苏志同 吴佳龙
(北方工业大学 北京 100144)
预焙阳极是以石油焦、沥青焦为骨料,煤沥青为黏结剂制造而成,用作预焙铝电解槽阳极材料。这种炭块已经过煅烧、焙烧、成型等工序,具有稳定的几何形状,所以也称预焙炭阳极块[1]。
焙烧是预焙阳极炭块制备过程中非常重要的工艺[2]。在焙烧过程中,不同粒度的炭质材料按照一定比例配料,加入煤沥青经震动混捏振动成型等工序,使生阳极中煤沥青的部分挥发份挥发燃烧,部分焦化,形成致密的高强度的炭阳极块[3]。配料配方作为焙烧关键的一环,其优劣很大程度上决定了焙烧后生成的焙烧块的理化指标和成品率[4]。
对于焙烧块各项理化指标的合格标准,因为各种工厂的阳极配方粒度大小和种类不同,以及采用不同的生产工艺,导致各工厂理化数值有很大差异,表1是我国目前铝电解用碳阳极的真实情况和平均水平以及某企业的焙烧块理化指标合格标准。
表1 我国铝电解用炭阳极焙烧块平均水平
在以上焙烧块理化指标中,体积密度主要受配方粒度大小的影响[5~6],当使用小粒度配方时,体积密度越高,而使用大粒度配方时,体积密度越低[7]。另外,残极使用情况也影响体积密度、阳极强度与骨料性质和配方组成有很大的关系、阳极CO2反应性是反应阳极抗氧化性的一项重要指标;电阻率主要受到阳极生产的主要原料石油焦好坏的影响;反应阳极的热特性指标热膨胀系数是衡量阳极抗热震性的重要指标[8]。
表2 某企业铝电解用炭阳极焙烧块评价标准
焙烧后所生成的焙烧块必须具有良好的导电性,以求降低阳极压降实现节电,同时必须具有较高的机械强度和抗热震性能[9]。作为预焙阳极的主要材料,焙烧块的质量对阳极的质量和阳极在电解槽中的特性有直接影响[10]。焙烧工艺主要控制指标就是焙烧块的电阻率和真密度,这些参数对预焙阳极抗二氧化碳和空气反应性等性能均有较重大影响[11]。
BP神经网络主要由一个输入层,一个或多个隐含层,一个输出层组成,包含信息正向传播和误差反向传播两种传播过程[12]。在正向传播过程中,输入信息从输入层经隐含层传到输出层,经过作用函数的输出值与期望值比较,如有误差,则反向传播,逐层修改各层神经元权值以减小误差[13]。如此循环传播,直到输出结果符合精度要求为止[14]。在本模型中,以阳极配方中6种粒度比例为输入,焙烧块理化指标为输出。
此前,姜朝阳、文克等将BP神经网络应用于预焙阳极生产中,通过输入配方信息到神经网络模型中,仿真模拟焙烧块理化指标,这对配方的控制具有一定的指导意义[15]。但是,他们并未提出一个合理的焙烧块质量评判准则,以致在评判预测焙烧块优劣时具有很大的主观性。
模型设计目的:对于一个新给定的预焙阳极配方,输入到本预测模型之中,能预测以此配方所烧出的焙烧块的理化指标,并对该焙烧块给出一个合理客观的评价,以分数来体现,从而体现配方的优劣。
模型设计思想:首先,以焙烧之后所产生的焙烧块的理化指标为维度,使用KMEANS算法对焙烧块进行类别标识。其次,根据采用的标准值,权值和类别标识对焙烧块进行评分。采用双重标识可以使得评分过程更加合理,在评分过程中避免因单指标过高而过分拉高评分的情况。然后,训练BP神经网络并预测焙烧块理化指标值。最后,使用KNN算法对预测的焙烧块进行分类标识,利用与之前相同的评分标准对预测的焙烧块理化指标进行评分。
焙烧块共有七项理化指标,每项理化指标都有相应的企业标准,如表2所示,焙烧块分数计算步骤如下:
1)若焙烧块所有理化指标都在企业标准范围内,则其可获得合格基础分(QBP),否则合格基础分为0分;
2)根据焙烧块所属类别标签的优劣,获得与之对应的类别基础分(CBP);
3)分别归一化焙烧块理化指标,并将理化指标标准值映射到规范区域内;
4)根据企业标准,焙烧块各理化指标的权值计算质量分数(QP);
5)将焙烧块所得分数加在一起,即为焙烧块总评分(BBP)。
焙烧块理化指标归一化公式:
焙烧块质量参数分计算公式:
焙烧块总评分公式:
其中ai为归一化之前,焙烧块第i个理化指标值;Xi为归一化后,焙烧块第i个理化指标值;Si为映射到规范化区间的焙烧块第i个理化指标企业合格标准值;Wi为焙烧块第i个理化指标的权值;±选取规则:焙烧块第i个理化指标属性为不小于时取“+”,否则取“-”。
焙烧块质量的预测模型构建步骤如图1所示。
图1 模型计算流程图
绝对误差计算公式:
平均绝对误差计算公式:
相对误差计算公式:
相对平均误差计算公式:
准确度计算公式:
其中Pi为预测分数值;Ri为实际分数值;n为预测数据总数。
1)选取合格基础分QBP(30分);
2)首先依据被烧块理化指标(灰分、体积密度、电阻率、真密度、耐压强度、CO2反应性、热膨胀系数)利用KMEANS算法将训练数据聚为4类,并选取类别基础分(如表3所示),其中KMEANS最大迭代次数为1000次,中心点随机生成次数为100次;
3)选取标准值,归一化理化指标和标准值数据,标准值选取如表2所示,选取权值,本次实验各理化指标权值均为1/7;
4)利用式(1)、式(2)和式(3)对所有真实焙烧块理化指标进行评分;
5)对于被烧块各理化指标分别训练BP神经网络模型,其中学习率为0.05,采用Sigmoid函数作为激励函数,隐含层层数为3层,隐含层节点数分别为12,18,9,迭代训练次数为100次;
6)利用KNN算法(K=4)将神经网络预测的被烧块理化指标进行分类,在KNN中选取投票方式进行最终决策;
7)结果分析
表3 类别基础分
本次试验预测数据为300条,预测结果误差及准确度如表4、表5所示。
表4 预测结果
表5 模型评价
部分数据预测值与真实值对比图如图2、图3所示。
图2 真实与预测数据对比图(1~30)
图3 真实与预测数据对比图(31~60)
本文给出了一种客观合理的焙烧块理化指标评分方法,提出的预焙阳极焙烧块质量的预测模型是一种应用在预焙阳极焙烧生产过程中的简单分析模型。模型中融合了KMEANS,BP神经网络和KNN算法,从预测结果来看,预测数据与真实数据的均值,标准差波动基本一致,算法的准确度达到94.14%,预测效果良好。