基于Adaboost-PSO-SVM的铝电解槽健康状态诊断方法研究

针对铝电解槽在铝电解生产过程中故障频发的问题,提出了一种基于支持向量机(support vector machine,SVM)的铝电解槽健康状态诊断模型,考虑传统的支持向量机只能适用于二分类问题,采用自适应推进算法(adaptive boosting,Adaboost)将支持向量机的二分类问题转化为多分类问题用于求解铝电解槽健康状态诊断问题,充分考虑了子模型的权重,强化了模型的适用性。并利用粒子群优化算法(particle swarm optimization,PSO)对其超参数寻优,提高模型的预测精度。实验结果表明,提出的铝电解槽健康状态诊断模型的准确率和Macro-F1分数分别达到94.70%和0.9453,相较于其他传统模型均有显著提升。

基于KPCA和SVM的铝电解槽漏槽事故预警方法

针对铝电解槽运行数据复杂多维、结构非线性且故障样本量相对正常运行样本量少的问题,提出了一种基于数据驱动的漏槽事故预警模型。模型采用简单经典的分类算法支持向量机,避免小样本数据带来的过拟合问题。并用交叉验证训练测试方法和麻雀搜索算法对参数寻优,提高分类器的性能。同时为了更好地挖掘铝电解运行数据中的特征信息采用核主成分分析法将数据降到8维,模型运行速度提高了65.51 s。另外在设置分类标签时结合实际情况选取了三个变化显著的特征参数作为辅助分类条件从而扩充了故障样本。最后对该漏槽事故预警模型进行性能验证,实验表明模型F1分数达到了0.995,AUC值达到了0.998。

基于深度学习的300 kA铝电解槽阳极效应预测

本文对铝电解槽阳极效应机理和故障参数进行研究,提出了一种基于深度学习的阳极效应预测方法,能适应不同维度、不同数据特征的槽况参数,直接从海量原始数据中挖掘故障特征信息,大幅缩减效应响应时间,具有很好的鲁棒性和抗干扰能力,同时在模型调试优化上,采用Batch normalization算法和梯度检验,提高了模型收敛速度和稳定性。结果表明:该模型效应预测准确率和F1分数分别达到94.65%和0.9317,提前预报时间可达16 min,并通过现场实验验证,达到实际生产要求。

基于深度学习的铝电解槽阳极效应预测方法研究

阳极效应在铝电解生产中最为频发,对其进行准确预测能够稳定电解铝生产,降低能耗,减少事故。本文从深度学习入手,提出一种基于堆叠降噪自动编码器和长短时记忆网络的预测模型,利用堆叠降噪自动编码器挖掘关键故障特征信息,同时利用长短时记忆网络实现故障诊断。本文通过采集某铝厂的历史生产数据对模型进行性能验证,结果表明,该模型预测准确率和F1分数分别为97.56%和0.9686。对比分析BP神经网络、广义回归神经网络、LSTM和SDAE-RF,本文构建的SDAE-LSTM的模型表现最佳,能准确地对阳极效应进行预报,在铝电解实际生产中具有重要的指导意义。

电解质成份管理

在电解铝生产过程中,电解质成份对氧化铝的溶解与扩散,电解质电阻具有重要影响,不同的电解质成份条件下,电解槽稳定性及生产指标呈现差异化,合理的电解质成份能提高电解槽稳定性,提高生产指标。

氧化铝浓度控制

在电解铝生产过程中,合理的氧化铝浓度控制有利于降低电解质电阻、减小电压偏离、降低阳极效应系数,降低电耗;有利于提高电流效率。

基于数据驱动的铝电解槽剩余寿命预测方法研究

铝电解槽的寿命直接影响着电解铝企业的经济效益,准确预测铝电解槽剩余寿命能够提前制定维修计划,减少经济损失。本文针对铝电解槽寿命分析过程中缺乏对历史生产数据应用的背景,从数据的角度出发,探究生产工艺参数对槽寿命的影响,将机器学习引入到铝电解槽剩余寿命预测中,提出一种SVR-RFE-XGBoost模型,结合支持向量回归(SVR)与递归特征消除(RFE)算法,直接从原始数据中挖掘出关键寿命特征。同时利用极端梯度提升算法(XGBoost)对提取后的关键特征进行槽剩余寿命预测。最后利用某铝厂历史生产数据对模型进行性能验证,实验表明,该模型槽剩余寿命的平均绝对误差(MAE)、均方根误差(RMSE)和拟合优度(r^(2))别为116.0950, 207.4964和0.7463。对比分析XGBoost算法、岭回归(Ridge Regression)和SVR算法,实验结果表明,本文所构建的SVR-RFE-XGBoost的模型表现最佳,能更加准确地预测铝电解槽剩余寿命,在铝电解实际生产中具有重要的指导意义。

基于SDAE和随机森林的铝电解槽阳极效应预测方法研究

阳极效应故障是铝电解生产过程中最为常见的故障现象,阳极效应的发生会降低电解效率,极大增加能耗,同时对环境和设备均有危害,而铝电解生产环境恶劣,槽况参数繁多,各种因素交叉影响,使得阳极效应预测成为铝电解行业的重点研究问题。本文结合铝电解槽槽况数据大数据量、复杂多维、非线性等特征,提出了一种基于深度学习的阳极效应预测模型,构建了堆叠降噪自动编码器,直接从海量原始数据中挖掘关键故障特征信息。同时利用随机森林依据提取后的关键特征进行样本分类预测,能有效地解决阳极效应预测中存在的样本分布不均衡问题,提高了模型的鲁棒性和泛化性。同时在模型的优化上,采用Adam优化算法,相比于传统的优化算法,其在非稳态和在线问题上有很好的表现,大幅提高了模型运行效率。采用mini-batch梯度下降法,有效解决了每个隐含层都会出现covariate-shift问题,并在此过程中通过梯度检验来对模型的反向传播过程进行校准。最后对该阳极效应预测模型进行性能验证,实验表明,该模型效应预测准确率和F1分数分别达到96.78%和0.9501。提前预报时间可达30 min。