论文部分内容阅读
铝电解工业过程中,电流效率是评价铝电解槽最主要的技术经济指标。其中,电解温度又是影响电流效率的最重要因素之一,因此在铝电解生产过程中对温度和过热度的精确控制十分的有意义。另一方面,由于铝电解过程是一个大时滞的工业过程,对温度的控制效果不能够实时的显现出来,传统的控制算法效果都不理想。因此本文希望通过广义动态模糊神经网络算法训练出预测模型,能够将某种控制参数的控制效果提前准确预测,计算出决策量,从而达到系统要求的控制效果。本文基于广义动态模糊神经网络算法(GD-FNN),利用电解槽正常运行的历史数据,自动建造铝电解预测系统,在给定铝电解槽所需电解温度,通过铝水平和分子比,对铝电解中的出铝量和氟化铝添加量进行预测。此算法通过对高电流效率、低能耗的电解槽的运行规律进行白适应分析,训练出对应的决策规则,运用到效率低的电解槽,可以实现铝电解槽温度和过热度控制,提高铝电解电流效率。通过对某铝电解厂实际数据进行仿真实验,证明了该算法在铝电解控制中的有效性。该算法的特点在于不需要铝电解领域的专家知识,利用铝电解槽实际样本便可对系统自动建模及抽取模糊规则。所得到的系统模型结构紧凑,并且避免了过拟合的现象。另外,将反馈校正模块与广义动态模糊神经网络组成一个温度控制系统,通过系统输出测量值与模型的预测值比较,得出模型的预测误差,通过利用新数据重新训练网络,从而得到更准确的预测决策量。最后,通过Visual C++软件与Access数据库,并通过MATLAB实现混合编程,开发了一款上位机控制软件,主要实现了预测网络的离线训练,并具有可预测功能,以及历史数据查询及其曲线显示功能。