摘要：节能减排是电解铝行业生存之道。通过改善电解槽设计、优化工艺技术条件、精细化操作可实现节能减排。

摘要：本文对铝电解槽阳极效应机理和故障参数进行研究,提出了一种基于深度学习的阳极效应预测方法,能适应不同维度、不同数据特征的槽况参数,直接从海量原始数据中挖掘故障特征信息,大幅缩减效应响应时间,具有很好的鲁棒性和抗干扰能力,同时在模型调试优化上,采用Batch normalization算法和梯度检验,提高了模型收敛速度和稳定性。结果表明:该模型效应预测准确率和F1分数分别达到94.65%和0.9317,提前预报时间可达16 min,并通过现场实验验证,达到实际生产要求。

摘要：针对铝电解槽运行数据复杂多维、结构非线性且故障样本量相对正常运行样本量少的问题,提出了一种基于数据驱动的漏槽事故预警模型。模型采用简单经典的分类算法支持向量机,避免小样本数据带来的过拟合问题。并用交叉验证训练测试方法和麻雀搜索算法对参数寻优,提高分类器的性能。同时为了更好地挖掘铝电解运行数据中的特征信息采用核主成分分析法将数据降到8维,模型运行速度提高了65.51 s。另外在设置分类标签时结合实际情况选取了三个变化显著的特征参数作为辅助分类条件从而扩充了故障样本。最后对该漏槽事故预警模型进行性能验证,实验表明模型F1分数达到了0.995,AUC值达到了0.998。

摘要：针对铝电解槽在铝电解生产过程中故障频发的问题,提出了一种基于支持向量机(support vector machine,SVM)的铝电解槽健康状态诊断模型,考虑传统的支持向量机只能适用于二分类问题,采用自适应推进算法(adaptive boosting,Adaboost)将支持向量机的二分类问题转化为多分类问题用于求解铝电解槽健康状态诊断问题,充分考虑了子模型的权重,强化了模型的适用性。并利用粒子群优化算法(particle swarm optimization,PSO)对其超参数寻优,提高模型的预测精度。实验结果表明,提出的铝电解槽健康状态诊断模型的准确率和Macro-F1分数分别达到94.70%和0.9453,相较于其他传统模型均有显著提升。