铝电解槽槽温测量方法
【专利摘要】本发明提供了一种铝电解槽槽温测量方法，其包括如下步骤：步骤一，建立槽温测量模型，包括如下步骤：采集输入参数和输出参数；对采集的输入参数和输出参数进行归一化处理；对归一化处理后的输入参数和输出参数建立前馈BP神经网络模型；对该模型输出的槽温值进行反归一化处理；将算法应用于前馈BP神经网络模型使其实现自动学习；前馈BP神经网络模型输出的槽温值与实际测量的槽温值偏差范围为0-2摄氏度时，确定此时的前馈BP神经网络模型为槽温测量模型；步骤二，通过所述槽温测量模型进行槽温测量。与相关技术相比，本发明有益效果在于槽温测量结果精确度较高，能实现槽温的连续测量，准确反映实时槽况，便于槽况的实时监测。
【专利说明】铝电解槽槽温测量方法
【【技术领域】】
[0001]本发明涉及铝电解槽【技术领域】，尤其涉及一种铝电解槽槽温测量方法。
【【背景技术】】
[0002]铝电解生产中电解槽是主体设备，电解槽槽温是生产过程中一个重要的控制参数，该温度能直接反映电解槽的热平衡及运行状况。由于电解槽内槽温很高且具有强腐蚀性，目前主要是利用热电偶来实现槽温测量，为避免被腐蚀，在测量时热电偶是不与电解质接触的，或者采用间歇式测温，或者使用保护套等方式对热电偶进行保护，但采用这些方式后测量结果与真实值相比误差较大，数据测量具有滞后性，不能反映实时槽况，进而不能进行及时调控和连续监控。
[0003]因此，实有必要提供一种新的铝电解槽槽温测量方法来克服上述技术问题。
【
【发明内容】
】
[0004]本发明需要解决的技术问题是提供一种能提供连续的实时监控，测量结果精确度高的铝电解槽槽温测量方法。
[0005]本发明一种铝电解槽槽温测量方法，包括如下步骤:步骤一，建立槽温测量模型，具体包括如下步骤:采集输入参数和输出参数，建立所述输入参数和所述输出参数的历史数据库，其中，所述输入参数包括上一次测量的槽温、分子比、工作电压、当次测量的氟盐用量、氧化铝下料量、出铝量、槽温及前两次测量的氟盐用量，所述输出参数为当次的槽温；对采集的所述输入参数和输出参数进行归一化处理；对所述归一化处理后的输入参数和输出参数建立前馈BP神经网络模型，其中，所述前馈BP神经网络模型包括输入层、隐含层及输出层，所述输入层、隐含层及输出层均包括神经元；对所述前馈BP神经网络模型输出的槽温值进行反归一化处理；将遗传算法及BP算法应用于所述前馈BP神经网络模型，使前馈神经网络模型实现自动学习；将所述前馈BP神经网络模型用于进行槽温测量，当所述前馈BP神经网络模型输出的槽温值与实际测量的槽温值偏差范围为0-2摄氏度时，确定此时的前馈BP神经网络模型为槽温测量模型；步骤二，通过所述槽温测量模型进行槽温测量。
[0006]优选的，所述隐含层的传递函数为Sigmoid函数，所述输出层的传递函数为线性函数。
[0007]优选的，所述输入层的神经元数目为8，所述隐含层的神经元数目为10，所述输出层的神经元数目为I。
[0008]与相关技术相比， 本发明的有益效果在于，槽温测量结果精确度较高，能实现槽温的连续测量，准确反映实时槽况，便于槽况的实时监测。
【【具体实施方式】】
[0009]下面结合实施方式对本发明作进一步说明。
[0010]本发明提出了一种铝电解槽槽温测量方法，其步骤包括:步骤一，建立槽温测量模型，具体包括如下步骤:步骤a，测量和采集输入参数和输出参数，建立采集的输入参数和输出参数的历史数据库，其中，输入参数包括前一次测量的槽温、分子比、工作电压和当次测量的氟盐用量、氧化铝下料量、出铝量、槽温及前两次测量的氟盐用量，分子比为氟化钠与氟化铝的比值，工作电压为电解槽正常工作时的电压，输出参数为当次测量的槽温，采集得到的参数为一个9*n的矩阵[Xn，Y]，η为参数的样本数，Y为当次的槽温；步骤b，对采集的参数进行归一化处理，得到新数据[X’ n，Y’ ]，其中，归一化方法如下.Χ严2* (X1-Xmin)/(X--Xmin)-1，Y，i=2*(Y1-YminV(Ymax-Ymin)-L其中 Xi, V i 分别为归一化前、后的第 i 个输入参数样本，Yi, Y’ i分别为归一化前、后的第i个槽温样本，Xmin，Xmax分别为归一化前输入参数的最大值和最小值，Ymin，Ymax分别为归一化前槽温的最小值和最大值，i=l, 2，…，η ;步骤c，将归一化处理后的数据[Χ’η，Υ’]建模，建立一个前馈BP神经网络模型，其中前馈BP神经网络模型包括输入层、隐含层和输出层，每一层均由神经元构成，输入层参数(即神经元)的数目为8，输出层的神经元数目为1，隐含层的神经元数目为10，输入层、隐含层及输出层通过加权值、阈值、传递函数形成全互联式连接，隐含层传递函数为Sigmoid函数，输出层传递函数为线性函数，以样本j为例，将输入参数输入前馈BP神经网络模型则得到:隐含层第j个神经元净收入fj(X’ i) =WljXj !+W2jXj 2 +…+W8jX’ 8+ Θ」，隐含层第j个神经元输出gj(X，i) =1/(1+,°^))，输出层神经元净收入F=Vlgl+V2g2+…+Vltlgltl+ Θ ’，输出层神经元输出G=k*F=k* (v^+v；^+…+v1(lg1(l+ Θ ’)，其中Wlj表示输入层第I个神经元到隐含层第j个神经元的加权值，Θ j表示输入层到隐含层第j个神经元的阈值，V1表示隐含层第I个神经元到输入层神经元的加权值，Θ ’表示隐含层到输入层的阈值，记第i个样本的模型输出为Gi ;步骤d，对模型输出的槽温值进行反归一化处理，具体为:士=枳+1)*(7_1_)/21_，Si表示反归一化后第i个样本槽温计算值；步骤e，将算法应用于前馈BP神经网络模型，使前馈BP神经网络模型实现自动学习，其中，算法包括遗传算法和BP算法(即误差反向传播算法)，由步骤a至步骤d可计算出第i个样本的槽温计算值与实际测量值之间的误差Ei=V「Si)2，引用遗传算法后，利用遗传算法全局搜索的特性，优化加权值和阈值，再用BP算法实现前馈 BP神经网络模型的自学习功能，该前馈BP神经网络模型自动总结归纳，自适应环境的变化，最终前馈BP神经网络模型输出的槽温值与实际测量的槽温值偏差范围为0-2摄氏度；步骤f，将前馈BP神经网络模型用于进行槽温测量，当输出的槽温值与实际测量的槽温值偏差范围为0-2摄氏度时，确定此时的前馈BP神经网络模型为槽温测量模型；步骤二，通过槽温测量模型进行槽温测量。通过槽温测量模型最终可以实现槽温的连续、实时测量，且输出的槽温值与实际测量值偏差较小，偏差范围为0-2摄氏度，由此可见，本发明提出的铝电解槽槽温测量方法操作方便、简单，输出的槽温值与实际测量值偏差小，能实现槽温的连续测量，便于准确反映实时槽温，进而有利于对槽温进行实时监控。另外，可将此方法与槽控机数据端口进行对接，实现对槽温的在线连续监控。
[0011 ] 与相关技术相比，本发明的有益效果在于，槽温测量结果精确度较高，能实现槽温的连续测量，准确反映实时槽况，便于槽况的实时监测。
[0012]以上所述的仅是本发明的实施方式，在此应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出改进，但这些均属于本发明的保护范围。
【权利要求】
1.一种铝电解槽槽温测量方法，其特征在于，包括如下步骤: 步骤一、建立槽温测量模型，具体包括如下步骤: 步骤a、采集输入参数和输出参数，建立包含所述输入参数和所述输出参数的历史数据库，其中，所述输入参数包括上一次测量的槽温、分子比、工作电压、当次测量的氟盐用量、氧化铝下料量、出铝量、槽温及前两次测量的氟盐用量，所述输出参数为当次的槽温； 步骤b、对采集的所述输入参数和输出参数进行归一化处理； 步骤C、对所述归一化处理后的输入参数和输出参数建立前馈BP神经网络模型，其中，所述前馈BP神经网络模型包括输入层、隐含层及输出层，所述输入层、隐含层及输出层均包括神经元； 步骤d、对所述前馈BP神经网络模型输出的槽温值进行反归一化处理； 步骤e、将遗传算法及BP算法应用于所述前馈BP神经网络模型，使所述前馈BP神经网络模型实现自动学习； 步骤f、将所述前馈BP神经网络模型用于进行槽温测量，当所述前馈BP神经网络模型输出的槽温值与实际测量的槽温值偏差范围为0-2摄氏度时，确定此时的所述前馈BP神经网络模型为槽温测量模型； 步骤二、通过所述槽温测量模型进行槽温测量。
2.如权利要求1所述的铝电解槽槽温测量方法，其特征在于:所述隐含层的传递函数为Sigmoid函数,所述输出层的传递函数为线性函数。
3.如权利要求2所述的铝电解槽槽温测量方法，其特征在于:所述输入层的神经元数目为8，所述隐含层的神经元数目为10，所述输出层的神经元数目为I。
【文档编号】G01K13/00GK103808431SQ201410074899
【公开日】2014年5月21日 申请日期:2014年3月3日 优先权日:2014年3月3日
【发明者】姚翩翩, 洪波, 敬叶灵 申请人:湖南创元铝业有限公司