[發明專利]基于AI神經網絡深度自學習的鋁電解全息化閉環控制系統

有效

• 申請號: 202211206103.4
• 申請日: 2022-09-30
• 公開（公告）號: CN115323440B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 張文根;張帝;謝春暉;張輝
• 申請（專利權）人: 湖南力得爾智能科技股份有限公司
• 主分類號: C25C3/20
• 分類號: C25C3/20
• 代理公司: 長沙伊柏專利代理事務所(普通合伙) 43265
• 代理人: 羅莎

1.一種基于AI神經網絡深度自學習的鋁電解全息化閉環控制系統，其特征在于，包括：

數據獲取模塊，用以獲取一個加料周期的鋁電解過程中的參數數據，一個所述加料周期包括打殼下料階段、升溫階段以及電解階段，所述參數數據包括伸腿結殼厚度和氧化鋁濃度；

數據存儲模塊，其與所述數據獲取模塊相連，包括不合格品數據庫和常規數據庫，所述不合格品數據庫用以儲存不合格鋁產品的相關數據，所述常規數據庫用以儲存合格鋁產品的相關數據；

自學習模塊，其與所述數據存儲模塊相連，包括神經網絡學習模型，用以對所述數據存儲模塊中儲存的數據進行學習以構建最優參數集合和警覺閾值集合；

控制模塊，其分別與所述數據存儲模塊和自學習模塊相連，在數據存儲模塊中儲存的數據量小于預設值時，所述控制模塊控制所述系統使用預設參數對系統進行調整，在數據存儲模塊中儲存的數據量達到預設值時，所述控制模塊控制所述自學習模塊對數據存儲模塊中儲存的數據進行學習，并控制所述系統使用所述最優參數集合和警覺閾值集合對系統進行調整；

評估模塊，其分別與所述數據獲取模塊、自學習模塊和控制模塊相連，用以對所述數據獲取模塊獲取的數據進行評估；

決策模塊，其與所述評估模塊相連，用以根據所述評估模塊的評估結果對分子比和極距進行調整和優化；

所述評估模塊根據所述數據獲取模塊獲取的打殼下料階段參數數據計算分子比調整參數K，所述決策模塊根據分子比調整參數K對分子比進行調整，評估模塊在升溫階段根據伸腿結殼厚度計算極距調整參數F，所述決策模塊根據極距調整參數F對極距進行調整；

以及，所述評估模塊根據所述神經網絡學習模型構建的最優參數集合和警覺閾值集合對各階段的參數變化做出評估，所述決策模塊根據評估模塊的評估結果對分子比和極距進行優化，在一個所述加料周期完成時，所述評估模塊計算電流效率，所述決策模塊根據電流效率判定是否需要對槽電壓進行優化；

執行模塊，其與所述決策模塊相連，用以執行決策模塊調整和優化后的參數；

在打殼下料階段，所述數據獲取模塊獲取伸腿結殼厚度D以及氧化鋁濃度A，所述評估模塊計算D與規整爐膛形成時伸腿結殼厚度D0的差值ΔD，設定ΔD＝|D-D0|，同時計算A與預設氧化鋁濃度A0的差值ΔA，設定ΔA＝|A-A0|，并按照以下公式計算分子比調整參數K，設定

其中，ΔDb為預設伸腿結殼厚度標準差值，ΔAb為預設氧化鋁濃度標準差值，β1為調整系數，1＜β1＜1.2；

所述決策模塊根據所述分子比調整參數K對分子比進行調整，其中，

當所述評估模塊判定K≥K2時，所述決策模塊將分子比調整至B＇，設定B＇＝B0+b0；

當所述評估模塊判定K1≤K＜K2時，所述決策模塊不對分子比進行調整，將分子比設定為B＇＝B0；

當所述評估模塊判定K＜K1時，所述決策模塊將分子比調整至B＇，設定B＇＝B0-b0；

其中，K1為第一預設分子比調整對比參數，K2為第二預設分子比調整對比參數，K1＜K2，B0為預設分子比，b0為預設分子比調整量；

在升溫階段，所述數據獲取模塊獲取伸腿結殼厚度D1，所述評估模塊計算伸腿結殼厚度變化量ΔD1，設定ΔD1＝|D1-D|，并通過以下公式計算極距調整參數F，設定

其中，B0為預設分子比，ΔDb為預設伸腿結殼厚度標準差值，D為打殼下料階段伸腿結殼厚度；

所述決策模塊根據所述極距調整參數F對極距進行調整，

當所述評估模塊判定F≥F02時，所述決策模塊將極距調整為H＝H0×F/F02×α1；

當所述評估模塊判定F01≤F＜F02時，所述決策模塊將極距調整為預設極距H0；

當所述評估模塊判定F＜F01時，所述決策模塊將極距調整為H＝H0×F/F01×α2；

其中，F01為第一預設極距調整對比參量，F02為第二預設極距調整對比參量，H0為預設極距，α1、α2為調整系數，α1＞α2＞1；

所述決策模塊根據打殼下料階段伸腿結殼厚度以及打殼下料階段氧化鋁濃度對分子比進行優化并減小升溫階段的警覺閾值，所述評估模塊通過以下公式計算第一優化參量R1，設定

其中β1為調整系數，1＜β1＜1.2；

所述決策模塊根據所述第一優化參量R1對分子比進行優化，其中，

當ΔDa＞ΔDaj且ΔAa＞ΔAaj時，所述決策模塊將分子比優化至B1，設定B1＝B0+b0×R1，將升溫階段伸腿結殼厚度變化量警覺閾值ΔDsj調整至ΔDsj1，設定ΔDsj1＝ΔDsj×γ1；

當ΔDa＞ΔDaj或ΔAa＞ΔAaj時，所述決策模塊將分子比優化至B1，設定B1＝B0+1/2b0×R1，將升溫階段伸腿結殼厚度變化量警覺閾值ΔDsj調整至ΔDsj1，設定ΔDsj1＝ΔDsj×γ1；

其中，γ1為第一閾值調節系數，0.8＜γ1＜1；

所述決策模塊根據升溫階段伸腿結殼厚度變化量對極距進行優化并進一步減小電解階段伸腿結殼厚度變化量警覺閾值，所述評估模塊通過以下公式計算第二優化參量R2，

其中B1為優化后的分子比，B0為預設分子比；

當ΔDs＇＞ΔDsj1時，

若存在ΔDa＞ΔDaj且ΔAa＞ΔAaj，則所述決策模塊將極距優化至H1，設定H1＝H0+h0×R2，將電解階段伸腿結殼厚度變化量警覺閾值調整至ΔDdj1，設定ΔDdj1＝ΔDdj×γ2；

若存在ΔDa＞ΔDaj或ΔAa＞ΔAaj，則所述決策模塊將極距優化至H1，設定H1＝H0+1/2h0×R2，將電解階段伸腿結殼厚度變化量警覺閾值調整至ΔDdj1，設定ΔDdj1＝ΔDdj×γ1；

其中，γ2為第二閾值調節系數，0.8＜γ2＜γ1＜1。