基于bp神經(jīng)網(wǎng)絡與mbfo算法的鋁電解生產(chǎn)工藝優(yōu)化方法
【技術領域】
[0001] 本發(fā)明涉及鋁電解工業(yè)生產(chǎn)領域，具體的說是一種基于BP神經(jīng)網(wǎng)絡與MBF0算法 的鋁電解生產(chǎn)工藝優(yōu)化方法。
【背景技術】
[0002] 鋁電解是一個復雜的工業(yè)生產(chǎn)過程，通常采用拜耳法進行冶煉，但是該方法耗能 大，效率低，還會產(chǎn)生大量溫室氣體，環(huán)境污染嚴重。因此，在保證鋁電解槽平穩(wěn)生產(chǎn)的前提 下，如何提高電流效率、降低能耗、降低污染氣體排放量，以實現(xiàn)高效、節(jié)能、減排已成為鋁 電解企業(yè)的生產(chǎn)目標。但是，鋁電解槽內部復雜的物料化學變化以外部多種不確定作業(yè)因 素導致槽內參數(shù)較多，參數(shù)間呈現(xiàn)出非線性、強耦合性等特點，且諸如極距、保溫材料厚度 等參數(shù)難以實時測量、調整，給鋁電解生產(chǎn)過程控制優(yōu)化帶來一定難度。

【發(fā)明內容】

[0003] 針對上述問題，本發(fā)明提供了一種基于BP神經(jīng)網(wǎng)絡與MBF0算法的鋁電解生產(chǎn)工 藝優(yōu)化方法，將優(yōu)化后的數(shù)據(jù)運用到實際鋁電解生產(chǎn)中，來提高電流效率，降低噸鋁能耗和 全氟化物排放量。
[0004] 為達到上述目的，本發(fā)明采用的具體技術方案如下：
[0005] -種基于BP神經(jīng)網(wǎng)絡與MBF0算法的鋁電解生產(chǎn)工藝優(yōu)化方法，其關鍵在于包括 以下步驟：
[0006] S1 :選擇對電流效率、噸鋁能耗以及全氟化物排放量有影響的控制參數(shù)構成決策 變量X= [Xdx2，…，xM]，Μ為所選參數(shù)的個數(shù)；
[0007] S2 :選定鋁電解工業(yè)現(xiàn)場，采集Ν組決策變量ΧρΧ2，…，ΧΝ及其對應的電流效率 yi，y2，…，對應的噸錯能耗ζρζ2，…，zjp對應的全氟化物排放量~，·^，…，wN作為數(shù) 據(jù)樣本，以每一個決策變量xjt為輸入，分別以對應的電流效率yi、噸鋁能耗Zi以及全氟化 物排放量^作為輸出，運用BP神經(jīng)網(wǎng)絡對樣本進行訓練、檢驗，建立鋁電解槽生產(chǎn)過程模 型；
[0008] S3 :利用多目標細菌覓食優(yōu)化算法，即MBF0算法，對步驟S2所得的三個生產(chǎn)過程 模型進行優(yōu)化，得到一組最優(yōu)決策變量Xtest及其對應的電流效率ytest、噸鋁能耗ztest以及全 氟化物排放量wtest;
[0009]S4 :按照步驟S3所得的最優(yōu)決策變量Xtest中的控制參數(shù)來控制步驟S2中所選定 的鋁電解工業(yè)現(xiàn)場，使其達到節(jié)能、降耗和減排的目的。
[0010] 進一步描述，步驟S1中選定了 8個參數(shù)構成決策變量，分別為系列電流Xl、下料次 數(shù)X2、分子比X；?、出錯量x4、錯水平X；)、電解質水平Xe、槽溫X·/、槽電壓Χδ。
[0011] 再進一步描述，為了滿足建模需求，步驟S2中的BP神經(jīng)網(wǎng)絡由輸入層、隱藏層和 輸出層構成；
[0012] 針對電流效率所構建的生產(chǎn)過程模型而言，其輸入層采用8個神經(jīng)元節(jié)點，隱藏 層采用13個神經(jīng)元節(jié)點，輸出層采用1個神經(jīng)元節(jié)點，輸入層到隱藏層之間的傳遞函數(shù)為Tansig函數(shù)，隱藏層到輸出層之間的傳遞函數(shù)為Purelin函數(shù)，樣本訓練時的迭代次數(shù)為 800；
[0013] 針對噸鋁能耗所構建的生產(chǎn)過程模型而言，其輸入層采用8個神經(jīng)元節(jié)點，隱藏 層采用12個神經(jīng)元節(jié)點，輸出層采用1個神經(jīng)元節(jié)點，輸入層到隱藏層之間傳遞函數(shù)為 Logsig函數(shù)，隱藏層到輸出層之間的傳遞函數(shù)為Purelin函數(shù)，樣本訓練時的迭代次數(shù)為 800；
[0014] 針對全氟化物排放量所構建的生產(chǎn)過程模型而言，其輸入層采用8個神經(jīng)元節(jié) 點，隱藏層采用13個神經(jīng)元節(jié)點，輸出層采用1個神經(jīng)元節(jié)點，輸入層到隱藏層之間傳遞函 數(shù)為Tansig函數(shù)，隱藏層到輸出層之間的函數(shù)為Purelin函數(shù)，樣本訓練時的迭代次數(shù)為 800 〇
[0015] 再進一步地，步驟S3中的MBF0算法包括以下步驟：
[0016]S31:將決策變量X的值視為細菌位置，根據(jù)決策變量X中各個參數(shù)的范圍隨機生 成L個細菌構成菌群初始位置；
[0017]S32:初始化系統(tǒng)參數(shù)，包括細菌群體大小Nn，趨向次數(shù)N。，趨向行為執(zhí)行中前進次 數(shù)Ns，繁殖次數(shù)N"，驅散次數(shù)^d，執(zhí)行驅散行為的概率I\d;
[0018]S33:執(zhí)行趨向操作，包括翻轉和前進；
[0019] 假設第i(i= 1，2,…，L)只細菌在第j次趨向操作第k次復制操作和第1次驅散 操作之后的位置為Θ^Ι^Ι)^』：
[0020] ΘVj+l，!^ 1) =ΘU, 1)+C⑴*dcty式中，dcti是第i只細菌最近一次翻轉時 所選擇的隨機矢量方向，C(i)是其沿dch方向前進的步伐長度，且 各分量均為[-1，1]內隨機數(shù)的向量，向量的維數(shù)與決策變量X的維數(shù)相同；
[0021] S34 :根據(jù)個體間的信息素濃度執(zhí)行聚群操作：
[0022] S35 :計算菌群的健康函數(shù)，并將其進行降序排列，淘汰健康函數(shù)值小的一半細菌， 健康函數(shù)值大的另一半細菌進行繁殖，且子細菌覓食能力保持與父代一致；
[0023] 對給定的k、1，每只細菌的健康函數(shù)為
第i只細菌的能量，J(i，j，k，1)表示細菌i在第j次趨向操作第k次復制操作和第1次驅 散操作之后的適應度函數(shù)值，N。表示趨向次數(shù)，越大，表示細菌i的覓食能力越強；
[0024]S36:將S35產(chǎn)生的菌群與前一次迭代計算產(chǎn)生的菌群合并，選擇前L個優(yōu)勢個體 構成下一代菌群；
[0025]S36:驅散：細菌經(jīng)歷幾代復制后，以驅散概率Pj皮驅散到搜索空間中的任意位 置；
[0026]S37:判斷優(yōu)化算法是否滿足結束條件，如滿足，則輸出Pareto前沿即最優(yōu)決策變 量Xtest及其對應的電流效率ytest、噸鋁能耗ztest以及全氟化物排放量wtest，如不滿足，則跳 轉至步驟S33循環(huán)執(zhí)行。
[0027] 與現(xiàn)有技術相比，本發(fā)明的有益效果是：BP神經(jīng)網(wǎng)絡的非線性映射能力強，適用 于鋁電解生產(chǎn)過程中高效、節(jié)能、減排指標的映射關系，建立鋁電解生產(chǎn)過程的映射模型； 加之運用MBF0算法對映射模型進行搜索，據(jù)此確定了鋁電解工藝參數(shù)的最優(yōu)值；根據(jù)優(yōu)化 后的工藝參數(shù)最優(yōu)值進行實際生產(chǎn)指導，提高了電流效率、降低了噸鋁能耗以及全氟化物 排放量。
【附圖說明】
[0028] 圖1是本發(fā)明的流程框圖；
[0029] 圖2是電流效率預測效果圖；
[0030] 圖3是電流效率預測誤差圖；
[0031] 圖4是噸鋁能耗預測效果圖；
[0032] 圖5是噸鋁能耗預測誤差圖；
[0033] 圖6是CF4排放量預測效果圖；
[0034] 圖7是CF4排放量預測誤差圖。
【具體實施方式】
[0035] 下面結合附圖對本發(fā)明的【具體實施方式】以及工作原理作進一步詳細說明。
[0036] 實施例
[0037] 從圖1可以看出，一種基于BP神經(jīng)網(wǎng)絡與MBF0算法的鋁電解生產(chǎn)工藝優(yōu)化方法， 包括以下步驟：
[0038]S1 :選擇對電流效率、噸鋁能耗以及全氟化物排放量有影響的控制參數(shù)構成決策 變量X= [Xdx2，…，xM]，Μ為所選參數(shù)的個數(shù)；
[0039] 在實施過程中，是通過統(tǒng)計鋁電解生產(chǎn)過程中，對電流效率、噸鋁能耗以及全氟化 物排放量有影響的原始變量，并從中確定在鋁電解生產(chǎn)過程中對電流效率、噸鋁能耗以及 全氟化物排放量影響最大的作為決策變量X;
[0040] 通過對實際工業(yè)生產(chǎn)過程中測量參數(shù)進行統(tǒng)計得到對電流效率、噸鋁能耗以及全 氟化物排放量影響最大的變量為：系列電流^、下料次數(shù)χ2、分子比^、出鋁量^、鋁水平χ5、 電解質水平χ6、槽溫χ7、槽電壓18共8個變量。
[0041] S2 :選定鋁電解工業(yè)現(xiàn)場，采集Ν組決策變量ΧρΧ2，…，ΧΝ及其對應的電流效率 yi，y2，…，對應的噸錯能耗ζρζ2，…，zjp對應的全氟化物排放量~，·^，…，wN作為數(shù) 據(jù)樣本，以每一個決策變量xjt為輸入，分別以對應的電流效率yi、噸鋁能耗Zi以及全氟化 物排放量^作為輸出，運用bp神經(jīng)網(wǎng)絡對樣本進行訓練、檢驗，建立鋁電解槽生產(chǎn)過程模 型；
[0042] 在本實施例中，取用重慶天泰鋁業(yè)有限公司170KA系列電解槽中的223#槽2013 年全年生產(chǎn)數(shù)據(jù)以及2014年前40天數(shù)據(jù)，共計405組數(shù)據(jù)，數(shù)據(jù)樣本如表1所示：
[0043] 表1電解槽數(shù)據(jù)樣本
[0044]

[0045] 步驟S2中的BP神經(jīng)網(wǎng)絡由輸入層、隱藏層和輸出層構成；
[0046] 神經(jīng)網(wǎng)絡設計中，隱層節(jié)點數(shù)的多少是決定神經(jīng)網(wǎng)絡模型好壞的關鍵，也是神經(jīng) 網(wǎng)絡設計中的難點，這里采用試湊法來確定隱層的節(jié)點數(shù)：
[0048] 其中p為隱層神經(jīng)元節(jié)點數(shù)，η為輸入層神經(jīng)元數(shù)，m為輸出層神經(jīng)元數(shù)，a為1~ 10之間的常數(shù)。
[0049] BP神經(jīng)網(wǎng)絡的設置參數(shù)如下表2所示：
[0050] 表2BP神經(jīng)設置參數(shù)
[0051]
[0052] 從表2可以看出，針對電流效率所構建的生產(chǎn)過程模型而言，其輸入層采用8個神 經(jīng)元節(jié)點，隱藏層采用13個神經(jīng)元節(jié)點，輸出層采用1個神經(jīng)元節(jié)點，輸入層到隱藏層之間 的傳遞函數(shù)為Tansig函數(shù)，隱藏層到輸出層之間的傳遞函數(shù)為Purelin函數(shù)，樣本訓練時 的迭代次數(shù)為800 ;
[0053] 針對噸鋁能耗所構建的生產(chǎn)過程模型而言，其輸入層采用8個神經(jīng)元節(jié)點，隱藏 層采用12個神經(jīng)元節(jié)點，輸出層采用1個神經(jīng)元節(jié)點，輸入層到隱藏層之間的傳遞函數(shù)為 Logsig函數(shù)，隱藏層到輸出層之間的傳遞函數(shù)為Purelin函數(shù)，樣本訓練時的迭代次數(shù)為 800 ；
[0054] 針對全氟化物排放量所構建的生產(chǎn)過程模型而言，其輸入層采用8個神經(jīng)元節(jié) 點，隱藏層采用13個神經(jīng)元節(jié)點，輸出層采用1個神經(jīng)元節(jié)點，輸入層到隱藏層之間的傳遞 函數(shù)為Tansig函數(shù)，隱藏層到輸出層之間的傳遞函數(shù)為Purelin函數(shù)，樣本訓練時的迭代 次數(shù)為800。
[0055] 神經(jīng)網(wǎng)絡的訓練過程中主要按照以下步驟進行：
[0056] 設置Xb= [xbl，xb2，…，xbM](b= 1，2，···，Τ)為輸入矢量，T為訓練樣本個數(shù)，
為第g次迭代時輸入層Μ與隱層I之 間的權值矢量，W;P(g)為第g次迭代時隱層J與輸出層Ρ之間的權值矢量，Yb(g)= [ybi(g)，(g)，…，ybp(g) ](b= 1，2,…，τ)為第g次迭代時網(wǎng)絡的實際輸出，db= [dbl，db2，…，dbP](b= 1，2,…，τ)為期望輸出；
[0057] 步驟S2中建立鋁電解生產(chǎn)過程模型具體包括如下步驟：
[0058] S21 :初始化，設迭代次數(shù)g初值為0,分別賦給WMI (0)、W;P⑹一個（0, 1)區(qū)間的隨 機值；
[0059] S22 :隨機輸入樣本Xb;
[0060] S23 :對輸入樣本Xb，前向計算B