面向智能制造的大型铝电解槽分布式全要素模型研究进展

崔家瑞,李文浩,苏成果,曹 斌,黄若愚,杨 旭,李 擎

(1.北京科技大学 自动化学院，北京 100083；2.中铝智能科技发展有限公司，浙江 杭州 311100；3.贵阳铝镁设计研究院有限公司，贵州 贵阳 550003)

随着制造强国战略的全面推进与实施，以大数据、物联网、信息物理系统和数字孪生等新技术推动传统流程行业生产、管理和营销模式变革，是我国制造业的首要任务，而铝电解工业作为典型的传统流程行业是具有战略意义的国民经济支撑性行业，其智能制造面临着缺乏顶层设计，缺乏统一数据标准，缺乏精确的全要素数学模型描述，装备智能化水平不足等一系列的问题。因此，实施“铝电解过程智能制造”是中国智能制造2025的战略需要，也是铝电解行业节能增效，实现可持续发展的必然趋势，已成为企业增强生存能力的源动力。如何解决铝电解过程智能制造，已成为学术界共同关注的科学问题[1-3]。

我国是电解铝生产大国，2020年产量创下年度最高纪录，达到了3708万吨，超过全球产量的55%。但实际生产电耗与理论电耗(6700 kWh/t-Al)差距较大，实际电流效率为94%左右，比国外低2%～3%，槽寿命在2400～2500天，比国外少1～2年，吨铝CO2排放约1600 kg，比国外高0.5～1 t。为推动铝行业技术进步和高质量发展，实现铝电解行业安全高效、节能降耗、绿色循环的发展目标，2020年2月28日工业和信息化部发布了《铝行业规范条件》[4]，对提升铝电解生产技术指标进行了强制性规定。2021年3月《政府工作报告》指出：要扎实做好碳达峰、碳中和各项工作，电解铝行业作为有色金属工业实现“碳达峰”的重要领域，中国有色金属工业协会党委书记葛红林指出：要不断推动技术创新，提高智能化水平，持续优化工艺过程控制，进一步降低能耗、物耗，降低行业碳排放强度。因此，提升铝电解生产智能化水平和技术指标已成为行业参与国际竞争和可持续发展的紧迫需要。

随着技术手段的升级，大型铝电解槽已成为各企业的核心生产线。据统计，2018年，400 kA系列的大型铝电解槽已占所有投产电解槽的70%以上[5]，各种500 kA、600 kA级的超大型铝电解槽也不断在投产[6-7]。然而，电解槽的大型化导致槽内分布式氧化铝浓度、分布式电解质温度等的控制难度增加，槽内关键参数的空间分布不均匀已成为企业普遍关注并急需解决的问题。

本文综述了铝电解能量平衡、氧化铝浓度预测与控制、阳极效应预报等关键模型的研究现状和存在的问题；探讨了数字化铝电解槽智能制造系统框架；给出了构建大型铝电解槽全要素模型的技术路线，并从企业技术改造与升级角度给出了铝电解智能制造系统实现的软硬件实现框架。

1 铝电解生产过程中的关键模型研究现状

长期以来，由于铝电解生产机理复杂和环境恶劣，槽控制仅依靠单一电压在线检测和辅助的离线检测，信息不完备、不及时，导致不能支持生产全过程工艺参数深度优化。因此，国内外学者深入研究了铝电解过程如能量平衡、氧化铝浓度软测量与控制、阳极效应等建模问题，并取得了一系列成果。

1.1 能量平衡模型

铝电解槽各部分的能量收支状况能够有效分析与评价铝电解槽的生产操作制度是否合理、工艺技术条件选择是否恰当、电解槽的运行工况是否良好。能量平衡作为铝电解生产的重要基础条件，获得了广泛的研究。

文献[8]分析了氧化铝加料过程中的热量平衡,以及加料量、氧化铝预热温度、电解液温度、过热度对溶解过程的影响。文献[9]用误差协方差矩阵的平方根代替无迹Kalman神经网络算法的协方差阵，建立了基于SRT UKFNN(Strong tracking square root unscented Kalman filter neural network)的电解槽工艺能耗动态演化模型。在此基础上，文献[10]利用改进的动态随机化测验对铝电解节能模型连接权进行显著性检验，为分析节能模型参数关系和优化节能模型提供了一种有效途径。文献[11]采用基于无迹卡尔曼滤波和强跟踪滤波的前馈神经网络算法建立了铝电解过程能耗模型。文献[12]以提高铝电解生产的电流效率、降低能耗和氟化物排放为多目标优化指标，采用细菌觅食算法对其进行求解，得到了电解槽的最优操作方式。文献[13]在保证铝电解槽热稳定性的同时，采用统计方法优化了铝水平和分子比，通过6台试验槽和6台对比槽的实验，获得了较好的电解槽能耗指标。文献[14]采用有限元方法开发了铝电解槽热电模型，并对实际电解槽中的热测量进行了充分验证。在此基础上，文献[15]考虑有限元模型中实体的位移和边界，开发了一种新的工业铝电解槽热电建模策略。

虽然对铝电解槽能耗模型进行了深入研究，但是只是针对单一层级的模型进行研究，未考虑多个模型之间的交互关系和槽内空间分布特性，同时由于存在周期性的出铝、换极等必不可少的人工介入，使得现有成果无法直接应用到对铝电解槽的能量平衡管理与控制。

1.2 氧化铝浓度模型

(1)氧化铝浓度控制模型

氧化铝浓度作为铝电解生产的核心参数，其控制问题一直是国内外学者研究的热点。经过近30年的发展，其控制方法不断推陈出新，主要集中在自适应控制[16]、槽电阻斜率控制[17-18]、智能跟踪控制[19]、模糊专家系统控制[20-21]、最优控制[22]、以及多种方法的综合控制[23-24]等。2018年，文献[25]将电解质分子比作为约束，根据经验规则对氧化铝浓度进行控制。2019年，文献[26]采用广义回归神经网络(GRNN)辨识氧化铝浓度模型，并设计了模糊小脑模型神经网络(FCMAC)控制器对其进行控制。

然而，由于电解槽检测数据信息不完备、不及时，导致氧化铝浓度控制没有更深层次的突破。

(2)氧化铝浓度软测量模型

近年来，国内外学者将重心转移到氧化铝浓度的在线测量与预测研究。但绝大多数都是针对整台槽的集中式测量与预测，且均是基于槽电压、槽电流等相对容易在线检测的物理量[27-29]。除此之外，大量的文献均集中在采用神经网络[30]、支持向量机[31-33]、KPIs[34]、深度信念网络[35]等软测量方法。随着阳极导杆分布电流、阴极钢棒分布温度等铝电解槽参数分布式在线测量装置的广泛应用[36-38]，获得了大量的铝电解分布式参数信息，基于这些分布式参数和数据，一些文献将氧化铝浓度集中式在线测量推广到分布式在线检测[39-41]。

然而，由于大型铝电解槽具有极强的空间分布特性和多参数耦合性，现有方法距离真正实用还有一定的距离，同时还要求必须协同设定多个关键参数，才能保证电解槽稳定高效生产。

1.3 阳极效应模型

阳极效应分为计划性和非计划性。计划性阳极效应可有效消除氧化铝沉淀，提高电解槽寿命，因此，电解铝企业均设定有计划性的阳极效应。而非计划性阳极效应是由于氧化铝浓度等参数异常导致的，伴随有巨大的能耗和氟化物排放。因此，各企业均在想方设法避免非计划性的阳极效应的预报。国内外学者关于阳极效应的机理和预报均作了一些工作，如文献[42-44]基于阳极效应发生机理，通过槽电压、槽电阻等参量进行预测。文献[45-46]分别采用广义回归神经网络(Generalized Regression Neural Network)和光梯度提升机(Light Gradient Boosting Machine)提出了阳极效应预测方法。文献[47]将斜率变化趋势的预测和槽电阻的累积斜率以及使用相似性搜索技术获得的有用知识用作计算阳极效应的主要标准预测可靠性，累积质量偏差值用作调整阳极效应预测可靠性的辅助标准，提出了阳极效应协作二维预测模型。文献[48]提出了一种基于核字典学习的故障检测与隔离方法，并应用于铝电解槽阳极效应预测。

相对于全局阳极效应，局部效应的研究相对较少，直到2018年才逐渐引起国内外学者的关注。文献[49]通过分析氧化铝浓度分布机理和电解槽电气模型研究了局部效应预测问题，并用仿真器进行了模拟验证。2020年，文献[50]采用阳极导杆分布电流开发了一种局部阳极效应检测模型，并使用实际电解槽数据进行了验证，可以更早地预测全局阳极效应。

虽然阳极效应的研究已有许多研究成果，但很少有文献针对大型电解槽的内部时空分布特性研究局部效应分布与全局效应的关系。由于局部效应容易导致电解槽局部不稳定(铝液波动剧烈、甚至滚铝等)，而且耗能增加，现已成为电解铝企业急需解决的关键问题之一。文献[51]基于铝电解槽阳极导杆分布电流数据探讨了局部效应与全局效应的关系。

2 面向智能制造的铝电解槽系统框架

结合流程工业智能优化制造系统路线图[2]和企业亟需解决的问题可知，面向智能制造的铝电解槽应具有深度融合过程机理知识、运行数据和操作经验进行自我建模、自我调度、自我优化与全槽信息可视化等特征。因此，借助于人-信息-物理系统和数字孪生等新技术[52-54]，构建了面向智能制造的铝电解槽系统框架，如图1所示。

图1 铝电解槽智能制造系统框架

该架构满足人-信息-物理系统(HCPS)系统的基本特征。物理系统包括实际生产用的铝电解槽、执行机构、智能感知系统等载体；信息系统主要包括铝电解槽全要素模型、大数据平台、智能决策与优化和多维度智能控制等；人机协同主要是将人的知识、经验等具有AI特征的信息与实际生产中的数据进行融合并决策出最优的控制方案。

3 大型铝电解槽全要素模型的技术路线

针对我国电解铝行业的智能制造需求，以提升产品质量稳定性、提高生产效率、降低生产成本与碳排放，加快电解铝行业转型升级为应用目标，将先进信息化与传统铝电解技术深度融合，提出基于数字孪生和实体数据交互的铝电解槽全要素精确建模方法，建立铝电解槽分布式全要素精准模型，形成槽内信息的可视化技术及应用案例，为实现新一代新型电解槽控制系统提供必备的理论方法与技术支撑。其技术路线如图2所示。

图2 铝电解槽全要素精准模型技术路线框图

该技术路线包括目标、理论主体、关键技术与解决方案和工业应用四个方面。

3.1 理论主体

理论主体主要包括4个研究内容，第四个研究内容是在前三个研究内容基础上，基于KPIs进行融合得到的。由于目前各铝电解企业对电解槽检测机构、控制与执行机构均未进行改造升级，因此，这里的理论研究内容仅处于仿真验证和槽内单点试验验证阶段。四个研究内容详细描述如下。

(1)分布式电热平衡模型研究

热平衡是发挥电解槽能力和潜力的保证。分析大型铝电解槽内各组成部分的电、热特性、电解过程中吸热和放热反应机理，研究不同环境、不同配方、不同电流等多种外部条件对电热平衡的影响机理，提取电热平衡关键参数特征，建立铝电解槽分布式电热平衡模型。

(2)氧化铝浓度分布式预测与控制模型研究

综合考虑电解槽内多相-多场的耦合性和空间分布性，结合扩散机理，考虑扩散速度、扩散范围，配方、槽子形状等因素，基于多智能体理论和协同控制方法，建立氧化铝浓度分布式预测与控制模型。

(3)分布式阳极效应逐发预报模型研究

分析阳极效应的表观特征，定义局部效应因子，在此基础上，采用机理与数据相结合的方法，分析局部阳极效应与全局阳极效应的关系，基于机器学习的方法，建立分布式阳极效应逐发预报模型。

(4)分布式全要素精准控制模型研究

考虑铝电解槽是一个电、磁、热、流、力等多个物理场与物料分布间交互耦合的过程，且生产过程中存在固定周期的人工干预，因此，首先定义能够表征这些参数与人工干预的关键绩效指标；然后，在数字孪生框架下，基于分布式状态融合卡尔曼滤波与协同优化方法，以关键绩效指标为控制指标，结合现场数据和铝电解知识库，建立铝电解槽分布式全要素精准模型。

3.2 关键技术及解决方案

(1)分布式电热平衡模型研究

针对大型槽热量分布不均匀导致的热电失衡问题，采用知识-机理-数据混合驱动的方法建立铝电解槽分布式电热平衡模型。首先，采用理论分析与实验测量相结合的方法，根据焦耳热效应原理和电化学理论，分析电解槽各组成部分的电、热特性、电解过程中吸热和放热反应机理，研究不同环境、不同配方、不同电流等多种外部条件对电热平衡的影响机理，得到初始机理模型；其次，根据专家经验，基于热传导方程的数值模型分析阳极覆盖料熔化引起的空腔形状和电解过程引起的槽帮形状的演化过程，得到专家知识模型；再次，根据现场生产的正常生产、出铝、换极、升降母线、阳极效应等工况的特征，将机理模型与知识模型进行加权得到知识-机理模型，接着，采用模糊聚类等人工智能方法对现场生产数据(包括机理模型中的实体位移和移动边界，融入阳极覆盖料空腔、槽帮形状和阳极寿命)进行处理，提取规则，得到数据模型；然后，利用数据模型对知识-机理模型进行修正，得到电热平衡模型的知识-机理-数据混合驱动的期望模型；最后，采用STA等优化算法进行权重优化，得到最终的电解槽分布式热电平衡模型，基于Python和ANSYS软件对模型进行仿真验证，并预留参数输入接口，为可视化平台研制提供必备模型组件。建模流程图如图3所示。

图3 建立铝电解槽分布式电热平衡模型流程图

该模型能够动态反映铝电解槽内槽帮形状，并分析其动态变化过程，实现铝电解槽漏槽等故障的预报，解决企业密切关切的漏槽预测问题。

该研究内容目前完成了参数的设定和机理模型的验证，后续需要在分布式检测装置的采集数据的基础上进行数据-机理的混合建模研究。

(2)氧化铝浓度分布式预测与控制模型研究

首先，将电解槽阳极导杆按照下料口分布划分成不同的控制区域(简称自治区域)，每个区域均可以看作智能体；其次，针对各自治区域将基于数据的氧化铝浓度软测量模型与吸放热反应模型相结合，形成单自治区域无耦合模型；再次，基于有向图理论，考虑不同自治区域的时空关联性，建立整台槽的氧化铝浓度的分布式预测模型；接着，考虑到单个下料口与相邻下料口之间的空间分布特性和耦合性，定义各下料口下料器的输入约束矩阵，基于DMPC(Distributed model predictive control)算法，实现以下料口为单位的氧化铝浓度自治区域间的协同控制[55]；最后，通过滚动优化与反馈校正，实现基于未来预测时间段内的整体最优控制，从而保证整台槽的氧化铝浓度全局最优。拟建立的氧化铝浓度分布式预测与控制模型框图如图4所示。

图4 氧化铝浓度分布式预测与控制模型框图

由多智能体理论，可以将上述问题描述为每个智能体的动态模型是同质的线性系统，且每个智能体跟踪同一个目标[56]。

氧化铝浓度分布式预测模型能够得到铝电解槽内空间下料口所辖区域的氧化铝浓度分布情况，并揭示各下料口之间的耦合关系。氧化铝浓度分布式控制模型则能够通过单点下料控制实现氧化铝浓度在槽内空间的均匀分布，保证铝电解槽的高效稳定运行。

该研究内容目前完成了氧化铝浓度分布式预测模型的仿真验证，进入了现场实验验证阶段，氧化铝浓度分布式控制模型也完成了现场浓度控制的阶跃响应模型试验阶段。

(3)分布式阳极效应逐发预报模型研究

首先，通过电解铝厂提供的历史数据，通过数据挖掘与关联性分析，得到阳极效应的表观特征；然后，借助于铝电解槽分布式电气模型信息和氧化铝浓度分布信息，提出一种基于核函数极限学习机的分布式阳极效应预测方法，使用核函数极限学习机构建分布式阳极效应预测模型；最后，通过构建局部阳极效应与全局效应之间的变换矩阵，将全局效应预测问题转换为分类问题，并利用XGBoost等机器学习算法进行模型训练，建立分布式阳极效应逐发预报模型。基本流程如图5所示。

图5 阳极效应逐发预报基本流程框图

该模型能够有效检测铝电解槽的局部效应特征，并演化出局部效应发展到全局效应的完整路径，揭示全局阳极效应与局部效应的关系，并预报非计划性阳极效应发生的概率，有效降低非计划性效应发生次数。

该研究内容目前还处于起步阶段，通过现场实际数据，初步验证了局部阳极效应与阳极分布电流之间的关系。在该研究内容的基础上，实现阳极效应的主动熄灭方法将是未来的一个重要研究方向。

(4)铝电解槽分布式全要素精准控制模型研究

首先，基于铝电解过程的电化学理论，分析生产过程中各关键参数的相互关系，并结合铝电解生产技术与管理方法，定义出精准反映铝电解槽状态的性能指标和质量指标，即KPIs；其次，由于各性能指标和质量指标采样周期的不一致性，将上述三种模型根据采样形式进行分类，针对快采样指标，采用均方根无迹卡尔曼滤波算法进行预处理，针对慢采样和延时采样指标，采用改进卡尔曼滤波算法进行预处理；如果在时刻k没有慢采样过程测量值，仅有快速采样测量值，则仅使用快速采样测量值来估计当前状态；最后，当快采样过程和慢采样过程数据均得到时，则基于分布式状态融合卡尔曼滤波算法，对性能指标和质量指标进行融合，建立铝电解槽分布式全要素精准控制模型。如图6所示。

图6 铝电解槽分布式全要素模型建模基本流程框图

该模型综合考虑了铝电解生产的性能能标和质量指标，如生产效率、槽稳定性、生产质量等多个生产指标，能够实现铝电解槽在满足多个生产指标要求的条件下处于最优或者次优运行的状态，有效增强槽稳定性，延长槽寿命，为铝电解企业提供多种指标条件下的电解槽运行参数的优化策略与建议。

该研究内容目前还处于KPIs的定义阶段，KPIs的定义需要根据不同企业的不同生产指标进行自由定制。

4 铝电解智能制造的软硬件实现框架

为了保证铝电解行业的铝电解智能制造顺利落地，需要将面向智能制造的铝电解槽全要素模型研究成果集成到企业的现有生产管理系统中，并对现有生产管理系统进行技术改造与升级。因此，提出了如图7所示的铝电解智能制造技术实现总体框架及其软硬件架构。

虽然图7中的部分硬件装备和软件系统已有企业在试验，但功能相对单一、智能化程度不足，无法满足智能制造系统的要求。目前，贵阳铝镁设计研究院有限公司牵头研发的铝电解智能制造系统已在遵义铝业股份有限公司的400 kA系列电解槽上进行了试验，该系统包含了总体框架中的7个层面，除了网络基础设施、数据融合平台、移动应用平台、工业安全系统的全面部署外，还包含了电流分布在线检测、阴极温度在线检测、两水平在线检测、槽电压在线检测等过程检测系统，局部阳极效应预警装置、单点下料装置、巡检机器人等控制与执行机构，计算/存储/备份资源、数据解析、学习算法/知识库等集中管控系统。

图7 铝电解智能制造系统实现总体及软硬件架构

5 结 语

通过对铝电解生产过程中的能量平衡、氧化铝浓度预测与控制、阳极效应预报等关键模型研究现状以及存在问题的综述分析，探讨了基于人-机-物协同(HCPS系统)的数字化铝电解槽智能制造系统框架，给出了构建大型铝电解槽全要素模型的技术路线，从技术实现角度探讨了铝电解智能制造系统的软硬件架构，为铝电解企业进行技术改造与升级提供了参考思路。特别是在“双碳”背景下，铝电解企业急需对现有生产管理系统进行面向智能制造的升级改造和革新，实现铝电解行业的转型升级和可持续发展。