基于bp神經網絡與mbfo算法的鋁電解多參數控制方法
【技術領域】
[0001] 本發明涉及最優控制領域，具體地說，是一種基于BP神經網絡與MBF0算法的鋁電 解多參數控制方法。
【背景技術】
[0002] 鋁電解是一個復雜的工業生產過程，鋁電解槽內部復雜的物料化學變化以外部多 種不確定作業因素導致槽內參數較多，參數間呈現出非線性、強耦合性等特點，難以實時測 量、調整，給鋁電解生產過程控制優化帶來一定難度。目前的鋁電解法耗能巨大且效率低 下，且鋁電解生產過程中會產生大量溫室氣體，環境污染嚴重。因此，在保證鋁電解槽平穩 生產的前提下，如何提高電流效率、降低能耗、降低污染氣體排放量，以實現高效、節能、減 排已成為鋁電解企業的生產目標。

【發明內容】

[0003] 有鑒于此，本發明提供一種基于BP神經網絡與MBF0算法的鋁電解多參數控制方 法，首先利用BP神經網絡模型建立鋁電解生產過程模型，再基于菌群個體Pareto熵的外 部檔案更新策略改進的多目標細菌覓食算法，確定對鋁電解生產指標影響最大的參數最優 值，有效提高鋁電解生產效率。具體技術方案如下：
[0004] 一種基于BP神經網絡與MBF0算法的鋁電解多參數控制方法，其關鍵在于，包括以 下步驟：
[0005] S1 :選取對電流效率、噸鋁能耗和全氟化物排放量有影響的控制參數構成決策變 量X= [Xdx2，…xM]，Μ為所選參數的個數；
[0006] S2 :選定鋁電解工業現場，采集Ν組決策變量Xi，X2，…，ΧΝ及其對應的電流效率 yi，y2,…，y。噸錯能耗ζ2，…，zjp全氟化物排放量〇d〇2，…，〇Ν作為數據樣本，以每一個 決策變量xjt為輸入，分別以對應的電流效率yi、噸鋁能耗Zi和全氟化物排放量〇i作為輸 出，運用BP神經網絡對樣本進行訓練、檢驗，建立鋁電解槽生產過程模型；
[0007] S3 :利用多目標細菌覓食優化算法，即MBF0算法，對步驟S2所得的三個生產過程 模型進行優化，得到一組最優決策變量Xtest及其對應的電流效率ytest、噸鋁能耗ztest和全氟 化物排放量〇test，優化時，利用菌群個體Pareto熵的外部檔案更新策略引導菌群更新以便 快速獲得最佳決策變量；
[0008] S4 :按照步驟S3所得的最優決策變量Xtest中的控制參數來控制步驟S2中所選定 的鋁電解工業現場，以實現在多參數最優狀態下進行鋁電解。
[0009] 結合實際生產情況，步驟S1中選定了8個參數構成決策變量，分別為系列電流、下 料次數、分子比、出鋁量、鋁水平、電解質水平、槽溫和槽電壓。
[0010] 為滿足建模需求，步驟S2中的BP神經網絡由輸入層、隱藏層和輸出層構成； [0011] 針對電流效率所構建的生產過程模型而言，其輸入層采用8個神經元節點，隱藏 層采用13個神經元節點，輸出層采用1個神經元節點，輸入層到隱藏層之間傳遞函數為 Tansig函數，隱藏層到輸出層之間的函數為Purelin函數，樣本訓練時的迭代次數為800;
[0012] 針對噸鋁能耗所構建的生產過程模型而言，其輸入層采用8個神經元節點，隱藏 層采用12個神經元節點，輸出層采用1個神經元節點，輸入層到隱藏層之間傳遞函數為 Logsig函數，隱藏層到輸出層之間的函數為Purelin函數，樣本訓練時的迭代次數為800;
[0013] 針對全氟化物排放量所構建的生產過程模型而言，其輸入層采用8個神經元節 點，隱藏層采用13個神經元節點，輸出層采用1個神經元節點，輸入層到隱藏層之間傳遞函 數為Tansig函數，隱藏層到輸出層之間的函數為Purelin函數，樣本訓練時的迭代次數為 800〇
[0014] 進一步地，步驟S3中的MBF0算法包括以下步驟：
[0015]S31:將決策變量X的值視為細菌位置，根據決策變量X中各個參數的范圍隨機生 成L個細菌構成菌群初始位置；
[0016]S32:初始化系統參數，包括趨向次數N。，趨向行為中前進次數Ns，繁殖次數，驅 散次數^d，驅散概率Pw外部檔案規模K;
[0017]S33:執行趨向操作，包括翻轉和前進；
[0018] 假設第i(i= 1，2,…，L)只細菌在第j次趨向操作第k次復制操作和第1次驅散 操作之后的位置為eiak，1)，則 1)
[0019] 式中，dcti是第i只細菌最近一次翻轉時所選擇的隨機矢量方向，C(i)是其沿dcti
'\為各分量均為[_1，1]內隨機數的向量，向量的維數 與決策變量X的維數相同；
[0020]S34:根據個體間的信息素濃度執行聚群操作：
[0021] S35 :計算菌群的健康函數，并將其進行降序排列，淘汰健康函數值小的一半細菌， 健康函數值大的另一半細菌進行繁殖，且子細菌覓食能力保持與父代一致；
[0022] 對給定的k、1，每只細菌的健康函數為
第i只細菌的能量，J(i，j，k，1)表示細菌i在第j次趨向操作第k次復制操作和第1次驅 散操作之后的適應度函數值，N。表示趨向次數，越大，表示細菌i的覓食能力越強；
[0023]S36:將步驟S35中產生的菌群與上一次迭代計算產生的菌群合并，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個優勢個體構成下一代菌 群；其中利用個體Pareto熵更新菌群的步驟如下：
[0024]S361:如果待更新的外部檔案Α=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;
[0025]S362:如果P被A中的任意一個成員a#A占優，則此時返回A;
[0026]S363:對于任意的aieA，如果a顏P占優，則A=AWaJ;
[0027]S364 :如果A的成員個數|A| <K，K表示外部檔案的最大容量，則Y=AU{P}， 此時返回Y;
[0028]S365:令Β=AU{Ρ}，對所有Β的成員heΒ，評估bi的個體密度；
[0029] S366 :查找B中具有最大個體密度的成員b_;
[0030]S367:如果P就是13_，則Y=A，此時返回Y;
[0031]S368:令Α'=ΒΛυU{P}，此時返回A'〇
[0032]S37:驅散：細菌經歷幾代復制后，以驅散概率Pj皮驅散到搜索空間中的任意位 置；
[0033]S38:判斷優化算法是否滿足結束條件，如滿足，則輸出Pareto前沿即最優決策變 量Xtest及其對應的電流效率ytest、噸鋁能耗ztest和全氟化物排放量〇test，如不滿足，則跳轉 至S33〇
[0034] 有益效果：（1)基于多目標細菌覓食算法優化鋁電解參數，有效提高鋁電解生產 效率；(2)使用Pareto熵的外部檔案更新策略更新菌群，使得能夠快速獲取鋁電解生產最 優參數。
【附圖說明】
[0035] 圖1為本發明的算法流程圖；
[0036] 圖2為CF4排放量預測效果圖；
[0037] 圖3為電流效率預測效果圖；
[0038] 圖4為噸鋁能耗預測效果圖；
[0039] 圖5為CF4排放量預測誤差圖；
[0040] 圖6為電流效率預測誤差圖；
[0041] 圖7為噸鋁能耗預測誤差圖。
【具體實施方式】
[0042] 下面結合實施例和附圖對本發明作進一步說明。
[0043] 如圖1所示的一種基于BP神經網絡與MBF0算法的鋁電解多參數控制方法，其關 鍵在于，包括以下步驟：
[0044]S1:選取對電流效率、噸鋁能耗和全氟化物排放量有影響的控制參數構成決策變 量X= [Xdx2，…xM]，Μ為所選參數的個數；
[0045] 通過統計鋁電解生產過程中對電流效率、噸鋁能耗和全氟化物排放量有影響的原 始