基于深度學(xué)習(xí)的鋁電解槽陽極效應(yīng)預(yù)測方法研究

何 文

(眉山市博眉啟明星鋁業(yè)有限公司,四川眉山 620010)

鋁電解生產(chǎn)環(huán)境惡劣,受電場、磁場、流場、溫度場、應(yīng)力場、濃度場相互耦合,導(dǎo)致鋁電解生產(chǎn)過程中故障頻發(fā),造成能耗增加、設(shè)備損壞,甚至人員傷亡等巨大損失[1-2]。陽極效應(yīng)在鋁電解生產(chǎn)過程中最為常見,當(dāng)陽極效應(yīng)發(fā)生時,電壓在短時間內(nèi)急劇上升,影響電流效率,導(dǎo)致能耗增加,嚴(yán)重時會損壞電解槽,甚至導(dǎo)致人員傷亡,同時產(chǎn)生PFCs等有害氣體,污染環(huán)境。因此對鋁電解生產(chǎn)過程中發(fā)生的陽極效應(yīng)進(jìn)行預(yù)測具有重要意義。由于鋁電解生產(chǎn)受環(huán)境等多因素影響,使得陽極效應(yīng)的預(yù)報存在較大困難。

目前,國內(nèi)外學(xué)者對陽極效應(yīng)的預(yù)測研究主要集中在基于數(shù)據(jù)驅(qū)動方面。ZHOU等[3]結(jié)合支持向量機(jī)和K最鄰近算法,預(yù)測精度為89%。周凱波等[4]應(yīng)用廣義回歸神經(jīng)網(wǎng)絡(luò)對預(yù)焙槽鋁電解陽極效應(yīng)預(yù)報問題展開研究,結(jié)果表明該方法陽極效應(yīng)的預(yù)報準(zhǔn)確率平均在90%以上。田曄非等[5]針對當(dāng)前陽極效應(yīng)預(yù)測方法精度低等缺陷,設(shè)計了一種基于廣義回歸神經(jīng)網(wǎng)絡(luò)的陽極效應(yīng)預(yù)測模型,結(jié)果顯示該模型可以有效地擬合陽極效應(yīng)變化特點,具有較高的預(yù)測精度。李翹楚等[6]使用改進(jìn)的交叉熵算法(Cross Entropy Method,CEM)與支持向量機(jī)(Support Vector Machines,SVM)的組合優(yōu)化算法,相比傳統(tǒng)交叉熵算法,有效提高了陽極效應(yīng)預(yù)測的準(zhǔn)確率。ZHOU等[7]利用極端梯度提升機(jī)對陽極效應(yīng)進(jìn)行預(yù)報。PAN等[8]首先通過修正鄰域互信息計算特征參數(shù)與陽極效應(yīng)之間的關(guān)聯(lián)度進(jìn)行特征選擇,然后利用輕量梯度提升機(jī)算法對陽極效應(yīng)進(jìn)行預(yù)測。

深度學(xué)習(xí)具有強(qiáng)大的特征提取能力和非線性映射能力,能更好地表征復(fù)雜的映射關(guān)系。目前,深度學(xué)習(xí)在航空發(fā)動機(jī)、滾動軸承、電動汽車、風(fēng)電機(jī)等故障診斷領(lǐng)域均有較為成功的應(yīng)用。金江濤等[9]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)與長短時記憶網(wǎng)絡(luò)提取信號特征,并結(jié)合支持向量機(jī)完成故障分類,實現(xiàn)對滾動軸承的故障診斷。李東東等[10]提出一種基于深度特征融合網(wǎng)絡(luò)的行星齒輪箱故障診斷方法,經(jīng)多場景對比實驗,所提方法在行星齒輪箱變速工況下分類效果良好。DE BRUIN等[11]利用長短時記憶神經(jīng)網(wǎng)絡(luò)實現(xiàn)對鐵路軌道電路故障的檢測。王鑫等[12]提出一種基于多層網(wǎng)格搜索的長短時記憶網(wǎng)絡(luò)方法,實現(xiàn)對具有時間序列的故障進(jìn)行預(yù)測。

本團(tuán)隊先后提出了基于長短時記憶網(wǎng)絡(luò)(LSTM)和基于堆疊降噪自動編碼器(SDAE)與隨機(jī)森林(RF)的陽極效應(yīng)預(yù)測方法[13-14]。LSTM充分考慮了前、后樣本對當(dāng)前樣本的影響,善于處理時序數(shù)據(jù)。SDAE可充分挖掘數(shù)據(jù)間的關(guān)系,提取陽極效應(yīng)大量原始參數(shù)中的關(guān)鍵特征參數(shù),同時利用RF對提取出的關(guān)鍵故障特征進(jìn)行分類。鋁電解生產(chǎn)數(shù)據(jù)具有時序性,LSTM相對于RF能更好地處理鋁電解生產(chǎn)數(shù)據(jù)。因此,本文在團(tuán)隊前期研究基礎(chǔ)上提出一種將SDAE和LSTM結(jié)合起來的預(yù)測模型,用于鋁電解槽陽極效應(yīng)的診斷預(yù)測,以解決關(guān)鍵特征信息遺漏、預(yù)測精度低等不足。

1 鋁電解工藝及故障

1.1 工藝流程

現(xiàn)代鋁工業(yè)生產(chǎn),普遍采用冰晶石-氧化鋁熔鹽電解法,電解設(shè)備為鋁電解槽。在冰晶石-氧化鋁熔鹽電解法中,熔融冰晶石是溶劑,氧化鋁作為溶質(zhì)溶解在其中,以炭素材料作為陰、陽兩極。通入強(qiáng)大的直流電后,在兩極間發(fā)生電化學(xué)反應(yīng),陰極上的產(chǎn)物為鋁液,陽極上的產(chǎn)物為二氧化碳等氣體。通入直流電,一方面是利用熱能將冰晶石熔化呈熔融狀態(tài),并保持恒定的電解溫度,另一方面是要實現(xiàn)電化學(xué)反應(yīng)。鋁電解化學(xué)反應(yīng)方程見式(1)。

鋁電解主要生產(chǎn)單元及工藝流程如圖1所示。

圖1 鋁電解主要生產(chǎn)單元及工藝流程Fig.1 Main production unit and process flow of aluminum electrolysis

1.2 鋁電解槽結(jié)構(gòu)

工業(yè)鋁電解槽包括陽極裝置、陰極裝置、母線裝置、電器絕緣4個部分。電解槽外部是一個鋼制槽殼,內(nèi)部襯以耐火磚和保溫層。以壓型炭塊鑲于槽底作為電解槽的陰極,電流通過電解質(zhì)由炭質(zhì)陰極流入炭質(zhì)陽極,完成電解過程。鋁電解槽結(jié)構(gòu)如圖2所示。

圖2 鋁電解槽結(jié)構(gòu)Fig.2 Aluminum electrolytic cell structure

1.3 常見危害因素

1.3.1 陽極效應(yīng)

陽極效應(yīng)是鋁電解生產(chǎn)過程中最為常見的一種現(xiàn)象。當(dāng)陽極效應(yīng)發(fā)生時,電壓將在短時間內(nèi)急劇上升,導(dǎo)致其發(fā)生的直接原因與氧化鋁濃度有關(guān)。當(dāng)氧化鋁濃度過低時,電解質(zhì)同炭陽極之間的濕潤性變差,析出的一氧化碳、二氧化碳、氧氣容易聚集在陽極和電解質(zhì)的界面上,隨著陽極氣泡的逐漸增多,由小氣泡聚合形成較大氣泡,形成連續(xù)的氣體膜,由于氣體的絕緣性,阻礙了電流的通過,導(dǎo)致電壓升高,由此產(chǎn)生陽極效應(yīng)。目前關(guān)于陽極效應(yīng)發(fā)生的機(jī)理,還沒有定論,電解質(zhì)水平、電解槽溫度等也是重要影響因素。

陽極效應(yīng)降低了鋁電解電流效率的同時,增加了噸鋁能耗,并且縮短電解槽壽命,嚴(yán)重的還會造成設(shè)備損壞。而鋁電解生產(chǎn)環(huán)境復(fù)雜,受多種因素交叉影響,且鋁電解槽槽況參數(shù)繁多,使得陽極效應(yīng)預(yù)測極為困難。在實際生產(chǎn)過程中,目前對陽極效應(yīng)的預(yù)測只能憑借電壓單一參數(shù),預(yù)測準(zhǔn)確率及提前預(yù)測時間均有待提高。

1.3.2 漏槽

電解槽漏槽時不僅該槽的運(yùn)行遭到破壞,同時漏出的高溫電解質(zhì)和鋁水可能會沖壞陰極母線和燒毀槽下部設(shè)備,從而影響整個系列生產(chǎn)。電解槽的漏槽與內(nèi)部槽幫結(jié)構(gòu)被破壞有關(guān),槽幫太薄,側(cè)部內(nèi)襯材料就會被電解質(zhì)溶液和鋁液所侵蝕,槽體結(jié)構(gòu)被破壞,導(dǎo)致電解槽漏槽,造成重大經(jīng)濟(jì)損失。

2 方法理論

2.1 堆疊降噪自動編碼器(SDAE)

堆疊降噪自動編碼機(jī)(Stacked Denoising Auto Encoder,SDAE)的基本單元是降噪自動編碼器(Denoising Auto Encoder,DA),SDAE由多個DA堆疊而成,能有效地提取數(shù)據(jù)低維特征。對于第一個DA,其計算過程見式(2)～(3)。

2.2 長短時記憶網(wǎng)絡(luò)

長短時記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)充分考慮了過去輸入信息對當(dāng)前樣本的影響,同時可有效解決梯度爆炸和梯度消失問題,適用于復(fù)雜設(shè)備或系統(tǒng)的故障診斷。LSTM由輸入門、遺忘門和輸出門構(gòu)成,通過引入門控循環(huán)單元(Gated Recurrent Unit,GRU)使自循環(huán)的權(quán)重可以通過前后單元確定,其結(jié)構(gòu)如圖3所示。

圖3 LSTM網(wǎng)絡(luò)基本結(jié)構(gòu)Fig.3 Basic structure of LSTM network

LSTM中,遺忘門(Forget gate)決定過去輸出信息對當(dāng)前輸入信息的重要程度,表達(dá)式見式(9)。

更新門(update gate)控制更新后的信息所占比例見式(10)。

3 預(yù)測模型

3.1 模型框架

本文提出一種基于堆疊降噪自動編碼器和長短時記憶網(wǎng)絡(luò)的鋁電解陽極效應(yīng)預(yù)測方法。首先對數(shù)據(jù)集進(jìn)行缺失值和標(biāo)準(zhǔn)化處理,考慮到目前陽極效應(yīng)發(fā)生的機(jī)理和影響因素沒有統(tǒng)一的定論,因此在以往的研究基礎(chǔ)上,為了盡可能避免關(guān)鍵特征的遺漏,增加了特征參數(shù),把采集到的全部原始特征參數(shù)直接作為輸入特征向量,輸入特征參數(shù)如表1所示。本文利用堆疊降噪自動編碼器對原始輸入數(shù)據(jù)進(jìn)行關(guān)鍵特征提取,同時通過長短時記憶網(wǎng)絡(luò)對其進(jìn)行分類預(yù)測,實現(xiàn)對陽極效應(yīng)的診斷預(yù)測,模型框架如圖4所示。本文在大量實驗的基礎(chǔ)上,以模型在訓(xùn)練集/驗證集/測試集中的準(zhǔn)確率作為調(diào)參指標(biāo),確定模型關(guān)鍵參數(shù),具體超參數(shù)設(shè)置如表2所示。

表1 模型輸入特征參數(shù)Table 1 Model input feature parameters

表2 SDAE-LSTM模型超參數(shù)設(shè)置Table 2 SDAE-LSTM model hyperparameter setting

圖4 SDAE-LSTM模型結(jié)構(gòu)Fig.4 Structure of SDAE-LSTM model

3.2 模型評價指標(biāo)

為了更好地評價和驗證模型的性能,本文采用準(zhǔn)確率和F1分?jǐn)?shù)作為模型性能優(yōu)劣的評價指標(biāo)。F1分?jǐn)?shù)是用來衡量分類模型精確度的一種指標(biāo),它同時兼顧了分類模型的查準(zhǔn)率P(precision)和查全率R(recall),F1表達(dá)式見式(14)～(16),準(zhǔn)確率表達(dá)式見式(17)。

式中:F1最大值為1,最小值為0,值越大意味著模型性能越好;TP(True positive)表示預(yù)測答案正確;FP(False positive)表示預(yù)測答案錯誤;FN(False negative)表示將本類標(biāo)簽預(yù)測為其他類標(biāo)簽。

4 實驗驗證

本文數(shù)據(jù)均來源于某鋁業(yè)公司360 kA電流系列鋁電解槽,原始數(shù)據(jù)為25臺電解槽的日報表(現(xiàn)場槽控機(jī)在線自動記錄數(shù)據(jù)和離線化驗手動數(shù)據(jù)等),時間為2020年6月1日至2021年6月1日,共采集了5 826個樣本,其中正常樣本4 781個,效應(yīng)樣本1 045個,所有樣本均勻分布在訓(xùn)練集、驗證集和測試集中,具體實驗設(shè)置如表3所示。

表3 實驗參數(shù)設(shè)置Table 3 The experimental setup

4.1 模型性能驗證

本文共采集了5 826個實驗樣本,按照6∶2∶2的比例將數(shù)據(jù)集分為訓(xùn)練集、驗證集和測試集。首先在訓(xùn)練集上用于模型訓(xùn)練,然后在驗證集上調(diào)試超參數(shù)、驗證模型性能、修正模型,最后在測試集上測試結(jié)果,以測試集準(zhǔn)確率作為模型的最終性能評估。經(jīng)過實驗驗證,評價結(jié)果如表4所示。陽極效應(yīng)的預(yù)測屬于二分類問題,采用點線圖能形象直觀地表征模型結(jié)果,模型部分預(yù)測結(jié)果如圖5所示。

圖5 模型部分預(yù)測結(jié)果Fig.5 Partial prediction results of the model

表4 模型性能評價結(jié)果Table 4 Model performance evaluation results

4.2 不同方法對比

為了驗證本文提出的基于深度學(xué)習(xí)的SDAELSTM陽極效應(yīng)預(yù)測模型的性能,本文另外單獨(dú)構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)模型、廣義回歸神經(jīng)網(wǎng)絡(luò)模型及團(tuán)隊前期研究的LSTM、SDAE-RF模型,在相同的數(shù)據(jù)集下對幾個模型性能進(jìn)行對比驗證,以測試集準(zhǔn)確率和F1分?jǐn)?shù)作為評估指標(biāo),實驗結(jié)果如圖6所示。實驗結(jié)果表明,本文構(gòu)建的SDAE-LSTM模型在準(zhǔn)確率和F1分?jǐn)?shù)上均具有顯著優(yōu)勢。

圖6 多模型性能對比Fig.6 Performance comparison of multiple models

5 結(jié)論

本文重點研究了基于深度學(xué)習(xí)的鋁電解陽極效應(yīng)診斷方法,提出一種基于堆疊降噪自動編碼器和長短時記憶網(wǎng)絡(luò)模型用于鋁電解陽極效應(yīng)診斷中。SDAE能很好地提取陽極效應(yīng)大量原始參數(shù)中的關(guān)鍵特征參數(shù),LSTM擅長于處理時序數(shù)據(jù)和前后關(guān)聯(lián)數(shù)據(jù),能很好地找出槽況參數(shù)變化趨勢和陽極效應(yīng)之間的聯(lián)系。本文首先利用堆疊降噪自動編碼器挖掘關(guān)鍵故障特征信息,然后利用長短時記憶網(wǎng)絡(luò)實現(xiàn)對陽極效應(yīng)的診斷。實驗結(jié)果顯示,相比BP神經(jīng)網(wǎng)絡(luò)和廣義回歸神經(jīng)網(wǎng)絡(luò)及團(tuán)隊前期提出的LSTM、SDAE-RF模型,本文構(gòu)建的SDAE-LSTM模型有更好的表現(xiàn),在測試集上的預(yù)測準(zhǔn)確率和F1分?jǐn)?shù)分別為97.56%和0.9686,相比表現(xiàn)較好的SDAE-RF在預(yù)測準(zhǔn)確率和F1分?jǐn)?shù)上分別提高了0.8%、1.9%。由此可見,本文驗證了所提方法在鋁電解陽極效應(yīng)診斷應(yīng)用的可行性和有效性,提出的SDAE-LSTM預(yù)測方法能夠為鋁電解陽極效應(yīng)診斷提供更高的精度,對當(dāng)前鋁電解生產(chǎn)具有重要的現(xiàn)實指導(dǎo)意義。