基于bp神經(jīng)網(wǎng)絡(luò)與mobfoa算法的鋁電解工藝參數(shù)優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及鋁電解工業(yè)生產(chǎn)領(lǐng)域，具體的說是一種基于BP神經(jīng)網(wǎng)絡(luò)與MOBFOA算 法的鋁電解工藝參數(shù)優(yōu)化方法。
【背景技術(shù)】
[0002] 鋁電解是一個復(fù)雜的工業(yè)生產(chǎn)過程，在生產(chǎn)過程中，會產(chǎn)生大量溫室氣體，環(huán)境污 染嚴(yán)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(biāo)。但是，鋁電解槽內(nèi)部復(fù) 雜的物料化學(xué)變化以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(diào)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(nèi)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(luò)與MOBFOA算法的鋁電解工藝 參數(shù)優(yōu)化方法，快速的得到優(yōu)化數(shù)據(jù)，并將優(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(dá)到上述目的，本發(fā)明采用的具體技術(shù)方案如下：
[0005] -種基于BP神經(jīng)網(wǎng)絡(luò)與MOBFOA算法的鋁電解工藝參數(shù)優(yōu)化方法，包括以下步 驟：
[0006] Sl :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(gòu)成決策 變量X = [X1, X2，…，xM]，M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N組決策變量X1, X2，…，Xn及其對應(yīng)的電流效率 yi，y2，…，對應(yīng)的噸錯能耗z p z2，…，zdP對應(yīng)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(yīng)的電流效率y i、噸鋁能耗Z1以及全氟化 物排放量^作為輸出，運用BP神經(jīng)網(wǎng)絡(luò)對樣本進行訓(xùn)練、檢驗，建立鋁電解槽生產(chǎn)過程模 型；
[0008] S3 :利用多目標(biāo)細(xì)菌覓食優(yōu)化算法，即MOBFOA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X test及其對應(yīng)的電流效率y test、噸鋁能耗Ztest以及 全氟化物排放量wbest，優(yōu)化時，通過計算非劣解的擁擠距離并根據(jù)擁擠距離對外部檔案進 行更新和實現(xiàn)自適應(yīng)步長調(diào)整，以保證在種群多樣性前提下快速收斂和引導(dǎo)菌群快速移動 并避免陷入局部最優(yōu)；
[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(dá)到節(jié)能、降耗和減排的目的。
[0010] 進一步描述，結(jié)合實際生產(chǎn)情況，步驟Sl中選定了 8個參數(shù)構(gòu)成決策變量，分別為 系列電流X1、下料次數(shù)X2、分子比x；5、出錯量X4、錯水平 xJ1、電解質(zhì)水平Xe、槽溫X·/、槽電壓Xe。
[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(xùn)練時的迭代次數(shù)為 800 ；
[0013] 針對噸鋁能耗所構(gòu)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(xùn)練時的迭代次數(shù)為 800 ；
[0014] 針對全氟化物排放量所構(gòu)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(xùn)練時的迭代 次數(shù)為800。
[0015] 再進一步描述，步驟S3中的MOBFOA算法包括以下步驟：
[0016] S31 :將決策變量X的值視為細(xì)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(xì)菌構(gòu)成菌群初始位置；
[0017] S32 :初始化系統(tǒng)參數(shù)，包括細(xì)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(qū)散次數(shù)執(zhí)行驅(qū)散行為的概率外部檔案規(guī)模K ;
[0018] S33 :執(zhí)行趨向操作，包括翻轉(zhuǎn)和前進；
[0019] 假設(shè)第i (i = 1，2,…，L)只細(xì)菌在第j次趨向操作第k次復(fù)制操作和第1次驅(qū)散 操作之后的位置為Θ
[0020] Θ 1U+]^, 1) = Θ U, 1)+C⑴*dcti，式中，(Icti是第i只細(xì)菌最近一次翻轉(zhuǎn)時 所選擇的隨機矢量方向，C(i)是其沿Clct1方向前進的步伐長度，且
\為 各分量均為[-1，1]內(nèi)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(xì)菌， 健康函數(shù)值大的另一半細(xì)菌進行繁殖，且子細(xì)菌覓食能力保持與父代一致；
[0023] 對給定的k、1，每只細(xì)菌的健康函數(shù)為
表示 第i只細(xì)菌的能量，J(i，j，k，1)表示細(xì)菌i在第j次趨向操作第k次復(fù)制操作和第1次驅(qū) 散操作之后的適應(yīng)度函數(shù)值，N。表示趨向次數(shù)，
越大，表示細(xì)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，并計算此時新菌群的 個體Pareto熵，按照個體Pareto熵進行排序，選擇前L個優(yōu)勢個體構(gòu)成下一代菌群；
[0025] S37 :驅(qū)散：細(xì)菌經(jīng)歷幾代復(fù)制后，以驅(qū)散概率Pj皮驅(qū)散到搜索空間中的任意位 置；
[0026] S38 :判斷優(yōu)化算法是否滿足結(jié)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(yīng)的電流效率y test、噸鋁能耗Ztest以及全氟化物排放量W test，如不滿足，則轉(zhuǎn) 至 S38 ;
[0027] S39 :根據(jù)菌群進化狀態(tài)調(diào)整步長，并跳轉(zhuǎn)至步驟S33循環(huán)執(zhí)行。
[0028] 再進一步地，步驟S36中利用個體Pareto熵更新菌群，包括以下步驟：
[0029] Al :如果待更新的外部檔案A = Φ，則更新后的外部檔案A' = {P}其中P為進化 算法獲得的一個新解，此時返回P ;
[0030] A2 :如果P被A中的任意一個成員B1 e A占優(yōu)，則此時返回A ;
[0031] A3 :對于任意的B1 e A，如果a顏P占優(yōu)，則A = AAa J ;
[0032] A4 :如果A的成員個數(shù)I A| < K，K表示外部檔案的最大容量，則A' = A U {P}，此 時返回A' ；
[0033] A5 :令B = A U {P}，對所有B的成員Id1 e B，評估b i的個體密度；
[0034] A6 :查找B中具有最大個體密度的成員b_;
[0035] A7 :如果P就是b_，則A' = A，此時返回A' ；
[0036] A8 :令 A' = BAbJ U {P}，此時返回 A'。
[0037] 步驟S39中第i只細(xì)菌前進步長C (i)的調(diào)整方法如下：
[0038] Bl :在第t次迭代過程中，如果算法獲得的近似Pareto前端PFa_向真實Pareto 前端PFt_在目標(biāo)空間中發(fā)生了距離逼近時，則稱該算法在時刻t處于收斂狀態(tài)，則：C i (i) =Ci i(i)-A (1+| ΔΕ(?) I)
[0039] Β2 :在第t次迭代過程中，如果算法獲得的新解替換了 PFappiJl質(zhì)量較低的舊解， 則稱該算法在時刻t處于多樣化狀態(tài)，則
[0040] B3 :在第t次迭代過程中，如果算法獲得的新解被拒絕進入PFa_，則算法在時刻t 處于停滯狀態(tài)，則C1Q) =C11Q);
[0041] 其中λ、μ為（〇, 1)之間的隨機數(shù)，Δ E⑴為菌群Pareto解的差熵。
[0042] 本發(fā)明的有益效果：BP神經(jīng)網(wǎng)絡(luò)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(biāo)的映射關(guān)系，建立鋁電解生產(chǎn)過程的映射模型；加之利用MOBFOA算 法，進行Pareto熵對外部檔案進行更新和動態(tài)調(diào)整菌群步長以引導(dǎo)菌群快速移動并避免 陷入局部最優(yōu)；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(dǎo)，來提高電流效率、降低噸 鋁能耗以及全氟化物排放量。
【附圖說明】
[0043] 圖1是本發(fā)明的流程框圖；
[0044] 圖2是電流效率預(yù)測效果圖；
[0045] 圖3是電流效率預(yù)測誤差圖；
[0046] 圖4是噸鋁能耗預(yù)測效果圖；
[0047] 圖5是噸鋁能耗預(yù)測誤差圖；
[0048] 圖6是CF4排放量預(yù)測效果圖；
[0049] 圖7是CF4排放量預(yù)測誤差圖。
【具體實施方式】
[0050] 下面結(jié)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(xì)說明。
[0051] 實施例
[0052] 從圖1可以看出，一種基于BP神經(jīng)網(wǎng)絡(luò)與MOBFOA算法的鋁電解工藝參數(shù)優(yōu)化方 法，其特征在于包括以下步驟：
[0053] Sl :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(gòu)成決策 變量X = [X1, X2，…，xM]，M為所選參數(shù)的個數(shù)；
[0054] 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