一种氧化铝生产蒸发过程多参数数据的时间配准方法
【技术领域】 [0001] 本发明涉及一种氧化铝生产蒸发过程多参数数据的时间配准方法。
【背景技术】 [0002] 在氧化铝生产中，铝酸钠溶液的蒸发是极其关键的一道工序。该过程工 艺机理复杂，具有流程长、设备多的特点。以常见的蒸发器+闪蒸器工艺来说，流程通常配 备有5到7台蒸发器和3到5台闪蒸器，其中一些蒸发器为保证蒸发效果还配套安装了预 热器。生产过程中，料液需依次流经各效蒸发器（含预热器）和各级闪蒸器，蒸汽（包括二 次蒸汽）需依次流经各效蒸发器，多个可控参数分布在流程的各个单元中。由于生产中的 物流（包括物料和蒸汽）无法标记跟踪，物料在各单元设备和回路停留的时间均不同，与实 时的生产状态和设备本身的参数都有关，且不同参数的采样频率不一致，使得同一组物流 在每个阶段（或设备）的信息难以匹配、自变量与因变量难以对应，导致工作人员对当前工 况判断的准确性受限，操作滞后。同时，闭环控制回路的时滞也会对生产环境和产品质量产 生一定的影响，增加了蒸发过程工艺指标稳定控制的难度，也对氧化铝的产量和生产能耗 产生很大的影响。流程工业过程普遍存在类似于氧化铝蒸发过程这样具有流程长、设备多、 机理复杂特点的流程，因而同一组物料在不同阶段的信息不匹配、自变量与因变量不对应 的问题在流程工业过程中普遍存在。针对流程工艺特点，如何将不同的过程参数在空间与 时间上进行配准以准确跟踪物流变化，对流程工业过程的建模和优化控制具有重要意义， 是目前氧化铝生产以及众多流程工业过程实际生产中亟需解决的问题。
[0003] 目前，已经有一些有效的时滞辨识或时间信息提取方法，比较典型的有内插外推 法、神经网络算法。内插外推法由于计算简便，运行时间短等优点在实际中应用广泛。但是 内插外推算法在对象模型简单时具有较好效果，对象模型复杂时配准误差较大。神经网络 算法尽管不需要精确的数学模型，仅需要采用一定数量的输入和输出样本进行网络训练， 就能逼近时滞的动态特性，但收敛速度慢，满足不了实时控制的要求，随机性较强，且易陷 入局部最优解。
[0004] 针对上述存在的问题，研究如何根据实际生产流程和工序对现场的大量生产数据 进行有效地信息分析和时间配准的方法，并保证其能够长期稳定地应用到实际生产中，对 实现蒸发过程稳定控制，提高生产效率和产品质量有着重要意义。
[0005]
【发明内容】
本发明的目的是提供一种氧化铝蒸发过程多参数数据的时间配准方 法。
[0006] 本发明在分析蒸发过程工艺流程、运行状态的基础上，根据蒸发过程单元数及单 元间连接关系，提出了时基序列的概念，
[0007] D = [(I1 d2 …dj …dn] (1)
[0008] 式中η为时基序列的长度，等于蒸发过程的单元个数；士表示蒸发过程第j个单元 的时基，为整数且无量纲。记需要进行时间配准的参数的采样周期为T，则该参数在第j个 单元的停留时间为τ Ij= d _jT。
[0009] 在时基序列的基础上，按照配准法则对该类参数的采样数据进行时间和空间上的 合理匹配，从中提取出与时基序列对应的初配数据时空矩阵，配准法则如下：
[0010] 针对蒸发实际生产，记该类参数对应于物料在流程入口和各单元出口采样得到的 原始数据形成的时空矩阵为A = [A。A1 A2…Aj…AJ，其中当j = O时，A_j为入口数据 列，当1彡j彡η时Aj为第j个单元出口数据列。从A。中选择从某一时刻t起的f个数据， 得到数据时间序列Xc形式为[Xixt x0T…x0lT…χ<^41)τ)τ，其中f满足
使得时空矩阵的所有数据至少能包含物流从流程入口至流程出口的一个变化周期。对于 A1部分，取该参数从t+d J时刻起的f个数据生成数据时间序列
，形式为
其余单元的数据时间序列取值方 法以此类推，最后得到与该时基序列和各单元空间匹配的初配数据时空矩阵X为
[0012] 数据矩阵中往往蕴含着所采样参数的某些信息，初配数据时空矩阵X中的各列数 据来自于蒸发过程的不同单元，列与列之间存在相互关联。通过计算列与列之间的关联度 并进行综合评价，从而可提取出其中蕴含的时间信息。首先对初配数据时空矩阵进行如下 变换
[0014] 其中COV(X)表示协方差矩阵，σ i表示X中第i列的标准差。然后利用范数定 量描述数据矩阵中数据的关联特性，求馬的H"范数I IrxI I"作为关联度值，I IrxI I"越大， 则该初配数据时空矩阵内数据的关联性越强。
[0015] 由于各时基均存在一定的范围内取值，在未确定各时基具体数值之前，时基序列 存在多种可能取值，采用直接计算的方法寻找具有最大关联度的时空矩阵对应的时基序列 具有很大的难度。因此，将时空关联分析与遗传算法进行结合，产生多个时基序列作为遗传 算法的种群，以时基序列的时空关联分析结果（即关联度值）作为适应度计算的依据，利用 改进的遗传算法寻找适应度最大（也即关联度最大）时的最优时基序列作为最终的匹配结 果。这种全局搜索的特性能够大大减小算法的运算时长。采用遗传算法进行时基序列寻优 的步骤如下：
[0016] 1.时基序列种群初始化
[0017] 针对遗传算法中二进制编码进行函数优化时精度不高的特点，结合时基取值为整 数这一实际情况，对种群采用十进制编码，得到初始时基序列种群如下
[0019] 其中，一行代表一个时基序列，m为种群大小，即时基序列的个数，η为一个时基序 列中时基的个数，即蒸发单元数。
[0020] 2.时空关联分析
[0021] 利用配准法则为I中的每一个时基序列生成对应的初配数据时空矩阵，共m个。对 每一个初配数据时空矩阵进行时空关联分析，求出各自的关联度值。
[0022] 3.遗传操作
[0023] 将各初配数据时空矩阵对应的关联度值作为计算依据进行适应度计算，根据适应 度值对初始种群依次经过选择、交叉、变异操作后得到一次进化后的种群。然后基于进化后 的种群继续进行时空关联分析和遗传操作，每次遗传操作结束后，产生一群更优秀的个体， 种群进化到搜索空间中更好的区域。这样种群经过多次遗传算法迭代后，不断进化，最后收 敛到一群最适应的个体。从最终的种群中找出最大关联度值对应的那一个时基序列，即为 最优时基序列。使用该时基序列对参数进行时间配准，即可得到该参数最佳的配准结果，即 由该最优时基序列配准得到的各参数采样值即为物料经过每个单元设备时对应的状态参 数值。
【附图说明】
[0024] 图1为参数的时间配准方法流程图；
[0025] 图2为改进遗传算法迭代过程中的性能指标图；
[0026] 图3为利用配准前的数据进行预测建模的结果对比图；
[0027] 图4为利用配准后的数据进行预测建模的结果对比图。
【具体实施方式】
[0028] 本发明通过深入分析蒸发过程工艺流程机理，利用时空关联分析方法和改进的遗 传算法