摘要:
针对稀土电解槽生产状态难以感知导致无法对其进行精确控制、影响稳定生产的问题,本文提出了一种基于信号特征提取的混合神经网络诊断模型辨识电解槽运行状态的方法。首先,通过槽电压与槽电流计算得到正常化槽电压信号,并对其进行时频分析,提取不同槽状态下各频段能量值、能量比与时域、频域特征,构建特征数据集;其次,建立融合卷积神经网络(Convolutional Neural Networks,CNN)、双向长短期记忆网络(Bi-directional Long Short-Term Memory, BiLSTM)与自注意力机制(Self-Attention)的槽状态诊断模型(CNN-BiLSTM-SA),通过CNN捕捉局部空间特征、BiLSTM建模全局依赖关系以及自注意力机制强化特征关联性,实现对电解槽状态诊断;同时,对河马算法进行改进,加入佳点集初始化与交叉、变异操作,以期提高算法的超参数寻优能力;最后,利用改进的河马算法对模型超参数进行寻优,提升模型诊断精度。工业验证实验结果表明,本文所提方法在槽状态诊断时诊断精度为94.14%、Macro-F1为91.08%,相比于未优化模型分别提高了8.28%和14.19%,在稀土熔盐电解槽状态诊断方面具有更高的准确率,可为稀土熔盐电解过程优化控制与稳定运行提供依据。