基于bp神經(jīng)網(wǎng)絡(luò)與mpso算法的鋁電解節(jié)能減排控制方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及侶電解生產(chǎn)過程中的自動(dòng)控制技術(shù)，具體設(shè)及一種基于BP神經(jīng)網(wǎng)絡(luò)與 MPS0算法的侶電解節(jié)能減排控制方法。
【背景技術(shù)】
[0002] 侶電解是一個(gè)復(fù)雜的工業(yè)生產(chǎn)過程，通常采用拜耳法進(jìn)行冶煉，然而，該方法耗能 巨大且效率低。與此同時(shí)，侶電解生產(chǎn)過程中會(huì)產(chǎn)生大量溫室氣體，環(huán)境污染嚴(yán)重。因此，在 保證侶電解槽平穩(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，W 實(shí)現(xiàn)高效、節(jié)能、減排已成為侶電解企業(yè)的生產(chǎn)目標(biāo)。但是，侶電解槽內(nèi)部復(fù)雜的物料化學(xué) 變化W外部多種不確定作業(yè)因素導(dǎo)致槽內(nèi)參數(shù)較多，參數(shù)間呈現(xiàn)出非線性、強(qiáng)禪合性等特 點(diǎn)，且諸如極距、保溫材料厚度等參數(shù)難W實(shí)時(shí)測量、調(diào)整，給侶電解生產(chǎn)過程控制優(yōu)化帶 來一定難度。

【發(fā)明內(nèi)容】

[0003] 本申請通過提供一種基于BP神經(jīng)網(wǎng)絡(luò)與MPS0算法的侶電解節(jié)能減排控制方法，W 解決現(xiàn)有技術(shù)中侶電解生產(chǎn)過程中因無法獲得最優(yōu)工藝參數(shù)而導(dǎo)致的耗能巨大、效率低且 嚴(yán)重污染環(huán)境的技術(shù)問題。
[0004] 為解決上述技術(shù)問題，本申請采用W下技術(shù)方案予W實(shí)現(xiàn)：
[000引一種基于BP神經(jīng)網(wǎng)絡(luò)與MPS0算法的侶電解節(jié)能減排控制方法，包括如下步驟：
[0006] S1:選擇對電流效率、噸侶能耗W及全氣化物排放量有影響的控制參數(shù)構(gòu)成決策 變量X=[X1，X2，···，XM]，M為所選參數(shù)的個(gè)數(shù)；
[0007] S2:選定侶電解工業(yè)現(xiàn)場，采集N組決策變量Xi，X2，…，Xn及其對應(yīng)的電流效率yi， 72，…，yN、噸侶能耗Z1，Z2，· · ·，ZN W及全氣化物作S1，S2，· · ·，SN為數(shù)據(jù)樣本，W每一個(gè)決策變量 Xi作為輸入，分別W對應(yīng)的電流效率yi、噸侶耗能ZiW及全氣化物Si作為輸出，運(yùn)用BP神經(jīng) 網(wǎng)絡(luò)對樣本進(jìn)行訓(xùn)練、檢驗(yàn)，建立侶電解槽生產(chǎn)過程模型.
[0008] S3:利用多目標(biāo)粒子群算法，即MPS0算法，對步驟S2所得的Ξ個(gè)生產(chǎn)過程模型進(jìn)行 優(yōu)化，得到一組最優(yōu)決策變量Xbest及其對應(yīng)的電流效率ybest、噸侶能耗ZbestW及全氣化物 Sbest;
[0009] S4:按照步驟S3所得的最優(yōu)決策變量Xbest中的控制參數(shù)來控制步驟S2中所選定的 侶電解工業(yè)現(xiàn)場，使其達(dá)到節(jié)能減排。
[0010] 結(jié)合實(shí)際生產(chǎn)情況，步驟S1中選定了 8個(gè)參數(shù)構(gòu)成決策變量，分別為系列電流、下 料次數(shù)、分子比、出侶量、侶水平、電解質(zhì)水平、槽溫和槽電壓。
[0011] 為了滿足建模需求，步驟S2中的BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層構(gòu)成；
[0012] 針對電流效率所構(gòu)建的生產(chǎn)過程模型而言，其輸入層采用8個(gè)神經(jīng)元節(jié)點(diǎn)，隱藏層 采用13個(gè)神經(jīng)元節(jié)點(diǎn)，輸出層采用1個(gè)神經(jīng)元節(jié)點(diǎn)，輸入層到隱藏層之間傳遞函數(shù)為化nsig 函數(shù)，隱藏層到輸出層之間的函數(shù)為化relin函數(shù)，樣本訓(xùn)練時(shí)的迭代次數(shù)為800;
[0013] 針對噸侶能耗所構(gòu)建的生產(chǎn)過程模型而言，其輸入層采用8個(gè)神經(jīng)元節(jié)點(diǎn)，隱藏層 采用12個(gè)神經(jīng)元節(jié)點(diǎn)，輸出層采用1個(gè)神經(jīng)元節(jié)點(diǎn)，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函數(shù)為化relin函數(shù)，樣本訓(xùn)練時(shí)的迭代次數(shù)為800;
[0014] 針對全氣化物所構(gòu)建的生產(chǎn)過程模型而言，其輸入層采用8個(gè)神經(jīng)元節(jié)點(diǎn)，隱藏層 采用13個(gè)神經(jīng)元節(jié)點(diǎn)，輸出層采用1個(gè)神經(jīng)元節(jié)點(diǎn)，輸入層到隱藏層之間傳遞函數(shù)為化nsig 函數(shù)，隱藏層到輸出層之間的函數(shù)為化relin函數(shù)，樣本訓(xùn)練時(shí)的迭代次數(shù)為800。
[0015] 進(jìn)一步地，步驟S3中的MPS0算法包括W下步驟：
[0016] S31:評價(jià)每個(gè)粒子的適應(yīng)度，并根據(jù)優(yōu)劣對個(gè)體最優(yōu)值和全局最優(yōu)值進(jìn)行替換：
[0017] S311:初始化系統(tǒng)參數(shù)，包括種群規(guī)模R，最大迭代次數(shù)T，隨機(jī)生成η個(gè)粒子XI， Χ2，…，Χη，加速因子C1、C2，其中C1為粒子向個(gè)體極值移動(dòng)的加速權(quán)重，C2為粒子向全局最優(yōu) 值移動(dòng)的加速權(quán)重，令外部存檔集Q為空；
[0018] S312:計(jì)算初始適應(yīng)度，衡量粒子在當(dāng)前位置的優(yōu)化程度；
[0019] S313:將每個(gè)粒子當(dāng)前適應(yīng)度Pi和個(gè)體最優(yōu)適應(yīng)度;進(jìn)行比較，若當(dāng)前適應(yīng)度Pi支 配個(gè)體最優(yōu)適應(yīng)度^*^，則將當(dāng)前適應(yīng)度91代替?zhèn)€體最優(yōu)適應(yīng)度;.，否則，保留原有的個(gè)體最優(yōu) 適應(yīng)度；1
[0020] S314:更新外部存檔集Q，將種群中所有的非支配集加入存檔集Q，刪除被支配的粒 子；
[0021] S315:利用擁擠機(jī)制和禁忌算法在外部存檔集Q中隨機(jī)選擇一個(gè)粒子作為全局最 優(yōu)值；
[0022] S32:更新種群：
[0023] S321:更新粒子自身的速度和位置，其中粒子速度更新公式為：
[0024]
[002引式中，帶為k+1時(shí)刻第i個(gè)粒子的第d維的速度，h為粒子速度的約束因子，有利于減 小振蕩，且
C二Ci+ &，w為限制歷史速度的慣性因子，W越大，粒 子速度越快，有利于跳出局部最小點(diǎn)，W越小，捜索范圍越小，有利于算法的收斂，詩為k時(shí)刻 第i個(gè)粒子的第d維的速度，C1為粒子向個(gè)體極值移動(dòng)的加速權(quán)重，C2為粒子向全局最優(yōu)值移 動(dòng)的加速權(quán)重，ri 為均勻分布在(0，1)區(qū)間的隨機(jī)數(shù)，試為k時(shí)刻第i個(gè)粒子本身的最優(yōu) 位置的第d維變量，Aid為k時(shí)刻全局最優(yōu)位置的第d維變量，域?yàn)閗時(shí)刻第i個(gè)粒子的位置；
[0026] 粒子的位置更新公式為：
[0027] S322:判斷當(dāng)前全局最優(yōu)解是否滿足條件或者迭代次數(shù)是否達(dá)到最大迭代次數(shù)T， 如果是，則輸出當(dāng)前全局最優(yōu)解，否則，跳轉(zhuǎn)至步驟S312進(jìn)行重復(fù)計(jì)算，直到當(dāng)前全局最優(yōu) 解滿足條件或者迭代次數(shù)達(dá)到最大迭代次數(shù)T。
[0028] 與現(xiàn)有技術(shù)相比，本申請?zhí)峁┑募夹g(shù)方案，具有的技術(shù)效果或優(yōu)點(diǎn)是:該方法確定 了侶電解生產(chǎn)過程中工藝參數(shù)的最優(yōu)值，有效提高了電流效率，降低了噸侶能耗，減少了溫 室氣體排放量，真正達(dá)到節(jié)能減排的目的。
【附圖說明】
[0029] 圖1為本發(fā)明的方法流程圖；
[0030] 圖2為CF4排放量預(yù)測結(jié)果圖；
[0031 ]圖3為CF4排放量預(yù)測誤差圖
[0032] 圖4為電流效率預(yù)測結(jié)果圖；
[0033] 圖5為電流效率預(yù)測誤差圖；
[0034] 圖6為噸侶能耗排放量預(yù)測結(jié)果圖；
[0035] 圖7為噸侶能耗排放量預(yù)測誤差圖。
【具體實(shí)施方式】
[0036] 本申請實(shí)施例通過提供一種基于BP神經(jīng)網(wǎng)絡(luò)與MPS0算法的侶電解節(jié)能減排控制 方法，W解決現(xiàn)有技術(shù)中侶電解生產(chǎn)過程中因無法獲得最優(yōu)工藝參數(shù)而導(dǎo)致的耗能巨大、 效率低且嚴(yán)重污染環(huán)境的技術(shù)問題。
[0037] 為了更好的理解上述技術(shù)方案，下面將結(jié)合說明書附圖W及具體的實(shí)施方式，對 上述技術(shù)方案進(jìn)行詳細(xì)的說明。
[003引實(shí)施例
[0039] 如圖1所示，一種基于BP神經(jīng)網(wǎng)絡(luò)與MPS0算法的侶電解節(jié)能減排控制方法，包括如 下步驟：
[0040] S1:選擇對電流效率、噸侶能耗W及全氣化物排放量有影響的控制參數(shù)構(gòu)成決策 變量X=[X1，X2，···，XM]，M為所選參數(shù)的個(gè)數(shù)；
[0041] 實(shí)施是通過統(tǒng)計(jì)侶電解生產(chǎn)過程中對電流效率、噸侶能耗W及全氣化物排放量有 影響的原始變量，并從中確定對電流效率、噸侶能耗W及全氣化物排放量影響大的參數(shù)作 為決策變量X;
[0042] 通過對實(shí)際工業(yè)生產(chǎn)過程中測量參數(shù)進(jìn)行統(tǒng)計(jì)得到對電流效率、噸侶能耗W及全 氣化物排放量影響最大的變量為:系列電流XI、下料次數(shù)X2、分子比X3、出侶量X4、侶水平X5、 電解質(zhì)水平X6、槽溫X7、槽電壓X8共8個(gè)變量。
[0043] S2:選定侶電解工業(yè)現(xiàn)場，采集N組決策變量Xi，X2，…，Xn及其對應(yīng)的電流效率yi， 72，…，yN、噸侶能耗Z1，Z2，· · ·，ZN W及全氣化物作S1，S2，· · ·，SN為數(shù)據(jù)樣本，W每一個(gè)決策變量 Xi作為輸入，分別W對應(yīng)的電流效率yi、噸侶耗能ZiW及全氣化物Si作為輸出，運(yùn)用BP神經(jīng) 網(wǎng)絡(luò)對樣本進(jìn)行訓(xùn)練、檢驗(yàn)，建立侶電解槽生產(chǎn)過程模型.
[0044] 在本實(shí)施例中，采集重慶天泰侶業(yè)有限公司170KA系列電解槽中的223#槽電解槽 2013年全年生產(chǎn)數(shù)據(jù)W及2014年前40天數(shù)據(jù)，共計(jì)405組數(shù)據(jù)，其中，2013年全年生產(chǎn)數(shù)據(jù) 作為建模訓(xùn)練樣本，2014年的40組數(shù)據(jù)作為測試樣本。數(shù)據(jù)樣本如下表1所示。
[0045] 表1數(shù)據(jù)樣本
[0046]
[0047] 在神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中，隱層節(jié)點(diǎn)數(shù)的多少是決定神經(jīng)網(wǎng)絡(luò)模型好壞的關(guān)鍵，也是神 經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中的難點(diǎn)，運(yùn)里采用試湊法來確定隱層的節(jié)點(diǎn)數(shù)。
[004引
[0049] 式中，P為隱層神經(jīng)元節(jié)點(diǎn)數(shù)，η為輸入層神經(jīng)元數(shù)，m為輸出層神經(jīng)元數(shù)，k為1-10 之間的常數(shù)，本例中BP神經(jīng)網(wǎng)絡(luò)的設(shè)置參數(shù)如下表2所示。
[0050] 表2 BP神經(jīng)設(shè)置參數(shù)
[0051]
[0052] 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中主要按照W下步驟進(jìn)行：
[0053] 設(shè)置Xk=[xki，xk2，...，xkM](k=l，2，...，N)為輸入矢量，N為訓(xùn)練樣本個(gè)數(shù)，
為第g次迭代時(shí)輸入層Μ與隱層I之間的權(quán)值 矢量，WjP(g)為第g次迭代時(shí)隱層J與輸出層Ρ之間的權(quán)值矢量，Yk(g) = [yki(g)，yk2(g)，···， ykP(g)Kk=l，2，···，N)為第g次迭代時(shí)網(wǎng)絡(luò)的實(shí)際輸出，dk=[dki，dk2，···，dkpKk=l，2,…， N)為期望輸出；
[0054] 步驟S2中建立侶電解生產(chǎn)過程模型具體包括如下步驟：
[005引 S21:初始化，設(shè)迭代次數(shù)g初值為0，分別賦給Wmi(0)、WjP(0) -個(gè)(0，1)區(qū)間的隨機(jī) 值；
[0056] S22:隨機(jī)輸入樣本原；
[0057] S23:對輸入樣本Xk，前向計(jì)算BP神經(jīng)網(wǎng)絡(luò)每層神經(jīng)元的輸入信號和輸出信號；
[005引 S24:根據(jù)期望輸出dk和實(shí)際輸出化(g)，計(jì)算誤差E(g);
[0059] S25:判斷誤差E(g)是否滿足要求，如不滿足，則進(jìn)入步驟S26,如滿足，則進(jìn)入步驟 S29；
[0060] S26:判斷迭代次數(shù)g+1是否大于最大迭代次數(shù)，如大于，則進(jìn)入步驟S29,否則，進(jìn) 入步驟S27;
[0061] S27:對輸入