發(fā)布時間：2020-08-04 16:44

【摘要】：電解槽作為鋁電解生產(chǎn)中的典型設備,其運行狀態(tài)直接影響經(jīng)濟技術指標、日常生產(chǎn)以及電解槽的使用壽命。但是,電解槽同時受磁場、電場及高溫的干擾,故障特征不易辨識,可連續(xù)測量的生產(chǎn)參數(shù)少,難以監(jiān)測電解槽狀態(tài)及診斷故障。因此,本文以306k A預焙陽極電解槽為研究對象,采集了正常、鋁液波動、陰極破損、極距過低和爐底結殼五種槽況的槽電壓信號,對信號降噪、故障特征提取、故障分類等問題做了深入研究。論文首先介紹了電解槽常見的故障模式,以及對槽電壓的影響。采用直接法估計了五種槽況槽電壓信號的功率譜,結果指出信號功率的頻域特征相似、主頻率均在0-0.1Hz之間,需要深入分析信號特征。隨后,采用小波閾值方法對槽電壓信號做降噪處理。局域均值分解算法(LMD)可以保留較多的頻率和幅值特征,常用于機械故障診斷。不同于機械振動信號,過程信號平穩(wěn)、采樣頻率小。因此,本文改進了LMD算法:調(diào)整信號取值范圍、非線性變換、放大信號局部特征、再進行信號分解,并選擇PF分量的相對能量和總能量作為故障的特征值。實驗結果表明,改進算法提取的特征值可以準確表征五種電解槽狀態(tài)。最后,采用極限學習機(ELM)算法辨識故障類型。針對ELM隨機給定隱含層參數(shù)的缺點,采用粒子群算法(PSO)對隱含層參數(shù)尋優(yōu),從而提高分類精度。再針對PSO算法易陷入局部極值的缺點,對慣性權重的取值方式做改進:采用了慣性權重非線性減小策略,并將分類正確率作為尋優(yōu)結束的先決條件,減小迭代次數(shù),提高網(wǎng)絡訓練速度。實驗結果表明,PSO優(yōu)化的ELM既保證了較快的訓練速度,同時獲得了更高的故障分類正確率。
【學位授予單位】：中國礦業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TF351
【圖文】：

圖 2-2 電解槽控制系統(tǒng)界面Figure 2-2 Interface of reduction cell control system參考現(xiàn)場人員對故障的辨識，選擇四種常出現(xiàn)的故障：鋁液波動、陰極破損、極距過低以及爐底結殼，通過控制系統(tǒng)軟件獲取正常及故障情況下的鋁電解工作電壓信號。信號的采樣頻率為 1Hz，本文選擇 300 個采樣點，即 5 分鐘的采樣時間。對于車間內(nèi)的 172 臺電解槽，各槽的理化環(huán)境不同，每臺電解槽出現(xiàn)四種故障的頻率不同；整體而言，每種故障發(fā)生的頻率不同，因此可采集到的數(shù)據(jù)組數(shù)不同。正常槽況的數(shù)據(jù)為 60 組，鋁液波動故障的數(shù)據(jù)為 45 組，陰極破損故障的數(shù)據(jù)為 45 組，極距過低故障的數(shù)據(jù)為 40 組，爐底結殼故障的數(shù)據(jù)為 40 組。特別需要說明，這 230 組數(shù)據(jù)分別來自不同的電解槽，由于數(shù)據(jù)量少、電解槽個數(shù)多，通過這些數(shù)據(jù)不能得出每個槽的故障發(fā)生頻率、理化環(huán)境或者其他結論；此外，本文的目的是提取槽電壓與相應故障之間的關系，不考慮故障或槽電壓與相應電解槽的關系，因此，除了下文的時域分析以外，本文的數(shù)據(jù)僅用序號或者故障類型表示，不再標記數(shù)據(jù)來源，即槽號。2.3.2 信號分析

圖 2-2 電解槽控制系統(tǒng)界面Figure 2-2 Interface of reduction cell control system參考現(xiàn)場人員對故障的辨識，選擇四種常出現(xiàn)的故障：鋁液波動、陰極破損、極距過低以及爐底結殼，通過控制系統(tǒng)軟件獲取正常及故障情況下的鋁電解工作電壓信號。信號的采樣頻率為 1Hz，本文選擇 300 個采樣點，即 5 分鐘的采樣時間。對于車間內(nèi)的 172 臺電解槽，各槽的理化環(huán)境不同，每臺電解槽出現(xiàn)四種故障的頻率不同；整體而言，每種故障發(fā)生的頻率不同，因此可采集到的數(shù)據(jù)組數(shù)不同。正常槽況的數(shù)據(jù)為 60 組，鋁液波動故障的數(shù)據(jù)為 45 組，陰極破損故障的數(shù)據(jù)為 45 組，極距過低故障的數(shù)據(jù)為 40 組，爐底結殼故障的數(shù)據(jù)為 40 組。特別需要說明，這 230 組數(shù)據(jù)分別來自不同的電解槽，由于數(shù)據(jù)量少、電解槽個數(shù)多，通過這些數(shù)據(jù)不能得出每個槽的故障發(fā)生頻率、理化環(huán)境或者其他結論；此外，本文的目的是提取槽電壓與相應故障之間的關系，不考慮故障或槽電壓與相應電解槽的關系，因此，除了下文的時域分析以外，本文的數(shù)據(jù)僅用序號或者故障類型表示，不再標記數(shù)據(jù)來源，即槽號。2.3.2 信號分析

【參考文獻】

相關期刊論文 前10條

1 劉勇;李文海;陳育良;;基于人工免疫系統(tǒng)的智能故障診斷研究[J];計算機測量與控制;2010年12期

2 喬建偉;;金屬冶煉的新機遇:熔鹽電解法[J];價值工程;2011年29期

3 李杰;李界家;李穎;;鋁電解過程故障診斷綜述[J];科技廣場;2011年07期

4 張輝鋒;吳偉平;袁榮才;;基于改進粒子群優(yōu)化算法的遙感圖像閾值分割[J];勘察科學技術;2012年06期

5 吳占松，楊黎明，李天鐸;利用深淺兩層知識診斷鍋爐運行故障[J];清華大學學報(自然科學版);1995年02期

6 胡俊文;周國榮;;小波分析在振動信號去噪中的應用[J];機械工程與自動化;2010年01期

7 王曉峰;毛德強;馮尚聰;;現(xiàn)代故障診斷技術研究綜述[J];中國測試;2013年06期

8 臧大進;曹云峰;;故障診斷技術的研究現(xiàn)狀及展望[J];西安文理學院學報(自然科學版);2011年01期

9 陳安華;蔣玲莉;劉義倫;李學軍;;基于知識網(wǎng)格的故障診斷專家系統(tǒng)模型[J];儀器儀表學報;2009年11期

10 戚喜全,馮乃祥,崔建忠;陽極更換及鋁液高度對電解槽內(nèi)鋁液流速場的影響[J];中國有色金屬學報;2005年03期

相關博士學位論文 前1條

1 張亢;局部均值分解方法及其在旋轉機械故障診斷中的應用研究[D];湖南大學;2012年

相關碩士學位論文 前1條

1 楊鑫蕊;改進的小波閾值去噪算法研究[D];哈爾濱理工大學;2014年

本文編號：2780814