林滿山，郝墨蘭

?

預(yù)焙陽極質(zhì)量分析與預(yù)測

林滿山，郝墨蘭

（北方工業(yè)大學(xué) 計算機(jī)學(xué)院，北京 100144）

預(yù)焙陽極被稱為電解槽的“心臟”，其質(zhì)量的好壞直接影響了鋁電解的生產(chǎn)和能耗。陽極的質(zhì)量不僅取決于原料的質(zhì)量，也與生產(chǎn)中的工藝參數(shù)密不可分。煅燒作為預(yù)焙陽極生產(chǎn)的第一道工序，煅燒溫度的高低直接影響了預(yù)焙陽極的質(zhì)量。焙燒是預(yù)焙陽極最后一道熱處理工序，對預(yù)焙陽極的化學(xué)活性有很大影響。為了提高陽極的生產(chǎn)質(zhì)量，提出一種煅燒工藝參數(shù)、焙燒工藝參數(shù)與陽極理化指標(biāo)數(shù)據(jù)間的關(guān)系模型。本文利用RNN算法對煅燒階段和焙燒階段中的工藝數(shù)據(jù)所對應(yīng)的陽極質(zhì)量進(jìn)行預(yù)測，從而達(dá)到輔助企業(yè)對焙燒升溫過程進(jìn)行良好的把控。

預(yù)焙陽極；煅燒；焙燒；RNN

0 引言

金屬鋁作為保障國民經(jīng)濟(jì)持續(xù)發(fā)展的重要原材料之一，廣泛引用于各個領(lǐng)域，從生活起居到城市建設(shè)，從電力輸出到航天工業(yè)，從產(chǎn)品包裝到汽車制造，充斥著我們生活的方方面面。隨著國家對效益要求的提高，原以陽極糊為原料的生產(chǎn)模式已經(jīng)被淘汰，轉(zhuǎn)而發(fā)展能耗低、效率高的預(yù)焙陽極式鋁電解槽模式[1]。

預(yù)焙陽極作為當(dāng)前電解槽的陽極導(dǎo)電材料，在服役期間參與電化學(xué)反應(yīng)[2]，把電流導(dǎo)入了電解槽并參與一系列氧化還原反應(yīng)，是鋁電解工業(yè)最重要的原材料，直接影響鋁電解的生產(chǎn)成本。

煅燒是把50-70 mm的石油焦或者瀝青焦在隔絕空氣的條件下進(jìn)行高溫處理。煅燒主要是除掉原料理的水分和揮發(fā)分，同時是原料里的硫氣化和化合態(tài)硫分解，最終來提高其密度、機(jī)械強(qiáng)度、抗氧化性和導(dǎo)電率等。焙燒是影響預(yù)焙陽極物理化學(xué)性最大的一道工序。它是將炭塊在隔離空氣的條件性進(jìn)行一定的熱處理，讓粘結(jié)劑變?yōu)榻固?。焙燒使炭素陽極的機(jī)械強(qiáng)度更加穩(wěn)定。

目前，國內(nèi)對預(yù)焙陽極的研究包括，趙爽[3]通過大量的實驗表明陽極焙燒參數(shù)對陽極質(zhì)量有很大影響。李建元[4]提出通過對焙燒升溫曲線進(jìn)行調(diào)整，在一定程度上解決了焙燒陽極質(zhì)量較低的問題，以適應(yīng)目前電解鋁行業(yè)質(zhì)量提升，降低增效的生產(chǎn)要求。王喜春[5]等人對預(yù)焙陽極焙燒爐控制方法進(jìn)行了改進(jìn)，優(yōu)化了焙燒曲線，降低了重油消耗，提高了產(chǎn)品質(zhì)量。趙鵬沖和趙秀琪[6]研究了石油焦對陽極質(zhì)量的影響，發(fā)現(xiàn)原料的應(yīng)用均化技術(shù)可以有效解決目前整個行業(yè)陽極質(zhì)量不佳的問題。

1 數(shù)據(jù)預(yù)處理

1.1 煅燒工藝數(shù)據(jù)預(yù)處理

本文采用Z-score標(biāo)準(zhǔn)化方法對數(shù)據(jù)進(jìn)行歸一化處理，該方法是根據(jù)所有的原始數(shù)據(jù)的標(biāo)準(zhǔn)差和均值來進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化的，具體公式如下：

表中字段X1表示煅燒帶溫度，X2表示窯頭溫度，X3表示窯尾溫度，X4表示窯頭負(fù)壓，X5表示窯尾負(fù)壓，X6表示每小時投料量，X7表示陳灰室入口溫度，X8表示陳灰室出口溫度，X9表示陳灰室入口負(fù)壓，X10表示回轉(zhuǎn)窯電機(jī)轉(zhuǎn)速，X11表示排料溫度，X12表示二次風(fēng)轉(zhuǎn)速，X13表示過度倉溫度。

表1 煅燒工藝參數(shù)部分原始數(shù)據(jù)

Tab.1 The raw data of the calcining process parameters

表2 煅燒工藝參數(shù)歸一化數(shù)據(jù)

Tab.2 Normalized data of calcining process parameters

1.2 焙燒工藝數(shù)據(jù)預(yù)處理

原始溫度表包含的參數(shù)為1P、4P、5P和6P四個升溫階段的爐室號和九個火道溫度。

完整升溫曲線數(shù)據(jù)分布如圖1所示，每個升溫階段在不同爐室內(nèi)進(jìn)行，每個階段32個小時。所有原始數(shù)據(jù)需要通過廠房、爐號、升溫階段、升溫時間等信息重新組合數(shù)據(jù)，獲取完整升溫曲線。

圖1 完整升溫曲線數(shù)據(jù)分布

得到完整的升溫曲線數(shù)據(jù)后，還需要將其與陽極的質(zhì)量參數(shù)對應(yīng)。由于每個爐室內(nèi)九個火道的升溫曲線對應(yīng)八組陽極，故對每組陽極的質(zhì)量參數(shù)的數(shù)據(jù)取平均值作為升溫曲線的質(zhì)量參數(shù)的數(shù)據(jù)。

1.3 陽極質(zhì)量參數(shù)數(shù)據(jù)預(yù)處理

將每組陽極質(zhì)量參數(shù)數(shù)據(jù)取平均值作為該組溫度曲線對應(yīng)的質(zhì)量參數(shù)數(shù)據(jù)，原始陽極質(zhì)量參數(shù)數(shù)據(jù)如表2所示。

陽極質(zhì)量參數(shù)共有七個評價指標(biāo)，其中HF代表灰份，TJMD代表體積密度，ZMD代表真密度，DZL代表電阻率，NYQD代表耐壓強(qiáng)度，CO2代表二氧化碳反應(yīng)性，RPZXS代表熱膨脹系數(shù)。對每個參數(shù)進(jìn)行歸一化處理和缺失值處理。

表3 焙燒工藝參數(shù)部分原始數(shù)據(jù)

Tab.3 Raw data of roasting process parameters

表4 部分原始質(zhì)量參數(shù)數(shù)據(jù)

Tab.4 Partial raw mass parameter data

2 基于RNN的工藝參數(shù)研究

2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）算法

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）模型中，相對于普通的多層神經(jīng)網(wǎng)絡(luò)，隱藏層各個節(jié)點之間增加了互聯(lián)關(guān)系[7]，通過隱藏層神經(jīng)單元之間的連接形成定向循環(huán)，創(chuàng)建網(wǎng)絡(luò)的內(nèi)部狀態(tài)，并呈現(xiàn)出動態(tài)時間序列行為。如圖2所示，神經(jīng)元之間的連接形成了有向循環(huán)，這使它能夠表達(dá)出動態(tài)的時間行為，也使得它們在自然語言處理領(lǐng)域的諸多與時序相關(guān)的問題中應(yīng)用廣泛，如語言模型[8-9]和語法分析[10-11]等。

RNN每個時刻的輸出不僅與當(dāng)前時刻的輸出有關(guān)，與上一時刻的輸出也有關(guān)，如圖2所示。

假設(shè)時刻時，輸入為h，隱層狀態(tài)為h。h不僅和當(dāng)前時刻的輸入有關(guān)，也和上一個時刻的隱層狀態(tài)相關(guān)。一般使用如下函數(shù)：

這里的?是非線性函數(shù)，一般為logistic函數(shù)或tanh函數(shù)，Ｗ是輸入層和隱含層之間的權(quán)值矩陣，U是上一時刻隱含層和當(dāng)前時刻隱含層之間的權(quán)值矩陣，b是偏置向量。

2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）在模型上表現(xiàn)

陽極七個評價指標(biāo)的數(shù)值標(biāo)準(zhǔn)和范圍不同，所以需要分別對每個指標(biāo)進(jìn)行歸一化處理和缺失值處理。質(zhì)量參數(shù)中CO2反應(yīng)性和熱膨脹系數(shù)的共同缺失值較多，因此CO2反應(yīng)性和熱膨脹系數(shù)的數(shù)據(jù)并不作為陽極質(zhì)量參數(shù)評價的指標(biāo)。RNN不僅僅能夠處理序列的輸入，也能得到序列輸出。

3 實驗結(jié)果

本實驗采用某廠2011年到2016年的數(shù)據(jù)，通過交叉熵?fù)p失值、準(zhǔn)確率來評判實驗結(jié)果的準(zhǔn)確性。

交叉熵?fù)p失函數(shù)是神經(jīng)網(wǎng)絡(luò)常用的損失函數(shù)，可用來衡量預(yù)測值與真實值之間的誤差，其公式如下。

準(zhǔn)確率為分類正確的樣本數(shù)與總樣本數(shù)的比值，公式如下，

表5 煅燒-RNN算法的驗證

Tab.5 Calcination-RNN algorithm verification

表6 焙燒-RNN算法的驗證

Tab.6 Roasting-RNN algorithm verification

4 結(jié)論

本文提出一種深度學(xué)習(xí)算法RNN與預(yù)焙陽極焙燒過程的工藝參數(shù)結(jié)合的方法，最后交叉熵?fù)p失值和準(zhǔn)確率對預(yù)測結(jié)果加以衡量，整體精確度達(dá)到88.2%。實驗說明，RNN算法可以使用在預(yù)焙陽極的焙燒流程中，通過對焙燒階段工藝參數(shù)的決策和把控，可以更好地提高陽極質(zhì)量，進(jìn)而促進(jìn)鋁電解工業(yè)的發(fā)展，提高經(jīng)濟(jì)效益。

[1] 王平甫, 劉風(fēng)琴, 童春秋等. 鋁電解槽陽極氧化掉渣裂紋掉塊的危害和影響因素[J]. 輕金屬, 2002(3): 42-45.

[2] 陳禮寧. 我國炭素工業(yè)生產(chǎn)技術(shù)現(xiàn)狀與裝備. 全國第八次鋁用炭素技術(shù)信息交流會論文集, 2003. 1: 87-91.

[3] 趙爽. 焙燒參數(shù)對陽極質(zhì)量的影響[J]. 輕金屬, 2006(7): 55-58.

[4] 李健元. 優(yōu)化焙燒升溫曲線, 提高預(yù)焙陽極質(zhì)量實踐[J]. 價值工程, 2015, 34(31): 116-118.

[5] 王喜春, 高翔, 吳小永. 預(yù)焙陽極焙燒工藝的優(yōu)化[J]. 輕金屬, 2003(03): 48-50.

[6] 趙鵬沖, 趙秀琪. 石油焦對預(yù)焙陽極質(zhì)量的影響因素分析[J]. 化工中間體, 2017, (1): 150-151. DOI:10.3969/j.issn. 1672-8114.2017.01.079.

[7] Connor J T, Martin R D, Atlas L E. Recurrent neural netw-orks and robust time series prediction[M]. IEEE Press, 1994.

[8] Tomá? Mikolov, Martin Karafiát, Luká? Burget, Jan ?ernocky, Sanjeev Khudanpur. Recurrent neural network based language model, In: Proc. INTERSPEECH2010.

[9] Tomá? Mikolov, Stefan Kombrink, Luká? Burget, Jan ?ernocky, Sanjeev Khudanpur. Extensions of recurrent neural network language model, IEEE International Confere-nce on Acoustics, 2011, 125(3): 5528-5531.

[10] Chris Dyer, Miguel Ballesteros, Wang Ling, Austin Matt-hews, Noah A. Smith. Transition-based dependency parsing with stack long short-term memory, 2015, In Proc. ACL.

[11] Miguel Ballesteros, Chris Dyer, Noah A. Smith. Improved transition-based dependency parsing by modeling characters instead of words with LSTMs, 2015, In Proceedings of EMNLP.

Quality Analysis and Prediction of Prebaked Anode

LIN Man-shan, HAO Mo-lan

(Computer Institute of North China University of Technology,Beijing 100144, China)

Prebaked anode is known as the "heart" of electrolyzer, and its quality directly affects the production and energy consumption of aluminum electrolysis. The quality of the anode depends not only on the quality of the raw materials, but also on the process parameters in production. As the first step in the production of prebaked anode, calcining temperature directly affects the quality of prebaked anode. Roasting is the last heat treatment process of the prebaked anode, which has a great influence on the chemical activity of the prebaked anode. In order to improve the quality of anode production, a relationship model between calcining process parameters, calcination process parameters and anode physical and chemical index data is proposed. In this paper, the RNN algorithm is used to predict the anode quality corresponding to the process data in the calcination stage and the calcination stage, so as to achieve a good control of the calcination and heating process of the auxiliary enterprises.

Prebaked anode; Calcination; Roasting; RNN

TP391

A

10.3969/j.issn.1003-6970.2018.08.028

林滿山(1965-)，男，高級工程師，主要研究方向：數(shù)據(jù)挖掘與數(shù)據(jù)倉庫；郝墨蘭(1992-)，女，研究生，主要研究方向：數(shù)據(jù)挖掘。

本文著錄格式：林滿山，郝墨蘭. 預(yù)焙陽極質(zhì)量分析與預(yù)測[J]. 軟件，2018，39（8）：137-140