基于KPCA和SVM的铝电解槽漏槽事故预警方法

作     者：尹刚 李伊惠 何飞 曹文琦 王民 颜非亚 向禹 卢剑 罗斌 卢润廷 YIN Gang;LI Yihui;HE Fei;CAO Wenqi;WANG Min;YAN Feiya;XIANG Yu;LU Jian;LUO Bin;LU Runting

作者机构：重庆大学资源与安全学院煤矿灾害动力学与控制国家重点实验室重庆400044 中国铝业股份有限公司贵州分公司贵州贵阳510405 眉山市博眉启明星铝业有限公司四川眉山620010 重庆旗能电铝有限公司重庆401420 贵阳铝镁设计研究院有限公司贵州贵阳550081 陆军工程大学通信士官学校重庆400035 四川省四维环保设备有限公司四川遂宁629000 

出 版 物：《化工学报》 (CIESC Journal)

年 卷 期：2023年第74卷第8期

页      面：3419-3428,F0003页

核心收录：

学科分类：080603[工学-有色金属冶金] 08[工学] 0806[工学-冶金工程] 

基　　金：国家自然科学基金面上项目(51374268) 科技转化重大项目(H20201555) 重庆英才创新创业示范团队项目(A31700517) 

主　　题：电解 泄漏事故 算法 神经网络 故障预测 

摘      要：针对铝电解槽运行数据复杂多维、结构非线性且故障样本量相对正常运行样本量少的问题,提出了一种基于数据驱动的漏槽事故预警模型。模型采用简单经典的分类算法支持向量机,避免小样本数据带来的过拟合问题。并用交叉验证训练测试方法和麻雀搜索算法对参数寻优,提高分类器的性能。同时为了更好地挖掘铝电解运行数据中的特征信息采用核主成分分析法将数据降到8维,模型运行速度提高了65.51 s。另外在设置分类标签时结合实际情况选取了三个变化显著的特征参数作为辅助分类条件从而扩充了故障样本。最后对该漏槽事故预警模型进行性能验证,实验表明模型F1分数达到了0.995,AUC值达到了0.998。