林滿山 劉子瑜
摘? 要: 鋁電解過程中陽極生成是鋁電解工藝的主要組成部分,在回轉(zhuǎn)窯中進行的煅燒階段是預(yù)焙陽極的第一過程,煅燒工藝參數(shù)的可控性和指導(dǎo)性對預(yù)焙陽極的生產(chǎn)起到了至關(guān)重要的作用。為了提高陽極的生產(chǎn)質(zhì)量,業(yè)界正在積極地運用先進技術(shù)對生產(chǎn)階段的細節(jié)進行控制。本文提出了結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法和遺傳算法,針對預(yù)焙陽極生產(chǎn)過程,煅燒工藝參數(shù)與質(zhì)量間關(guān)系的預(yù)測模型,從而達到輔助企業(yè)對煅燒過程進行良好的把控。
關(guān)鍵詞: 煅燒工藝參數(shù);BP神經(jīng)網(wǎng)絡(luò)算法;遺傳算法
中圖分類號: TP311.52? ? 文獻標(biāo)識碼: A? ? DOI:10.3969/j.issn.1003-6970.2019.07.031
【Abstract】: Anode formation in aluminum electrolysis is a major component of the aluminum electrolysis process. The calcination stage in the rotary kiln is the first process of prebaked anodes. The controllability and guidance of the calcination process parameters play a crucial role in the production of prebaked anodes.In order to improve the production quality of the anode, the industry is actively using advanced technology to control the details of the pro-duction stage.? In this paper, a prediction model based on BP neural network and genetic algorithm is proposed to predict the relationship between calcination process parameters and raw block quality, so as to achieve a good con-trol of the calcination process of the auxiliary enterprises.
【Key words】: Calcination process parameters; BP neural network algorithm; Genetic algorithm
0? 引言
預(yù)焙陽極的生產(chǎn)過程是一個工序復(fù)雜而且原料之間的反應(yīng)機理比較不明確的制造過程[1]。將炭質(zhì)原料在高溫下進行熱處理,除去所含的水分和揮發(fā)分,并相應(yīng)地提高原料理化性能的生產(chǎn)工序稱為煅燒。其目的主要是排出原料中的水分和揮發(fā)分,提高原料的密度和機械強度,提高原料的導(dǎo)電性能、化學(xué)穩(wěn)定性和抗氧化性能[2]。
煅燒作為陽極生產(chǎn)的第一道重要工序,其工藝控制的好壞將直接影響煅后焦的質(zhì)量。在煅燒的過程中,石油焦的結(jié)構(gòu)以及微量元素的組成隨著溫度
的升高發(fā)生了很大變化,煅燒后煅后焦的物理性能、化學(xué)性能均比石油焦提高了,因此對煅燒工藝的研究和優(yōu)化控制一直是國內(nèi)外同行研究的重點和熱點[3]。
目前,針對陽極煅燒后煅后焦質(zhì)量的提高的研究較少。石渠使用的決策樹方法對電解鋁的進行分類,分別采用ID3算法,C4.5算法和CART算法以及樹裝袋組合技術(shù)提高了預(yù)測的準(zhǔn)確率,取得了良好的效果[4]。隨著鋁工業(yè)的快速發(fā)展,鋁廠對陽極質(zhì)量的要求也不斷提高。隨著國家對環(huán)保要求的越來越嚴(yán)格,這就使得各預(yù)焙陽極生產(chǎn)過程中在注重提高產(chǎn)品質(zhì)量、降低生產(chǎn)成本的同時,也要注重減低污染、減少排放污染等問題。
1? 數(shù)據(jù)預(yù)處理
煅燒工藝參數(shù)的數(shù)據(jù)來源于煅燒過程中回轉(zhuǎn)窯ERP系統(tǒng)數(shù)據(jù)的抽樣采集[5],此數(shù)據(jù)直觀地表現(xiàn)了回轉(zhuǎn)窯在煅燒過程中的實時監(jiān)控狀態(tài),以及煅后石油焦的各項理化指標(biāo)。
算法模型的建立工作前,首先,我們將煅燒生產(chǎn)工藝參數(shù)和煅后焦質(zhì)量的評價參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入和輸出變量。
本文采用(0, 1)標(biāo)準(zhǔn)化方法對數(shù)據(jù)進行歸一化處理,將所有輸入的數(shù)據(jù)處理轉(zhuǎn)換到(0, 1)范圍。采用該歸一化方法的目的是消除數(shù)據(jù)間的量綱、數(shù)量級大小的差異,從而避免神經(jīng)網(wǎng)絡(luò)預(yù)測誤差過大[6]。該方法是根據(jù)所有的原始數(shù)據(jù)的最大值和最小值來進行數(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表示窯頭負壓,X5表示窯尾負壓,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表示陳灰室入口負壓,X10表示回轉(zhuǎn)窯電機轉(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。
煅燒的最高溫度一般控制在1350℃左右即可滿足預(yù)焙陽極用煅后焦的指標(biāo)要求。煅后焦電阻率與煅燒溫度、真密度成反比,陽極電阻率與煅后焦的電阻率成正相關(guān)性。但是,不是煅燒的溫度越高越好[7]。因為煅燒的溫度還會影響陽極焙燒過程的收縮率,煅燒溫度低,就會導(dǎo)致在焙燒時煅后焦會產(chǎn)生二次收縮,導(dǎo)致陽極出現(xiàn)裂紋或變形。煅燒溫度高,則在焙燒過程中煅后焦收縮小,導(dǎo)致陽極內(nèi)部結(jié)構(gòu)疏松,從而體積密度以及機械強度都會受到影響。
2? 模型設(shè)計
鋁電解生產(chǎn)工藝的復(fù)雜性以及不可靠因素造成數(shù)據(jù)分析的難度,因此需要設(shè)計一種分析模型來解決這類問題。
在BP神經(jīng)網(wǎng)絡(luò)算法中,初始連接權(quán)值和閾值的矩陣會影響到訓(xùn)練的模型結(jié)果,進而影響模型的預(yù)測準(zhǔn)確率[8]。常規(guī)做法是在標(biāo)準(zhǔn)正態(tài)分布中隨機產(chǎn)生初始矩陣,但是這些方法在實際應(yīng)用中往往很難達到理想的效果[9]。所以引入遺傳算法,模擬達爾文生物進化論的自然選擇和遺傳學(xué)機理的生物進化過程,在局部范圍內(nèi)選擇出最優(yōu)解,從而提高模型的預(yù)測準(zhǔn)確率。將遺傳算法融入到BP神經(jīng)網(wǎng)絡(luò)算法中,提高算法性能,遺傳算法流程圖如圖1所示。