預(yù)焙陽極配方焙燒塊質(zhì)量預(yù)測模型研究*

蘇志同 吳佳龍

（北方工業(yè)大學(xué) 北京 100144）

1 引言

預(yù)焙陽極是以石油焦、瀝青焦為骨料，煤瀝青為黏結(jié)劑制造而成，用作預(yù)焙鋁電解槽陽極材料。這種炭塊已經(jīng)過煅燒、焙燒、成型等工序，具有穩(wěn)定的幾何形狀，所以也稱預(yù)焙炭陽極塊［1］。

焙燒是預(yù)焙陽極炭塊制備過程中非常重要的工藝［2］。在焙燒過程中，不同粒度的炭質(zhì)材料按照一定比例配料，加入煤瀝青經(jīng)震動混捏振動成型等工序，使生陽極中煤瀝青的部分揮發(fā)份揮發(fā)燃燒，部分焦化，形成致密的高強度的炭陽極塊［3］。配料配方作為焙燒關(guān)鍵的一環(huán)，其優(yōu)劣很大程度上決定了焙燒后生成的焙燒塊的理化指標(biāo)和成品率［4］。

2 相關(guān)工作

對于焙燒塊各項理化指標(biāo)的合格標(biāo)準(zhǔn)，因為各種工廠的陽極配方粒度大小和種類不同，以及采用不同的生產(chǎn)工藝，導(dǎo)致各工廠理化數(shù)值有很大差異，表1是我國目前鋁電解用碳陽極的真實情況和平均水平以及某企業(yè)的焙燒塊理化指標(biāo)合格標(biāo)準(zhǔn)。

表1 我國鋁電解用炭陽極焙燒塊平均水平

在以上焙燒塊理化指標(biāo)中，體積密度主要受配方粒度大小的影響［5～6］，當(dāng)使用小粒度配方時，體積密度越高，而使用大粒度配方時，體積密度越低［7］。另外，殘極使用情況也影響體積密度、陽極強度與骨料性質(zhì)和配方組成有很大的關(guān)系、陽極CO2反應(yīng)性是反應(yīng)陽極抗氧化性的一項重要指標(biāo)；電阻率主要受到陽極生產(chǎn)的主要原料石油焦好壞的影響；反應(yīng)陽極的熱特性指標(biāo)熱膨脹系數(shù)是衡量陽極抗熱震性的重要指標(biāo)［8］。

表2 某企業(yè)鋁電解用炭陽極焙燒塊評價標(biāo)準(zhǔn)

焙燒后所生成的焙燒塊必須具有良好的導(dǎo)電性，以求降低陽極壓降實現(xiàn)節(jié)電，同時必須具有較高的機械強度和抗熱震性能［9］。作為預(yù)焙陽極的主要材料，焙燒塊的質(zhì)量對陽極的質(zhì)量和陽極在電解槽中的特性有直接影響［10］。焙燒工藝主要控制指標(biāo)就是焙燒塊的電阻率和真密度，這些參數(shù)對預(yù)焙陽極抗二氧化碳和空氣反應(yīng)性等性能均有較重大影響［11］。

BP神經(jīng)網(wǎng)絡(luò)主要由一個輸入層，一個或多個隱含層，一個輸出層組成，包含信息正向傳播和誤差反向傳播兩種傳播過程［12］。在正向傳播過程中，輸入信息從輸入層經(jīng)隱含層傳到輸出層，經(jīng)過作用函數(shù)的輸出值與期望值比較，如有誤差，則反向傳播，逐層修改各層神經(jīng)元權(quán)值以減小誤差［13］。如此循環(huán)傳播，直到輸出結(jié)果符合精度要求為止［14］。在本模型中，以陽極配方中6種粒度比例為輸入，焙燒塊理化指標(biāo)為輸出。

此前，姜朝陽、文克等將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于預(yù)焙陽極生產(chǎn)中，通過輸入配方信息到神經(jīng)網(wǎng)絡(luò)模型中，仿真模擬焙燒塊理化指標(biāo)，這對配方的控制具有一定的指導(dǎo)意義［15］。但是，他們并未提出一個合理的焙燒塊質(zhì)量評判準(zhǔn)則，以致在評判預(yù)測焙燒塊優(yōu)劣時具有很大的主觀性。

3 模型設(shè)計

模型設(shè)計目的：對于一個新給定的預(yù)焙陽極配方，輸入到本預(yù)測模型之中，能預(yù)測以此配方所燒出的焙燒塊的理化指標(biāo)，并對該焙燒塊給出一個合理客觀的評價，以分?jǐn)?shù)來體現(xiàn)，從而體現(xiàn)配方的優(yōu)劣。

模型設(shè)計思想：首先，以焙燒之后所產(chǎn)生的焙燒塊的理化指標(biāo)為維度，使用KMEANS算法對焙燒塊進行類別標(biāo)識。其次，根據(jù)采用的標(biāo)準(zhǔn)值，權(quán)值和類別標(biāo)識對焙燒塊進行評分。采用雙重標(biāo)識可以使得評分過程更加合理，在評分過程中避免因單指標(biāo)過高而過分拉高評分的情況。然后，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)并預(yù)測焙燒塊理化指標(biāo)值。最后，使用KNN算法對預(yù)測的焙燒塊進行分類標(biāo)識，利用與之前相同的評分標(biāo)準(zhǔn)對預(yù)測的焙燒塊理化指標(biāo)進行評分。

4 模型算法

4.1 焙燒塊評分標(biāo)準(zhǔn)介紹

焙燒塊共有七項理化指標(biāo)，每項理化指標(biāo)都有相應(yīng)的企業(yè)標(biāo)準(zhǔn)，如表2所示，焙燒塊分?jǐn)?shù)計算步驟如下：

1）若焙燒塊所有理化指標(biāo)都在企業(yè)標(biāo)準(zhǔn)范圍內(nèi)，則其可獲得合格基礎(chǔ)分（QBP），否則合格基礎(chǔ)分為0分；

2）根據(jù)焙燒塊所屬類別標(biāo)簽的優(yōu)劣，獲得與之對應(yīng)的類別基礎(chǔ)分（CBP）；

3）分別歸一化焙燒塊理化指標(biāo)，并將理化指標(biāo)標(biāo)準(zhǔn)值映射到規(guī)范區(qū)域內(nèi)；

4）根據(jù)企業(yè)標(biāo)準(zhǔn)，焙燒塊各理化指標(biāo)的權(quán)值計算質(zhì)量分?jǐn)?shù)（QP）；

5）將焙燒塊所得分?jǐn)?shù)加在一起，即為焙燒塊總評分（BBP）。

焙燒塊理化指標(biāo)歸一化公式：

焙燒塊質(zhì)量參數(shù)分計算公式：

焙燒塊總評分公式：

其中ai為歸一化之前，焙燒塊第i個理化指標(biāo)值；Xi為歸一化后，焙燒塊第i個理化指標(biāo)值；Si為映射到規(guī)范化區(qū)間的焙燒塊第i個理化指標(biāo)企業(yè)合格標(biāo)準(zhǔn)值；Wi為焙燒塊第i個理化指標(biāo)的權(quán)值；±選取規(guī)則：焙燒塊第i個理化指標(biāo)屬性為不小于時取“+”，否則取“-”。

4.2 焙燒塊質(zhì)量的預(yù)測模型構(gòu)建步驟

焙燒塊質(zhì)量的預(yù)測模型構(gòu)建步驟如圖1所示。

圖1 模型計算流程圖

5 實驗測試

5.1 定義誤差

絕對誤差計算公式：

平均絕對誤差計算公式：

相對誤差計算公式：

相對平均誤差計算公式：

準(zhǔn)確度計算公式：

其中Pi為預(yù)測分?jǐn)?shù)值；Ri為實際分?jǐn)?shù)值；n為預(yù)測數(shù)據(jù)總數(shù)。

5.2 實驗過程與參數(shù)選擇

1）選取合格基礎(chǔ)分QBP（30分）；

2）首先依據(jù)被燒塊理化指標(biāo)（灰分、體積密度、電阻率、真密度、耐壓強度、CO2反應(yīng)性、熱膨脹系數(shù)）利用KMEANS算法將訓(xùn)練數(shù)據(jù)聚為4類，并選取類別基礎(chǔ)分（如表3所示），其中KMEANS最大迭代次數(shù)為1000次，中心點隨機生成次數(shù)為100次；

3）選取標(biāo)準(zhǔn)值，歸一化理化指標(biāo)和標(biāo)準(zhǔn)值數(shù)據(jù)，標(biāo)準(zhǔn)值選取如表2所示，選取權(quán)值，本次實驗各理化指標(biāo)權(quán)值均為1/7；

4）利用式（1）、式（2）和式（3）對所有真實焙燒塊理化指標(biāo)進行評分；

5）對于被燒塊各理化指標(biāo)分別訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型，其中學(xué)習(xí)率為0.05，采用Sigmoid函數(shù)作為激勵函數(shù)，隱含層層數(shù)為3層，隱含層節(jié)點數(shù)分別為12，18，9，迭代訓(xùn)練次數(shù)為100次；

6）利用KNN算法（K=4）將神經(jīng)網(wǎng)絡(luò)預(yù)測的被燒塊理化指標(biāo)進行分類，在KNN中選取投票方式進行最終決策；

7）結(jié)果分析

表3 類別基礎(chǔ)分

5.3 實驗結(jié)果

本次試驗預(yù)測數(shù)據(jù)為300條，預(yù)測結(jié)果誤差及準(zhǔn)確度如表4、表5所示。

表4 預(yù)測結(jié)果

表5 模型評價

部分?jǐn)?shù)據(jù)預(yù)測值與真實值對比圖如圖2、圖3所示。

圖2 真實與預(yù)測數(shù)據(jù)對比圖（1～30）

圖3 真實與預(yù)測數(shù)據(jù)對比圖（31～60）

6 結(jié)語

本文給出了一種客觀合理的焙燒塊理化指標(biāo)評分方法，提出的預(yù)焙陽極焙燒塊質(zhì)量的預(yù)測模型是一種應(yīng)用在預(yù)焙陽極焙燒生產(chǎn)過程中的簡單分析模型。模型中融合了KMEANS，BP神經(jīng)網(wǎng)絡(luò)和KNN算法，從預(yù)測結(jié)果來看，預(yù)測數(shù)據(jù)與真實數(shù)據(jù)的均值，標(biāo)準(zhǔn)差波動基本一致，算法的準(zhǔn)確度達到94.14%，預(yù)測效果良好。