仪器仪表学报

作者：尹 刚，朱 淼，全鹏程，颜玥涵，刘期烈

单位：尹 刚,1. 重庆大学煤矿灾害动力学与控制全国重点实验室，2. 重庆大学资源与安全学院,,朱 淼,1. 重庆大学煤矿灾害动力学与控制全国重点实验室，3. 重庆大学资源与安全学院,,全鹏程,3. 阿坝铝厂,,颜玥涵,4. 贵州大学电气工程学院,,刘期烈,5. 重庆邮电大学,

关键词：铝电解;算法;电解温度;深度学习;过程控制

基金：重庆市自然科学基金创新发展联合基金项目(CSTB2024NSCQ-LZX0166)、重庆英才·创新创业示范团队项目( cstc2024ycjhbgzxm0131)、科技转化重大项目(H20201555)资助

铝电解生产环境恶劣,受电场、磁场、流场、温度场等多物理场耦合影响,导致铝电解生产过程故障频发。铝电解温度是影响铝电解槽寿命和运行状态的重要参数,但由于槽内温度很高且具有强烈腐蚀性,至今尚未找到有效的电解温度在线检测与预测方法。为了解决这一技术难题,通过理论分析结合现场实验验证,揭示了铝电解槽电解温度与其工艺参数间的密切相关性,并据此提出一种基于深度学习的铝电解槽电解温度预测模型。考虑到铝电解槽工艺参数的复杂性、非线性、高维度、时序性等特征,采用卷积神经网络(CNN)用于提取数据的高维特征,长短期记忆网络用于建模(LSTM),处理铝电解生产过程中的时序数据,引入了注意力机制(Attention),学习输入参数不同部分之间的关联性,同时根据输入数据的重要程度进行加权处理,并采用PID搜索优化算法(PSA)对CNN-LSTM-Attention模型的参数进行寻优,减少训练时间并提高模型的性能。最后经铝电解实际生产数据进行现场实验验证,结果表明:提出的温度预测模型相关指数(R2)为0.9637,均方根误差(RMSE)和平均绝对误差(MAE)分别为5.4176和3.3825,与单一模型算法、其他预测算法和不同优化算法对比验证表明,该模型的性能更佳,能够准确预测铝电解槽电解温度,实现了铝电解槽电解温度的在线检测。

来源：2025年第1期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第1期