基于神經(jīng)網(wǎng)絡和模糊控制的鋁電解槽槽況診斷與維護的研究

張晶亮

（中煤科工集團上海有限公司，上海 200030）

在鋁工業(yè)生產(chǎn)中，由于外界影響或自身原因使正常生產(chǎn)的技術(shù)參數(shù)和熱平衡遭到破壞，便產(chǎn)生了病槽。病槽給生產(chǎn)帶來了極大的危害性，造成安全生產(chǎn)的隱患。目前廣泛應用的采用數(shù)學模型以達到控制目的的自適應控制系統(tǒng)已經(jīng)達不到工藝所要求的經(jīng)濟、技術(shù)指標。

隨著人工智能的發(fā)展，模糊控制、專家系統(tǒng)、神經(jīng)網(wǎng)絡等理論在日益復雜的系統(tǒng)控制問題上體現(xiàn)出其相對于傳統(tǒng)的控制方案的優(yōu)越性。由于智能控制不依賴于數(shù)學模型，并可充分利用已有專家及人員經(jīng)驗，因此克服了傳統(tǒng)系統(tǒng)中的控制缺陷，適用于鋁電解槽槽況診斷和維護這類多變量復雜系統(tǒng)。

1 鋁生產(chǎn)工藝

大中型鋁廠多采用中間點式下料預焙陽極電解槽，主要包括以下幾個部分：陽極裝置、陰極裝置、母線裝置和槽罩等，在960℃左右，電解槽內(nèi)發(fā)生電化學反應：

2Al2O3（溶解）+3C（固）=4Al（液）+3CO2（氣）

在鋁電解過程中槽電壓、極距、溫度、電解質(zhì)成分、電解質(zhì)及鋁水平、陽極效應系數(shù)等槽狀態(tài)參數(shù)的變化以及熱平衡遭到破壞，導致了熱槽、冷槽、壓槽、高槽等不同病槽的產(chǎn)生。

2 系統(tǒng)結(jié)構(gòu)

整個系統(tǒng)由3 部分組成，如圖1 所示，分別為：槽況診斷神經(jīng)網(wǎng)絡模塊、槽況維護模糊控制模塊、用戶操作界面。它們分別完成以下功能：

圖1 系統(tǒng)組成

（1）槽況診斷神經(jīng)網(wǎng)絡模塊：根據(jù)輸入的數(shù)據(jù)樣本，對神經(jīng)網(wǎng)絡進行離線訓練；通過已訓練好的神經(jīng)網(wǎng)絡對輸入的狀態(tài)數(shù)據(jù)進行診斷，由模糊處理器轉(zhuǎn)換為相應的語言值（病槽）。

（2）槽況維護模糊控制模塊：接受神經(jīng)網(wǎng)絡輸出和部分槽狀態(tài)數(shù)據(jù)作為輸入，通過調(diào)用相應的Matalab 函數(shù)得到輸出值，再由數(shù)值轉(zhuǎn)換器轉(zhuǎn)換將輸出值轉(zhuǎn)換為相應的決策意見。

（3）用戶操作界面功能：用戶操作界面包含3 部分功能，即神經(jīng)網(wǎng)絡和模糊控制的數(shù)據(jù)樣本及非測量狀態(tài)數(shù)據(jù)的輸入、槽況病癥顯示、維護決策意見顯示。

2.1 神經(jīng)網(wǎng)絡（BP 網(wǎng)絡）

（1）網(wǎng)絡結(jié)構(gòu)。本系統(tǒng)采用含有一個隱含層的全兩節(jié)多層前向網(wǎng)絡結(jié)構(gòu)，簡稱BP 網(wǎng)絡，如圖2 所示。其輸入層有10個輸入節(jié)點，分別為：槽電阻、氧化鋁濃度、陽極效應系數(shù)、極距、鋁液水平、電解質(zhì)水平等；隱含層有6個節(jié)點；輸出層為2個節(jié)點，分別為：熱平衡狀態(tài)（熱槽/冷槽）、極距狀態(tài)（高槽/壓槽）。

圖2 BP 神經(jīng)網(wǎng)絡結(jié)構(gòu)

（2）BP 算法學習過程。BP 網(wǎng)絡的學習過程包括正向傳播和反向傳播2 部分。當給定網(wǎng)絡一個輸入模式時，它由輸入層至隱含層并進行計算，并向下一層傳遞，這樣逐層傳遞和計算，最后到輸出層，產(chǎn)生一個輸出模式，稱為正（前）向傳播。如果實際輸出層至輸入層逐層傳送，并修改各層的連接權(quán)值，使誤差減少，直至滿足條件為止，這個過程稱為反向傳播。當所有訓練模式都滿足要求時，用于求解現(xiàn)實問題就只需要正向傳播。整個計算過程可由以下2個方程表示：

輸出方程式

式中，б 為輸出層激勵函數(shù)，o0=1，n 為各層變量個數(shù)。

權(quán)值調(diào)整方程式

式中，上標變量r 表示第r個隱含層，r=1，2，…，L；為第r-1 層第I 單元到第r 層的第j 單元的連接權(quán)系數(shù)；η 為學習步長。

2.2 模糊控制

模糊控制的輸出是通過莞城過程狀態(tài)和一些如何控制過程的規(guī)則的推理得到的，主要基于3個概念：測量信息的模糊化、推理機制即規(guī)則庫、輸出模糊集的精確化。

（1）模糊化。測量輸入變量的值，并將數(shù)字表示形式的輸入量轉(zhuǎn)變?yōu)橥ǔＳ谜Z值表示的某一限定碼的序數(shù)。即將語言變量用一個五元素的集合（X，T（X），U，G，M）來表征。其中X 是語言變量名；T（X）為語言變量X的項集合；U 為語言變量x 的論域；G 為產(chǎn)生x 數(shù)值名的語言規(guī)則，即隸屬度函數(shù)建立的規(guī)則；M 為與每個語言變量含義相聯(lián)系的算法規(guī)則。例如，“高度”作為語言變量，設為x，他的語言值可以為極距狀態(tài)={低，中，高}。設論域為U={-1，1}，則T(高度)的每個語言值都可以用U 上的模糊數(shù)來表示。我們將“低”解釋為“高度低于-0.5”，而“高度在0 左右”為“中”，“高度高于0.5”為“高”。即其隸屬度函數(shù)如圖3 所示。

圖3 隸屬度函數(shù)

（2）規(guī)則庫。模糊控制規(guī)則實質(zhì)上是將專家的控制經(jīng)驗加以總結(jié)而得出一條條模糊條件語句的集合。針對本文主要是為了處理一些特定事件和非正常槽況，所以相應模糊控制規(guī)則采用產(chǎn)生式表達：If () and () then()。同時，控制規(guī)則條數(shù)的多少視輸入及輸出物理量的多少及所需的控制精度而定。

如：“IF 熱槽 AND 電解質(zhì)水平低 THEN 調(diào)整電解質(zhì)水平（PB）”，它說明當槽內(nèi)正常生產(chǎn)槽電解質(zhì)水平低于18 ～20cm 時，由于電解質(zhì)水平低，對氧化鋁溶解量相對減小，氧化鋁在電解質(zhì)中很快過飽和后，造成大量沉淀，從而使陰極電阻增加，發(fā)熱量增大，引起熱槽。這時，相應的提高電解質(zhì)水平將有利于改善熱槽的狀況。以熱平衡狀態(tài)（T）和極距（輸入極距L1，輸出調(diào)整極距L2）的關(guān)系為例，列舉規(guī)則表，如圖4 所示。

圖4

（3）模糊推理和精確化。模糊推理是一種以模糊判斷為前提，運用模糊語言規(guī)則，推出一個新的近似模糊判斷結(jié)論的方法。在這里采用馬達尼法，其計算方法如下：

前提1：如果A 且B，那么C。

前提2：現(xiàn)在是A’且B’。

推論結(jié)果為：C’=[A’ο(A →C)]∩[B’ο(B →C)]。

精確化是通過模糊推理得到的是一個模糊集合。但在實際使用中，特別是在模糊控制中，必須有一個確定的值才能去控制執(zhí)行機構(gòu)。在推理得到的模糊集合中取一個能最佳代表這個模糊推理結(jié)果可能性的精確過程就稱為精確化過程。這里采用重心法，它是取隸屬度函數(shù)曲線與橫坐標圍城面積的重心為模糊推理最終輸出值。

3 用戶操作界面介紹

界面主要包括離線神經(jīng)網(wǎng)絡訓練界面、在線診斷界面、數(shù)據(jù)庫管理3 部分。

3.1 離線神經(jīng)網(wǎng)絡訓練界面

離線神經(jīng)網(wǎng)絡訓練界面用VB 中的SSTab 空間將界面分為3 部分：樣本輸入、歸一化樣本、訓練。其中，樣本輸入界面為將各種參數(shù)樣本寫入后臺的樣本數(shù)據(jù)庫；歸一化樣本是為了提高網(wǎng)絡訓練的速率和精確性，將輸入的樣本全部規(guī)劃在-1 ～1 的范圍之內(nèi)；訓練部分是通過與Matlab 之間的動態(tài)連接調(diào)用Matlab 函數(shù)對BP 神經(jīng)網(wǎng)絡進行訓練、仿真，使其能夠應用在后面的診斷中。

3.2 在線診斷界面

在線診斷界面分為3 部分：人工測量數(shù)據(jù)輸入、適時數(shù)據(jù)、病槽類型及其維護。其中，人工測量數(shù)據(jù)輸入是人工測量來的數(shù)據(jù)通過界面輸入到數(shù)據(jù)庫中，此后才作為診斷數(shù)據(jù)使用；適時數(shù)據(jù)界面是及時的顯示從來自槽電阻計算的原始數(shù)據(jù)和實時解析數(shù)據(jù)、動態(tài)仿真（或動態(tài)測溫）得來的數(shù)據(jù)、人工輸入的離線檢測數(shù)據(jù)；病槽類型及其維護界面是系統(tǒng)利用來自下位機、動態(tài)仿真系統(tǒng)以及人工輸入的各種數(shù)據(jù)序列與信息，經(jīng)神經(jīng)網(wǎng)絡訓練，通過VB 與Matlab 之間的動態(tài)連接調(diào)用Matlab 函數(shù)來診斷病槽類型，用模糊控制的方法給出對應于病槽類型的維護意見，同時將這些病槽類型和維護意見顯示在界面之上（如圖6 所示），并且存儲到相應的數(shù)據(jù)庫中，以作為以后進一步訓練神經(jīng)網(wǎng)絡的樣本使用。

圖5 離線神經(jīng)網(wǎng)絡訓練界面

圖6 在線診斷界面

圖7 病槽類型和維護意見

3.3 數(shù)據(jù)庫管理

數(shù)據(jù)庫管理分為2 部分，即樣本數(shù)據(jù)庫和在線數(shù)據(jù)庫，均采用VB 中的FLEXGride 控件，通過讀取后臺數(shù)據(jù)庫里的數(shù)據(jù)并將它們顯示在界面之上，方面操作、維護人員查看。

4 結(jié)語

根據(jù)以上對實際槽狀態(tài)數(shù)據(jù)的仿真，該系統(tǒng)能夠利用學習好的神經(jīng)網(wǎng)絡及時診斷出病槽類型，并根據(jù)現(xiàn)有的專家經(jīng)驗利用模糊控制系統(tǒng)給出相應的維護決策意見。而且，這些結(jié)果與現(xiàn)場專家所給的結(jié)論基本上相一致，所以，就它的有效性來說能夠準確給出結(jié)論，指導現(xiàn)場的操作人員進行槽況維護，達到經(jīng)濟、安全生產(chǎn)的目的。