基于LMD和ELM的铝电解槽故障诊断方法研究

发布时间：2020-08-04 16:44

【摘要】：电解槽作为铝电解生产中的典型设备,其运行状态直接影响经济技术指标、日常生产以及电解槽的使用寿命。但是,电解槽同时受磁场、电场及高温的干扰,故障特征不易辨识,可连续测量的生产参数少,难以监测电解槽状态及诊断故障。因此,本文以306k A预焙阳极电解槽为研究对象,采集了正常、铝液波动、阴极破损、极距过低和炉底结壳五种槽况的槽电压信号,对信号降噪、故障特征提取、故障分类等问题做了深入研究。论文首先介绍了电解槽常见的故障模式,以及对槽电压的影响。采用直接法估计了五种槽况槽电压信号的功率谱,结果指出信号功率的频域特征相似、主频率均在0-0.1Hz之间,需要深入分析信号特征。随后,采用小波阈值方法对槽电压信号做降噪处理。局域均值分解算法(LMD)可以保留较多的频率和幅值特征,常用于机械故障诊断。不同于机械振动信号,过程信号平稳、采样频率小。因此,本文改进了LMD算法:调整信号取值范围、非线性变换、放大信号局部特征、再进行信号分解,并选择PF分量的相对能量和总能量作为故障的特征值。实验结果表明,改进算法提取的特征值可以准确表征五种电解槽状态。最后,采用极限学习机(ELM)算法辨识故障类型。针对ELM随机给定隐含层参数的缺点,采用粒子群算法(PSO)对隐含层参数寻优,从而提高分类精度。再针对PSO算法易陷入局部极值的缺点,对惯性权重的取值方式做改进:采用了惯性权重非线性减小策略,并将分类正确率作为寻优结束的先决条件,减小迭代次数,提高网络训练速度。实验结果表明,PSO优化的ELM既保证了较快的训练速度,同时获得了更高的故障分类正确率。
【学位授予单位】：中国矿业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TF351
【图文】：

界面图,电解槽,控制系统,界面

图 2-2 电解槽控制系统界面Figure 2-2 Interface of reduction cell control system参考现场人员对故障的辨识，选择四种常出现的故障：铝液波动、阴极破损、极距过低以及炉底结壳，通过控制系统软件获取正常及故障情况下的铝电解工作电压信号。信号的采样频率为 1Hz，本文选择 300 个采样点，即 5 分钟的采样时间。对于车间内的 172 台电解槽，各槽的理化环境不同，每台电解槽出现四种故障的频率不同；整体而言，每种故障发生的频率不同，因此可采集到的数据组数不同。正常槽况的数据为 60 组，铝液波动故障的数据为 45 组，阴极破损故障的数据为 45 组，极距过低故障的数据为 40 组，炉底结壳故障的数据为 40 组。特别需要说明，这 230 组数据分别来自不同的电解槽，由于数据量少、电解槽个数多，通过这些数据不能得出每个槽的故障发生频率、理化环境或者其他结论；此外，本文的目的是提取槽电压与相应故障之间的关系，不考虑故障或槽电压与相应电解槽的关系，因此，除了下文的时域分析以外，本文的数据仅用序号或者故障类型表示，不再标记数据来源，即槽号。2.3.2 信号分析

界面图,电解槽,控制系统,界面

【参考文献】