基于混沌灰狼优化算法的氧化铝质量指标预测模型

针对氧化铝焙烧过程具有强非线性、检测滞后等特点,提出一种基于混沌灰狼优化算法(CGWO)参数优化在线贯序极限学习机(OSELM)的氧化铝质量预测模型。在基于机理分析和变量相关性分析的基础上,选择氧化铝质量指标预测模型的输入变量,采用在线序贯极限学习机的方法建立模型,并利用改进的混沌灰狼优化算法得到最优的初始权值和隐含层偏差,实现焙烧过程氧化铝质量预测建模。采用工业过程数据对提出的方法进行实验验证,仿真结果表明:所建立的预测模型具有更好的精度,从而验证了方法的有效性。

氧化铝焙烧炉内温度智能优化控制

为了降低生产成本、提高氧化铝产品质量,提出了一种氧化铝焙烧炉内温度智能优化控制方法。首先,基于机理分析和灰关联分析法确定影响氧化铝焙烧炉内温度的关键参数,建立炉内温度的ELM网络预测模型,然后采用改进PSO对预测模型的参数进行优化;最后利用遗传算法的全局寻优能力寻找得到不同炉内温度下对应的最优操作参数值。通过实际生产数据进行仿真,仿真结果表明,优化控制方法可以较准确地预测焙烧炉内温度,同时得到预期指标范围内的操作参数值。

铸铝电解槽电压过程控制仿真研究

在电解铝的实际生产过程中,由于不能实时监控槽电压的变化情况,容易发生电压摆动的问题。为了实时监控槽电压的变化以及预防电解槽的电压摆,提出了基于主成分分析(PCA)的极限学习机(ELM)多神经网络结构模型,用于铝电解生产过程槽电压预测。一方面,将极限学习机方法同主成分分析方法相结合,将高维输入变量压缩处理为低维主元变量,简化极限学习机模型,提高主成分分析极限学习机(PCA-ELM)算法的泛化性能。另一方面,将多个PCA-ELM子神经网络按照连接权值综合起来,建立铝电解生产过程槽电压的预测模型,进一步提高多神经网络模型的预测能力和预测精度。通过实际数据仿真结果表明,多神经网络预测模型能够准确的实时监控槽电压以及预防电压摆。