一种赤泥沉降过程泥层高度的软测量方法技术

一种赤泥沉降过程泥层高度的软测量方法，属于自动化测量技术领域，包括以下步骤：通过采集不同工况下的赤泥沉降过程数据，建立与沉降槽泥层高度(L)的映射；对采集到的赤泥沉降过程数据进行标准化处理，剔除异常数据；对数据进行规范化处理，利用函数变换将其数值映射到[0.1，0.9]的数值区间；将步骤3处理的数据代入神经网络，通过对神经网络的训练确定各权系数；实时采集赤泥沉降过程数据，并利用步骤2-3对采集到的数据进行处理，带入步骤4中已训练好的神经网络，实现对赤泥沉降过程泥层高度的测量；实现泥层高度的实时在线测量，克服了当前方法维护量大、价格昂贵，得不到广泛的应用的缺点。

【技术实现步骤摘要】

本专利技术属于自动化测量
，涉及。
技术介绍
金属铝的优良性质促使氧化铝生产在全世界得到了迅速的发展，在生产氧化铝过程中，赤泥沉降工序是极其关键的一道工序，其中，沉降槽的泥层高度更是整个赤泥沉降工序的核心技术指标，它不仅反映沉降槽沉降性能的好坏，而且对氧化铝后续生产有着重要意义，因此，检测沉降槽泥层高度是氧化铝生产过程中一项重要工作。目前，氧化铝厂多通过使用人工分析法和现场仪表检测法来测定沉降槽内泥层高度人工分析法一般分析周期为2个小时，不能实时反映沉降槽的沉降性能；而现场仪表又因为维护量大、价格昂贵，得不到广泛的应用。
技术实现思路
针对现有方法的不足，本专利技术提出，实现沉降槽内泥层高度实时测量，从而达到节约生产周期，便于维护和广泛应用的目的。本专利技术的技术方案是这样实现的，包括以下步骤步骤1 通过采集不同工况下的赤泥沉降过程数据，建立与沉降槽泥层高度(L)的映射；所述赤泥沉降过程数据包括沉降槽絮凝剂的添加量、沉降槽温度T1、压煮器温度T2、沉降槽底流出料量f2和沉降槽稀释溶液量f3 ；所述的赤泥沉降过程数据与沉降槽泥层高度的映射关系，满足如下公式L = f (^,T1, T2,f2, f3)步骤2 对采集到的赤泥沉降过程数据进行标准化处理，剔除异常数据，方法如下采用统计判别法中的拉依达准则设样本数据为a1; ει2，...... ，平均值为a，偏差为Vi = Eii-Ei(i = 1，2，An)按照公式权利要求1. ，包括以下步骤步骤1 通过采集不同工况下的赤泥沉降过程数据，建立与沉降槽泥层高度(L)的映射；所述赤泥沉降过程数据包括沉降槽絮凝剂的添加量、沉降槽温度T1、压煮器温度 T2、沉降槽底流出料量f2和沉降槽稀释溶液量f3 ；所述的赤泥沉降过程数据与沉降槽泥层高度的映射关系，满足如下公式L = f(f1>Tl>T2>f2>f3)步骤2 对采集到的赤泥沉降过程数据进行标准化处理，剔除异常数据，方法如下 采用统计判别法中的拉依达准则设样本数据为a1;a2，...... ，平均值为a，偏差为Vi = ai_a(i = 1,2, An)按照公式计算出标准偏差δ 如果某一样本数据Xi的偏差，满足I Vi I彡3δ 则认为Xi是异常数据，应予剔除；步骤3 经过步骤2标准化处理后的数据，其数据度量单位不同，对数据进行规范化处理，利用函数变换将其数值映射到的数值区间，方法如下 采用归一化处理方法，按照公式 b -b式中，b表示样本数据测量值，bmax表示样本数据的最大值，bmin表示样本数据的最小值， χ表示样本数据b归一化后值；步骤4 将步骤3处理的数据代入神经网络，通过对神经网络的训练确定各权系数， 所述的神经网络的构造方法为网络分为三层，输入层、隐含层、输出层，确定神经网络为 p-n-1的连接方式，即输入层神经元为ρ个，隐含层神经元η个，输出层神经元1个；步骤5 实时采集赤泥沉降过程数据，并利用步骤2-3对采集到的数据进行处理，带入步骤4中已训练好的神经网络，实现对赤泥沉降过程泥层高度的测量。2.根据权利要求1所述的赤泥沉降过程泥层高度的软测量方法，其特征在于步骤4 所述的通过对神经网络的训练确定各权系数，方法为对神经网络的权值进行随机赋值；神经网络的输入表示为X= (X1, χ2,......，输出表示为Y，神经网络的期望输出为Yd ；设共有m个训练样本，则第k个训练样本为& =(X1 (k),x2(k),......xp (k))，用第k个训练样本训练神经网络时，神经网络各层的计算功能是输入层，该层由P个神经元组成Inf}(U) = X1(U) (i = ，2Λ，ρ)Outfi(U) = In^ik) (i = ，2Λ，ρ)In^ (k), O碎(1)(幻分别表示输入层的输入和输出；隐含层，该层由η个神经元组成全文摘要，属于自动化测量
，包括以下步骤通过采集不同工况下的赤泥沉降过程数据，建立与沉降槽泥层高度(L)的映射；对采集到的赤泥沉降过程数据进行标准化处理，剔除异常数据；对数据进行规范化处理，利用函数变换将其数值映射到的数值区间；将步骤3处理的数据代入神经网络，通过对神经网络的训练确定各权系数；实时采集赤泥沉降过程数据，并利用步骤2-3对采集到的数据进行处理，带入步骤4中已训练好的神经网络，实现对赤泥沉降过程泥层高度的测量；实现泥层高度的实时在线测量，克服了当前方法维护量大、价格昂贵，得不到广泛的应用的缺点。文档编号G01B21/02GK102289718SQ20111022049公开日2011年12月21日 申请日期2011年8月3日 优先权日2011年8月3日专利技术者余明正, 孙波, 张向民, 王金龙, 魏迎春 申请人:东北大学设计研究院(有限公司)本文档来自技高网...

【技术保护点】
１．一种赤泥沉降过程泥层高度的软测量方法，包括以下步骤：步骤１：通过采集不同工况下的赤泥沉降过程数据，建立与沉降槽泥层高度（Ｌ）的映射；所述赤泥沉降过程数据包括：沉降槽絮凝剂的添加量ｆ１、沉降槽温度Ｔ１、压煮器温度Ｔ２、沉降槽底流出料量ｆ２和沉降槽稀释溶液量ｆ３；所述的赤泥沉降过程数据与沉降槽泥层高度的映射关系，满足如下公式：Ｌ＝ｆ（ｆ１、Ｔ１、Ｔ２、ｆ２、ｆ３）步骤２：对采集到的赤泥沉降过程数据进行标准化处理，剔除异常数据，方法如下：采用统计判别法中的拉依达准则：设样本数据为ａ１，ａ２，．．．．．．ａｎ，平均值为ａ，偏差为ｖｉ＝ａｉ－ａ（ｉ＝１，２，Λｎ）按照公式：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｉ）＆ｄｅｌｔａ；（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｓｕｐ）?（ｍｒｏｗ）?（ｍｏ）［（／ｍｏ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｆｒａｃ）?（ｍｓｕｐ）?（ｍｓｕｂ）?（ｍｉ）ｖ（／ｍｉ）?（ｍｉ）ｉ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｎ）２（／ｍｎ）?（／ｍｓｕｐ）?（ｍｒｏｗ）?（ｍｉ）ｎ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（／ｍｒｏｗ）?（／ｍｆｒａｃ）?（ｍｏ）］（／ｍｏ）?（／ｍｒｏｗ）?（ｍｒｏｗ）?（ｍｎ）１（／ｍｎ）?（ｍｏ）／（／ｍｏ）?（ｍｎ）２（／ｍｎ）?（／ｍｒｏｗ）?（／ｍｓｕｐ）?（／ｍｒｏｗ）?（／ｍａｔｈ）计算出标准偏差δ：如果某一样本数据ｘｉ的偏差ｖｉ（１≤ｉ≤ｎ），满足：｜ｖｉ｜≥３δ则认为ｘｉ是异常数据，应予剔除；步骤３：经过步骤２标准化处理后的数据，其数据度量单位不同，对数据进行规范化处理，利用函数变换将其数值映射到［０．１，０．９］的数值区间，方法如下：采用归一化处理方法，按照公式：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｉ）ｘ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）０．９（／ｍｎ）?（ｍｏ）－（／ｍｏ）?（ｍｎ）０．８（／ｍｎ）?（ｍｆｒａｃ）?（ｍｒｏｗ）?（ｍｓｕｂ）?（ｍｉ）ｂ（／ｍｉ）?（ｍｉ）ｍａｘ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ）－（／ｍｏ）?（ｍｉ）ｂ（／ｍｉ）?（／ｍｒｏｗ）?（ｍｒｏｗ）?（ｍｓｕｂ）?（ｍｉ）ｂ（／ｍｉ）?（ｍｉ）ｍａｘ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ）－（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）ｂ（／ｍｉ）?（ｍｉ）ｍｉｎ（／ｍｉ）?（／ｍｓｕｂ）?（／ｍｒｏｗ）?（／ｍｆｒａｃ）?（／ｍｒｏｗ）?（／ｍａｔｈ）式中，ｂ表示样本数据测量值，ｂｍａｘ表示样本数据的最大值，ｂｍｉｎ表示样本数据的最小值，ｘ表示样本数据ｂ归一化后值；步骤４：将步骤３处理的数据代入神经网络，通过对神经网络的训练确定各权系数，所述的神经网络的构造方法为：网络分为三层，输入层、隐含层、输出层，确定神经网络为ｐ－ｎ－１的连接方式，即输入层神经元为ｐ个，隐含层神经元ｎ个，输出层神经元１个；步骤５：实时采集赤泥沉降过程数据，并利用步骤２－３对采集到的数据进行处理，带入步骤４中已训练好的神经网络，实现对赤泥沉降过程泥层高度的测量。...

【技术特征摘要】

【专利技术属性】
技术研发人员：王金龙，魏迎春，孙波，张向民，余明正，
申请(专利权)人：东北大学设计研究院有限公司，
类型：发明
国别省市：89