本文作者(汪成亮 庞 栩 陆志坚),请您在阅读本文时尊重作者版权。
基于神经网络的铝电解混合控制模型研究(2)
目前的铝电解实际生产情况,能够实时检测、计算,具有反应氧化铝浓度大小的间接信号只有槽电阻值和氧化铝下料间隔(其中氧化铝下料间隔为控制参数)。下料间隔变化趋势决定氧化铝浓度变化趋势,进而影响槽电阻变化趋势。因此,某段时间内的槽电阻变化趋势(F?1,F?2,F?3,…,F?n)、下料间隔变化趋势(G?1,G?2,G?3,…,G?n)及下一时段的下料间隔变化趋势Gn 1决定了下一时段的槽电阻变化趋势Fn 1。
在此引入灰关联规则相关概念[7],在整个监控事物拓扑空间中,属性集的元素集Ω包括槽电阻X?0、下料间隔X?1。
定义1 设X?0是Ω中关于时间段??j的槽电阻属性序列;
X?1是Ω中关于时间段??j的下料间隔属性序列;F?j是??j时间段关于X?0的特征(即槽电阻变化趋势),f为特征函数; G?j是??j时间段关于X?1的特征(即下料间隔变化趋势),g为特征函数。
X?0={〈x?0(k),??j〉|k=1,2,3,…,n,j=1,2,3,…,n}
X?1={〈x?1(k),??j〉|k=1,2,3,…,n,j=1,2,3,…,n}
F?j=f(X?0,??j)
G?j=g(X?1,??j)(1)
F?j和G?j是一种时间序列数据,下一时段下料间隔变化趋势Gj 1为控制参数,下一时段槽电阻变化趋势Fj 1为预测事件或控制事件。
2 混合控制模型及系统架构
2.1 系统总体设计
基于神经网络的铝电解混合控制模型主要包括数据处理模块、氧化铝浓度判断关联规则库、专家知识库、神经网络控制模型。其基本控制思想主要由以下几个步骤组成,HC-NN控制流程如图2所示。
a)通过数据处理模块将铝电解实时数据库数据存入数据仓库,并用数据挖掘技术形成以某时段内槽电阻和下料间隔变化趋势为主要前件的氧化铝浓度判断关联规则库。
b)根据工艺思想中的最佳氧化铝浓度变化过程,形成氧化铝目标浓度专家知识库。
c)控制参数和与之对应的神经网络输出同时作为关联规则的输入以推测氧化铝目标浓度,不断调整控制参数直到预测浓度和专家知识库的目标浓度达到最佳匹配。
d)将确定好的控制参数传输给实时数据库,供生产使用,并以实际生产输出进行误差修订。
2.2 数据处理
本文的研究基于精确的时序分析,分别采用过滤、均值填充、继承三种ETL技术对数据进行处理,以确保实时数据的完整性和准确性。用时间序列光滑中的n阶加权移动平均方法[8]以消除原始数据中不必要的波动。
v?t=?t nk=t-nw?k×v?k,?w?k=1(2)
数据处理程序通过最大—最小规范化方法对式(1)中各时序特征作归一化处理:
v′?t=(v?t-min)/(max-min)(3)
2.3 浓度判断关联规则库及推理专家知识库
氧化铝浓度(以下简称浓度)判断、控制是铝电解过程的一大难题,本课题的最终目标也是精确控制槽电阻变化趋势而实现对浓度的精确控制。在离线测试氧化铝浓度后,本文采用基于Apriori算法和OLAP的关联规则数据挖掘模型[9~11]对该关联规则库进行建模,归为维度的时序特征有电解槽序号、槽电阻变化趋势、下料间隔变化趋势、上一时刻浓度、当前浓度、时间序列。
各特征概念分层后,不同的层次用不同的数字代替,部分关联规则如下:
槽电阻变化趋势=4,下料间隔变化趋势=5,上一时刻浓度=5→当前浓度=6
根据特定时间单位内浓度的时序特征及最佳工艺控制思想,氧化铝浓度推理专家知识库确定下一时刻浓度的目标值,在此不作过多阐述。
2.4 神经网络控制模型
本课题主要是将神经网络强大的预测能力应用于实际控制的应用性研究,在实时数据、历史数据的时序分析基础上,利用神经网络建立系统的预测模型,并将训练好的神经网络上升为控制模型。首先用属性集的实际输入、输出数据建立神经网络预测模型;然后将某输入数据作为控制参数,通过调整控制参数以得到不同的预测值,通过关联规则库推算预测浓度值,并将该值与专家知识库得出的最佳控制目标值进行匹配;最后推理出控制参数并运用于生产,以实际生产数据和预测值对神经网络进行修正。改进后的控制模型如图3所示。
本文采用时延神经网络对槽电阻变化趋势建模。时延序列神经网络是指具有时间序列输入的神经网络,网络具有时延及反馈的存在,网络中神经元的输入—输出不是简单的输入输出映射关系,对神经元网络的训练及输出具有复杂网络的动态特征[12]。就本文所提的下料间隔,其既是时间序列数据,又是控制参数。
定义2 设j为当前时间标志,net为训练好的神经网络,Z?j为控制参数,Δ为误差修订值,则BP控制网络的预测输出为
Y?j=net(F?j,…,Fj-n??1,G?j,…,Gj-n??2,Z?j) Δ
Fj 1=Y′?j
