基于SDAE和随机森林的铝电解槽阳极效应预测方法研究

摘要：

阳极效应故障是铝电解生产过程中最为常见的故障现象,阳极效应的发生会降低电解效率,极大增加能耗,同时对环境和设备均有危害,而铝电解生产环境恶劣,槽况参数繁多,各种因素交叉影响,使得阳极效应预测成为铝电解行业的重点研究问题.本文结合铝电解槽槽况数据大数据量、复杂多维、非线性等特征,提出了一种基于深度学习的阳极效应预测模型,构建了堆叠降噪自动编码器,直接从海量原始数据中挖掘关键故障特征信息.同时利用随机森林依据提取后的关键特征进行样本分类预测,能有效地解决阳极效应预测中存在的样本分布不均衡问题,提高了模型的鲁棒性和泛化性.同时在模型的优化上,采用Adam优化算法,相比于传统的优化算法,其在非稳态和在线问题上有很好的表现,大幅提高了模型运行效率.采用mini-batch梯度下降法,有效解决了每个隐含层都会出现covariate-shift问题,并在此过程中通过梯度检验来对模型的反向传播过程进行校准.最后对该阳极效应预测模型进行性能验证,实验表明,该模型效应预测准确率和F1分数分别达到96.78％和0.9501.提前预报时间可达30 min.

关键词：铝电解、故障诊断预测、阳极效应、深度学习、随机森林

所属期刊栏目：45

分类号：TF821(有色金属冶炼)

资助基金：国家自然科学基金51374268

在线出版日期：2021-05-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：428-436