面向鋁工業(yè)基于PSO+LSTM的電解槽氧化鋁濃度預測研究

朱家華,徐 楊,2,曹 斌,程建國

(1.貴州大學 大數(shù)據(jù)與信息工程學院,貴州 貴陽 550025;2.貴陽鋁鎂設計研究院有限公司,貴州 貴陽 550009;3.中鋁智能科技發(fā)展有限公司,浙江 杭州 311103)

現(xiàn)代鋁電解生產主要是基于電解槽內氧化鋁濃度的控制,將氧化鋁濃度控制在一定范圍內是保持鋁電解槽穩(wěn)定運行的核心任務,其最佳濃度范圍在1.5%到3.5%[10-11]之間。當電解槽中氧化鋁濃度達到飽和時,如果進料器繼續(xù)添加,將會導致能耗增加和鋁液波動等問題,并誘發(fā)槽底沉淀與槽幫結殼,降低電解槽的使用壽命;如果氧化鋁濃度過低,將會導致陽極效應頻發(fā),進而導致電解槽的電壓與溫度都升高,電解槽能量平衡被破壞,電流效率降低,出鋁量減少,生產成本增加。因此,將電解槽中氧化鋁濃度準確控制在一定范圍內,是保證電解槽的物料和能量平衡、保證電解槽穩(wěn)定高效運行的基礎。

現(xiàn)代工業(yè)上的鋁電解生產環(huán)境復雜,由于高溫、強腐蝕、強磁場等多種環(huán)境因素的影響,導致氧化鋁濃度在線測量對裝置要求極高。近年來,不少國內外專家學者對氧化鋁濃度的測量與預測控制作了深入的研究,并取得了一系列的成果。文獻[1]將PSO與LS-SVM相結合,引入極電電壓與陽極電流作為輸入,利用PSO進行參數(shù)優(yōu)化并自動尋優(yōu),實現(xiàn)氧化鋁濃度的實時預測;文獻[2]基于非線性模型預測控制方法,采用最小二乘支持向量機的非線性Hammerstein系統(tǒng)子空間的辨識方法,建立了數(shù)據(jù)驅動的氧化鋁濃度控制的狀態(tài)空間模型,通過下料與極距調整實現(xiàn)氧化鋁濃度的精確控制;文獻[3]建立基于種群活性粒子群算法優(yōu)化最小二乘支持向量機參數(shù)的鋁電解氧化鋁濃度預測模型,有效地提高了計算精度。針對氧化鋁濃度的預測控制方法還有許多,基于槽電阻變化速率跟蹤的濃度控制方法,由于氧化鋁濃度與槽電阻關系呈現(xiàn)為“凹型”曲線,氧化鋁濃度在3.5%～4%之間存在一個極值點,濃度從4%逐漸開始增加或減少時槽電阻都增加,通過跟蹤槽電阻及槽電阻變化速率便可以推測氧化鋁濃度,據(jù)此可以進行適當?shù)南铝峡刂?使氧化鋁濃度控制在目標區(qū)域內;基于氧化鋁濃度(或特征參數(shù))估計模型的濃度控制方法,該方法通過建立槽電阻與氧化鋁濃度之間的數(shù)學模型實現(xiàn)對氧化鋁濃度的直接估計,由此實現(xiàn)對氧化鋁濃度的更好的控制。

1 研究目的

以上文獻在氧化鋁濃度的預測方面取得一定的成效,但是所用算法存在一些不足。文獻[1]將PSO與LS-SVM相結合,實現(xiàn)氧化鋁濃度的實時預測,但是在氧化鋁濃度預測的精度方面還存在一定的提升空間;文獻[2]基于非線性模型預測控制方法,通過下料與極距調整實現(xiàn)氧化鋁濃度的精確控制,但是在實時性方面也存在不足。綜合考慮當前研究存在的問題,為了實時精準地預測及控制氧化鋁濃度,脫離對專家經驗知識的依賴,并且充分結合槽控機的硬件系統(tǒng)與鋁電解過程中的非線性特性,本文在氧化鋁濃度預測與鋁電解質方面作了大量研究,包括復雜鋁電解質關鍵物化參數(shù)和測定新方法、電解槽氧化鋁濃度預測[4]、氧化鋁濃度參數(shù)調控降低陽極效應[5]、分布式陽極電流監(jiān)測[6]、數(shù)字化鋁電解槽系統(tǒng)框架設計[7]等。通過對這些知識[8]的研讀與探討,綜合考慮算法的實時性與測量的精確性,針對LSTM的梯度問題和計算費時的缺點,本文利用PSO優(yōu)化LSTM函數(shù),彌補LSTM函數(shù)的弱點,提出基于PSO優(yōu)化的PSO+LSTM的氧化鋁濃度預測控制方法。首先,結合某鋁廠的實習經驗以及相關專家經驗知識的傳授,通過探究氧化鋁濃度[9]與槽電壓、陽極導桿電流、槽電阻、陽極導桿等距壓降、累斜、下料間隔、電解槽狀態(tài)參數(shù)、出鋁量、鋁水平這9個相關變量的關系,并對模型進行優(yōu)化,確定輸入與輸出的關系,提出基于PSO優(yōu)化的PSO+LSTM混合算法,提高了LSTM的建模精度。最后,結合PSO+LSTM算法能記住比LSTM算法更長期的信息的特點,對某鋁廠電解槽的A1導桿與B7導桿進行數(shù)據(jù)采集,使用采集到的真實數(shù)據(jù),對優(yōu)化后算法的精度和實時性進行驗證。

2 工業(yè)鋁電解槽

金屬鋁是生活中最常見的金屬。金屬鋁因為其具有良好的延展性,在機械制造、車輛生產、航空航天各行業(yè)中均得到廣泛應用。目前鋁冶煉設備是融鹽電解槽,電解槽是在一個鋼制槽殼內部襯以耐火磚和保溫層,陰極炭塊鑲于槽底,作為電解槽的陰極,鋁電解槽的結構如圖1。

圖1 鋁電解槽結構圖

現(xiàn)代鋁工業(yè)生產采用氧化鋁融鹽電解法電解鋁,使用熔融冰晶石作為電解質,將氧化鋁作為溶質溶解在其中,使電解溫度控制在950～970℃,以炭素材料作為陰、陽兩極,通入直流電,在兩極間發(fā)生電化學反應,電解總反應式為:

2Al2O3+3C→ 4Al+3CO2↑

(1)

根據(jù)鋁電解過程機理和相關文獻可知,氧化鋁濃度與槽電壓、陽極導桿電流與陽極導桿等距壓降存在著一定的關系,因此,可以利用現(xiàn)場實際測得的數(shù)據(jù),對氧化鋁濃度進行預測。

3 研究方法

3.1 LSTM原理

LSTM(Long Short-Term Memory)算法是深度學習方法的一種,LSTM是一種特殊的RNN(Recurrent neural network,循環(huán)神經網(wǎng)絡),LSTM通過精心設計的“門”結構,避免了傳統(tǒng)單一神經網(wǎng)絡產生的長序列訓練過程中的梯度消失和梯度爆炸問題,能有效學習到長期依賴關系。在處理預測和分類問題中,LSTM能記住100個量級的序列甚至更長期的信息,具有記憶功能的LSTM模型表現(xiàn)出較強的優(yōu)勢。LSTM單元結構如圖2。

圖2 LSTM單元結構圖

LSTM增加的三個神經網(wǎng)絡層就代表LSTM的三個門(遺忘門(Forget Gate)、輸入門(Input Gate)、輸出門(Output Gate))。其中記憶單元(Memory Cell)接受兩個輸入,即上一時刻的輸出值ht-1和本時刻的輸入值xt,由這兩個參數(shù)優(yōu)先進入遺忘門,得到決定要舍棄的信息ft(即權重較小的信息)后,再進入輸入門,得到決定要更新的信息it(即上一Cell相比權重較大的信息)以及當前時刻的Cell狀態(tài)Ct(候選向量,可理解為中間變量,存儲當前Cell State信息),最后由這兩個門(遺忘門和輸入門)的輸出值(即ft,it,Ct)進行組合(上一Cell狀態(tài)Ct-1乘以要遺忘信息的激活值ft與當前時刻Cell狀態(tài)Ct乘以需要記憶信息的激活值it進行疊加),得到分別的長時(Ct)和短時(ht)信息,最后進行存儲操作及對下一個神經元的輸入。LSTM在網(wǎng)絡中的工作流程如圖3。

圖3 LSTM工作流程

根據(jù)上圖,可以得到三個門的方程如下:

1)遺忘門:

ft=σ(Wf·[ht-1,xt]+bf)

(2)

2)輸入門:

it=σ(Wi·[ht-1,xt]+bi)

(3)

Ct=tanh(Wc[ht-1,xt]+bc)

(4)

以及t時刻的Cell狀態(tài)(長時)方程:

Ct=ft·Ct-1+it·Ct

(5)

3)輸出門

Ot=σ(Wo·[ht-1,xt]+bo)

(6)

ht=Ot·tanh(Ct)

(7)

式中:f是門的激活函數(shù),g是Cell輸入的激活函數(shù),h是Cell輸出的激活函數(shù)。

σ(z)是Sigmoid激活函數(shù),σ(z)的函數(shù)方程式為:

(8)

σ′(z)=σ(z)[1-σ(z)]

(9)

式中:tanh(z)是tanh的激活函數(shù),tanh(z)的函數(shù)方程式為:

(10)

tanh′(z)=1-tanh2(z)

(11)

3.2 PSO粒子群算法

PSO(Particle swarm optimization)粒子群優(yōu)化算法[12-13]是一種進化計算技術,粒子群優(yōu)化算法的基本思想是通過群體中個體之間的協(xié)作和信息共享來尋找最優(yōu)解。PSO的優(yōu)勢在于簡單容易實現(xiàn)并且沒有許多參數(shù)調節(jié),目前已被廣泛應用于函數(shù)優(yōu)化、神經網(wǎng)絡訓練、模糊系統(tǒng)控制及其他遺傳算法[14-15]的應用領域。PSO算法的流程圖如圖4。

圖4 PSO算法流程圖

3.3 PSO+LSTM模型

將LSTM初始學習率、隱藏層單元數(shù)目作為PSO算法的優(yōu)化對象,根據(jù)超參數(shù)取值范圍隨機初始化各粒子位置信息。然后,根據(jù)粒子位置對應的超參數(shù)取值建立LSTM模型,利用訓練數(shù)據(jù)對模型進行訓練,將驗證數(shù)據(jù)代入訓練好的模型進行預測。PSO+LSTM算法流程如圖5。

圖5 PSO+LSTM算法流程圖

結合流程圖及算法原理,本文把收集到的氧化鋁濃度數(shù)據(jù)分為訓練數(shù)據(jù)和驗證數(shù)據(jù),然后將LSTM模型的時間窗口大小、批處理大小、神經網(wǎng)絡隱藏層單元數(shù)目作為優(yōu)化對象,初始化自適應PSO算法。接著劃分子群,計算每個粒子的適應度值,以各粒子對應參數(shù)構建LSTM模型,通過訓練數(shù)據(jù)進行訓練,使用驗證數(shù)據(jù)進行預測,將預測結果的絕對百分比誤差作為各粒子的適應度值。然后根據(jù)PSO算法的普通粒子和局部最優(yōu)粒子位置進行更新,并判斷終止條件,若滿足終止條件,返回最優(yōu)超參數(shù)取值,否則,返回重新計算粒子適應度。最后利用最優(yōu)超參數(shù)構建LSTM模型,該模型通過訓練數(shù)據(jù)和驗證數(shù)據(jù)進行訓練,測試集數(shù)據(jù)進行預測,得到預測結果。

4 研究結果

4.1 數(shù)據(jù)采集

為驗證所提算法的有效性,本文對某鋁廠電解槽的數(shù)據(jù)進行人工采集,考慮到現(xiàn)場工作環(huán)境的復雜性,決定由5名工人在現(xiàn)場分工合作進行取樣。其中1名工人負責記錄取樣時間,剩下4名工人兩人一組,一組負責A1導桿取樣,另一組負責B7導桿取樣,每組的2名取樣工人每天選擇與之前不同的時間段,用時約10分鐘,按照30 s以上的間隔進行取樣,每人取樣3～4次。經過持續(xù)兩個月的數(shù)據(jù)采集,共得到308組初始數(shù)據(jù),去除掉有數(shù)據(jù)缺失的28組數(shù)據(jù),最終得到280組完整的可用于實驗的數(shù)據(jù)。其中A1導桿的采集數(shù)據(jù)130組,B7導桿采集數(shù)據(jù)150組,樣本采樣后經化驗,獲得氧化鋁濃度真實值。把收集到的數(shù)據(jù)建立樣本集,其中將A1導桿與B7導桿的數(shù)據(jù)分別按8∶2的比值劃分為訓練集與驗證集,再將A1導桿與B7導桿兩者的數(shù)據(jù)合并,將合并后的數(shù)據(jù)隨機選取240組用于建模,40組用于模型預測。A1導桿與B7導桿的部分數(shù)據(jù)如表1和表2所示。

表1 A1導桿部分采樣數(shù)據(jù)統(tǒng)計表

表2 B7導桿部分采樣數(shù)據(jù)統(tǒng)計表

4.2 模型訓練

根據(jù)以上數(shù)據(jù),結合粒子群優(yōu)化長短期記憶神經網(wǎng)絡模型對數(shù)據(jù)進行訓練。選擇氧化鋁濃度作為算法的輸出,訓練的結果如圖6和圖7所示。

圖6 A1導桿數(shù)據(jù)集訓練結果

圖7 B7導桿數(shù)據(jù)集訓練結果

從訓練的結果圖可知,對于采集到的數(shù)據(jù),將A1導桿中的80組訓練數(shù)據(jù)與B7導桿中的100組訓練數(shù)據(jù)分別用粒子群優(yōu)化長短期記憶神經網(wǎng)絡模型進行學習和訓練,并將A1導桿中剩下的50組驗證數(shù)據(jù)與B7導桿中剩下的50組驗證數(shù)據(jù)用訓練模型進行驗證,結果證明模型具有較高的精度。為了使模型更具泛化性與魯棒性,本文將A1與B7的數(shù)據(jù)合并,將合并后的數(shù)據(jù)提取出取樣時間點,并隨機挑選103個取樣時間點,最后將103個時間點對應的數(shù)據(jù)篩選出來進行訓練,訓練結果如圖8所示。

4.3 氧化鋁濃度預測

將模型訓練完畢后,用該模型對最后的40組驗證數(shù)據(jù)進行預測,預測結果如圖9所示。

圖9 氧化鋁濃度預測結果

將預測結果與文獻[1]及文獻[2]的算法進行比較,比較結果如表3所示。

表3 各算法性能比較

從預測結果及表3可知,改進的粒子群優(yōu)化長短期記憶神經網(wǎng)絡模型與LSSVM算法相比,均方根降低了1.78%,整體平均誤差降低了9.2%;與NMPC算法相比,本文算法的均方根降低了1.20%,整體平均誤差降低了10.14%。從較可以得出,本文算法在均方根與整體平均誤差都有較大提升,并且具有較高的預測準確率。經某鋁廠試驗驗證,不會出現(xiàn)因數(shù)據(jù)量過少而出現(xiàn)過擬合問題,試驗驗證本算法具有一定的代表性。所用算法模型在I5四代處理器運行,僅需10 ms即可完成預測,進一步縮短氧化鋁預測時長。

5 結 語

針對氧化鋁濃度預測控制不精確及實時性差的問題,本文提出一種基于粒子群優(yōu)化長短期記憶神經網(wǎng)絡模型的氧化鋁濃度預測方法。該方法將兩極電壓、陽極導桿電流及陽極導桿等距壓降作為模型的輸入,對應的氧化鋁濃度作為輸出,建立了一種基于PSO+LSTM的預測模型,為大型鋁廠的氧化鋁濃度預測提供了模型支撐,為鋁電解生產過程的穩(wěn)定性提供了參考。