一种铝电解生产过程关键变量智能控制方法技术

本发明专利技术公开了一种铝电解过程关键变量智能控制方法，其特征在于，包括氧化铝浓度、氟化铝添加和阳极升降三个变量控制；利用数据挖掘、模式识别、机器学习等人工智能新手段，融合数据驱动和经验知识构建氧化铝浓度、氟化铝添加和阳极升降这三个关键过程变量的智能控制；本发明专利技术提供的一种氧化铝浓度变量控制方法，构建一基于生产数据和认知知识的决策模型，以实际生产信息为基础带入模型计算氯化铝的添加量，相较于传统的靠人为经验添加，其添加量更准确，有益于提升点解槽稳定性以及产品品质；本发明专利技术提供的一种氟化铝添加变量控制方法，亦以专家经验和知识为基础，构建决策模型，提升了氟化铝添加量的准确率，摒弃人工添加的不确定性。定性。定性。

【技术实现步骤摘要】
一种铝电解生产过程关键变量智能控制方法


[0001]本专利技术属于铝电解
，具有设计一种铝电解过程关键变量智能控制方法。

技术介绍

[0002]工业上铝都是采用电解法生产的。铝电解工业生产采用霍尔
‑
埃鲁冰晶石
‑
氧化铝融盐电解法，即以冰晶石为主的氟化盐作为熔剂，氧化铝为熔质组成多相电解质体系。其中Na2AlF6
‑
Al2O3二元系和Na3AlF6
‑
AlF3
‑
Al2O3三元系是工业电解质的基础。
[0003]电解铝工业对环境影响较大，属于高耗能，高污染行业。电解铝生产中排出的废气主要是CO2，以及以HF气体为主的气
‑
固氟化物等。CO2是一种温室气体，是造成全球气候变暖的主要原因。而氟化物中的CF4和C2F6其温室作用效果是二氧化碳的6500
‑
10000倍，并且会对臭氧层造成不同程度的影响。HF则是一种剧毒气体，通过皮肤或呼吸道进入人体，仅需1.5g便可以致死。
[0004]目前，铝电解工业的生产管理过程中已实现基于经验知识的下料和极距的控制，但受限于铝电解槽的重要状态参数测量问题，难以根据槽况实施自动调节，现有控制大多还依赖于操作人员经验进行调节，主观性较强，导致电解槽稳定性差、产品质量和产能不温度。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提供了一种铝电解过程关键变量智能控制方法，利用数据挖掘、模式识别、机器学习等人工智能新手段，融合数据驱动和经验知识构建氧化铝浓度、氟化铝添加和阳极升降这三个关键过程变量的智能控制。
[0006]为了达到解决上述技术问题的技术效果，本专利技术是通过以下技术方案实现的：一种铝电解过程关键变量智能控制方法，其特征在于，包括氧化铝浓度、氟化铝添加和阳极升降三个变量控制；
[0007]氧化铝浓度变量控制方法，包括以下步骤：
[0008]S1、首先从生产数据中提取知识，形成知识表示框架；
[0009]S2、依据上述S1中思想拟采用模糊决策树从铝电解历史生产数据中提取关系规则；
[0010]S3、采用模糊认知图作为知识表示与推理的模型，并通过优化方法获得模糊认知图模型；
[0011]S4、将生产过程信息输入上述的模糊认知图模型，经过迭代计算，去归一化，得到氯化铝的添加量；
[0012]S5、将上述S4中的到的氯化铝添加量用于生产过程或是工艺装置上，得到反馈信息，以该信息为基础更新S2中的关系规则；
[0013]S6、结合电解槽基准下料的具体措施，给出电解槽中氧化铝浓度在不同区间值的下料方案，以控制氧化铝浓度达到期望的区间值；
[0014]氟化铝添加变量控制方法，包括一下步骤：
[0015]S1、根据专家经验知识选择模型特征变量，并进行模糊划分为；
[0016]S2、然后根据铝电解工艺人员的经验知识获得产生式规则并表示为IT2FPNs；
[0017]S3、于S2中的产生式规则融入专家认知，引入Ⅱ型模糊隶属度函数，采用基于熵权逼近理想解排序法对每个模糊划分的多个专家认知进行融合，构建一种基于IT2FPNs以及逼近理想解排序法的知识决策模型；
[0018]S4、将生产信息输入到S3的知识决策模型中，基于IT2FPNs得出氟化铝添加的量；
[0019]阳极升降变量控制方法，包括构建未知动态估计器，通过PID反馈加前馈补偿的方式控制阳极升降系统；
[0020]本专利技术的有益效果是：
[0021]1、本专利技术提供的一种氧化铝浓度变量控制方法，构建一基于生产数据和认知知识的决策模型，以实际生产信息为基础带入模型计算氯化铝的添加量，相较于传统的靠人为经验添加，其添加量更准确，有益于提升点解槽稳定性以及产品品质；
[0022]2、本专利技术提供的一种氟化铝添加变量控制方法，亦以专家经验和知识为基础，构建决策模型，提升了氟化铝添加量的准确率，摒弃人工添加的不确定性；
附图说明
[0023]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0024]图1是本专利技术的氧化铝浓度变量控制方法中基于数据驱动的智能决策模型构建思路导图；
[0025]图2是本专利技术的氟化铝添加变量控制方法中基于经验知识的智能决策模型构建思路导图；
[0026]图3是本专利技术的阳极升降变量控制方法中阳极升降装置控制器设计思路导图。
具体实施方式
[0027]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0028]实施例1
[0029]基于数据驱动的氧化铝浓度智能控制
[0030]首先从生产数据中提取知识，形成知识表示框架，然后得到决策模型。依据上述思想拟采用模糊决策树从铝电解历史生产数据中提取关系规则。将采用模糊认知图作为知识表示与推理的模型，并通过优化方法获得模糊认知图模型，形成具有知识表示模型结构化以及推理计算简单高效化的知识模型，如图1所示。在有生产过程信息输入时，经过设计的推理算法得到输出结果并作用于生产过程或者工艺装置上，得到反馈信息经过更新规则，
然后再结合电解槽基准下料的具体措施，给出电解槽中氧化铝浓度在不同区间值的下料方案，以控制氧化铝浓度达到期望的区间值。
[0031]实施例2
[0032]基于经验知识决策的氟化铝添加控制
[0033]氟化铝添加作为铝电解过程的重要操作，其添加量决策目前多依赖人工经验决策方法。而铝电解工艺专家们存在不同的经验和认知。将研究基于区间二型模糊Petri网(IT2FPNs)的知识表示与推理问题实现不同专家认知融合并用统一的模型进行决策。在此基础上研究如何采用并行知识推理获得氟化铝添加量。首先根据专家经验知识选择模型特征变量，并进行模糊划分为；然后根据铝电解工艺人员的经验知识获得产生式规则并表示为IT2FPNs。为融合多个专家经验，引入Ⅱ型模糊隶属度函数，采用基于熵权逼近理想解排序法对每个模糊划分的多个专家认知进行融合至此构建一种基于IT2FPNs以及逼近理想解排序法的知识决策模型，如图2所示。
[0034]实施例3
[0035]含未知不确定动态补偿的阳极升降控制
[0036]极距是铝电解生产过程中一个十分关键的控制变量，然而电解槽阳极升降装置中蜗轮减速机、滚珠丝杠等机械结构的影响导致其存在许多非光滑动态(如：摩擦、迟滞、死区或饱和等)给实现极距精确控制带来许多困难。因此，将研究一类简单的未知动态估计器，通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种铝电解过程关键变量智能控制方法，其特征在于，包括氧化铝浓度、氟化铝添加和阳极升降三个变量控制；氧化铝浓度变量控制方法，包括以下步骤：S1、首先从生产数据中提取知识，形成知识表示框架；S2、依据上述S1中思想拟采用模糊决策树从铝电解历史生产数据中提取关系规则；S3、采用模糊认知图作为知识表示与推理的模型，并通过优化方法获得模糊认知图模型；S4、将生产过程信息输入上述的模糊认知图模型，经过迭代计算，去归一化，得到氯化铝的添加量；S5、将上述S4中的到的氯化铝添加量用于生产过程或是工艺装置上，得到反馈信息，以该信息为基础更新S2中的关系规则；S6、结合电解槽基准下料的具体措施，给出电解槽中氧化铝浓度在...

【专利技术属性】
技术研发人员：熊新，李祥，马军，王晓东，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：