铝电解槽生产过程中阳极效应预报方法技术

本发明专利技术公开了一种铝电解槽生产过程中阳极效应预报方法，具体为：从铝电解槽的生产数据中提取样本数据；使用特征权重对样本数据的特征向量进行加权处理；采用支持向量机SVM对样本数据进行训练，得到SVM效应预报模型以及模型参数；提取待测铝电解槽的特征向量并作加权处理；计算待测铝电解槽的特征向量离最优超平面的距离；若待测铝电解槽的特征向量离最优超平面的距离大于等于预定阈值，则将特征向量送入SVM效应预报模型，得到预报结果；否则，采用最邻近算法KNN对待测铝电解槽进行预报。本发明专利技术可实现不同电解槽在各种槽况条件下阳极效应的有效预报，有利于稳定电解槽运行，提高电流效率。

Prediction method of anode effect in the production process of aluminum reduction cell

The invention discloses an anodic effect prediction method in the production process of the aluminum electrolyzer, which is specifically: extracting sample data from the production data of the aluminum electrolyzer, weighting the feature vectors of the sample data using the feature weight, and training the sample data by the support vector machine SVM to get the SVM effect prediction model. The characteristic vector of the aluminum reduction cell is extracted and weighted. The distance between the characteristic vector of the aluminum reduction cell and the optimal hyperplane is calculated. If the distance between the characteristic vector of the aluminum electrolytic cell and the optimal hyperplane is greater than the predetermined threshold, the feature vector is sent to the prediction model of the SVM effect, and the prediction is obtained. As a result, the nearest neighbor algorithm KNN is used to predict the aluminum electrolysis cell. The invention can effectively predict the anode effect of different electrolysis cells under various groove conditions, and is beneficial to stabilizing the operation of the electrolyzer and improving the current efficiency.

【技术实现步骤摘要】
铝电解槽生产过程中阳极效应预报方法
本专利技术属于铝电解领域，具体涉及一种铝电解槽生产过程中阳极效应预报方法。
技术介绍
阳极效应是熔盐电解过程中发生在阳极上的一种特殊现象。阳极效应发生时，阳极周围发生火花，电解槽电压上升到数十伏，电能消耗增加，铝质量及产量都下降，严重危害电解槽稳定性和铝电解生产的正常运行。为了避免阳极效应的意外发生，对铝电解槽的阳极效应检测和预报具有重要的意义。铝电解槽在临近阳极效应时，阳极电流密度达到临界电流密度。临界电流密度的大小表示阳极效应发生的难易程度，数值越大，阳极效应越容易发生；反之，数值越小，阳极效应越不容易发生。临界电流密度与氧化铝浓度有密切关系，临界电流密度随着氧化铝浓度降低而减小，因而在氧化铝浓度较低时，铝电解槽越容易发生阳极效应。铝电解槽的槽电阻随氧化铝浓度减小而增大，由于氧化铝浓度不能在线测量，因此可以槽电阻的变化来反映氧化铝浓度的变化，并作为铝电解过程实时控制和阳极效应预报的主要特征。用槽电阻来分析铝电解槽况可以减少系列电流变化所引起的误差。在铝电解槽不稳定时，槽电阻的计算受到的噪声干扰较大，只使用槽电压、槽电阻等参数预报阳极效应很容易造成漏报或误报，因此应该增加其他辅助特征。阳极效应预报主要方法是应用智能辨识技术对可获取的数据进行深加工，主要是根据整体槽电压的信号大小来预报电解槽阳极效应的情况。现阶段阳极效应预报研究还存在预测准确度不高、提前预测时间较短以及模型的可信度较低等问题。
技术实现思路
针对现有技术存在的问题，本专利技术提供一种铝电解槽生产过程中阳极效应预报方法，其目的在于，能够对不同工区的不同电解槽的阳极效应情况进行准确预报，为对阳极效应的控制、实现铝电解槽低电压无效应生产提供有效依据，有利于稳定铝电解槽的运行。为了实现本专利技术技术目的，本专利技术提供一种铝电解槽生产过程中阳极效应预报方法，包括离线训练阶段和在线预报阶段；所述离线训练阶段的具体实现步骤为：11)从多个工区中的多个铝电解槽的生产数据中提取样本数据；12)使用特征权重对样本数据的特征向量进行加权处理；13)采用支持向量机SVM对样本数据进行训练，得到SVM效应预报模型以及得到模型参数和b*；所述在线预报阶段的具体实现步骤为：21)提取待测铝电解槽的特征向量，利用特征权重对特征向量进行加权处理；22)计算待测铝电解槽的特征向量离最优超平面的距离其中，K(xi,x)为支持向量机的核函数，x为待测铝电解槽加权处理后的特征向量，xi为第i个支持向量，n为支持向量数，yi为第i个支持向量的类别，若未发生阳极效应则yi＝-1，若发生阳极效应则yi＝1；23)若待测铝电解槽的特征向量离最优超平面的距离g(x)大于等于预定阈值，则将待测铝电解槽加权处理后的特征向量送入SVM效应预报模型，得到预报结果；否则，采用最邻近算法KNN对待测铝电解槽进行预报。进一步地，所述样本数据的特征向量包括槽电阻、槽电压。进一步地，所述样本数据的特征向量还包括电解温度、出铝量、分子比、铝水平、电解质水平、加料量。本专利技术对比已有的阳极效应预报方法，具有以下创新点：a.利用支持向量机实现铝电解槽阳极效应的预报，为实现此目的，需要从不同工区的各个电解槽提取用于训练支持向量机的样本，建立多个对应的效应预报模型；b.将支持向量机与KNN结合，并对样本特征进行加权处理，根据待分类特征向量到最优超平面的距离，选择SVM效应预报模型和KNN算法对待分类特征向量进行分类。本专利技术能够对不同工区的不同电解槽的阳极效应情况进行预报，效应预报成功率可达百分之九十以上，为对阳极效应的控制、实现铝电解槽低电压无效应生产提供有效依据，有利于稳定铝电解槽的运行，达到节能降耗，提高电流效率的效果。附图说明图1是本专利技术方法流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。如图1所示，本专利技术一种铝电解槽生产过程中阳极效应预报方法包括离线训练阶段和在线预报阶段：所述离线训练阶段的具体实现步骤为：11)从多个工区中的多个铝电解槽的生产数据库中提取样本数据，样本数据以槽电阻和槽电压为主要判断特征，其它辅助特征包括：电解温度、出铝量、分子比、铝水平、电解质水平、加料量。在本步骤中，按照一种较佳实施方式，还对槽电阻进行滤波和平滑处理，得到规范化的样本，并对样本进行归一化处理。实例中，本专利技术提取的样本数据包括正常样本和效应样本，效应样本提取效应发生时刻之前0.5小时的数据，正常样本提取了没有发生效应日8时、14时、20时的数据。12)利用样本数据确定样本的特征权重，使用特征权重对样本数据特征进行加权处理。确定样本的特征权重可采用特征选择算法(Relief)、主成分分析法、熵值法等中的任意一种。Relief算法根据各个特征和类别的相关性赋予特征不同的权重，效率非常高，故本专利技术采用Relief算法进行样本特征权重的确定。13)利用样本训练SVM效应预报模型。采用网格搜索算法(GridSearch)算法对模型的惩罚系数C与核参数g进行优化选择。对于SVM模型参数的优化方法主要有网格搜索算法(GridSearch)、粒子群算法(PSO)、遗传算法(GA)等。网格搜索算法能同时搜索多个参数值，对相互独立的参数对进行并行搜索，故本专利技术采用此方法进行模型参数的优化选择。为了确保样本是线性可分的，需要引入非线性映射函数K(x)，将输入空间的数据映射到高维属性空间。选择RBF核函数，径向基RBF(RadialBasicFunction)核函数，可以将样本映射到一个更高维的空间，可以处理类标签和特征之间是非线性关系时的样例，且在先验信息缺乏的情况下仍然具有良好的泛化能力。选择RBF核函数，采用最佳参数C与g对整个样本数据集进行训练，获取SVM效应预报模型，得到模型参数和b*以及支持向量的集合。在线预报阶段的具体实现步骤为：21)提取待测铝电解槽的特征向量，利用步骤12)的特征权重对特征向量进行加权处理。22)计算待测铝电解槽的特征向量离最优超平面的距离其中，K(xi,x)为支持向量机的核函数，x为待测铝电解槽加权处理后的特征向量，xi为第i个支持向量，n为支持向量数，yi为第i个支持向量的类别，若未发生阳极效应则yi＝-1，若发生阳极效应则yi＝1。23)若待测铝电解槽的特征向量离最优超平面的距离大于等于预定阈值，则将待测铝电解槽加权处理后的特征向量送入SVM效应预报模型，得到预报结果；否则，采用最邻近算法(KNN)对待测铝电解槽进行预报。采用最邻近算法(KNN)对待测铝电解槽进行预报，其基本思想是求新输入加权特征向量与训练集中k个最相邻的样本，这k个样本中最多的类别作为新样本的类别，鉴于KNN算法属于现有技术，在此不再赘述。本领域的技术人员容易理解，以上所述仅为本专利技术的较佳实施例而已，并不用以限制本专利技术，凡在本专利技术的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
铝电解槽生产过程中阳极效应预报方法，其特征在于，包括离线训练阶段和在线预报阶段；所述离线训练阶段的具体实现步骤为：11)从多个工区中的多个铝电解槽的生产数据中提取样本数据；12)使用特征权重对样本数据的特征向量进行加权处理；13)采用支持向量机SVM对样本数据进行训练，得到SVM效应预报模型以及得到模型参数

【技术特征摘要】
1.铝电解槽生产过程中阳极效应预报方法，其特征在于，包括离线训练阶段和在线预报阶段；所述离线训练阶段的具体实现步骤为：11)从多个工区中的多个铝电解槽的生产数据中提取样本数据；12)使用特征权重对样本数据的特征向量进行加权处理；13)采用支持向量机SVM对样本数据进行训练，得到SVM效应预报模型以及得到模型参数和b*；所述在线预报阶段的具体实现步骤为：21)提取待测铝电解槽的特征向量，利用特征权重对特征向量进行加权处理；22)计算待测铝电解槽的特征向量离最优超平面的距离其中，K(xi,x)为支持向量机的核函数，x为待测铝电解槽加权处理后的特征向量，xi为第i个支持...

【专利技术属性】
技术研发人员：周凯波，徐高峰，郭四海，曹斌，邹育桃，刘宏杰，赵懿，董云龙，
申请(专利权)人：华中科技大学，武汉理工大学，贵阳铝镁设计研究院有限公司，
类型：发明
国别省市：湖北,42