鋁電解槽槽溫測量方法
2023-04-22 17:37:51
鋁電解槽槽溫測量方法
【專利摘要】本發明提供了一種鋁電解槽槽溫測量方法，其包括如下步驟：步驟一，建立槽溫測量模型，包括如下步驟：採集輸入參數和輸出參數；對採集的輸入參數和輸出參數進行歸一化處理；對歸一化處理後的輸入參數和輸出參數建立前饋BP神經網絡模型；對該模型輸出的槽溫值進行反歸一化處理；將算法應用於前饋BP神經網絡模型使其實現自動學習；前饋BP神經網絡模型輸出的槽溫值與實際測量的槽溫值偏差範圍為0-2攝氏度時，確定此時的前饋BP神經網絡模型為槽溫測量模型；步驟二，通過所述槽溫測量模型進行槽溫測量。與相關技術相比，本發明有益效果在於槽溫測量結果精確度較高，能實現槽溫的連續測量，準確反映實時槽況，便於槽況的實時監測。
【專利說明】鋁電解槽槽溫測量方法
【【技術領域】】
[0001]本發明涉及鋁電解槽【技術領域】，尤其涉及一種鋁電解槽槽溫測量方法。
【【背景技術】】
[0002]鋁電解生產中電解槽是主體設備，電解槽槽溫是生產過程中一個重要的控制參數，該溫度能直接反映電解槽的熱平衡及運行狀況。由於電解槽內槽溫很高且具有強腐蝕性，目前主要是利用熱電偶來實現槽溫測量，為避免被腐蝕，在測量時熱電偶是不與電解質接觸的，或者採用間歇式測溫，或者使用保護套等方式對熱電偶進行保護，但採用這些方式後測量結果與真實值相比誤差較大，數據測量具有滯後性，不能反映實時槽況，進而不能進行及時調控和連續監控。
[0003]因此，實有必要提供一種新的鋁電解槽槽溫測量方法來克服上述技術問題。
【
【發明內容】
】
[0004]本發明需要解決的技術問題是提供一種能提供連續的實時監控，測量結果精確度高的鋁電解槽槽溫測量方法。
[0005]本發明一種鋁電解槽槽溫測量方法，包括如下步驟:步驟一，建立槽溫測量模型，具體包括如下步驟:採集輸入參數和輸出參數，建立所述輸入參數和所述輸出參數的歷史資料庫，其中，所述輸入參數包括上一次測量的槽溫、分子比、工作電壓、當次測量的氟鹽用量、氧化鋁下料量、出鋁量、槽溫及前兩次測量的氟鹽用量，所述輸出參數為當次的槽溫；對採集的所述輸入參數和輸出參數進行歸一化處理；對所述歸一化處理後的輸入參數和輸出參數建立前饋BP神經網絡模型，其中，所述前饋BP神經網絡模型包括輸入層、隱含層及輸出層，所述輸入層、隱含層及輸出層均包括神經元；對所述前饋BP神經網絡模型輸出的槽溫值進行反歸一化處理；將遺傳算法及BP算法應用於所述前饋BP神經網絡模型，使前饋神經網絡模型實現自動學習；將所述前饋BP神經網絡模型用於進行槽溫測量，當所述前饋BP神經網絡模型輸出的槽溫值與實際測量的槽溫值偏差範圍為0-2攝氏度時，確定此時的前饋BP神經網絡模型為槽溫測量模型；步驟二，通過所述槽溫測量模型進行槽溫測量。
[0006]優選的，所述隱含層的傳遞函數為Sigmoid函數，所述輸出層的傳遞函數為線性函數。
[0007]優選的，所述輸入層的神經元數目為8，所述隱含層的神經元數目為10，所述輸出層的神經元數目為I。
[0008]與相關技術相比， 本發明的有益效果在於，槽溫測量結果精確度較高，能實現槽溫的連續測量，準確反映實時槽況，便於槽況的實時監測。
【【具體實施方式】】
[0009]下面結合實施方式對本發明作進一步說明。
[0010]本發明提出了一種鋁電解槽槽溫測量方法，其步驟包括:步驟一，建立槽溫測量模型，具體包括如下步驟:步驟a，測量和採集輸入參數和輸出參數，建立採集的輸入參數和輸出參數的歷史資料庫，其中，輸入參數包括前一次測量的槽溫、分子比、工作電壓和當次測量的氟鹽用量、氧化鋁下料量、出鋁量、槽溫及前兩次測量的氟鹽用量，分子比為氟化鈉與氟化鋁的比值，工作電壓為電解槽正常工作時的電壓，輸出參數為當次測量的槽溫，採集得到的參數為一個9*n的矩陣[Xn，Y]，η為參數的樣本數，Y為當次的槽溫；步驟b，對採集的參數進行歸一化處理，得到新數據[X』 n，Y』 ]，其中，歸一化方法如下.Χ嚴2* (X1-Xmin)/(X--Xmin)-1，Y，i=2*(Y1-YminV(Ymax-Ymin)-L其中 Xi, V i 分別為歸一化前、後的第 i 個輸入參數樣本，Yi, Y』 i分別為歸一化前、後的第i個槽溫樣本，Xmin，Xmax分別為歸一化前輸入參數的最大值和最小值，Ymin，Ymax分別為歸一化前槽溫的最小值和最大值，i=l, 2，…，η ;步驟c，將歸一化處理後的數據[Χ』η，Υ』]建模，建立一個前饋BP神經網絡模型，其中前饋BP神經網絡模型包括輸入層、隱含層和輸出層，每一層均由神經元構成，輸入層參數(即神經元)的數目為8，輸出層的神經元數目為1，隱含層的神經元數目為10，輸入層、隱含層及輸出層通過加權值、閾值、傳遞函數形成全互聯式連接，隱含層傳遞函數為Sigmoid函數，輸出層傳遞函數為線性函數，以樣本j為例，將輸入參數輸入前饋BP神經網絡模型則得到:隱含層第j個神經元淨收入fj(X』 i) =WljXj !+W2jXj 2 +…+W8jX』 8+ Θ」，隱含層第j個神經元輸出gj(X，i) =1/(1+,°^))，輸出層神經元淨收入F=Vlgl+V2g2+…+Vltlgltl+ Θ 』，輸出層神經元輸出G=k*F=k* (v^+v；^+…+v1(lg1(l+ Θ 』)，其中Wlj表示輸入層第I個神經元到隱含層第j個神經元的加權值，Θ j表示輸入層到隱含層第j個神經元的閾值，V1表示隱含層第I個神經元到輸入層神經元的加權值，Θ 』表示隱含層到輸入層的閾值，記第i個樣本的模型輸出為Gi ;步驟d，對模型輸出的槽溫值進行反歸一化處理，具體為:士=枳+1)*(7_1_)/21_，Si表示反歸一化後第i個樣本槽溫計算值；步驟e，將算法應用於前饋BP神經網絡模型，使前饋BP神經網絡模型實現自動學習，其中，算法包括遺傳算法和BP算法(即誤差反向傳播算法)，由步驟a至步驟d可計算出第i個樣本的槽溫計算值與實際測量值之間的誤差Ei=V「Si)2，引用遺傳算法後，利用遺傳算法全局搜索的特性，優化加權值和閾值，再用BP算法實現前饋 BP神經網絡模型的自學習功能，該前饋BP神經網絡模型自動總結歸納，自適應環境的變化，最終前饋BP神經網絡模型輸出的槽溫值與實際測量的槽溫值偏差範圍為0-2攝氏度；步驟f，將前饋BP神經網絡模型用於進行槽溫測量，當輸出的槽溫值與實際測量的槽溫值偏差範圍為0-2攝氏度時，確定此時的前饋BP神經網絡模型為槽溫測量模型；步驟二，通過槽溫測量模型進行槽溫測量。通過槽溫測量模型最終可以實現槽溫的連續、實時測量，且輸出的槽溫值與實際測量值偏差較小，偏差範圍為0-2攝氏度，由此可見，本發明提出的鋁電解槽槽溫測量方法操作方便、簡單，輸出的槽溫值與實際測量值偏差小，能實現槽溫的連續測量，便於準確反映實時槽溫，進而有利於對槽溫進行實時監控。另外，可將此方法與槽控機數據埠進行對接，實現對槽溫的在線連續監控。
[0011 ] 與相關技術相比，本發明的有益效果在於，槽溫測量結果精確度較高，能實現槽溫的連續測量，準確反映實時槽況，便於槽況的實時監測。
[0012]以上所述的僅是本發明的實施方式，在此應當指出，對於本領域的普通技術人員來說，在不脫離本發明創造構思的前提下，還可以做出改進，但這些均屬於本發明的保護範圍。
【權利要求】
1.一種鋁電解槽槽溫測量方法，其特徵在於，包括如下步驟: 步驟一、建立槽溫測量模型，具體包括如下步驟: 步驟a、採集輸入參數和輸出參數，建立包含所述輸入參數和所述輸出參數的歷史資料庫，其中，所述輸入參數包括上一次測量的槽溫、分子比、工作電壓、當次測量的氟鹽用量、氧化鋁下料量、出鋁量、槽溫及前兩次測量的氟鹽用量，所述輸出參數為當次的槽溫； 步驟b、對採集的所述輸入參數和輸出參數進行歸一化處理； 步驟C、對所述歸一化處理後的輸入參數和輸出參數建立前饋BP神經網絡模型，其中，所述前饋BP神經網絡模型包括輸入層、隱含層及輸出層，所述輸入層、隱含層及輸出層均包括神經元； 步驟d、對所述前饋BP神經網絡模型輸出的槽溫值進行反歸一化處理； 步驟e、將遺傳算法及BP算法應用於所述前饋BP神經網絡模型，使所述前饋BP神經網絡模型實現自動學習； 步驟f、將所述前饋BP神經網絡模型用於進行槽溫測量，當所述前饋BP神經網絡模型輸出的槽溫值與實際測量的槽溫值偏差範圍為0-2攝氏度時，確定此時的所述前饋BP神經網絡模型為槽溫測量模型； 步驟二、通過所述槽溫測量模型進行槽溫測量。
2.如權利要求1所述的鋁電解槽槽溫測量方法，其特徵在於:所述隱含層的傳遞函數為Sigmoid函數,所述輸出層的傳遞函數為線性函數。
3.如權利要求2所述的鋁電解槽槽溫測量方法，其特徵在於:所述輸入層的神經元數目為8，所述隱含層的神經元數目為10，所述輸出層的神經元數目為I。
【文檔編號】G01K13/00GK103808431SQ201410074899
【公開日】2014年5月21日 申請日期:2014年3月3日 優先權日:2014年3月3日
【發明者】姚翩翩, 洪波, 敬葉靈 申請人:湖南創元鋁業有限公司