一种铝电解槽内电解质中氧化铝浓度信号的在线辨识方法与流程

本发明涉及铝电解，尤其涉及一种铝电解槽内电解质中氧化铝浓度信号的在线辨识方法。

背景技术：

1、在铝电解的生产过程中，氧化铝的浓度控制是至关重要的，若氧化铝浓度过高会产生槽内沉淀，而氧化铝浓度过低则容易发生阳极效应，使槽电压急剧升高而破坏电解槽的能量平衡，因此必须保证氧化铝的浓度保持在一定范围内，才能避免以上情况的发生，通过专家经验和在实践过程得知，氧化铝的浓度为1.5%~2.5%时为最佳范围，此时电解铝的电流效率最高。

2、由于铝电解过程是一个非常复杂的电化学变化过程，里边夹杂着许多物理变化、能量转化和不断地运动状态情况下，因此氧化铝浓度无法在线直接测量，而在生产过程中氧化铝的浓度是关键的参数，氧化铝浓度辨识方法主要还有传感器法和频率响应法，传感器法即将电极直接插入电解质内，依据电极间电动势确定氧化铝含量，但传感器的寿命非常有限，不能实现氧化铝浓度的连续测量，无法用于铝电解槽控制系统；频率响应法即根据电解槽的容抗来估计氧化铝浓度， 但是这种测量方法存在很大的误差，对等效电路选取要求很高，同时这种方法不适合复杂的工业环境，当电解参数发生变化时该等效电路就无法用于估计氧化铝浓度，由此，需要新的辨识方法，综合整个变化过程，能在线测量的数据只有槽电压和槽电流等参数，通过研究分析，氧化铝的浓度(c)与槽电阻(r)存在一定的u性关系，而槽电阻又可以通过槽电压和槽电流的比值求得，即r=(v-e)/i，其中e为电解槽反电动势，如何对这一关联规律进行利用验证，以达到快速精确辨识，是目前待需解决的问题，因此，本发明提出一种铝电解槽内电解质中氧化铝浓度信号的在线辨识方法以解决现有技术中存在的问题。

技术实现思路

1、针对上述问题，本发明提出一种铝电解槽内电解质中氧化铝浓度信号的在线辨识方法，该铝电解槽内电解质中氧化铝浓度信号的在线辨识方法提高了氧化铝浓度的辨识精度和速度，减少对电解槽运行状况的影响，提高电解槽的稳定性和电流效率，有利于电解槽的长期稳定运行，有效降低了阳极效应系数，提高了电流效率，减少了能耗。

2、为实现本发明的目的，本发明通过以下技术方案实现：一种铝电解槽内电解质中氧化铝浓度信号的在线辨识方法，包括以下步骤：

3、s1：收集铝电解槽的运行参数数据，作为elman神经网络的输入变量，对数据进行预处理，使用预处理后的数据训练elman神经网络；

4、s2：添加动量项的bp算法不断调整网络权重，直至满足预定的收敛条件；

5、s3：在电解槽运行过程中，采集参数，并输入到已训练好的elman神经网络中进行预测；

6、s4：建立基于槽电阻、氧化铝浓度和极距之间关系的数学模型；

7、s5：移动阳极并记录数值变量，同时对电解质取样进行离线分析，确定氧化铝浓度变量，经过n次实验，标定出移动阳极和浓度的关联常数；

8、s6：将关联常数带入数学模型，通过计算得出当前的氧化铝浓度，构成验证模型；

9、s7：将验证模型输入至elman神经网络，与预测数据进行补偿验证，获得自学习式elman神经网络；

10、s8：将电解槽实时运行参数输入至自学习式elman神经网络，在线辨识当前的氧化铝浓度。

11、进一步改进在于：所述s1包括以下步骤：

12、s11：采用elman神经网络作为预测模型；

13、s12：收集铝电解槽的运行参数数据，包括槽电压、系列电流、极距变化，作为神经网络的输入变量；

14、s13：对数据进行预处理，包括归一化、去噪；

15、s14：使用预处理后的数据训练elman神经网络。

16、进一步改进在于：所述s2包括以下步骤：

17、s21：采用添加动量项的bp算法作为网络的学习算法，通过累积前一次权重调整量的影响，加速学习过程；

18、s22：通过添加动量项的bp算法不断调整网络权重，直至满足预定的收敛条件，该收敛条件以确保网络模型在训练过程中既不过度拟合，又能达到需要的泛化能力和精度为基准。

19、进一步改进在于：所述s3包括以下步骤：

20、s31：在电解槽运行过程中，采集槽电压、系列电流、极距变化参数，

21、s32：将采集的参数输入到已训练好的elman神经网络中进行预测；

22、s33：根据输入参数和内部权重计算得到氧化铝浓度预测值。

23、进一步改进在于：所述s4包括以下步骤：

24、s41：基于槽电阻、氧化铝浓度和极距之间关系，建立数学模型；

25、s42：该模型兼顾电解槽工艺参数、槽膛形状、电解质成分和温度因素对槽电阻的影响，通过离线标定常数k1和k2，建立了如下关系式：

26、r=k1·c+k2·l+f(t，i，e反，u槽)

27、其中，r为槽电阻，c为氧化铝浓度，l为极距，t为时间，i为系列电流，e反为反电动势，u槽为槽电压，f为其他影响因素的函数。

28、进一步改进在于：所述s5包括以下步骤：

29、s51：移动阳极，并记录阳极移动距离dl和槽电阻跃变值dr；

30、s52：对电解质取样进行离线分析，确定氧化铝浓度c；

31、s53：通过n次实验，标定出常数k1和k2的值。

32、进一步改进在于：所述s6包括以下步骤：

33、s61：将关联常数带入数学模型进行标定；

34、s62：再次移动阳极并记录极距变化对应的槽电压响应数据；

35、s63：利用已标定的数学模型和常数k1、k2，计算得出当前的氧化铝浓度，作为验证模型。

36、进一步改进在于：所述s7包括以下步骤：

37、s71：输入验证模型及数据到已经训练好的elman神经网络，作为测试集；

38、s72：神经网络将基于其学习到的权重和偏置对这些数据进行处理，并输出预测的氧化铝浓度值；

39、s73：在相同参数条件下，将神经网络输出的预测氧化铝浓度值与验证模型中的计算氧化铝浓度值进行对比，评估神经网络的预测性能，找出预测值与实际值之间的误差；

40、s74：分析预测误差的性质和大小，评估误差的来源，对神经网络进行调整；

41、s75：进行补偿验证，使用调整后的神经网络再次对验证数据进行预测，并评估预测性能的改进情况；

42、s76：重复上述从输入验证数据到自学习过程，直到神经网络的预测性能达到预定的标准或无法再通过调整进一步提升为止，由此获得自学习式elman神经网络。

43、进一步改进在于：所述s74中，对神经网络进行调整，包括调整网络的结构-增加隐层节点数、调整学习算法-调整学习率、动量项、重新训练网络拟合验证数据。

44、进一步改进在于：所述s75中，当在补偿验证后预测性能得到提升，说明调整是有效的，此时，将这个调整过程视为神经网络的一次自学习过程，该过程包括接收新的验证数据、进行预测、评估误差并据此调整自身参数。

45、本发明的有益效果为：

46、1、本发明基于elman神经网络的记忆能力和bp算法的学习能力，以铝电解槽的运行参数数据作为神经网络的输入变量，训练elman神经网络，以添加动量项的bp算法不断调整网络权重，作为氧化铝浓度和铝电解槽运行参数数据之间的关联变量，由此根据电解槽实时参数配合已训练好的elman神经网络，预测氧化铝浓度，达到快速在线辨识的目的，同时，建立考虑多因素的数学模型，经过移动阳极、电解质取样分析，完成离线精确标定，提高了辨识精度，减少了电流、温度等干扰因素的影响，由此构建验证模型，输入至elman神经网络，与预测数据进行补偿验证，获得自学习式elman神经网络，通过此网络达到高准确性辨识的目的。

47、2、本发明提高了氧化铝浓度的辨识精度和速度，减少对电解槽运行状况的影响，提高电解槽的稳定性和电流效率，有利于电解槽的长期稳定运行，有效降低了阳极效应系数，提高了电流效率，减少了能耗。