劉天松,吳永明,李少波,盛曉靜,3,劉應(yīng)波

(1.貴州大學(xué) 現(xiàn)代制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室,貴州 貴陽(yáng) 550025;2.貴州財(cái)經(jīng)大學(xué) 信息學(xué)院,貴州 貴陽(yáng) 550004;3.山推工程機(jī)械股份有限公司,山東 濟(jì)寧 272000;4.云南財(cái)經(jīng)大學(xué) 云南省經(jīng)濟(jì)社會(huì)大數(shù)據(jù)研究院,云南 昆明 650221)

0 引言

工業(yè)界的萬(wàn)能金屬“鋁”,在世界各國(guó)的工業(yè)地位日益提高[1-2],鋁合金在國(guó)防工業(yè)和交通工具領(lǐng)域應(yīng)用廣泛,涌現(xiàn)出大量研究提高鋁電解質(zhì)量的生產(chǎn)工藝[3-4]。因此,通過(guò)智能算法對(duì)鋁電解過(guò)程中的雜質(zhì)含量進(jìn)行聚類分析,同時(shí)對(duì)鋁電解工藝過(guò)程輸入?yún)?shù)進(jìn)行調(diào)控,進(jìn)一步控制雜質(zhì)含量對(duì)提高鋁電解質(zhì)量具有重要意義。

在鋁電解生產(chǎn)工藝方面,劉天松等[5]提出基于改進(jìn)生長(zhǎng)神經(jīng)氣算法,研究了電解鋁液中Fe和Si含量的特征,構(gòu)建了閾值機(jī)制,并以此實(shí)現(xiàn)對(duì)鋁電解數(shù)據(jù)的實(shí)時(shí)監(jiān)督和預(yù)警模型;秦浩等[6]提出在鋁電解中應(yīng)用集成電路技術(shù)提高穩(wěn)流效果,同時(shí)有效降低能耗;為實(shí)現(xiàn)非線性工業(yè)過(guò)程小故障的監(jiān)測(cè),HUANG等[7]基于重構(gòu)的故障隔離方法提出一種基于核函數(shù)非線性學(xué)習(xí)方法。上述生產(chǎn)工藝奇異性數(shù)據(jù)的監(jiān)測(cè)大多采用離線數(shù)據(jù)分析,缺少應(yīng)對(duì)大規(guī)模工藝數(shù)據(jù)流的挖掘算法,無(wú)法同時(shí)處理生產(chǎn)過(guò)程產(chǎn)生的大量在線數(shù)據(jù),生產(chǎn)過(guò)程狀態(tài)及存在問(wèn)題無(wú)法準(zhǔn)確識(shí)別。此外,在數(shù)據(jù)流聚類算法中,包括傳統(tǒng)的生長(zhǎng)層次神經(jīng)氣(Growing Hierarchical Neural Gas,GHNG)算法通常固定參數(shù)而非根據(jù)數(shù)據(jù)特點(diǎn)采用自適應(yīng)參數(shù)學(xué)習(xí)。針對(duì)上述問(wèn)題,為提高數(shù)據(jù)流監(jiān)測(cè)準(zhǔn)確性和模型穩(wěn)定性,本文提出一種實(shí)時(shí)監(jiān)測(cè)生產(chǎn)工藝過(guò)程奇異性數(shù)據(jù)和自適應(yīng)聚類方法。

生產(chǎn)過(guò)程奇異性數(shù)據(jù)指生產(chǎn)過(guò)程工藝參數(shù)出現(xiàn)的“新奇”和“異?！睌?shù)據(jù),簡(jiǎn)稱奇異性數(shù)據(jù)。生產(chǎn)過(guò)程“奇異性”并非等同于生產(chǎn)異常,后者為前者子集,“新奇”模式促進(jìn)生產(chǎn)過(guò)程朝著高效率、低成本方向發(fā)展,“異?！蹦Ｊ絼t表明生產(chǎn)過(guò)程已經(jīng)/即將出現(xiàn)生產(chǎn)異常[8]。生產(chǎn)過(guò)程奇異性(數(shù)據(jù))主要是通過(guò)聚類分析獲得奇異點(diǎn)在所有數(shù)據(jù)中的位置分布[9]。聚類分析作為數(shù)據(jù)分析的重要研究工具,其主要思想是按照相似度將大量數(shù)據(jù)劃分為若干簇,使簇內(nèi)數(shù)據(jù)點(diǎn)的相似度高,簇與簇之間的相似度低[10-14],在處理多樣性和海量工藝過(guò)程數(shù)據(jù)時(shí)大多采用距離聚類算法。

生產(chǎn)過(guò)程產(chǎn)生的數(shù)據(jù)大多存在海量性、多樣性、時(shí)序性和在線特征,需要建立實(shí)時(shí)監(jiān)測(cè)模型。因此,本文根據(jù)生產(chǎn)過(guò)程數(shù)據(jù)特征,提出一種基于改進(jìn)GHNG算法的自適應(yīng)監(jiān)測(cè)模型,該模型能有效地對(duì)生產(chǎn)過(guò)程奇異性數(shù)據(jù)進(jìn)行監(jiān)測(cè)與分析。自適應(yīng)GHNG算法可以實(shí)時(shí)監(jiān)測(cè)離線和在線輸入數(shù)據(jù),算法中根據(jù)數(shù)據(jù)特征增加了自適應(yīng)學(xué)習(xí)權(quán)重、刪除、增加、更新模型節(jié)點(diǎn),利用獲勝節(jié)點(diǎn)累積誤差計(jì)算權(quán)重有效克服固定權(quán)重造成節(jié)點(diǎn)誤差較大情況和網(wǎng)絡(luò)的不穩(wěn)定性,同時(shí)展現(xiàn)實(shí)時(shí)聚類結(jié)果,為生產(chǎn)/管理者提供一個(gè)實(shí)時(shí)監(jiān)測(cè)可視化結(jié)果參考。

1 改進(jìn)GHNG算法

1.1 GHNG算法原理

文獻(xiàn)[15-16]在2016年基于生長(zhǎng)神經(jīng)氣(Growing Neural Gas,GNG)提出GHNG層次聚類模型,模型中增加了垂直生長(zhǎng)機(jī)制,即同時(shí)具有水平生長(zhǎng)機(jī)制和垂直生長(zhǎng)機(jī)制。層次聚類算法(Hierarchical Clustering Algorithm,HCA)又被稱作樹(shù)聚類算法[17],主要是通過(guò)數(shù)據(jù)點(diǎn)聯(lián)接規(guī)則,利用一種層次結(jié)構(gòu)將數(shù)據(jù)有效劃分為不同的類。HCA依據(jù)聚類方式的不同可以劃分為自上而下的聚類樹(shù)結(jié)構(gòu)和自下而上的聚類樹(shù)結(jié)構(gòu),如圖1所示。

CIRRINCIONE等[18]利用改進(jìn)GHNG算法不斷增長(zhǎng)的分級(jí)GH-EXIN(growing hierarchical excitatory inhibitory)神經(jīng)網(wǎng)絡(luò)以增量(數(shù)據(jù)驅(qū)動(dòng)架構(gòu))和自組織的方式構(gòu)建分級(jí)樹(shù),定性和定量地顯示和分析了其方法優(yōu)點(diǎn),并應(yīng)用于結(jié)直腸癌基因數(shù)據(jù)分析研究。AYOOB等[19]利用GHNG和混合遺傳算法對(duì)入侵系統(tǒng)進(jìn)行評(píng)估,通過(guò)層次學(xué)習(xí)過(guò)程對(duì)遺傳算法的分類器進(jìn)行拓?fù)浣Y(jié)構(gòu)展示。然而,該算法無(wú)法應(yīng)對(duì)多樣性、海量數(shù)據(jù)流,即在處理海量數(shù)據(jù)流時(shí)出現(xiàn)性能相對(duì)不穩(wěn)定、誤差較大的情況。因此,本文采用自適應(yīng)學(xué)習(xí)系數(shù)的實(shí)時(shí)聚類方法,實(shí)現(xiàn)在線數(shù)據(jù)流動(dòng)態(tài)監(jiān)測(cè)和結(jié)果展示。

1.2 改進(jìn)GHNG算法

1.2.1 自適應(yīng)機(jī)制

傳統(tǒng)GHNG網(wǎng)絡(luò)模型獲勝神經(jīng)元權(quán)重計(jì)算公式如下:

Jn*=Jn*+α×(X-Jn*),

(1)

Jn**=Jn**+β×(X-Jn**)。

(2)

式(1)和式(2)中:X表示輸入數(shù)據(jù);Jn*和Jn**分別表示獲勝神經(jīng)元和鄰域神經(jīng)元的權(quán)重;α和β分別表示獲勝節(jié)點(diǎn)和鄰域獲勝節(jié)點(diǎn)固定學(xué)習(xí)系數(shù)的權(quán)值,并滿足α>β。

針對(duì)每一層神經(jīng)元在適應(yīng)性機(jī)制中學(xué)習(xí)系數(shù)唯一性,GHNG神經(jīng)網(wǎng)絡(luò)模型的每一個(gè)拓?fù)浣Y(jié)構(gòu)是在層數(shù)(H)大于2之間建立聯(lián)系,改進(jìn)GHNG算法自適應(yīng)機(jī)制主要基于新輸入數(shù)據(jù)驅(qū)動(dòng)獲勝神經(jīng)元節(jié)點(diǎn)發(fā)生改變,對(duì)獲勝神經(jīng)元及鄰域神經(jīng)節(jié)點(diǎn)進(jìn)行權(quán)值計(jì)算,獲勝神經(jīng)元節(jié)點(diǎn)誤差定義為:

Esn=Esn+‖X-Sn‖2。

(3)

式中:X為輸入數(shù)據(jù),Sn表示第n個(gè)獲勝節(jié)點(diǎn),Esn表示第n個(gè)獲勝節(jié)點(diǎn)的節(jié)點(diǎn)誤差。為確保算法自適應(yīng)性,獲勝節(jié)點(diǎn)和鄰域獲勝節(jié)點(diǎn)的學(xué)習(xí)系數(shù)權(quán)重定義為:

α1=(E(S1)/sum(E))×α,

(4)

β1=(E(S2)/sum(E))×β。

(5)

式(4)和式(5)中:α、β分別表示獲勝節(jié)點(diǎn)和鄰域獲勝節(jié)點(diǎn)的固定學(xué)習(xí)系數(shù);E(Sn)表示第n個(gè)獲勝節(jié)點(diǎn)的節(jié)點(diǎn)誤差;sum(E)表示獲勝節(jié)點(diǎn)誤差總和;α1和β1分別表示獲勝節(jié)點(diǎn)和鄰域獲勝節(jié)點(diǎn)的自適應(yīng)學(xué)習(xí)系數(shù)權(quán)值,獲勝神經(jīng)元和鄰域獲勝神經(jīng)元權(quán)重定義為:

Jn*=Jn*+α1×(X-Jn*),

(6)

Jn**=Jn**+β1×(X-Jn**)。

(7)

式(6)和式(7)中:X表示輸入數(shù)據(jù),Jn*和Jn**分別表示獲勝神經(jīng)元和鄰域神經(jīng)元的自適應(yīng)權(quán)重。

自適應(yīng)GHNG算法基于誤差分析,利用實(shí)時(shí)數(shù)據(jù)與獲勝節(jié)點(diǎn)累積誤差動(dòng)態(tài)調(diào)節(jié)權(quán)重系數(shù),即依據(jù)神經(jīng)節(jié)點(diǎn)權(quán)重朝實(shí)時(shí)數(shù)據(jù)輸入方向移動(dòng),同時(shí)增加了獲勝節(jié)點(diǎn)依據(jù)誤差比重移動(dòng)的限制,有效保證獲勝節(jié)點(diǎn)的移速遠(yuǎn)大于其他節(jié)點(diǎn)的移速,進(jìn)一步提高聚類算法的實(shí)時(shí)性和精確性。

1.2.2 生長(zhǎng)機(jī)制

由于傳統(tǒng)GHNG算法創(chuàng)建神經(jīng)元具有周期性,當(dāng)新數(shù)據(jù)輸入到競(jìng)爭(zhēng)網(wǎng)絡(luò)中且屬于新的特征空間區(qū)域時(shí),算法無(wú)法立即適應(yīng)該區(qū)域的表示,因此需要?jiǎng)?chuàng)建新的神經(jīng)元,其插入新神經(jīng)元步驟為:首先找到最大獲勝節(jié)點(diǎn)誤差max(ESn)和鄰域節(jié)點(diǎn)最大誤差max(ESL),同時(shí)創(chuàng)建一個(gè)新獲勝節(jié)點(diǎn),使其在最大獲勝節(jié)點(diǎn)誤差max(ESn)和鄰域節(jié)點(diǎn)的最大誤差max(ESL)范圍內(nèi),其獲勝節(jié)點(diǎn)坐標(biāo)定義如下:

Wt=0.5×(WSn+WSL)。

(8)

式中:WSn,WSL,Wt分別表示獲勝節(jié)點(diǎn)、鄰域節(jié)點(diǎn)和新獲勝節(jié)點(diǎn)位置坐標(biāo)。在插入獲勝節(jié)點(diǎn)后,斷開(kāi)原來(lái)最大誤差的獲勝節(jié)點(diǎn)與最大誤差鄰域節(jié)點(diǎn)的連接,并與新獲勝節(jié)點(diǎn)重新進(jìn)行連接。

1.2.3 改進(jìn)GHNG算法拓?fù)浣Y(jié)構(gòu)

傳統(tǒng)GHNG算法中最終展示結(jié)果為獲勝節(jié)點(diǎn)的拓?fù)浣Y(jié)構(gòu),雖然可以展示良好的拓?fù)浣Y(jié)構(gòu),但是對(duì)于聚類展示結(jié)果并不理想。根據(jù)K-means聚類算法思想對(duì)GHNG劃分簇,并且每個(gè)簇依據(jù)獲勝節(jié)點(diǎn)展現(xiàn)不同的樣式,可以直觀展示,具體展示步驟如下:

(1)將第一層獲勝節(jié)點(diǎn)順序存儲(chǔ)在數(shù)據(jù)集P矩陣的最后一行。

(2)根據(jù)數(shù)據(jù)集P矩陣中最后一行對(duì)所有矩陣X中所有數(shù)據(jù)分配,方法如下:

P(1:n,:)=X(:,:),

(9)

P(n+1,:)=W。

(10)

式(9)和式(10)中:P表示含有獲勝節(jié)點(diǎn)順序的n+1行矩陣,X表示數(shù)據(jù)集矩陣,W表示獲勝節(jié)點(diǎn)。

(3)將每一個(gè)數(shù)據(jù)劃分到其所有的獲勝節(jié)點(diǎn),每個(gè)數(shù)據(jù)有且僅屬于一個(gè)獲勝節(jié)點(diǎn)。

(4)對(duì)原始數(shù)據(jù)根據(jù)獲勝節(jié)點(diǎn)的不同劃分不同樣式。

1.2.4 改進(jìn)GHNG算法實(shí)現(xiàn)

改進(jìn)GHNG算法主要包括權(quán)重計(jì)算、節(jié)點(diǎn)生成、節(jié)點(diǎn)刪除和結(jié)果展示等機(jī)制,具體實(shí)現(xiàn)步驟如下:

算法1自適應(yīng)GHNG算法。

輸入:λ:創(chuàng)建單元之間的步驟數(shù)

Levelmax、α1、α2、Amax、D、S:最大層數(shù)、GNG參數(shù)(獲勝節(jié)點(diǎn)權(quán)值系數(shù)、鄰域節(jié)點(diǎn)權(quán)值系數(shù)、神經(jīng)元鏈接的最大年齡、誤差系數(shù)、樣本數(shù)據(jù))

垂直生長(zhǎng)機(jī)制——垂直生長(zhǎng)判斷條件:

if ((Level>1)&&(nLevelmax)

終止;

else

Level←Level+1(生長(zhǎng)下一層開(kāi)始水平生長(zhǎng)機(jī)制)

end

水平生長(zhǎng)機(jī)制——訓(xùn)練生長(zhǎng)神經(jīng)氣

fori←1:n

forj←1:m(m個(gè)獲勝節(jié)點(diǎn))

end

I←Sort(d)

S1←I(1);S2←I(2)

w←S1

C(S1,:)←C(S1,:)-1

C(:,S1)←C(:,S1)-1

Esn←Esn+‖X-Sn‖2

獲勝節(jié)點(diǎn)學(xué)習(xí)權(quán)重調(diào)整:

α1←(E(S1)/sum(E))×α

W1←W1+α1×(X-W1)

鄰域節(jié)點(diǎn)學(xué)習(xí)權(quán)重調(diào)整:

forj←1:i

α2←(E(Sj)/sum(E))×α

Wj←Wj+α2×(X-Wj)

end

{C(S1,S2);C(S2,S1)}←Amax

刪除舊節(jié)點(diǎn)和孤獨(dú)節(jié)點(diǎn):

C(t>Amax)=0

N←sum(C)

{C(Sn,:);C(:,Sn);t(Sn,:);t(:,Sn);W(Sn,:);E(Sn)}←[]

增加新節(jié)點(diǎn):

if mod(nx,l)==0&&size(W,1)

r←size(W,1)+1

Snewnode←(Serrmax+Serrmax2)/2

{C(Serrmax,Serrmax2);C(Serrmmax2,Serrmax)}←0

{C(Serrmax,r);C(r,Serrmax);C(r,Serrmax2);C(Serrmax2,r)}←1

{t(r,:);t(:,r)}←Amax

end

end

結(jié)果展示:

fori=1:n

ifpattern(p+1,i)==1 (p是數(shù)據(jù)的維度)

h=plot3(pattern(1,i),pattern(2,i),pattern(3,i),′.′,′Color′,[1 0 0])

else ifpattern(p+1,i)==2

h=plot3(pattern(1,i),pattern(2,i),pattern(3,i),′.′,′Color′,[0.1137 0.6941 0.2471])

else ifpattern(p+1,i)==3

h=plot3(pattern(1,i),pattern(2,i),pattern(3,i),′.′,′Color′,[0 0.5961 0.8588])

end

end

改進(jìn)GHNG算法中,當(dāng)一個(gè)新數(shù)據(jù)輸入到網(wǎng)絡(luò)中時(shí),計(jì)算該數(shù)據(jù)點(diǎn)到所有獲勝節(jié)點(diǎn)的歐氏距離并且排序,其復(fù)雜度為O(bd)+O(b)=O(b),其中:d為一個(gè)常數(shù),O(bd),O(b)分別表示輸入數(shù)據(jù)到獲勝節(jié)點(diǎn)的距離與所有距離排序的復(fù)雜度;在自適應(yīng)權(quán)重系數(shù)調(diào)整階段的復(fù)雜度為O(1)+O(b);在水平生長(zhǎng)機(jī)制中的復(fù)雜度為O(b)×(O(1)+O(b))=O(b2);在垂直生長(zhǎng)機(jī)制中,生成K層的復(fù)雜度是O(KNb),K表示聚類層數(shù),N表示父代數(shù)目。因此,改進(jìn)GHNG算法復(fù)雜度為O(b2×KNb)=O(KNb3)。

2 仿真研究

為驗(yàn)證本文改進(jìn)GHNG算法的有效性與可行性,選取DBSCAN、傳統(tǒng)GHNG算法和本文改進(jìn)GHNG算法進(jìn)行性能分析與對(duì)比,同時(shí)選用多組數(shù)據(jù)進(jìn)行適應(yīng)性驗(yàn)證,數(shù)據(jù)分別由余弦和螺旋函數(shù)隨機(jī)分布產(chǎn)生,3種算法參數(shù)經(jīng)過(guò)多次調(diào)整和實(shí)驗(yàn)選取參數(shù)如表1所示,其聚類結(jié)果如圖2和圖3所示。

表1 3種算法運(yùn)行參數(shù)

表1中:N表示最大種族個(gè)數(shù),λ表示步長(zhǎng),α1和α2表示調(diào)節(jié)系數(shù),D表示誤差調(diào)節(jié)系數(shù),T是最大年齡,ep表示半徑,r表示中心的鄰域內(nèi)最少點(diǎn)的數(shù)量。分析數(shù)據(jù)分別來(lái)源于余弦函數(shù)(y=cos(x),x∈[0,3π],2 000個(gè)數(shù)據(jù)點(diǎn),如圖2)和螺旋函數(shù)(y=2×cos(z),x=2×sin(z),z∈[0,4π],10 000個(gè)數(shù)據(jù)點(diǎn),如圖3)。

由圖2a可知,DBSCAN算法聚類效果不佳,在數(shù)據(jù)稀疏處出現(xiàn)新的簇;圖2b和圖2c雖然都展示出良好的拓?fù)浣Y(jié)構(gòu),但在圖2c聚類簇之間數(shù)據(jù)分界明顯。因此,改進(jìn)GHNG算法聚類效果最佳。圖3a中,DBSCAN算法聚類結(jié)果不均勻,在均勻分布的數(shù)據(jù)中聚類效果在邊界會(huì)出現(xiàn)零散的簇;圖3b中,GHNG算法雖然拓?fù)浣Y(jié)構(gòu)良好,但獲勝節(jié)點(diǎn)下的數(shù)據(jù)點(diǎn)在交界處比較模糊,區(qū)分度較低;圖3c中改進(jìn)GHNG算法不但具有良好的拓?fù)浣Y(jié)構(gòu),而且其聚類結(jié)果能充分展示數(shù)據(jù)分布特征。雖然DBSCAN和GHNG算法不需預(yù)先設(shè)置聚類簇?cái)?shù)目,但DBSCAN聚類方法在處理密度不均勻數(shù)據(jù)時(shí)易出現(xiàn)聚類效果不佳的現(xiàn)象。

因此,本文改進(jìn)GHNG算法在數(shù)據(jù)聚類測(cè)試中,當(dāng)數(shù)據(jù)集規(guī)模發(fā)生變化時(shí),其聚類結(jié)果能充分展現(xiàn)數(shù)據(jù)特征,具有較強(qiáng)的魯棒性和精確性。

3 實(shí)驗(yàn)研究

3.1 鋁電解工藝過(guò)程與數(shù)據(jù)

為進(jìn)一步驗(yàn)證本文改進(jìn)GHNG算法的有效性和可行性,以鋁電解工藝過(guò)程為分析對(duì)象,對(duì)鋁電解過(guò)程數(shù)據(jù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)和控制。在鋁電解過(guò)程中,鋁液中不僅有鋁還有鐵、硅和鎂等雜質(zhì),考慮鋁電解工藝是以提高鋁液純度和鋁的生產(chǎn)量為目標(biāo),影響鋁液純度和生產(chǎn)量因素較多,如投入料量、氟化鹽、電壓等。本文僅對(duì)鋁電解過(guò)程中Fe和Si含量(時(shí)間序列數(shù)據(jù))進(jìn)行分析,驗(yàn)證該算法對(duì)數(shù)據(jù)具有及時(shí)的監(jiān)測(cè)與監(jiān)督能力,算法參數(shù)和原始數(shù)據(jù)(部分)分別如表2和表3所示。

表2 算法參數(shù)

表3 鋁電解工藝過(guò)程時(shí)序數(shù)據(jù)

表2中:MaxN表示最大種族個(gè)數(shù),λ表示步長(zhǎng),α1和α2表示調(diào)節(jié)系數(shù),D表示誤差調(diào)節(jié)系數(shù),Tmax是最大年齡,ep表示半徑,MinP表示中心的鄰域內(nèi)最少點(diǎn)的數(shù)量。

3.2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)采用對(duì)比分析方法,采集鋁電解時(shí)間序列數(shù)據(jù)(鋁產(chǎn)量)經(jīng)過(guò)生產(chǎn)工藝的額定量進(jìn)行轉(zhuǎn)換,得到實(shí)驗(yàn)分析數(shù)據(jù)DBSCAN聚類結(jié)果與傳統(tǒng)GHNG、改進(jìn)GHNG算法的拓?fù)浣Y(jié)構(gòu)和聚類展示結(jié)果對(duì)比,其拓?fù)浣Y(jié)構(gòu)動(dòng)態(tài)圖如表4所示。

表4 3種算法實(shí)時(shí)動(dòng)態(tài)跟蹤分析

非實(shí)時(shí)數(shù)據(jù)是以時(shí)間段進(jìn)入聚類算法中,實(shí)時(shí)數(shù)據(jù)是指監(jiān)測(cè)每一個(gè)數(shù)據(jù)進(jìn)入聚類算法。當(dāng)n=30、n=90、n=150和n=170時(shí),由表4可知改進(jìn)GHNG算法聚類結(jié)果層次清晰,準(zhǔn)確性更高。為進(jìn)一步分析本文改進(jìn)算法的魯棒性,對(duì)采集的時(shí)序數(shù)據(jù)總和(6個(gè)月)進(jìn)行聚類分析,其聚類結(jié)果如圖4所示。

圖4a中DBSCAN算法的聚類結(jié)果層次模糊(黑色數(shù)據(jù)點(diǎn)圍著其他簇的數(shù)據(jù)點(diǎn)),效果不佳;圖4b中GHNG算法雖然有良好的拓?fù)浣Y(jié)構(gòu),但獲勝節(jié)點(diǎn)未能充分反映數(shù)據(jù)分布特征,未能及時(shí)適應(yīng)數(shù)據(jù)的動(dòng)態(tài)變化,在改進(jìn)GHNG算法中獲勝節(jié)點(diǎn)拓?fù)浣Y(jié)構(gòu)展示了良好的聚類效果(如圖4c),同時(shí)改進(jìn)GHNG算法中可以清晰的看到綠色數(shù)據(jù)點(diǎn)(圓圈中部分)相對(duì)較少,但是其Fe和Si的含量都較高,并且Al的相對(duì)質(zhì)量也有所降低,所以當(dāng)數(shù)據(jù)達(dá)到一定范圍時(shí)便給監(jiān)管者提供信號(hào),讓管理者改變輸入?yún)?shù)提高Al的相對(duì)質(zhì)量,對(duì)于鋁電解生產(chǎn)工藝有明確的指導(dǎo)意義。因?yàn)镈BSCAN算法與GHNG算法的原理不同,不存在獲勝節(jié)點(diǎn),無(wú)法進(jìn)行獲勝節(jié)點(diǎn)誤差的分析,所以僅做傳統(tǒng)GHNG和改進(jìn)GHNG算法獲勝節(jié)點(diǎn)誤差的比較(如圖5)。由圖5可以看出,GHNG算法的獲勝節(jié)點(diǎn)誤差波動(dòng)比較大,總體數(shù)值較高,但是改進(jìn)GHNG算法的獲勝節(jié)點(diǎn)相對(duì)穩(wěn)定,且數(shù)值較低。因此,本文改進(jìn)GHNG算法對(duì)數(shù)據(jù)特征分布具有較強(qiáng)的魯棒性。尤其重要的是,在改進(jìn)GHNG算法實(shí)時(shí)聚類結(jié)果中設(shè)定閾值可以更方便地對(duì)生產(chǎn)工藝過(guò)程進(jìn)行精確控制(如圖6)。

如圖6所示,根據(jù)鋁廠生產(chǎn)工藝要求設(shè)置Fe含量和Si含量閾值范圍分別為0.15%～0.26%和0.05%～0.08%。在鋁電解過(guò)程中其輸出結(jié)果低于最小閾值的數(shù)據(jù)被定義為新奇數(shù)據(jù),生產(chǎn)管理者設(shè)法調(diào)整輸入?yún)?shù)盡量使輸出結(jié)果向新奇數(shù)據(jù)偏移;超過(guò)最大閾值的數(shù)據(jù)被視為異常數(shù)據(jù),在生產(chǎn)過(guò)程中出現(xiàn)異常數(shù)據(jù)便觸發(fā)報(bào)警裝置,以便生產(chǎn)管理者對(duì)鋁電解參數(shù)進(jìn)行實(shí)時(shí)精確控制。

由于Fe和Si的含量對(duì)鋁的質(zhì)量有重要影響,通過(guò)分析鋁廠半年生產(chǎn)工藝數(shù)據(jù),同時(shí)篩選鋁質(zhì)量較高和較低的時(shí)間段數(shù)據(jù)(6個(gè)樣本)如表5和表6所示,方便對(duì)Fe和Si含量以及工藝參數(shù)進(jìn)行控制。

表5 鋁質(zhì)量較高的數(shù)據(jù)

表6 鋁質(zhì)量較低的數(shù)據(jù)

表5中,粗體標(biāo)注數(shù)據(jù)是在加入氟化鹽時(shí)某些樣本中輸出雜質(zhì)含量和對(duì)應(yīng)的電壓以及槽溫;表6中,粗體標(biāo)注數(shù)據(jù)是氟化鹽的量降低后對(duì)應(yīng)某些樣本中雜質(zhì)含量和對(duì)應(yīng)電壓以及槽溫。由表5和表6可知,在影響鋁電解質(zhì)量的眾多因素中,氟化鹽量對(duì)雜質(zhì)產(chǎn)生含量和鋁的質(zhì)量影響較大。因此,本文調(diào)整的主要參數(shù)包括投入原料、電壓、氟化鹽等因素,即為了控制鋁產(chǎn)量和質(zhì)量,不僅要在投料時(shí)加入適當(dāng)?shù)姆},還要控制原料的投入量。由圖6中的閾值范圍可以檢測(cè)到在最大閾值外的奇異數(shù)據(jù)點(diǎn),并且對(duì)最大閾值外的奇異數(shù)據(jù)點(diǎn)(如表7)進(jìn)行調(diào)整其原料的輸入使所有數(shù)據(jù)(圖5)在最大閾值內(nèi)。

表7 閾值外數(shù)據(jù)

表8 調(diào)整后數(shù)據(jù)

對(duì)原料輸入量進(jìn)行控制后電解鋁的質(zhì)量輸出如圖7所示,與控制前圖6對(duì)比可知:在閾值范圍外的奇異數(shù)據(jù)點(diǎn)全部調(diào)控到最大閾值范圍內(nèi),并朝著“新奇”數(shù)據(jù)漂移,同時(shí)原有新奇數(shù)據(jù)點(diǎn)依舊保持其參數(shù)輸入,為生產(chǎn)過(guò)程中出現(xiàn)偏差較大的奇異數(shù)據(jù)通過(guò)調(diào)整投入量來(lái)控制輸出量在正常范圍內(nèi),提高生產(chǎn)效率,電解鋁質(zhì)量、雜質(zhì)含量明顯改善。

4 結(jié)束語(yǔ)

本文提出了生產(chǎn)過(guò)程奇異性相關(guān)概念,建立了一種基于改進(jìn)GHNG自適應(yīng)聚類模型,即在水平生長(zhǎng)機(jī)制中建立自適應(yīng)學(xué)習(xí)、拓?fù)浣Y(jié)構(gòu)展示和節(jié)點(diǎn)生成機(jī)制,實(shí)現(xiàn)時(shí)間序列數(shù)據(jù)奇異性的實(shí)時(shí)監(jiān)測(cè)。最后,以鋁電解工藝數(shù)據(jù)為分析對(duì)象,利用DBSCAN、傳統(tǒng)GHNG和改進(jìn)GHNG算法對(duì)聚類結(jié)果進(jìn)行比較分析。實(shí)驗(yàn)結(jié)果表明,本文的改進(jìn)GHNG算法聚類效果更好,能對(duì)鋁電解過(guò)程奇異性數(shù)據(jù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)并預(yù)警,同時(shí)根據(jù)奇異性數(shù)據(jù)監(jiān)測(cè)結(jié)果,通過(guò)鋁電解閾值機(jī)制與篩選數(shù)據(jù)方法,使鋁電解產(chǎn)量、雜質(zhì)含量明顯改善。因此,該模型和算法對(duì)時(shí)間序列數(shù)據(jù)奇異性的監(jiān)測(cè)能力更強(qiáng),實(shí)現(xiàn)了對(duì)鋁電解過(guò)程進(jìn)行準(zhǔn)確、有效的監(jiān)測(cè)和控制,進(jìn)而為決策者/管理者提供理論技術(shù)支持。下一步繼續(xù)研究生產(chǎn)車間預(yù)測(cè)模型,為穩(wěn)定生產(chǎn)提供科學(xué)的理論依據(jù)。