基于神经网络和模糊控制的铝电解槽槽况诊断与维护的研究

张晶亮

（中煤科工集团上海有限公司，上海 200030）

在铝工业生产中，由于外界影响或自身原因使正常生产的技术参数和热平衡遭到破坏，便产生了病槽。病槽给生产带来了极大的危害性，造成安全生产的隐患。目前广泛应用的采用数学模型以达到控制目的的自适应控制系统已经达不到工艺所要求的经济、技术指标。

随着人工智能的发展，模糊控制、专家系统、神经网络等理论在日益复杂的系统控制问题上体现出其相对于传统的控制方案的优越性。由于智能控制不依赖于数学模型，并可充分利用已有专家及人员经验，因此克服了传统系统中的控制缺陷，适用于铝电解槽槽况诊断和维护这类多变量复杂系统。

1 铝生产工艺

大中型铝厂多采用中间点式下料预焙阳极电解槽，主要包括以下几个部分：阳极装置、阴极装置、母线装置和槽罩等，在960℃左右，电解槽内发生电化学反应：

2Al2O3（溶解）+3C（固）=4Al（液）+3CO2（气）

在铝电解过程中槽电压、极距、温度、电解质成分、电解质及铝水平、阳极效应系数等槽状态参数的变化以及热平衡遭到破坏，导致了热槽、冷槽、压槽、高槽等不同病槽的产生。

2 系统结构

整个系统由3 部分组成，如图1 所示，分别为：槽况诊断神经网络模块、槽况维护模糊控制模块、用户操作界面。它们分别完成以下功能：

图1 系统组成

（1）槽况诊断神经网络模块：根据输入的数据样本，对神经网络进行离线训练；通过已训练好的神经网络对输入的状态数据进行诊断，由模糊处理器转换为相应的语言值（病槽）。

（2）槽况维护模糊控制模块：接受神经网络输出和部分槽状态数据作为输入，通过调用相应的Matalab 函数得到输出值，再由数值转换器转换将输出值转换为相应的决策意见。

（3）用户操作界面功能：用户操作界面包含3 部分功能，即神经网络和模糊控制的数据样本及非测量状态数据的输入、槽况病症显示、维护决策意见显示。

2.1 神经网络（BP 网络）

（1）网络结构。本系统采用含有一个隐含层的全两节多层前向网络结构，简称BP 网络，如图2 所示。其输入层有10个输入节点，分别为：槽电阻、氧化铝浓度、阳极效应系数、极距、铝液水平、电解质水平等；隐含层有6个节点；输出层为2个节点，分别为：热平衡状态（热槽/冷槽）、极距状态（高槽/压槽）。

图2 BP 神经网络结构

（2）BP 算法学习过程。BP 网络的学习过程包括正向传播和反向传播2 部分。当给定网络一个输入模式时，它由输入层至隐含层并进行计算，并向下一层传递，这样逐层传递和计算，最后到输出层，产生一个输出模式，称为正（前）向传播。如果实际输出层至输入层逐层传送，并修改各层的连接权值，使误差减少，直至满足条件为止，这个过程称为反向传播。当所有训练模式都满足要求时，用于求解现实问题就只需要正向传播。整个计算过程可由以下2个方程表示：

输出方程式

式中，б 为输出层激励函数，o0=1，n 为各层变量个数。

权值调整方程式

式中，上标变量r 表示第r个隐含层，r=1，2，…，L；为第r-1 层第I 单元到第r 层的第j 单元的连接权系数；η 为学习步长。

2.2 模糊控制

模糊控制的输出是通过莞城过程状态和一些如何控制过程的规则的推理得到的，主要基于3个概念：测量信息的模糊化、推理机制即规则库、输出模糊集的精确化。

（1）模糊化。测量输入变量的值，并将数字表示形式的输入量转变为通常用语值表示的某一限定码的序数。即将语言变量用一个五元素的集合（X，T（X），U，G，M）来表征。其中X 是语言变量名；T（X）为语言变量X的项集合；U 为语言变量x 的论域；G 为产生x 数值名的语言规则，即隶属度函数建立的规则；M 为与每个语言变量含义相联系的算法规则。例如，“高度”作为语言变量，设为x，他的语言值可以为极距状态={低，中，高}。设论域为U={-1，1}，则T(高度)的每个语言值都可以用U 上的模糊数来表示。我们将“低”解释为“高度低于-0.5”，而“高度在0 左右”为“中”，“高度高于0.5”为“高”。即其隶属度函数如图3 所示。

图3 隶属度函数

（2）规则库。模糊控制规则实质上是将专家的控制经验加以总结而得出一条条模糊条件语句的集合。针对本文主要是为了处理一些特定事件和非正常槽况，所以相应模糊控制规则采用产生式表达：If () and () then()。同时，控制规则条数的多少视输入及输出物理量的多少及所需的控制精度而定。

如：“IF 热槽 AND 电解质水平低 THEN 调整电解质水平（PB）”，它说明当槽内正常生产槽电解质水平低于18 ～20cm 时，由于电解质水平低，对氧化铝溶解量相对减小，氧化铝在电解质中很快过饱和后，造成大量沉淀，从而使阴极电阻增加，发热量增大，引起热槽。这时，相应的提高电解质水平将有利于改善热槽的状况。以热平衡状态（T）和极距（输入极距L1，输出调整极距L2）的关系为例，列举规则表，如图4 所示。

图4

（3）模糊推理和精确化。模糊推理是一种以模糊判断为前提，运用模糊语言规则，推出一个新的近似模糊判断结论的方法。在这里采用马达尼法，其计算方法如下：

前提1：如果A 且B，那么C。

前提2：现在是A’且B’。

推论结果为：C’=[A’ο(A →C)]∩[B’ο(B →C)]。

精确化是通过模糊推理得到的是一个模糊集合。但在实际使用中，特别是在模糊控制中，必须有一个确定的值才能去控制执行机构。在推理得到的模糊集合中取一个能最佳代表这个模糊推理结果可能性的精确过程就称为精确化过程。这里采用重心法，它是取隶属度函数曲线与横坐标围城面积的重心为模糊推理最终输出值。

3 用户操作界面介绍

界面主要包括离线神经网络训练界面、在线诊断界面、数据库管理3 部分。

3.1 离线神经网络训练界面

离线神经网络训练界面用VB 中的SSTab 空间将界面分为3 部分：样本输入、归一化样本、训练。其中，样本输入界面为将各种参数样本写入后台的样本数据库；归一化样本是为了提高网络训练的速率和精确性，将输入的样本全部规划在-1 ～1 的范围之内；训练部分是通过与Matlab 之间的动态连接调用Matlab 函数对BP 神经网络进行训练、仿真，使其能够应用在后面的诊断中。

3.2 在线诊断界面

在线诊断界面分为3 部分：人工测量数据输入、适时数据、病槽类型及其维护。其中，人工测量数据输入是人工测量来的数据通过界面输入到数据库中，此后才作为诊断数据使用；适时数据界面是及时的显示从来自槽电阻计算的原始数据和实时解析数据、动态仿真（或动态测温）得来的数据、人工输入的离线检测数据；病槽类型及其维护界面是系统利用来自下位机、动态仿真系统以及人工输入的各种数据序列与信息，经神经网络训练，通过VB 与Matlab 之间的动态连接调用Matlab 函数来诊断病槽类型，用模糊控制的方法给出对应于病槽类型的维护意见，同时将这些病槽类型和维护意见显示在界面之上（如图6 所示），并且存储到相应的数据库中，以作为以后进一步训练神经网络的样本使用。

图5 离线神经网络训练界面

图6 在线诊断界面

图7 病槽类型和维护意见

3.3 数据库管理

数据库管理分为2 部分，即样本数据库和在线数据库，均采用VB 中的FLEXGride 控件，通过读取后台数据库里的数据并将它们显示在界面之上，方面操作、维护人员查看。

4 结语

根据以上对实际槽状态数据的仿真，该系统能够利用学习好的神经网络及时诊断出病槽类型，并根据现有的专家经验利用模糊控制系统给出相应的维护决策意见。而且，这些结果与现场专家所给的结论基本上相一致，所以，就它的有效性来说能够准确给出结论，指导现场的操作人员进行槽况维护，达到经济、安全生产的目的。