基于自组织特征映照神经网络的铝电解异常槽况诊断.pdfVIP

赵峻等t基于自组织特征映照神经网络的铝电解异常槽况诊断 ．99． 基于自组织特征映照神经网络的铝电解异常槽况诊断 赵 峻 陈广超 刘 杰 季嘿昌 李德全 (中国矿业大学信电学院 江苏徐州 221008) 【摘 要】 本文介绍了一种铝电解异常槽况诊断的方法，根据正常槽和各种病槽运行的有关参数 及参数之闾的相关性还有各参数的密度分布函数都会峦瑰不一致，采用自鲑织特征映照($OFM)神经 网络通过自组织学习进行模式分类，从而实现各种异常槽况的模式聚类。 【关奠调】 铝电解 自组织特征映照 模式聚类 神经两络 1 引言 2 系统设计 目前矿业集团为了充分发挥资源优势和管理 根据青组织特征映照神经网络的理论，自组 优势，都在发展煤一电一铝跨行业项目，不仅结 织神经网络通过自组织学习后，其输出能够反映 构实现资源互补。降低生产成本，丽且还能够提高 输入矢量的特征。显然，正常槽和各种瘸槽运行的 企业的抗风险能力和市场竞争能力。恻如，兖矿集 有关参数及参数之间的相关性还有各参数的密度 团巴建成年产14万吨普逶重熔铝锭的铝厂。对于 分布函数都会出现不一致，因而可通过SOFM进 矿业集团，铝电解的过稳控喇蹙壤为陌生曲1，我们 行模式分类，使其在竞争层上的输出神经元实现 因此进行了一些研究，提啦一些方法，供我们矿业 模式聚类。我们可以先用已有的各类数据对神经 集团从事铝电解行业的人员参考。 网络进行训练，正常槽数据的网络输出和各类病 在现代铝工业生产中，采用强大的壹流电流 槽数据韵网络输出集中在不同的区域，即使得竟 进行电解，由于外界影响或自身原因使正常生产 争层中不同区域的神经元得劐兴奋。网络的学习 的技术参数(如槽电压、板歪、温度、电解质戒分、 可离线学习，亦可在线学习。学习之后对于新的数 电解质及铝水平、髓极效应系数等)和热平衡遭 据，网络进行回想，具有和谰练时某类数据一致统 到破坏，便产生了病槽。 计特征的数据其输出也一定和该类数据的输出一 病槽给生产带来了极大的危害性。 致。从后面的仿真实验我们可以很清楚地看到，在 (2)使电流效率和铝质量下降，电耗和原材 竞争层的二维平面空间上，那些与各种槽况数据 料消耗增加} 集有一致统计特征的新的采样及录入数据分别处 (2)缩短电解槽的使用寿命， 于各自不同的聚类中。 (3)增加工人劳动强度， (1)系统输入信息的确定 (4)严重时会引起生产事故，甚至系列停电 系统的输入信息应该包括所有电解槽运行的 停椿。 有关参数当前值及其变化趋势，包括：①铝电解 因此，异常槽况的判断显得尤为重要，应尽量 下位槽控机的解析统计信息，如：槽电阻、槽电阻 避免病槽的产生。 趋势、槽功率、槽功率趋势、槽电阻针振、槽电阻针 电解生产中常见的病槽有：热糟、冷槽、压槽、 振趋势、槽电阻摆动、槽电阻摆动趋势、氧化铝浓 电压按槽、电解质含炭、电解质生成炭化铝等几 度估值、阳极效应系数、效应峰值电阻、效应功耗、 种。 日阳极净下降、日阳极净下降趋势、日总下料囊、 本论文首次提出了应用寄组织特征映照神经 日总下料量趋势、系列电流。②人工检测及观察 网络进行异常槽况模式识别，从而使得在槽况不 信息，如：温度、温