基于神经网络的铝电解过程识别外文翻译资料

英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

基于神经网络的铝电解过程识别

摘要：

铝电解池的正确操作强烈依赖于控制系统设计合适的氧化铝进料顺序和克服阳极效应的能力。这种复杂的系统通常使用基于规则的控制算法进行控制，该算法来源于多年运行所获得的过程知识。本文首先考虑使用前馈神经网络预测，提前15分钟，直接用于基于规则的控制算法中的两个重要变量：细胞电阻和细胞快速动态趋势指标。这两个预测的增加大大提高了电池的可操作性。 鉴于将基于规则的控制策略适应于每个特定状态，线性矢量量化（LVQ）神经网络被用于对电解池的当前运行状态进行分类。 该分类程序允许制定更合适的控制策略并估计电池的氧化铝浓度。

1引言

液态铝在电解槽中产生，其中溶解在熔融冰晶石浴（Na3AlF6）中的氧化铝（Al2O3）在高强度（50-300kA）和低电压（＆4V）直流电流的作用下分解。释放的氧迁移到碳阳极被消耗，铝沉淀到底部。铝电解池的示意图如图1所示。氧化铝不是在冰晶石浴中连续引入，只有当氧化铝浓度低时才能使用。通过在细胞顶部破坏氧化铝外壳并通过倒入2至3kg来进行进料氧化铝或更多每1至2分钟，时间范围为0.5至2小时以上。这样做有可能显着增加氧化铝的浓度。良好的电池操作需要在过量供给和供不应求的时间之间交替。当溶解的氧化铝降低至低于一定阈值（约为2％）的浓度时，电解会改变：在阳极而不是二氧化碳形成氟化物气体。不释放氟化物气体，形成小的绝缘气体层，电池电压急剧上升。极化电池的这种状态通常称为阳极电极。为了解决这个问题，必须添加氧化铝才能恢复正常运行，并且必须除去氟化物气体。阳极氧化膜是消费氟化物产品的主要原因（Inge nnurs du Groupe Pechiney，1964）。阳极电解还伴随着高功率消耗，高温浴和有害气体（CO，CF4和C2F6）的排放。另一方面，如果氧化铝的浓度保持太高，则可能在电解槽的底部形成未溶解的氧化铝浆料，从而降低电流效率。为了充分运行，氧化铝浓度应保持在2-3％附近。

图1 铝电解槽的示意图

两个操作变量主要用于控制电解池操作：阳极位置和氧化铝的定期进料。阳极-阴极距离（ACD）的操作对电池电阻具有直接的影响。主要用于避免或反应阳极效应。该ACD的变化只能是一个临时措施，主要的制药效果来自氧化铝进料。氧化铝进料顺序的频率和长度也可以变化以产生更好的控制。如果氧化铝可以连续进料以保持浴中的最佳浓度是理想的。然而，氧化铝浓度不是在线测量的，其添加是使用基于规则的控制算法进行的，该算法是对该过程的广泛的理论和实验知识的汇编。本质上，它测量电池电流和电池电压以产生电池电阻和分别对应于电池的缓慢和快速动力学的两个电阻趋势指标。两个动态趋势指标只不过是对电池电阻变化率的评估。因此，该标准控制逻辑生成计算控制动作的三个判定变量。这种控制算法依赖于一个完整的进料循环的跟踪，该循环从较短的氧化铝进料速率开始，然后是长时间的时间段，在不进行进料的情况下，直到阳极氧化反应接近和喂养被重新激活。该控制方案的最终结果是沿着电阻 - 浓度曲线移动（图2）。之间的摆动低和高氧化铝浓度间接地决定了电池中的近似氧化铝浓度水平。

图2 典型的细胞电阻变化作为氧化铝浓度的函数与两个动态趋势指标

2 电解池模拟器简要说明

这项调查是用动态电解池模拟器进行的。模拟器被构建为一系列相互连接的模块（单元模型，电流源模型，控制系统，手动操作），用于表示真实单元的各种模式。单元本身的数学模型包括几何方面，热和质量平衡，化学反应，电气方面以及静态和动态状态的计算。模拟器允许调整大量参数和变量（输入数据;单元格几何;材料属性;电池的各个部分的电阻和电压贡献;初始值和参考值;线电流和任何其他值），以便表示尽可能接近工业电解槽的结构和行为。有关模拟器的更详细的描述，读者可以参考Meghlaoui（1996）

确保充分表达工业单元的整体动态行为，包括计算控制动作，以规则为基础在模拟器中编码了工业中使用的控制策略。浴温和氧化铝浓度是两个非常重要的变量对电池的效率有重大影响。然而，氧化铝和温度的在线测量是不可能的，基于规则的控制算法必须依靠间接测量来控制这两个变量。基于在该系统上获得的巨大经验，控制逻辑由大量复杂的启发式规则组成。该算法在不稳定性和阳极性的情况下进行数据分析，控制动作计算和电池稳定。没有透露专有的工业操作程序，它表示，电池电阻及其变化率是用于设计适当控制措施和估计氧化铝浓度范围的最重要变量。两个重要的控制措施是氧化铝周期性进料和阳极位置调整，分别对缓慢和快速的细胞动力学有贡献。

模拟模型最终用氧化铝进料的不同方案在采样运动期间获得的工业数据进行校准和验证，以涵盖该复杂和高度非线性过程的各种动态模式。在实验室中分析来自冰晶石浴的样品以确定氧化铝浓度。还定期测量浴的温度和水平（冰晶石和铝）。不幸的是，还没有在线传感器连续测量这些过程变量。校准的模拟器可以非常令人满意地表示工业电池的动力学（Meghlaoui，1996）。

3 使用前馈神经网络预测关键过程变量

前馈神经网络是一类非线性系统。它们具有充足的可塑性，能够封装过程变量中包含的基本现象或输入和输出变量之间的关系。前馈神经网络无疑是架构最常用于工程问题的神经网络。已经表明，前馈神经网络是一种通用近似器，在这种意义上，它可以将任何连续的多变量函数逼近任何所需的准确度，只要使用非常多的隐藏神经元（Cybenko，1989; Funahashi，1989; Homik etal，1989）。在这项调查中，前馈神经网络用于预测细胞电阻和预测快速动态趋势指标。接下来依次描述上述内容。

3.1 细胞电阻的预测

图3的三层前馈神经网络用于预测未来15分钟的细胞电阻。这些预测允许基于规则的控制有助于及时启动适当的纠正措施以防止阳极氧化，从而稳定电池并提高生产率。已经计算出自动和互相关系数，以帮助确定神经网络的输入或自变量的向量。细胞电阻的自相关系数在15分钟后保持较高（p=0.8），使得电阻的当前和过去三个值作为网络的输入，电池电阻和氧化铝输入之间的互相关系数在20分钟后为最大值（p=0.914），这相当于氧化铝溶解在熔融冰晶石浴中的平均时间。因此，使用时间t和t-4的氧化铝质量流量作为网络的输入。由基于规则的控制逻辑计算出的快速和缓慢的动态趋势指标，以及偏离形成剩余的网络输入。下标t对应于当前采样时刻，tn对应于采样周期为5分钟的过程变量的过去或未来值。隐藏层包含8个神经元。 Sigmoid被用作隐藏和输出神经元的非线性传递函数。使用Nguyen和Widrow（1990）提出的方法初始化神经网络的权重。

图3 用于预测细胞电阻的前馈神经网络

使用两个客观标准来评估在本次调查中测试的各种神经网络的预测性能以及最佳网络架构的选择。这两个标准是预测增益和预测误差的平均平方（Burrows和Niranjan，1993）：这两个标准用于使用900个样本的验证数据集来确定上述网络架构。

神经网络的初始训练使用准牛顿法进行学习数据集。当使用在类似的操作条件下和从相同的单元格获得的验证数据集，而不是用于学习数据集时，预测结果非常好。然而，在实践中，使用来自模拟器的数据训练的独特的初始神经网络模型将被用于单独地预测每个电解池的细胞电阻的未来值和快速动态趋势指标。然而，具有固定权重的独特神经网络模型不能真实地表示所有细胞的动态行为。因此，有必要对每个电解池进行神经网络的权重的在线适应。反向传播算法被用作在线自适应算法，因为它是简单的，并且与准牛顿算法相比，它可以仅在几行中被编码。由于该网络被设计为与在线适应一起使用，因此采取了两种预防措施来确保神经网络的完整性，并避免权重的急剧变化。首先，当阳极移动时，重量的适应被暂时停止，以避免关联电池的快速变化对氧化铝浓度变化的抵抗力。其次，如果预测误差（重量校正之前和之后）的比例超过极限值，则不改变重量

图4给出了验证数据集的预测和目标单元电阻。两个客观标准G和E的值分别为1.214和0.005。这些结果清楚地显示了图3的神经网络能够提前15分钟充分预测电解池电阻的能力。细胞电阻的动态趋势被神经网络相当好地捕获。当快速电池电阻时观察到最大的偏差发生变化，这些快速增长与阳极效应的方法有关。

为了进一步验证工业电解池的神经模型的预测能力，使用在900分钟的时间段内获得的数据进行了类似的测试。这些结果如图5所示，重测增益和预测误差分别为1.136和0.009。这些结果除了提前15分钟验证细胞电阻神经网络模型的预测能力外，间接证实了本研究中使用的电解细胞模拟物

3.2 预测快速趋势指标

工业控制算法采用两种电池电阻动态趋势指标。在每个采样时刻计算慢动力学的细胞电阻趋势指标，因为当前细胞电阻与最后几次氧化铝浓度波动中记录的电阻的最小值之间的差异（图2）。与快速动力学相关的趋势指标是细胞电阻的变化率。后者是最重要的，以便控制逻辑设计最合适的控制动作。提前15分钟的快速趋势指标的估计将为控制逻辑提供更大的灵活性。细胞电阻是由显着噪声水平感染的变量，因此，其变化率或快速动态趋势指标的噪声水平更加明显。使用神经网络来预测其未来的价值已被证明比细胞电阻本身更为困难。因此，由于预测15分钟后的细胞电阻的预测是相当成功的，所以使用两个连续采样时刻的细胞电阻的预测来估计细胞电阻的变化率。在第一次尝试中，使用两个不同的神经网络输入模式可以得到可以接受的结果。然而，如果训练了与第一个相同的神经网络输入向量相同的第二个前馈神经网络，并且提前10分钟预测细胞电阻，则可以更好地预测快速趋势指标。这两个预测，分别10和15分钟提前，在时间t允许以直接的方式计算细胞快速动态趋势指标。第二种方法具有消除神经网络输入模式中自然发生变化的影响的优点。图6显示了快速趋势指标的预测结果以及工业单元计算的快速动态趋势指标。尽管这个变量有很大的差异，预测值具有足够的准确性，以允许控制算法可靠地使用它。

图4 预测和模拟细胞电阻的比较

图5 预测和工业细胞电阻的比较

图6 预测与工业快速趋势指标的比较

4 使用线性矢量量化对单元状态的分类

在铝电解池组中，所有电池的特性电阻 - 浓度曲线不同。该曲线的形状取决于大量的参数。表征细胞状态的一些重要参数是温度，细胞的年龄，各种电阻，未溶解的氧化铝和浓度水平。此外，该曲线的图案也在很大程度上取决于阳极 - 浴槽界面处的气层的电阻的演变方式。一些典型的电阻 - 浓度曲线如图7所示。这些不同曲线的存在使得基于规则的控制算法的任务变得更加糟糕，因为用于设计适当控制动作的动态趋势指标是基于跟踪电阻浓度曲线。因此，非常希望能够识别在哪个曲线上发生浓度波动，并且因此，可以通过选择一组相关决定标准来计算细胞的控制以计算最合适的控制动作。目前，行业使用的决策标准是固定且不依赖于电池的工作状态。

在模拟器中，图7的三个典型曲线表征了阳极效应的方法用以下等式表示。这些选择提供了气体层的电阻随氧化铝浓度变化的变化。为了选择最合适的决定标准，需要将电池的当前状态与三种典型的电阻 - 氧化铝曲线之一相关联。这归结为找出当前运行状态所属的类。

可以使用线性矢量量化（LVQ）神经网络来执行该分类或模式识别任务。 LVQ算法是Kohonen（1989，1990）派生的流行自组织图（SOM）的一个子集。关于kohonen开发的方法的200多篇参考文献的综合参考书目可以在互联网上获得（Anonymous，1995）。 Kohonen自组织网络与其他类型的神经网络有很大不同，因为它使用无监督的学习，并将其自身组织到拓扑学表示输入模式的特征。Kohonen网络是完全互连的神经元阵列。图8中呈现的架构已被用于本次调查研究。与先前描述的前馈神经网络的输入层相同的输入层简单地用于将输入模式扇出到Kohonen图。Kohonen层将输入模式或向量分类为类似的类。与每个簇相关联的权重向量只不过是输入数据集的特征向量。在这个意义上，Kohonen网络因此可以被视为矢量量化网络。该神经网络非常适合输入模式的分类问题被归类到没有外部指导的类别（Caudill，1991）。 Kohonen地图的独特特征是只有一个神经元在任何一个时刻都将被激活，也就是说，输入模式将被分配给一个对应于活动神经元的唯一的类。最佳匹配标准是权重向量和输入向量之间的最小欧几里德距离（Haykin，1994）。当向网络呈现输入模式时，计算每个神经元的加权和，并且允许具有最高和的神经元发射，所有其他神经元的输出设置为零。这是赢家所有情况。因此，Kohonen网络据说是具有竞争力的过滤器关联产品。

SOM神经网络定义了从n维输入数据空间到规则间隔的神经元的二维平面的映射。 对于该平面上的每个神经元，相关联的缩放输入向量。 当数据向量已知先验地落入有限数量的类时，LVQ被用于可以训练网络以正确分类所有输入模式的地方。 因此，Kohonen的LVQ是一种监督分类算法。图8的LVQ神经网络用于将每个输入向量分类为三个单元状态类别之一。输入层具有对应于前馈神经网络相同变量的8个神经元，输出层是10times;10 10个神经元的正方形阵列。 学习和验证数据集都由5000多个输入向量组成。

当初始权重接近其最终值时，LVQ更为有效。这就是为什么提出了一些程序来初始化网络权重的原因。在这项调查中，使用软件LVQ_PAK（Kohonen等，1992）。该软件包包含四种学习算法：LVQ1，LVQ2，LVQ3和OLVQ1。所有这些算法被广泛测试。发现使用OLVQ1算法进行前10，000次迭代，然后使用LVQ2算法进行40，000次迭代，比其他组合稍微更加有效。对于每个迭代，在学习和验证期间，将100个输入模式随机选择并呈现给网络。每个状态中输入向量分类的结果如表1所示。成功分类的百分比状态1对于状态

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[137110]，资料为PDF文档或Word文档，PDF文档可免费转换为Word