按照最优决策变量进行现场控制。有益效果：利用非线性映射能力强的BP神经网络建立铝电解生产过程模型；优化方法指导菌群跳出局部最优，可快速获得最佳的生产过程参数，达到了高效、降耗、减排的目的。
【技术实现步骤摘要】
本专利技术涉及铝电解工业生产领域，具体的说是一种基于BP神经网络与MOBFOA算 法的铝电解工艺参数优化方法。
技术介绍
铝电解是一个复杂的工业生产过程，在生产过程中，会产生大量温室气体，环境污 染严重。因此，在保证铝电解槽平稳生产的前提下，如何提高电流效率、降低能耗、降低污染 气体排放量，以实现高效、节能、减排已成为铝电解企业的生产目标。但是，铝电解槽内部复 杂的物料化学变化以外部多种不确定作业因素导致槽内参数较多，参数间呈现出非线性、 强耦合性等特点，且诸如极距、保温材料厚度等参数难以实时测量、调整，给铝电解生产过 程控制优化带来一定难度。
技术实现思路
针对上述问题，本专利技术提供了一种基于BP神经网络与MOBFOA算法的铝电解工艺 参数优化方法，快速的得到优化数据，并将优化后的数据运用到实际铝电解生产中，来提高 电流效率，降低吨铝能耗和全氟化物排放量。 为达到上述目的，本专利技术采用的具体技术方案如下： -种基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法，包括以下步 骤： Sl :选择对电流效率、吨铝能耗以及全氟化物排放量有影响的控制参数构成决策 变量X = ，M为所选参数的个数； 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 yi，y2，…，对应的吨错能耗z p z2，…，zdP对应的全氟化物排放量~，·^，…，wN作为数 据样本，以每一个决策变量XJt为输入，分别以对应的电流效率y i、吨铝能耗Z1以及全氟化 物排放量^作为输出，运用BP神经网络对样本进行训练、检验，建立铝电解槽生产过程模 型； S3 :利用多目标细菌觅食优化算法，即MOBFOA算法，对步骤S2所得的三个生产过 程模型进行优化，得到一组最优决策变量X test及其对应的电流效率y test、吨铝能耗Ztest以及 全氟化物排放量wbest，优化时，通过计算非劣解的拥挤距离并根据拥挤距离对外部档案进 行更新和实现自适应步长调整，以保证在种群多样性前提下快速收敛和引导菌群快速移动 并避免陷入局部最优； S4 :按照步骤S3所得的最优决策变量Xtest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、降耗和减排的目的。 进一步描述，结合实际生产情况，步骤Sl中选定了 8个参数构成决策变量，分别为 系列电流X1、下料次数X2、分子比x；5、出错量X4、错水平 xJ1、电解质水平Xe、槽温X·/、槽电压Xe。 为了满足建模需求，步骤S2中的BP神经网络由输入层、隐藏层和输出层构成； 针对电流效率所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏 层采用13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的传递函数为 Tansig函数，隐藏层到输出层之间的传递函数为Purelin函数，样本训练时的迭代次数为 800 ； 针对吨铝能耗所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏 层采用12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的传递函数为 Logsig函数，隐藏层到输出层之间的传递函数为Purelin函数，样本训练时的迭代次数为 800 ； 针对全氟化物排放量所构建的生产过程模型而言，其输入层采用8个神经元节 点，隐藏层采用13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的传递 函数为Tansig函数，隐藏层到输出层之间的传递函数为Purelin函数，样本训练时的迭代 次数为800。 再进一步描述，步骤S3中的MOBFOA算法包括以下步骤： S31 :将决策变量X的值视为细菌位置，根据决策变量X中各个参数的范围随机生 成L个细菌构成菌群初始位置； S32 :初始化系统参数，包括细菌群体大小Nn，趋向次数N。，趋向行为执行中前进次 数Ns，繁殖次数N"，驱散次数执行驱散行为的概率外部档案规模K ; S33 :执行趋向操作，包括翻转和前进； 假设第i (i = 1，2,…，L)只细菌在第j次趋向操作第k次复制操作和第1次驱散 操作之后的位置为Θ Θ 1U+]^, 1) = Θ U, 1)+C⑴*dcti，式中，(Icti是第i只细菌最近一次翻转时 所选择的随机矢量方向，C(i)是其沿Clct1方向前进的步伐长度，且\为 各分量均为内随机数的向量，向量的维数与决策变量X的维数相同； S34 :根据个体间的信息素浓度执行聚群操作： S35 :计算菌群的健康函数，并将其进行降序排列，淘汰健康函数值小的一半细菌， 健康函数值大的另一半细菌进行繁殖，且子细菌觅食能力保持与父代一致； 对给定的k、1，每只细菌的健康函数为表示 第i只细菌的能量，J(i，j，k，1)表示细菌i在第j次趋向操作第k次复制操作和第1次驱 散操作之后的适应度函数值，N。表示趋向次数，越大，表示细菌i的觅食能力越强； S36 :将S35产生的菌群与前一次迭代计算产生的菌群合并，并计算此时新菌群的 个体Pareto熵，按照个体Pareto熵进行排序，选择前L个优势个体构成下一代菌群； S37 :驱散：细菌经历几代复制后，以驱散概率Pj皮驱散到搜索空间中的任意位 置； S38 :判断优化算法是否满足结束条件，如满足，则输出Pareto前沿即最优决策变 量Xtest及其对应的电流效率y test、吨铝能耗Ztest以及全氟化物排放量W test，如不满足，则转 至 S38 ; S39 :根据菌群进化状态调整步长，并跳转至步骤S33循环执行。 再进一步地，步骤S36中利用个体Pareto熵更新菌群，包括以下步骤： Al :如果待更新的外部档案A = Φ，则更新后的外部档案A' = {P}其中P为进化 算法获得的一个新解，此时返回P ; A2 :如果P被A中的任意一个成员B1 e A占优，则此时返回A ; A3 :对于任意的B1 e A，如果a顏P占优，则A = AAa J ; A4 :如果A的成员个数I A| < K，K表示外部档案的最大容量，则A' = A U {P}，此 时返回A' ； A5 :令B = A U {P}，对所有B的成员Id1 e B，评估b i的个体密度； A6 :查找B中具有最大个体密度的成员b_; A7 :如果P就是b_，则A' = A，此时返回A' ； A8 :令 A' = BAbJ U {P}，此时返回 A'。 步骤S39中第i只细菌前进步长C (i)的调整方法如下： Bl :在第t次迭代过程中，如果算法获得的近似Pareto前端PFa_向真实Pareto 前端PFt_在目标空间中发生了距离逼近时，则称该算法在时刻t处于收敛状态，则：C i (i) =Ci i(i)-A (1+| ΔΕ(?) I) Β2 :在第t次迭代过程中，如果算法获得的新解替换了 PFappiJl质量较低的旧解， 则称该算法在时刻t处于多样化状态，则 B3 :在第t次迭代过程中，如果算法获得的新解被拒绝进入PFa_，则算法在时刻t 处于停滞状态，则C1Q) =C11Q); 其中λ、μ为（〇, 1)之间的随机数，Δ E⑴为菌群Pareto解的差熵。 本专利技术的有益效果：BP神经网络的非线性映射能力强，适用于铝电解生产过程中 高效、节能、本文档来自技高网...
【技术保护点】
一种基于BP神经网络与MOBFOA算法的铝电解工艺参数优化方法，其特征在于包括以下步骤：S1：选择对电流效率、吨铝能耗以及全氟化物排放量有影响的控制参数构成决策变量X＝[x1,x2,…,xM]，M为所选参数的个数；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；对应的吨铝能耗z1，z2，…，zN和对应的全氟化物排放量w1,w2,…,wN作为数据样本，以每一个决策变量Xi作为输入，分别以对应的电流效率yi、吨铝能耗zi以及全氟化物排放量wi作为输出，运用BP神经网络对样本进行训练、检验，建立铝电解槽生产过程模型；S3：利用多目标细菌觅食优化算法，即MOBFOA算法，对步骤S2所得的三个生产过程模型进行优化，得到一组最优决策变量Xbest及其对应的电流效率ybest、吨铝能耗zbest以及全氟化物排放量wbest，优化时，通过计算Pareto熵并根据Pareto熵对外部档案进行更新和实现自适应步长调整，以保证在种群多样性前提下快速收敛和引导菌群快速移动并避免陷入局部最优；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、降耗和减排的目的。...
【技术特征摘要】
【专利技术属性】
技术研发人员：易军，黄迪，李太福，何海波，周伟，张元涛，陈实，刘兴华，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆;85
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。