基于数据驱动的氧化铝浓度控制
发布时间：2021-12-11 15:03
铝电解工业是一个高耗能、高污染型的流程工业,随着当今计算机技术以及信息技术在铝电解工业当中的应用,促使铝电解技术的发展更加信息化、智能化。通过了解电解槽的生产工艺和参数数据特点,以及对电解槽运行过程中数据的分析,得知铝电解槽氧化铝浓度合理的控制对铝电解生产过程提高电流效率、降低能量消耗有重要作用。为便于对电解槽中的氧化铝浓度进行有效预测,采用数据驱动的神经网络预测算法对电解槽中的氧化铝浓度进行预测。利用专家知识选择对氧化铝浓度有较大影响的电流、工作电压、下料量、出铝量、铝水平、电阻、分子比和电解质水平这8个参数数据。对参数数据缺失值进行拉格朗日插值处理以及异常值进行箱型图检测以及降噪处理,然后选择这8个处理后的参数数据作为BP神经网络氧化铝浓度预测模型的输入,氧化铝浓度作为预测模型的输出,建立了氧化铝浓度预测的BP神经网络预测模型。为了提高BP神经网络预测的精度和训练速度,采用L-M优化算法对神经网络训练进行优化。将工业生产采集的数据作为训练数据,分为训练集（70%）、验证集（15%）以及测试集（15%）。经过计算,得到BP神经网络预测模型验证和测试的均方误差分别为:0.013581、...
【文章来源】：北方工业大学北京市
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
铝电解过程简图
第一章绪论31.2氧化铝浓度控制方法根据目前工业上对铝电解槽的研究，保证铝电解槽平稳运行的重要指标为氧化铝浓度的控制。氧化铝浓度是铝电解过程中一个非常重要的工艺参数，它影响铝电解槽的物料平衡与能量平衡[12]。氧化铝浓度控制方法主要有：一、传统的定时下料控制：基于定时下料的控制方式是基于电解槽内物料平衡原理来控制下料过程，通过周期性的停止下料等待效应来达到控制物料平衡，消除下料间隙可能产生的沉淀。定时下料不能适应电解槽发生状况时对电解槽做出合理的下料决策。定时下料控制的典型控制模式图如下图1-2所示[7]：图1-2定时下料控制模式图二、基于电解槽电阻斜率氧化铝浓度的控制：是氧化铝浓度控制的比较传统的方法。通过采集电解槽的槽电压和系列电流两个量计算槽电阻的值，利用槽电阻与氧化铝浓度的对应关系确定氧化铝浓度的值。以调节电解槽中的氧化铝浓度值，达到控制氧化铝浓度的目的。基于槽电阻斜率跟踪的氧化铝浓度控制原理图[13]如下图1-3所示：
第一章绪论4图1-3基于电阻斜率跟踪的氧化铝浓度控制图三、氧化铝浓度模糊控制[14]：氧化铝浓度模糊控制是对电压，电流进行采样滤波，得到氧化铝浓度。该控制器以氧化铝实际浓度与规定值的偏差和氧化铝浓度变化率为输人，氧化铝加料间隔为输出。将输入量模糊化，通过建立模糊规则进行模糊推理，明确模糊量，使氧化铝浓度控制系统处于良好的运行状态。模糊控制框图如下图1-4所示：图1-4氧化铝浓度的模糊控制图四、基于正交预测的氧化铝浓度判定[15]：该方法原理是先明确影响氧化铝浓度的参数与原因，然后依据参数特点建立氧化铝浓度预估测模型，计算氧化铝浓度的当前值来验证预测结果，实时调整预测因子，完善氧化铝浓度预测模型。五、氧化铝浓度自适应控制[16]：控制的目的是在保持铝电解槽物料平衡和
【参考文献】：
期刊论文
[1]铝电解生产过程中氧化铝浓度的控制[J]. 王佐邦,李呈明,贺文毅. 有色金属设计. 2018(02)
[2]400kA系列铝电解槽区域氧化铝浓度时空分布研究[J]. 曹阿林,郭林,李靖靖. 有色金属(冶炼部分). 2018(06)
[3]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)
[4]基于数据的铝电解槽氧化铝浓度预测[J]. 崔桂梅,杨海靳,刘丕亮,于凯. 计算机仿真. 2018(02)
[5]基于数据驱动的微小故障诊断方法综述[J]. 文成林,吕菲亚,包哲静,刘妹琴. 自动化学报. 2016(09)
[6]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺. 计算机学报. 2016(08)
[7]铝电解槽氧化铝浓度控制过程分析[J]. 曹阿林,曹斌,易小兵,李劼. 有色金属(冶炼部分). 2013(08)
[8]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)
[9]基于正交预测的铝电解槽氧化铝浓度判定[J]. 林景栋,吕函珂,朱斌泉. 控制工程. 2012(05)
[10]铝电解过程神经网络预测控制技术应用研究[J]. 李界家,吴成东,李颖. 仪表技术与传感器. 2011(08)
博士论文
[1]基于数据驱动的控制与故障检测及其应用[D]. 陈建民.华东理工大学 2014
硕士论文
[1]氧化铝浓度控制系统的设计研究[D]. 李永腾.青岛大学 2019
[2]数据挖掘在铝电解槽槽况综合分析的应用[D]. 王嘉利.北方工业大学 2019
[3]基于小波分析和神经网络的铝电解槽阴极状态诊断研究[D]. 赵泽霖.北方工业大学 2019
[4]基于数据驱动的建筑智能设计程序初探[D]. 黄河.深圳大学 2017
[5]铝电解下料过程中氧化铝浓度分布及电解质温度场的数值模拟分析[D]. 丁培林.华中科技大学 2016
[6]基于主成分分析的RBF神经网络预测算法及其应用[D]. 马云龙.吉林大学 2015
[7]基于BP神经网络的短期电力负荷预测的研究[D]. 隋惠惠.哈尔滨工业大学 2015
[8]基于LSSVM的铝电解过程氧化铝浓度软测量建模研究[D]. 郭根.中南大学 2014
[9]铝电解过程氧化铝浓度自适应控制研究[D]. 任晓宁.北方工业大学 2012
[10]基于数据驱动的电解槽智能控制系统研究[D]. 王丰.重庆大学 2012
本文编号：3534890
【文章来源】：北方工业大学北京市
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
铝电解过程简图
第一章绪论31.2氧化铝浓度控制方法根据目前工业上对铝电解槽的研究，保证铝电解槽平稳运行的重要指标为氧化铝浓度的控制。氧化铝浓度是铝电解过程中一个非常重要的工艺参数，它影响铝电解槽的物料平衡与能量平衡[12]。氧化铝浓度控制方法主要有：一、传统的定时下料控制：基于定时下料的控制方式是基于电解槽内物料平衡原理来控制下料过程，通过周期性的停止下料等待效应来达到控制物料平衡，消除下料间隙可能产生的沉淀。定时下料不能适应电解槽发生状况时对电解槽做出合理的下料决策。定时下料控制的典型控制模式图如下图1-2所示[7]：图1-2定时下料控制模式图二、基于电解槽电阻斜率氧化铝浓度的控制：是氧化铝浓度控制的比较传统的方法。通过采集电解槽的槽电压和系列电流两个量计算槽电阻的值，利用槽电阻与氧化铝浓度的对应关系确定氧化铝浓度的值。以调节电解槽中的氧化铝浓度值，达到控制氧化铝浓度的目的。基于槽电阻斜率跟踪的氧化铝浓度控制原理图[13]如下图1-3所示：
第一章绪论4图1-3基于电阻斜率跟踪的氧化铝浓度控制图三、氧化铝浓度模糊控制[14]：氧化铝浓度模糊控制是对电压，电流进行采样滤波，得到氧化铝浓度。该控制器以氧化铝实际浓度与规定值的偏差和氧化铝浓度变化率为输人，氧化铝加料间隔为输出。将输入量模糊化，通过建立模糊规则进行模糊推理，明确模糊量，使氧化铝浓度控制系统处于良好的运行状态。模糊控制框图如下图1-4所示：图1-4氧化铝浓度的模糊控制图四、基于正交预测的氧化铝浓度判定[15]：该方法原理是先明确影响氧化铝浓度的参数与原因，然后依据参数特点建立氧化铝浓度预估测模型，计算氧化铝浓度的当前值来验证预测结果，实时调整预测因子，完善氧化铝浓度预测模型。五、氧化铝浓度自适应控制[16]：控制的目的是在保持铝电解槽物料平衡和
【参考文献】：
期刊论文
[1]铝电解生产过程中氧化铝浓度的控制[J]. 王佐邦,李呈明,贺文毅. 有色金属设计. 2018(02)
[2]400kA系列铝电解槽区域氧化铝浓度时空分布研究[J]. 曹阿林,郭林,李靖靖. 有色金属(冶炼部分). 2018(06)
[3]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)
[4]基于数据的铝电解槽氧化铝浓度预测[J]. 崔桂梅,杨海靳,刘丕亮,于凯. 计算机仿真. 2018(02)
[5]基于数据驱动的微小故障诊断方法综述[J]. 文成林,吕菲亚,包哲静,刘妹琴. 自动化学报. 2016(09)
[6]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺. 计算机学报. 2016(08)
[7]铝电解槽氧化铝浓度控制过程分析[J]. 曹阿林,曹斌,易小兵,李劼. 有色金属(冶炼部分). 2013(08)
[8]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)
[9]基于正交预测的铝电解槽氧化铝浓度判定[J]. 林景栋,吕函珂,朱斌泉. 控制工程. 2012(05)
[10]铝电解过程神经网络预测控制技术应用研究[J]. 李界家,吴成东,李颖. 仪表技术与传感器. 2011(08)
博士论文
[1]基于数据驱动的控制与故障检测及其应用[D]. 陈建民.华东理工大学 2014
硕士论文
[1]氧化铝浓度控制系统的设计研究[D]. 李永腾.青岛大学 2019
[2]数据挖掘在铝电解槽槽况综合分析的应用[D]. 王嘉利.北方工业大学 2019
[3]基于小波分析和神经网络的铝电解槽阴极状态诊断研究[D]. 赵泽霖.北方工业大学 2019
[4]基于数据驱动的建筑智能设计程序初探[D]. 黄河.深圳大学 2017
[5]铝电解下料过程中氧化铝浓度分布及电解质温度场的数值模拟分析[D]. 丁培林.华中科技大学 2016
[6]基于主成分分析的RBF神经网络预测算法及其应用[D]. 马云龙.吉林大学 2015
[7]基于BP神经网络的短期电力负荷预测的研究[D]. 隋惠惠.哈尔滨工业大学 2015
[8]基于LSSVM的铝电解过程氧化铝浓度软测量建模研究[D]. 郭根.中南大学 2014
[9]铝电解过程氧化铝浓度自适应控制研究[D]. 任晓宁.北方工业大学 2012
[10]基于数据驱动的电解槽智能控制系统研究[D]. 王丰.重庆大学 2012
本文编号：3534890
本文链接：https://www.wllwen.com/projectlw/yjlw/3534890.html
