基于槽況分類的鋁電解電流效率預測研究.pdf

1、鋁電解生產過程是一個時變、非線性、大時滯的復雜工業(yè)過程，電解槽工作在多相（固相、液相、氣相）、多場（熱場、磁場）的復雜環(huán)境中，電解槽參數眾多，參數之間存在強耦合性，且大部分參數均不可實時檢測，導致鋁電解過程控制困難。
　　電流效率是鋁電解過程中最重要的經濟指標參數，提高電流效率可以提高鋁產量，同時可以降低能耗。對電流效率進行實時監(jiān)測，可以為電解工提供決策依據。由于在生產現場電流效率不能夠實時監(jiān)測，采用軟測量技術可以實現電流效率的精

2、確預測，用于指導現場生產。針對電解槽在不同槽況下工藝參數特征不一致的問題，本文提出了基于槽況分類的多支持向量機電流效率預測模型，對電流效率實時預測。
　　本文的主要工作包括：
　　1.閱讀大量文獻，學習鋁電解生產過程工藝知識，介紹鋁電解過程的工藝特點，介紹了當前軟測量技術和鋁電解參數軟測量手段的研究現狀。
　　2.闡述了鋁電解過程基礎工藝，綜述鋁電解工藝參數測量的研究現狀，根據專家經驗分析電解槽各參數對電流效率的影響，

3、初步選定模型的輸入輸出變量，對鋁電解生產歷史數據進行預處理，主要包括異常值剔除、數據缺失值補足、歸一化處理和相關性分析，建立數據庫，用于建模分析。
　　3.分析了不同槽況下的電解槽工藝參數表現特征，根據鋁電解槽數據的特點，采用模糊-C均值聚類算法進行聚類分析，得到三種不同槽況并與專家經驗分類結果進行比較，據有較高的分類準確率，可用于分類預測。
　　4.分別建立基于 BP神經網絡和遺傳算法優(yōu)化的 BP神經網絡的電流效率預測模型

4、，對模型預測結果進行分析，結果表明經過遺傳算法優(yōu)化的BP神經網絡具有較高的命中率，降低的誤差，實用性更高。
　　5.建立基于槽況分類的多支持向量機的電流效率預測模型，首先對聚類后的每個子類建立支持向量機子模型，然后利用模糊隸屬度加權法對子模型進行加權融合。在預測時，首先使用模糊 C-均值聚類將待測試樣本分類，并計算該樣本對每一類的模糊隸屬度，然后使用三個子預測模型將該樣本作為輸入做預測，最后利用模糊隸屬度加權法將三個子預測模型的輸