|
當前我們基于KD (D&K)總體結構模型，使用我們自己的關聯規則挖掘算法(即M算法)，重點對多種生產參數對電解槽效率的影響進行分析，挖掘出的關聯規則中有307條得到了鋁電解領域專家的重視，這里僅給出前20條規則:
RuleID RULE Support Confidence
1306 Avg_Fzb2.88-3.0 Avg_AbnormityT1-60 Avg_AvergaeV4.28-4.36—>Avg_Efficiency0.7-0.8 0.02 1
638 Avg_Fzb2.88-3.0 Avg_AvergaeV4.28-4.36 —>Avg_Efficiency0.7-0.8 0.02 1
1264 Avg_Lsp230-250 Avg_Fzb2.76-2.88 Avg_AvergaeV4.2-4.28 —> Avg_Efficiency0.8-0.85 0.02 1
1272 Avg_Lsp250-270 Avg_Fzb2.64-2.76 Avg_AvergaeV4.28-4.36 —> Avg_Efficiency0.8-0.85 0.02 1
1210 Avg_djwd978-984 Avg_Lsp230-250 Avg_Fzb2.76-2.88 —> Avg_Efficiency0.8-0.85 0.02 1
1566 Avg_Lsp250-270 Avg_Fzb2.64-2.76 Avg_AbnormityT1-60 Avg_AvergaeV4.28-4.36—> Avg_Efficiency 0.8-0.85 0.02 1
1570 Avg_Lsp230-250 Avg_Fzb2.76-2.88 Avg_AbnormityT1-60 Avg_AvergaeV4.2-4.28—> Avg_Efficiency0.8-0.85 0.02 1
1583 Avg_djwd978-984 Avg_Lsp230-250 Avg_Fzb2.76-2.88 Avg_AbnormityT1-60 —> Avg_Efficiency0.8-0.85 0.02 1
1558 Avg_djwd984-990 Avg_Lsp210-230 Avg_AbnormityT1-60 Avg_AvergaeV4.28-4.36—> Avg_Efficiency0.7-0.8 0.01 1
1559 Avg_Lsp210-230 Avg_Fzb2.88-3.0 Avg_AbnormityT1-60 Avg_AvergaeV4.28-4.36—> Avg_Efficiency0.7-0.8 0.01 1
1257 Avg_Lsp210-230 Avg_Fzb2.88-3.0 Avg_AvergaeV4.28-4.36 —> Avg_Efficiency0.7-0.8 0.01 1
1248 Avg_djwd984-990 Avg_Lsp210-230 Avg_AvergaeV4.28-4.36 —> Avg_Efficiency0.7-0.8 0.01 1
1167 Avg_djwd972-978 Avg_Lsp230-250 Avg_AbnormityT1-60 —> Avg_Efficiency0.8-0.85 0.01 1
1571 Avg_djwd978-984 Avg_Lsp270-290 Avg_AbnormityT1-60 Avg_AvergaeV4.28-4.36 —> Avg_Efficiency0.8-0.85 0.03 0.75
1616 Avg_djwd966-972 Avg_Fzb2.64-2.76 Avg_AbnormityT1-60 Avg_AvergaeV4.2-4.28 —> Avg_Efficiency0.89-0.90 0.02 0.67
577 Avg_djwd984-990 Avg_AvergaeV4.28-4.36 —> Avg_Efficiency0.7-0.8 0.02 0.67
583 Avg_Lsp210-230 Avg_AvergaeV4.28-4.36 —> Avg_Efficiency0.7-0.8 0.02 0.67
1259 Avg_Lsp210-230 Avg_AbnormityT1-60 Avg_AvergaeV4.28-4.36—> Avg_Efficiency0.7-0.8 0.02 0.67
1254 Avg_djwd984-990 Avg_AbnormityT1-60 Avg_AvergaeV4.28-4.36—> Avg_Efficiency0.7-0.8 0.02 0.67
1233 Avg_djwd978-984 Avg_Fzb2.64-2.76 Avg_AvergaeV4.28-4.36—> Avg_Efficiency0.8-0.85 0.02 0.67
-----------------------------------------------------
我們以第一條規則為例，對這類規則作以說明。規則1306的意思為“分子比 [2.88-3.0]∧ 異常時間 [1-60s] ∧ 平均電壓 [4.28-4.36v]
電解效率 [0.7-0.8] 0.02 1”，這說明滿足規則前件的情況下，鋁電解效率不高(70%-80%)，因此，在生產過程中應避免這類條件的出現。
(2) 聚類與分類
在鋁電解控制系統中，產生了大量的控制數據，這些數據包括實時數據也包括日報數據，這些數據隱含著電解槽的運行狀況的一般規律。
如何提高電流效率，是鋁電解生產過程控制的關鍵問題。
數據挖掘可以作為解決這一問題的有效手段之一。
通過數據挖掘的分類方法，可以根據各種生產數據，發現不同生產參數下電解槽效率變化規律。
我們當前的聚類與分類方案如下：
首先根據現有數據情況，選擇、設計相應聚類算法，確定電解槽電流效率的不同狀態劃分；
其次，根據上述劃分，確定各電解槽的電流效率狀態；
再次，選擇、設計相應分類算法，在數據集上學習分類規律；當前初步選用CART算法，根據實際實驗情況，再提出和運用我們自己的算法。
(3) 時間序列數據挖掘
在鋁電解生產管理過程中應用時間序列數據挖掘，通過對時間的變換發現系列或者單槽的發展趨勢，尋找季節性規律，用以及時調整控制策略，提高生產效率；或者分析電解槽某一時間內的運行狀況，發現問題的所在。
現場對每個槽每隔20秒采樣一次，根據領域經驗，主要用槽電壓的變化序列來考察電解鋁槽未來的運轉狀況，可考慮用下列方法進行挖掘：
(I) 考慮只用槽電壓時間序列。對歷史槽電壓時間序列進行分析挖掘，得到系統的一些定性演化規則（可由專家解釋）。槽電壓變化規律可能對未來系統的效率、壽命等產生影響，早期控制中可以利用運行良好的系統所對應的規律，避免運行不好的系統所對應的規律。規則發現過程如下：
①抽象表示。將時間序列在某一分析尺度（如秒，分鐘，小時，天等）進行抽象表示，可以采用分段常量近似（即一定時期內的平均值）或分段線性表示（如即一定時期內的一條擬合直線）。
②離散符號化。分段常量表示離散為：“極高”、“高”、“平”、“低”、“極低”等。分段線形表示離散為：“劇烈上升”、“上升”、“平”、“下降”、“劇烈下降”等;采用我們獨立提出的基于語言場的方法進行離散化。
③模式發現算法。對于得到的長符號序列，采用Mannila 提出的WINEPI算法發現頻繁情節（情節即符號的有序序列）。該算法是基于Apriori的算法，只是挖掘對象是針對符號（符號也稱為事件）序列。
④對頻繁情節生成預測規則，采用支持度可信度框架進行規則評價。
Mannila提出的WINEPI方法用于對連續發生的狀態（或稱事件）序列進行知識發現，是基于Apriori的算法，也是采用候選生成和剪枝的策略。與普通的關聯規則發現的不同是：其挖掘對象不是事務庫，而是連續的符號（事件）序列，這種事件序列是無法分割為事務的，因此發現過程中需要設定頻繁情節的最大持續時間窗口，以防止“組合爆炸”。
該方法已成功地應用于網絡報警關聯規則的發現。
(II) 利用用槽電壓的時間序列預測特定的事件發生（如效應狀態的轉變、爐的異常等）。所謂異常事件往往指觀測變量的劇烈變化，如突然上升或突然下降，可能對應設備的異常。
確定一分析尺度（如秒，分鐘，小時，天等），進行分段常量表示，將原始觀測序列轉化為降維的時間序列;之后利用某一種預測方法（如最近鄰加權，神經網絡，支持向量機等）預測可能出現的異常。學習樣本的選取：首先確定嵌入維M，其前面的M-1數據點作為輸入，后一個點作為輸出。這樣得到若干樣本后，通過訓練得到一個預測器，可進行實時預測。
(III) 對于(2).中的同一個問題，也可以采用經典規則發現的方法。
離散化后，首先要抽取挖掘數據庫。將每一個異常之前的若干個符號組成一條記錄，總共可得到多條記錄。對此二維表用常規的關聯規則挖掘算法得到頻繁項集，以頻繁項集做前件，異常事件為后件，可以得到很多預測規則。這些規則及其前件的支持度計數應在原始的符號序列中進行再計算，最后得到對異常事件的預測規則，并按可信度排序。
此方法中之所以采用部分包含異常事件的數據集進行挖掘，是為了只得到對特定異常事件的規則，這樣做可以減少處理的數據量。Mannila 提出的算法具體過程此不贅述。
在電解槽生產管理中，病槽及電壓擺等的產生是一個漫長的過程，在這之前，一定有些異常的操作對此事件負責，同時會有一些（組）數據揭示未來此槽會發展成為病槽，及時捕獲并分析這些數據，及時調整生產及槽況，將有助于避免病槽的發生。
4.1.3經濟效益
本項目技術能使我國各類型預焙槽的主要技術經濟指標達到國際上同類型電解槽的先進水平（根據22家用戶的應用統計，電流效率為93～96%，直流電耗為13000～13400 kWh/t-Al），這從另一側面證明了本項目技術的先進性。此外，本項目技術作為我國現代化預焙槽煉鋁成套技術的重要組成部分，已在兩個國外工程項目的國際性招標中中標，標志著本項目技術已走出國門，具有參與國際市場競爭的實力。
1998～1999年背景項目的研究成果在中國鋁業公司所屬企業（原青海鋁廠、原貴州鋁廠、原廣西平果鋁業公司）中應用，其后邊推廣邊改進和完善，到2003年7月已成功推廣應用到全國88家鋁電解企業（總產能431.7萬噸）共11823臺各類型電解槽上(應用企業的清單列于表9-1)，并且已經簽約正在推廣應用的還有26家鋁電解企業（總產能274.3萬噸）共4196臺各類型電解槽。
背景項目的研究成果使88家鋁電解企業年增直接經濟效益（利稅）達到6.8億元以上，每年減少炭氟化合物氣體排放量約1470噸（從溫室效應考慮，相當于減少CO2排放量1000萬噸以上）；每年節電10.5億kWh；減少優質炭（陽極）的消耗7萬噸（折合標準煤約20萬噸）。
背景項目的研究成果已成為我國現代化預焙槽煉鋁的核心技術，自2000年以來在全部新建和改擴建預焙鋁電解生產系列中得到了全面應用。若88家企業（總產能431.7萬噸）及正在推廣應用的企業（總產能274.3萬噸），全部形成產量（共計706萬噸），年增直接經濟效益至少達到13.7億元。
作為本項目的研究成果------新的數據挖掘(知識發現)技術的融入;根據初步測算,其經濟效益將大大超過這個效益值(見附件)。
本項目的經濟效益與社會效益分析：
1) 本項目為我國鋁電解工業實現從落后的自焙槽煉鋁技術向先進的預焙槽煉鋁技術的跨越提供了不可或缺的技術，推動了鋁電解工業的結構調整與優化升級，推動了我國預焙槽煉鋁整體技術水平進入世界先進行列，實現了我國鋁電解工業整體技術跨越。
2) 在模糊控制與模糊專家系統基礎上引入數據挖掘技術，對青銅峽鋁業集團公司電解350系列的生產數據進行分析，發現了潛在的人所未知的電解工藝規律通過調整工藝參數，提高了電流效率，降低了能耗。以青銅峽鋁業集團有限公司350kA預焙鋁電解槽（共290臺）一年28萬產能計算，提高電流效率0.8%，降低直流電耗120kWh/t-Al,每年帶來的直接經濟效益達1050萬元。2005年中國電解鋁的產能為800萬噸，若全面推廣應用此項技術，其直接年經濟效益為800/28*1050=30000萬元（3個億）。
3) 本項目應用對生態環境保護具有重大作用，每年可減少炭氟化合物氣體排放量 約1470噸（從溫室效應考慮，相當于減少CO2排放量1000萬噸以上）。
4) 顯著的節電、節炭（陽極）效果可節約國家大量化石能源，按2002年88家用戶350萬噸年產量計算，年節電10.5億kWh；減少優質炭（陽極）的消耗7萬噸（折合標準煤約20萬噸）。
5) 本項目技術具有完整的自主知識產權，作為我國現代化預焙槽煉鋁成套技術的重要組成部分，已在兩個國外工程項目（印度、伊朗）的國際性招標中中標，標志著本項目技術已走出國門，具有參與國際高技術競爭的實力。
上一頁 [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] 下一頁
|
