本发明专利技术公开了一种基于BP神经网络与MBFO算法的铝电解多参数控制方法，首先，利用BP神经网络对铝电解过程进行建模，然后利用改进的多目标细菌觅食算法优化铝电解生产过程模型参数，得到决策变量的最优解；其中改进的多目标细菌觅食算法关键在于利用Pareto熵的外部档案更新策略更新菌群，使得菌群以较快速度朝着Pareto前沿移动。有益效果：基于多目标细菌觅食算法优化铝电解参数，有效提高铝电解生产效率；使用Pareto熵的外部档案更新策略更新菌群，使得能够快速获取铝电解生产最优参数。
【技术实现步骤摘要】
本专利技术涉及最优控制领域，具体地说，是一种基于BP神经网络与MBF0算法的铝电 解多参数控制方法。
技术介绍
铝电解是一个复杂的工业生产过程，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，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。目前的铝电解法耗能巨大且效率低 下，且铝电解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。
技术实现思路
有鉴于此，本专利技术提供一种基于BP神经网络与MBF0算法的铝电解多参数控制方 法，首先利用BP神经网络模型建立铝电解生产过程模型，再基于菌群个体Pareto熵的外 部档案更新策略改进的多目标细菌觅食算法，确定对铝电解生产指标影响最大的参数最优 值，有效提高铝电解生产效率。具体技术方案如下： 一种基于BP神经网络与MBF0算法的铝电解多参数控制方法，其关键在于，包括以 下步骤： S1 :选取对电流效率、吨铝能耗和全氟化物排放量有影响的控制参数构成决策变 量X= ，Μ为所选参数的个数； S2 :选定铝电解工业现场，采集Ν组决策变量Xi，X2，…，ΧΝ及其对应的电流效率 yi，y2,…，y。吨错能耗ζ2，…，zjp全氟化物排放量〇d〇2，…，〇Ν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yi、吨铝能耗Zi和全氟化物排放量〇i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MBF0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Xtest及其对应的电流效率ytest、吨铝能耗ztest和全氟 化物排放量〇test，优化时，利用菌群个体Pareto熵的外部档案更新策略引导菌群更新以便 快速获得最佳决策变量； 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，以实现在多参数最优状态下进行铝电解。 结合实际生产情况，步骤S1中选定了8个参数构成决策变量，分别为系列电流、下 料次数、分子比、出铝量、铝水平、电解质水平、槽温和槽电压。 为满足建模需求，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 800〇 进一步地，步骤S3中的MBF0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，包括趋向次数N。，趋向行为中前进次数Ns，繁殖次数，驱 散次数^d，驱散概率Pw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eiak，1)，则 1) 式中，dcti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dcti'\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:将步骤S35中产生的菌群与上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；其中利用个体Pareto熵更新菌群的步骤如下：S361:如果待更新的外部档案Α=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;S362:如果P被A中的任意一个成员a#A占优，则此时返回A;S363:对于任意的aieA，如果a顏P占优，则A=AWaJ;S364 :如果A的成员个数|A| <K，K表示外部档案的最大容量，则Y=AU{P}， 此时返回Y;S365:令Β=AU{Ρ}，对所有Β的成员heΒ，评估bi的个体密度； S366 :查找B中具有最大个体密度的成员b_;S367:如果P就是13_，则Y=A，此时返回Y;S368:令Α'=ΒΛυU{P}，此时返回A'〇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ytest、吨铝能耗ztest和全氟化物排放量〇test，如不满足，则跳转 至S33〇 有益效果：（1)基于多目标细菌觅食算法优化铝电解参数，有效提高铝电解生产 效率；(2)使用Pareto熵的外部档案更新策略更新菌群，使得能够快速获取铝电解生产最 优参数。【附图说明】 图1为本专利技术的算法流程图； 图2为CF4排放量预测效果图； 图3为电流效率预测效果图； 图4为吨铝能耗预测效果图； 图5为CF4排放量预测误差图； 图6为电流效率预测误差图； 图7为吨铝能耗预测误差图。【具体实施方式】 下面结合实施例和附图对本专利技术作进一步说明。 如图1所示的一种基于BP神经网络与MBF0算法的铝电解多参数控制方法，其关 键在于，包括以下步骤：S1:选取对电流效率、吨铝能耗和全氟化物排放量有影响的控制参数构成决策变 量X= ，Μ为所选参数的个数； 通过统计铝电解生产过程中对电流效率、吨铝能耗和全氟化物排放量有影响的原 始当前第1页1 2 3 本文档来自技高网...
【技术保护点】
一种基于BP神经网络与MBFO算法的铝电解多参数控制方法，其特征在于，包括以下步骤：S1：选取对电流效率、吨铝能耗和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，吨铝能耗z1,z2,…,zN和全氟化物排放量o1,o2,…,oN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和全氟化物排放量oi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MBFO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和全氟化物排放量obest，优化时，利用菌群个体Pareto熵的外部档案更新策略引导菌群更新，以便快速获得最佳决策变量；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，以实现在多参数最优状态下进行铝电解。
【技术特征摘要】
【专利技术属性】
技术研发人员：易军，何海波，黄迪，李太福，陈实，周伟，张元涛，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。