基于极限学习机的铝电解过程参数软测量

发布时间：2021-08-26 09:44

　　针对铝电解过程参数在线或快速检测难的问题,基于500kA预焙铝电解槽生产数据,提出粒子群优化的在线极限学习机软测量模型。采用在线贯序极限学习机（OS-ELM）增强对系统动态跟踪能力,同时利用粒子群算法优化极限学习机的结构,以达到减少随机参数误差的目的,并在速度更新公式中加入动态的惯性权值和学习因子来平衡全局搜索和局部搜索能力,避免种群陷入早熟收敛。实验结果验证该方法对氧化铝浓度及电解质温度的拟合度较好,对确保铝电解过程物料平衡及热平衡具有重要意义。 

【文章来源】：传感器与微系统. 2020,39(09)CSCD

【文章页数】：4 页

【部分图文】：

PSO-OSELM算法流程图

1)电解质温度软测量将本文方法用于电解质温度预测，并交叉验证隐含层节点数和PSO迭代次数对模型的影响。随机选取255组历史数据作为训练样本，每种超参数调节各实验20次，结果取平均值，对比结果如表1所示。隐含层节点数为55，最大迭代次数为60次时，电解槽温度软测量结果如图2和图3。图3 电解槽温度预测值

图2 PSO算法寻优效果图由交叉验证结果，模型准确度主要受隐含层节点数影响，随隐含层节点数增加，均方根误差减小，拟合度更高;迭代次数的增加导致模型训练时间增加，对结果准确性影响较小。由于氧化铝浓度及电解质温度变化较缓慢平稳，因此网络输入权值和阈值不需要经常调整，在系统开机前采用PSO-ELM得到网络输入层最优权值和阈值，系统开机后采用OS-ELM对参数实时预测，并定期对模型进行校正，可以避免PSO算法迭代时间过长影响生产。

【参考文献】：
期刊论文
[1]基于MIV-Elman神经网络的海洋生物酶发酵软测量[J]. 孙丽娜,邓玲黎,刘骏,黄永红.  传感器与微系统. 2018(12)
[2]基于最小二乘支持向量机的氧化铝浓度预测[J]. 崔桂梅,杨海靳,刘丕亮,于凯.  系统仿真学报. 2018(05)
[3]双弯管法煤粉质量流量检测[J]. 赵延军,程守光,王鹏,马翠红.  传感器与微系统. 2015(05)
[4]基于FNN-UKF神经网络的氧化铝浓度动态预测模型[J]. 易军,李太福,侯杰,姚立忠,田应甫.  四川大学学报(工程科学版). 2013(01)



本文编号：3364010