一种基于阳极导杆振动的阳极效应检测方法与流程

本发明属于电解铝厂生产智能化技术领域，涉及一种基于阳极导杆振动的阳极效应检测方法。

背景技术：

阳极效应是铝电解过程中的一种常见故障现象，它的发生对整个电解系统产生很大影响。阳极效应的发生影响了电解系列的各项技术指标，降低了铝的产量和质量。铝电解槽在运行过程中，和运行状态有关的各种物理量随时间的变化呈现一定的规律，如各种电信号、氧化铝浓度、电解槽温度等。这些信号中常常包含对电解槽设备状态识别与诊断非常有用的信息。有效地分析、处理这些信息，建立它们和铝电解运行状态之间的联系，可以有效预测并采取相应措施减少电解槽阳极效应产生的影响。

目前我国铝电解生产中常用的阳极效应的主要检测方法分为采样和效应检测两部分：

(1)采样：此功能可将所有槽的电压信号和系列电流信号进行采样。

(2)效应检测：在检测采样过程中，检测到某槽电压超过效应电压，并持续规定时间后，则自动发出效应报警并将产生效应的槽号、效应持续时间及效应峰值电压记录在相应的存储单元，并自动由语音报警装置发出效应槽号。

但是通过分析电解槽电压的波动来实现在线检测阳极效应，只能检测到电解槽有阳极效应，却不能预测阳极效应的发生或者定位到具体发生效应的阳极上，给减少阳极效应的发生次数或者及时熄灭阳极效应带来了一定的困难。此外，目前一些国内外研究表明，铝电解过程中，检测阳极性能的一个主要过程是阳极的气泡产生情况，而气泡的产生和运动会造成阳极导杆的振动。

技术实现要素：

为解决上述技术问题，本发明的目的是提供一种基于阳极导杆振动的阳极效应检测方法，不但可以识别是否发生阳极效应，还可以识别阳极效应的严重程度、对即将发生的阳极效应进行预警。

本发明提供一种基于阳极导杆振动的阳极效应检测方法，包括：

步骤1：采集不同状态下阳极导杆的振动数据；

步骤2：对振动数据进行特征提取，得到振动特征数据；

步骤3：对振动特征数据进行自动标注，得到有标记的样本数据；

步骤4：对有标记的样本数据进行学习，训练生成状态检测模型；

步骤5：在线检测时，采集实时振动数据，对实时振动数据进行特征提取，将得到的实时振动特征数据并输入到训练好的状态检测模型进行状态检测，根据检测结果发出相应的信号。

在本发明的基于阳极导杆振动的阳极效应检测方法中，所述步骤1具为：通过在各个阳极导杆上安装惯性测量单元以检测振动；惯性测量单元包括加速计和陀螺仪。

在本发明的基于阳极导杆振动的阳极效应检测方法中，中阳极导杆的振动数据包括：加速计采集的横向加速度、前向加速度和纵向加速度；以及陀螺仪采集的横摆角速度、滚动角速度和俯仰角速度。

在本发明的基于阳极导杆振动的阳极效应检测方法中，所述步骤1中不同状态包括：正常状态、注意状态和严重状态；正常状态表示未发生阳极效应，注意状态表示即将发生阳极效应，危险状态表示发生了严重阳极效应。

在本发明的基于阳极导杆振动的阳极效应检测方法中，所述步骤2中以时间窗k秒，步长h秒提取数据时域特征和频域特征，其中h≤k；

提取的时域特征包括：最大值、大于第三四分位数据所有数据平方和、第三四分位数峰度；提取的频域特征包括：谱能量好和峰度。

在本发明的基于阳极导杆振动的阳极效应检测方法中，所述步骤3包括：

步骤3.1：对不同状态下部分的振动特征数据进行标注；

步骤3.2：运用不同的聚类算法对上述标注后的振动特征数据进行聚类，并评估不同聚类算法的准确性；

步骤3.3：基于评估指标自动选择选择准确性高的聚类算法用于对未标注的振动特征数据进行聚类；

步骤3.4：对聚类结果的准确性进行提升：以k秒为时间窗，k秒为步长，用m个时间窗内最频繁的状态标记每个时刻状态，也就是在m个时间段内，状态是相同的，得到振动特征的类别，并计算各类别的特征中心，各类别的特征中心为各类别中特征值的平均值；

步骤3.5：对特征中心进行排序，特征中心值大、中、小对应的状态为危险状态、注意状态、正常状态；

步骤3.6：输出有状态标记的样本数据，用于训练生成状态检测模型。

在本发明的基于阳极导杆振动的阳极效应检测方法中，所述步骤3.2对聚类算法的准确性评估准则可以选择调整兰德指数、调整互信息、fowlkes-mallows指数法。

在本发明的基于阳极导杆振动的阳极效应检测方法中，所述步骤4中状态检测模型为：决策树模型、支持向量机模型、knn模型或随机森林模型，根据准确度自动选择模型。

本发明的一种基于阳极导杆振动的阳极效应检测方法，基于阳极产生气泡过程引起的阳极导杆振动来检测阳极效应。通过在阳极导杆上安装振动探测器检测阳极导杆的振动情况，检测并定位阳极效应。包括离线建模和在线检测两个环节，采用机器学习方法进行阳极效应检测，通过对振动数据进行离线学习，建立阳极效应检测模型，将建立的阳极效应检测模型用于在线阳极效应检测。该方法至少具有以下有益效果：

1、投入成本低，只需在阳极导杆上安装振动探测器，利用现有的槽控系统收集和处理数据；2、不但可以检测阳极效应的发生，还可以定位具体发生效应的阳极，为及时熄灭阳极效应提供支持；3、不但可以识别是否发生阳极效应，还可以判定阳极效应的严重程度、对即将发生的阳极效应进行预警，为减少阳极效应的发生提供支持；4、结合阳极效应振动数据特征，对机器学习需要大量人工标注样本的问题进行改进，减少数据标注资源投入，使整个检测过程更加自动化、智能化。

附图说明

图1为本发明的一种基于阳极导杆振动的阳极效应检测方法的流程图；

图2为对振动特征数据进行自动标注的流程图；

图3为在线检测流程图。

具体实施方式

如图1所示，本发明的一种基于阳极导杆振动的阳极效应检测方法，包括：

步骤1：采集不同状态下阳极导杆的振动数据；

步骤2：对振动数据进行特征提取，得到振动特征数据；

步骤3：对振动特征数据进行自动标注，得到有标记的样本数据；

步骤4：对有标记的样本数据进行学习，训练生成状态检测模型；

步骤5：在线检测时，采集实时振动数据，对实时振动数据进行特征提取，将得到的实时振动特征数据并输入到训练好的状态检测模型进行状态检测，根据检测结果发出相应的信号。

该方法基于产生气泡过程引起的阳极导杆振动来检测阳极效应。通过在阳极导杆上安装振动探测器检测阳极导杆的振动情况，检测并定位阳极效应。具体实施时，通过在各个阳极导杆上安装惯性测量单元，检测振动。惯性测量单元包括加速计和陀螺仪，测量物体在三维空间中的加速度和角速度，加速计采集数据包括横向加速度、前向加速度、纵向加速度。陀螺仪采集数据包括横摆角速度、滚动角速度、俯仰角速度。当阳极导杆发生不同程度的振动，可以得到相应的振动数据。采集到的不同振动程度的振动数据，不但可以识别出阳极效应，还可以识别阳极效应的严重程度，在不同时段采集振动数据，可以对即将发生的阳极效应进行预警。

该方法包括离线建模和在线检测两个环节，采用机器学习方法进行阳极效应检测，通过对振动数据进行离线学习，建立阳极效应检测模型，将建立的阳极效应检测模型用于在线阳极效应检测，不但可以识别是否发生阳极效应，还可以识别阳极效应的严重程度、对即将发生的阳极效应进行预警。结合阳极效应振动数据特征，对机器学习需要大量人工标注样本的问题进行的改进，减少数据标注资源投入，使整个检测过程更加自动化、智能化。

本发明的一种基于阳极导杆振动的阳极效应检测方法的离线建模部分，包括：(1)不同状态下的振动数据采集、(2)振动数据特征提取、(3)振动特征数据自动标注、(4)有标记的样本数据学习训练生成状态检测模型四个环节。离线建模过程结合阳极效应振动数据特征，对机器学习需要大量人工标注样本的问题进行的改进，减少数据标注资源投入，使整个检测过程更加自动化、智能化。

(1)采集不同状态下的振动数据

不同振动程度对应阳极效应是否发生及其严重性的不同状态，将检测的状态分为：正常状态(未发生阳极效应)、注意状态(即将发生阳极效应)、危险状态(严重阳极效应)。分别采集不同状态下的振动数据，采集的数据包括横向加速度、前向加速度、纵向加速度、横摆角速度、滚动角速度、俯仰角速度。

(2)对振动数据进行特征提取

本发明提取的特征包括时域特征和频域特征，为了进行后续自动化数据标注，提取的特征需要满足值越大，状态越不稳定的特点，选取这种特征的原因是对特征进行聚类后，特征中心的大小对应着状态的稳定性，特征中心值大、中、小对应于状态为危险状态、注意状态、正常状态。例如提取的时域特征可以包括最大值等；提取的频域特征可以包括谱能量等。以时间窗k秒，步长h秒提取数据时域特征和频域特征，其中h≤k。具体实施时，提取的时域特征包括：最大值、大于第三四分位数据所有数据平方和、第三四分位数峰度；提取的频域特征包括：谱能量好和峰度。

(3)对振动特征数据进行自动标注

振动特征数据自动标注流程如图2所示。首先对不同状态下少量的振动特征数据进行标注；运用不同的聚类算法对上述标注振动特征数据进行聚类，并评估不同聚类算法的准确性，选择准确性高的聚类算法用于对未标注的振动特征数据进行聚类。本发明为了实现聚类过程自动化，保证随着样本的增加，自动进行聚类，不需要重新人为调整算法，采用基于评估指标选择聚类算法的策略。聚类算法的准确性评估准则可以选择调整兰德指数、调整互信息、fowlkes-mallows指数等；可以进一步对聚类结果的准确性进行提升，提升方法为：以k秒为时间窗，k秒为步长，用m个时间窗内最频繁的状态标记每个时刻状态，也就是在m个时间段内，状态是相同的，得到振动特征的类别，并计算各类别的特征中心，各类别的特征中心为各类别中特征值的平均值；对特征中心进行排序，特征中心值大、中、小对应的状态为危险、注意、正常；最后输出有状态标记的样本数据，用于训练生成状态检测模型。

(4)对有标记的样本数据进行学习，训练生成状态检测模型

分别训练生成不同的状态检测模型，可选的模型包括决策树、支持向量机、knn模型、随机森林等，选择准确度最高的模型用于在线阳极效应检测。采用基于准确度的模型自动选择，可以保证在新增样本的情况下，自动进行模型选择，无需人工调整。

本发明的一种基于阳极导杆振动的阳极效应检测方法的在线检测部分的流程如图3所示。实时采集阳极杆振动数据，采集的数据种类与离线建模过程采集数据种类相同，包括横向加速度、前向加速度、纵向加速度、横摆角速度、滚动角速度、俯仰角速度；然后对振动数据进行特征提取，提取的特征与离线建模提取的特征相同；最后调用离线训练生成的状态检测模型进行状态检测，检测的状态包括正常状态、注意状态、危险状态，如果检测到危险状态，则发出报警信号，如果检测到注意状态，则发出预警信号。

以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。