基于bp神经网络与mbfo算法的铝电解生产工艺优化方法
【技术领域】
[0001] 本发明涉及铝电解工业生产领域，具体的说是一种基于BP神经网络与MBF0算法 的铝电解生产工艺优化方法。
【背景技术】
[0002] 铝电解是一个复杂的工业生产过程，通常采用拜耳法进行冶炼，但是该方法耗能 大，效率低，还会产生大量温室气体，环境污染严重。因此，在保证铝电解槽平稳生产的前提 下，如何提高电流效率、降低能耗、降低污染气体排放量，以实现高效、节能、减排已成为铝 电解企业的生产目标。但是，铝电解槽内部复杂的物料化学变化以外部多种不确定作业因 素导致槽内参数较多，参数间呈现出非线性、强耦合性等特点，且诸如极距、保温材料厚度 等参数难以实时测量、调整，给铝电解生产过程控制优化带来一定难度。
【发明内容】
[0003] 针对上述问题，本发明提供了一种基于BP神经网络与MBF0算法的铝电解生产工 艺优化方法，将优化后的数据运用到实际铝电解生产中，来提高电流效率，降低吨铝能耗和 全氟化物排放量。
[0004] 为达到上述目的，本发明采用的具体技术方案如下：
[0005] -种基于BP神经网络与MBF0算法的铝电解生产工艺优化方法，其关键在于包括 以下步骤：
[0006] S1 :选择对电流效率、吨铝能耗以及全氟化物排放量有影响的控制参数构成决策 变量X= [Xdx2，…，xM]，Μ为所选参数的个数；
[0007] S2 :选定铝电解工业现场，采集Ν组决策变量ΧρΧ2，…，ΧΝ及其对应的电流效率 yi，y2，…，对应的吨错能耗ζρζ2，…，zjp对应的全氟化物排放量~，·^，…，wN作为数 据样本，以每一个决策变量xjt为输入，分别以对应的电流效率yi、吨铝能耗Zi以及全氟化 物排放量^作为输出，运用BP神经网络对样本进行训练、检验，建立铝电解槽生产过程模 型；
[0008] S3 :利用多目标细菌觅食优化算法，即MBF0算法，对步骤S2所得的三个生产过程 模型进行优化，得到一组最优决策变量Xtest及其对应的电流效率ytest、吨铝能耗ztest以及全 氟化物排放量wtest;
[0009]S4 :按照步骤S3所得的最优决策变量Xtest中的控制参数来控制步骤S2中所选定 的铝电解工业现场，使其达到节能、降耗和减排的目的。
[0010] 进一步描述，步骤S1中选定了 8个参数构成决策变量，分别为系列电流Xl、下料次 数X2、分子比X；?、出错量x4、错水平X；)、电解质水平Xe、槽温X·/、槽电压Χδ。
[0011] 再进一步描述，为了满足建模需求，步骤S2中的BP神经网络由输入层、隐藏层和 输出层构成；
[0012] 针对电流效率所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏 层采用13个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间的传递函数为Tansig函数，隐藏层到输出层之间的传递函数为Purelin函数，样本训练时的迭代次数为 800；
[0013] 针对吨铝能耗所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏 层采用12个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间传递函数为 Logsig函数，隐藏层到输出层之间的传递函数为Purelin函数，样本训练时的迭代次数为 800；
[0014] 针对全氟化物排放量所构建的生产过程模型而言，其输入层采用8个神经元节 点，隐藏层采用13个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间传递函 数为Tansig函数，隐藏层到输出层之间的函数为Purelin函数，样本训练时的迭代次数为 800 〇
[0015] 再进一步地，步骤S3中的MBF0算法包括以下步骤：
[0016]S31:将决策变量X的值视为细菌位置，根据决策变量X中各个参数的范围随机生 成L个细菌构成菌群初始位置；
[0017]S32:初始化系统参数，包括细菌群体大小Nn，趋向次数N。，趋向行为执行中前进次 数Ns，繁殖次数N"，驱散次数^d，执行驱散行为的概率I\d;
[0018]S33:执行趋向操作，包括翻转和前进；
[0019] 假设第i(i= 1，2,…，L)只细菌在第j次趋向操作第k次复制操作和第1次驱散 操作之后的位置为Θ^Ι^Ι)^』：
[0020] ΘVj+l，!^ 1) =ΘU, 1)+C⑴*dcty式中，dcti是第i只细菌最近一次翻转时 所选择的随机矢量方向，C(i)是其沿dch方向前进的步伐长度，且 各分量均为[-1，1]内随机数的向量，向量的维数与决策变量X的维数相同；
[0021] S34 :根据个体间的信息素浓度执行聚群操作：
[0022] S35 :计算菌群的健康函数，并将其进行降序排列，淘汰健康函数值小的一半细菌， 健康函数值大的另一半细菌进行繁殖，且子细菌觅食能力保持与父代一致；
[0023] 对给定的k、1，每只细菌的健康函数为
第i只细菌的能量，J(i，j，k，1)表示细菌i在第j次趋向操作第k次复制操作和第1次驱 散操作之后的适应度函数值，N。表示趋向次数，越大，表示细菌i的觅食能力越强；
[0024]S36:将S35产生的菌群与前一次迭代计算产生的菌群合并，选择前L个优势个体 构成下一代菌群；
[0025]S36:驱散：细菌经历几代复制后，以驱散概率Pj皮驱散到搜索空间中的任意位 置；
[0026]S37:判断优化算法是否满足结束条件，如满足，则输出Pareto前沿即最优决策变 量Xtest及其对应的电流效率ytest、吨铝能耗ztest以及全氟化物排放量wtest，如不满足，则跳 转至步骤S33循环执行。
[0027] 与现有技术相比，本发明的有益效果是：BP神经网络的非线性映射能力强，适用 于铝电解生产过程中高效、节能、减排指标的映射关系，建立铝电解生产过程的映射模型； 加之运用MBF0算法对映射模型进行搜索，据此确定了铝电解工艺参数的最优值；根据优化 后的工艺参数最优值进行实际生产指导，提高了电流效率、降低了吨铝能耗以及全氟化物 排放量。
【附图说明】
[0028] 图1是本发明的流程框图；
[0029] 图2是电流效率预测效果图；
[0030] 图3是电流效率预测误差图；
[0031] 图4是吨铝能耗预测效果图；
[0032] 图5是吨铝能耗预测误差图；
[0033] 图6是CF4排放量预测效果图；
[0034] 图7是CF4排放量预测误差图。
【具体实施方式】
[0035] 下面结合附图对本发明的【具体实施方式】以及工作原理作进一步详细说明。
[0036] 实施例
[0037] 从图1可以看出，一种基于BP神经网络与MBF0算法的铝电解生产工艺优化方法， 包括以下步骤：
[0038]S1 :选择对电流效率、吨铝能耗以及全氟化物排放量有影响的控制参数构成决策 变量X= [Xdx2，…，xM]，Μ为所选参数的个数；
[0039] 在实施过程中，是通过统计铝电解生产过程中，对电流效率、吨铝能耗以及全氟化 物排放量有影响的原始变量，并从中确定在铝电解生产过程中对电流效率、吨铝能耗以及 全氟化物排放量影响最大的作为决策变量X;
[0040] 通过对实际工业生产过程中测量参数进行统计得到对电流效率、吨铝能耗以及全 氟化物排放量影响最大的变量为：系列电流^、下料次数χ2、分子比^、出铝量^、铝水平χ5、 电解质水平χ6、槽温χ7、槽电压18共8个变量。
[0041] S2 :选定铝电解工业现场，采集Ν组决策变量ΧρΧ2，…，ΧΝ及其对应的电流效率 yi，y2，…，对应的吨错能耗ζρζ2，…，zjp对应的全氟化物排放量~，·^，…，wN作为数 据样本，以每一个决策变量xjt为输入，分别以对应的电流效率yi、吨铝能耗Zi以及全氟化 物排放量^作为输出，运用bp神经网络对样本进行训练、检验，建立铝电解槽生产过程模 型；
[0042] 在本实施例中，取用重庆天泰铝业有限公司170KA系列电解槽中的223#槽2013 年全年生产数据以及2014年前40天数据，共计405组数据，数据样本如表1所示：
[0043] 表1电解槽数据样本
[0044]
[0045] 步骤S2中的BP神经网络由输入层、隐藏层和输出层构成；
[0046] 神经网络设计中，隐层节点数的多少是决定神经网络模型好坏的关键，也是神经 网络设计中的难点，这里采用试凑法来确定隐层的节点数：
[0048] 其中p为隐层神经元节点数，η为输入层神经元数，m为输出层神经元数，a为1~ 10之间的常数。
[0049] BP神经网络的设置参数如下表2所示：
[0050] 表2BP神经设置参数
[0051]
[0052] 从表2可以看出，针对电流效率所构建的生产过程模型而言，其输入层采用8个神 经元节点，隐藏层采用13个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间 的传递函数为Tansig函数，隐藏层到输出层之间的传递函数为Purelin函数，样本训练时 的迭代次数为800 ;
[0053] 针对吨铝能耗所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏 层采用12个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间的传递函数为 Logsig函数，隐藏层到输出层之间的传递函数为Purelin函数，样本训练时的迭代次数为 800 ；
[0054] 针对全氟化物排放量所构建的生产过程模型而言，其输入层采用8个神经元节 点，隐藏层采用13个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间的传递 函数为Tansig函数，隐藏层到输出层之间的传递函数为Purelin函数，样本训练时的迭代 次数为800。
[0055] 神经网络的训练过程中主要按照以下步骤进行：
[0056] 设置Xb= [xbl，xb2，…，xbM](b= 1，2，···，Τ)为输入矢量，T为训练样本个数，
为第g次迭代时输入层Μ与隐层I之 间的权值矢量，W;P(g)为第g次迭代时隐层J与输出层Ρ之间的权值矢量，Yb(g)= [ybi(g)，(g)，…，ybp(g) ](b= 1，2,…，τ)为第g次迭代时网络的实际输出，db= [dbl，db2，…，dbP](b= 1，2,…，τ)为期望输出；
[0057] 步骤S2中建立铝电解生产过程模型具体包括如下步骤：
[0058] S21 :初始化，设迭代次数g初值为0,分别赋给WMI (0)、W;P⑹一个（0, 1)区间的随 机值；
[0059] S22 :随机输入样本Xb;
[0060] S23 :对输入样本Xb，前向计算B