一种氧化铝生产蒸发过程多参数数据的时间配准方法.pdf

一种氧化铝生产蒸发过程多参数数据时间配准方法，本发明首先随机生成长度等于设备单元数的整数序列作为时基序列；对某参数采集不同时间在各单元的数据构成原始数据时空矩阵；时基序列乘以采样周期为物流在每一单元的停留时间，据此对原始数据阵中不同单元的数据初步配准形成初配数据时空矩阵；随机产生多个时基序列作为遗传算法的种群，计算不同时基序列下初配数据时空阵中前后单元数据的关联度，得关联度最大时的时基序列，实现该参数的时间配准。对配准前后的数据采用相同的模型结构进行建模和预测验证，配准后模型准确性可提高34.4％，很好的解决了一般配准算法准确率低、速度慢的问题，对整个蒸发过程的参数匹配和优化控制具有重要意义。

1.一种氧化铝生产蒸发过程多参数数据的时间配准方法，其特征在于： (1)根据蒸发过程单元数及单元间的连接关系，提出代表各单元内物料停留时间特性的时基序列 D＝[d₁d₂…d_j…d_n](1) n为时基序列的长度，等于蒸发过程单元的个数，d_j表示第j个单元的时基，为整数且无量纲； (2)记需要进行时间配准的某类参数采样周期为T，则物流在各单元内的停留时间为τ_j＝d_jT；针对蒸发实际生产，记该类参数对应于物流在流程入口和各单元出口采样得到的原始数据形成的时空矩阵为A＝[A₀A₁A₂…A_j…A_n]，其中当j＝0时，A_j为流程入口数据列，当1≤j≤n时A_j为第j个单元出口数据列；从A₀中选择从某一时刻t起的f个数据，得到数据时间序列X_0，t，形式为[x_0，tx_0，t+T…x_0，t＋iT…x_0，t+(f-1)T]^T，其中f满足使得时空矩阵A中的所有数据至少能包含物流从流程入口至流程出口的一个变化周期；对于A₁部分，取该参数从t+d₁T时刻起的f个数据生成数据时间序列形式为其余单元的数据时间序列取值方法以此类推，最后得到与该时基序列和各单元空间匹配的初配数据时空矩阵X为 (3)时空关联分析：对初配数据时空矩阵进行如下转换 其中cov(X)表示协方差矩阵，σ_i表示X中第i列的标准差；然后利用H_∞范数定量描述数据矩阵中数据的关联特性，求R_X的H_∞范数||R_X||_∞作为关联度值，||R_x||_∞越大，则该初配数据时空矩阵内数据的关联性越强； 根据现场经验知识，各单元的时滞在一个范围内波动，各单元的时基取值存在上下界，分别记为d_jmax和d_jmin，则时滞取值区间为d_j∈[d_jmind_jmax]，且d_j只取整数，可能的取值个数记为a_j；计算出时基序列共有种不同取值；依据步骤(2)确定各时基序列对应的初配时空矩阵，分别计算这些初配时空矩阵中数据列的关联度，关联度最大时对应的时基序列[d₁d₂…d_j…d_n]即为最优时基序列；由该最优时基序列配准得到的参数采样值即为物料经过每个单元设备时对应的状态参数值； (4)：工业流程中的单元众多，有的单元时滞波动范围大，导致时基序列的取值个数往往很大，引入遗传算法快速搜索获得最优时基序列，并提出如下时基序列的十进制种群编码方法 其中，一行代表一个时基序列，m为种群大小，即时基序列的个数，n为一个时基序列中时基的个数，即蒸发单元数； 为中的每一个时基序列生成对应的初配数据时空矩阵，共m个；基于时空关联分析结果，即关联度值，计算遗传算法中的适应度值，展开遗传、交叉、变异操作，通过遗传算法迭代寻优从种群中找出关联度值最大时对应的时基序列即为最优时基序列；与该时基序列对应的关联度值最大的数据时空矩阵即为该参数数据最佳的配准结果。

一种氧化铝生产蒸发过程多参数数据的时间配准方法

技术领域本发明涉及一种氧化铝生产蒸发过程多参数数据的时
间配准方法。

背景技术在氧化铝生产中，铝酸钠溶液的蒸发是极其关键的一
道工序。该过程工艺机理复杂，具有流程长、设备多的特点。以常见
的蒸发器+闪蒸器工艺来说，流程通常配备有5到7台蒸发器和3到
5台闪蒸器，其中一些蒸发器为保证蒸发效果还配套安装了预热器。
生产过程中，料液需依次流经各效蒸发器(含预热器)和各级闪蒸器，
蒸汽(包括二次蒸汽)需依次流经各效蒸发器，多个可控参数分布在
流程的各个单元中。由于生产中的物流(包括物料和蒸汽)无法标记
跟踪，物料在各单元设备和回路停留的时间均不同，与实时的生产状
态和设备本身的参数都有关，且不同参数的采样频率不一致，使得同
一组物流在每个阶段(或设备)的信息难以匹配、自变量与因变量难
以对应，导致工作人员对当前工况判断的准确性受限，操作滞后。同
时，闭环控制回路的时滞也会对生产环境和产品质量产生一定的影响，
增加了蒸发过程工艺指标稳定控制的难度，也对氧化铝的产量和生产
能耗产生很大的影响。流程工业过程普遍存在类似于氧化铝蒸发过程
这样具有流程长、设备多、机理复杂特点的流程，因而同一组物料在
不同阶段的信息不匹配、自变量与因变量不对应的问题在流程工业过
程中普遍存在。针对流程工艺特点，如何将不同的过程参数在空间与
时间上进行配准以准确跟踪物流变化，对流程工业过程的建模和优化
控制具有重要意义，是目前氧化铝生产以及众多流程工业过程实际生
产中亟需解决的问题。

目前，已经有一些有效的时滞辨识或时间信息提取方法，比较典
型的有内插外推法、神经网络算法。内插外推法由于计算简便，运行
时间短等优点在实际中应用广泛。但是内插外推算法在对象模型简单
时具有较好效果，对象模型复杂时配准误差较大。神经网络算法尽管
不需要精确的数学模型，仅需要采用一定数量的输入和输出样本进行
网络训练，就能逼近时滞的动态特性，但收敛速度慢，满足不了实时
控制的要求，随机性较强，且易陷入局部最优解。

针对上述存在的问题，研究如何根据实际生产流程和工序对现场
的大量生产数据进行有效地信息分析和时间配准的方法，并保证其能
够长期稳定地应用到实际生产中，对实现蒸发过程稳定控制，提高生
产效率和产品质量有着重要意义。

发明内容本发明的目的是提供一种氧化铝蒸发过程多参数数据
的时间配准方法。

本发明在分析蒸发过程工艺流程、运行状态的基础上，根据蒸发
过程单元数及单元间连接关系，提出了时基序列的概念，

D＝[d₁d₂…d_j…d_n](1)

式中n为时基序列的长度，等于蒸发过程的单元个数；d_j表示蒸发
过程第j个单元的时基，为整数且无量纲。记需要进行时间配准的
参数的采样周期为T，则该参数在第j个单元的停留时间为τ_j＝d_jT。

在时基序列的基础上，按照配准法则对该类参数的采样数据进
行时间和空间上的合理匹配，从中提取出与时基序列对应的初配数
据时空矩阵，配准法则如下：

针对蒸发实际生产，记该类参数对应于物料在流程入口和各单
元出口采样得到的原始数据形成的时空矩阵为
A＝[A₀A₁A₂…A_j…A_n]，其中当j＝0时，A_j为入口数据列，
当1≤j≤n时A_j为第j个单元出口数据列。从A₀中选择从某一时刻
t起的f个数据，得到数据时间序列X_0,t，形式为
[x_0,tx_0,t+T…x_0,t+iT…x_0,t+(f-1)T)^T，其中f满足使得时空矩
阵的所有数据至少能包含物流从流程入口至流程出口的一个变化
周期。对于A₁部分，取该参数从t+d₁T时刻起的f个数据生成数据
时间序列形式为
x 1 , t + d 1 T x 1 , t + ( d 1 + 1 ) T . . . x 1 , t + ( d 1 + i ) T . . . x 1 , t + ( d 1 + f - 1 ) T T . ]]>其余单元的数据时
间序列取值方法以此类推，最后得到与该时基序列和各单元空间匹
配的初配数据时空矩阵X为

X 0 , t X 1 , t + d 1 T ... X j , t + ( d 1 + ... + d j ) T ... X m , t + ( d 1 + ... + d n ) T - - - ( 2 ) ]]>

数据矩阵中往往蕴含着所采样参数的某些信息，初配数据时空
矩阵X中的各列数据来自于蒸发过程的不同单元，列与列之间存在
相互关联。通过计算列与列之间的关联度并进行综合评价，从而可
提取出其中蕴含的时间信息。首先对初配数据时空矩阵进行如下变
换

R X = cov ( X ) Π i = 1 n σ i - - - ( 3 ) ]]>

其中cov(X)表示协方差矩阵，σ_i表示X中第i列的标准差。然后利用
H_∞范数定量描述数据矩阵中数据的关联特性，求R_X的H_∞范数||R_X||_∞
作为关联度值，||R_X||_∞越大，则该初配数据时空矩阵内数据的关联性
越强。

由于各时基均存在一定的范围内取值，在未确定各时基具体数
值之前，时基序列存在多种可能取值，采用直接计算的方法寻找具
有最大关联度的时空矩阵对应的时基序列具有很大的难度。因此，
将时空关联分析与遗传算法进行结合，产生多个时基序列作为遗传
算法的种群，以时基序列的时空关联分析结果(即关联度值)作为
适应度计算的依据，利用改进的遗传算法寻找适应度最大(也即关
联度最大)时的最优时基序列作为最终的匹配结果。这种全局搜索
的特性能够大大减小算法的运算时长。采用遗传算法进行时基序列
寻优的步骤如下：

1.时基序列种群初始化

针对遗传算法中二进制编码进行函数优化时精度不高的特点，
结合时基取值为整数这一实际情况，对种群采用十进制编码，得到
初始时基序列种群如下

其中，一行代表一个时基序列，m为种群大小，即时基序列的个数，
n为一个时基序列中时基的个数，即蒸发单元数。

2.时空关联分析

利用配准法则为中的每一个时基序列生成对应的初配数据时
空矩阵，共m个。对每一个初配数据时空矩阵进行时空关联分析，
求出各自的关联度值。

3.遗传操作

将各初配数据时空矩阵对应的关联度值作为计算依据进行适应
度计算，根据适应度值对初始种群依次经过选择、交叉、变异操作后
得到一次进化后的种群。然后基于进化后的种群继续进行时空关联分
析和遗传操作，每次遗传操作结束后，产生一群更优秀的个体，种群
进化到搜索空间中更好的区域。这样种群经过多次遗传算法迭代后，
不断进化，最后收敛到一群最适应的个体。从最终的种群中找出最大
关联度值对应的那一个时基序列，即为最优时基序列。使用该时基序
列对参数进行时间配准，即可得到该参数最佳的配准结果，即由该最
优时基序列配准得到的各参数采样值即为物料经过每个单元设备时
对应的状态参数值。

附图说明

图1为参数的时间配准方法流程图；

图2为改进遗传算法迭代过程中的性能指标图；

图3为利用配准前的数据进行预测建模的结果对比图；

图4为利用配准后的数据进行预测建模的结果对比图。

具体实施方式

本发明通过深入分析蒸发过程工艺流程机理，利用时空关联分析
方法和改进的遗传算法实现了氧化铝生产蒸发过程多参数数据的时
间配准。此处采用某氧化铝厂五效三闪(五个蒸发器和三个闪蒸器)
蒸发工艺连续生产的188组数据进行配准分析。

1.配准算法参数初始化

选择对各蒸发设备出口处的溶液温度参数进行时间配准，其采
样周期为5min。按照蒸发器和闪蒸器的个数将该工艺流程分为八
个单元，即时基序列的长度为8。依据现场经验知识获得时基的取
值范围，其中蒸发器单元时基取值范围为[2，5]，即可取值有2、
3、4、5，闪蒸器单元时基取值范围为[2，4]，即可取值有2、3、
4。遗传算法种群大小设为40，即根据各时基的取值范围随机生成
40组初始时基序列。

2.基于遗传算法进行数据初始配准

各时基取最大值时所有时基的和为37，所以对温度参数选择
37条连续记录数据形成初配数据时空矩阵，保证该初配时空矩阵
的所有数据至少能包含物料从流程中第一个设备入口到最后一个
设备出口的一个变化周期。针对种群中的40个时基序列，依据配
准法则生成各时基序列对应的初配数据时空矩阵。

3.基于遗传算法进行时空关联分析

依据式(3)对40个初配时空矩阵分别进行时空关联分析，得
到各初配数据时空矩阵的关联度值，共40个。

4.通过遗传操作寻优得到最优时基序列

引入遗传操作，将各初配数据时空矩阵对应的关联度值作为计
算依据进行适应度计算，然后根据适应度值对初始种群依次经过选
择、交叉、变异操作后，得到一次进化后的时基序列种群。重复进
行步骤2到步骤4的操作，即生成新的时基序列种群对应的数据时
空矩阵，然后计算时空矩阵的关联度，再进行遗传操作，并且每次
进行步骤3后标记关联度值最大时对应的一组时基序列。经过多次
遗传算法迭代后，从最终的种群中找出关联度值最大时对应的那一
组时基序列，即为最优时基序列。

图2展示了经过500次遗传操作的结果，表明该方法计算速度
很快，最终得到的最大关联度值为0.7546，对应的时基序列为：

D＝[23522224]

进而利用该时基序列实现原始数据的最佳时间配准。

为验证配准效果，采用BP神经网络分别利用配准前后的数据对
蒸发三闪出口溶液的苛碱浓度进行预测建模和验证。对配准前和配准
后的数据，神经网络输入参数与结构完全相同。配准前和配准后的数
据分别为188组，其中150组用于模型训练，38组用于模型验证。
当采用未配准的数据进行建模和预测验证时，模型预测结果的平均绝
对误差为3.8042；当对数据进行时间配准后用于建模和预测验证，预
测结果的平均绝对误差为2.4952。可见采用该方法对多参数数据进行
时间配准后，模型的准确性提高了34.4％。该配准方法对于流程工业
中不同流程工艺的参数时间配准均适用。