当前我们基于KD (D&K)总体结构模型，使用我们自己的关联规则挖掘算法(即M算法)，重点对多种生产参数对电解槽效率的影响进行分析，挖掘出的关联规则中有307条得到了铝电解领域专家的重视，这里仅给出前20条规则:

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

-----------------------------------------------------

我们以第一条规则为例，对这类规则作以说明。规则1306的意思为“分子比 [2.88-3.0]∧ 异常时间 [1-60s] ∧ 平均电压 [4.28-4.36v] 电解效率 [0.7-0.8]  0.02   1”，这说明满足规则前件的情况下，铝电解效率不高(70%-80%)，因此，在生产过程中应避免这类条件的出现。

(2) 聚类与分类

在铝电解控制系统中，产生了大量的控制数据，这些数据包括实时数据也包括日报数据，这些数据隐含着电解槽的运行状况的一般规律。

如何提高电流效率，是铝电解生产过程控制的关键问题。

数据挖掘可以作为解决这一问题的有效手段之一。

通过数据挖掘的分类方法，可以根据各种生产数据，发现不同生产参数下电解槽效率变化规律。

我们当前的聚类与分类方案如下：

首先根据现有数据情况，选择、设计相应聚类算法，确定电解槽电流效率的不同状态划分；

其次，根据上述划分，确定各电解槽的电流效率状态；

再次，选择、设计相应分类算法，在数据集上学习分类规律；当前初步选用CART算法，根据实际实验情况，再提出和运用我们自己的算法。

(3) 时间序列数据挖掘

在铝电解生产管理过程中应用时间序列数据挖掘，通过对时间的变换发现系列或者单槽的发展趋势，寻找季节性规律，用以及时调整控制策略，提高生产效率；或者分析电解槽某一时间内的运行状况，发现问题的所在。

现场对每个槽每隔20秒采样一次，根据领域经验，主要用槽电压的变化序列来考察电解铝槽未来的运转状况，可考虑用下列方法进行挖掘：

(I) 考虑只用槽电压时间序列。对历史槽电压时间序列进行分析挖掘，得到系统的一些定性演化规则（可由专家解释）。槽电压变化规律可能对未来系统的效率、寿命等产生影响，早期控制中可以利用运行良好的系统所对应的规律，避免运行不好的系统所对应的规律。规则发现过程如下：

①抽象表示。将时间序列在某一分析尺度（如秒，分钟，小时，天等）进行抽象表示，可以采用分段常量近似（即一定时期内的平均值）或分段线性表示（如即一定时期内的一条拟合直线）。

②离散符号化。分段常量表示离散为：“极高”、“高”、“平”、“低”、“极低”等。分段线形表示离散为：“剧烈上升”、“上升”、“平”、“下降”、“剧烈下降”等;采用我们独立提出的基于语言场的方法进行离散化。

③模式发现算法。对于得到的长符号序列，采用Mannila 提出的WINEPI算法发现频繁情节（情节即符号的有序序列）。该算法是基于Apriori的算法，只是挖掘对象是针对符号（符号也称为事件）序列。

④对频繁情节生成预测规则，采用支持度可信度框架进行规则评价。

Mannila提出的WINEPI方法用于对连续发生的状态（或称事件）序列进行知识发现，是基于Apriori的算法，也是采用候选生成和剪枝的策略。与普通的关联规则发现的不同是：其挖掘对象不是事务库，而是连续的符号（事件）序列，这种事件序列是无法分割为事务的，因此发现过程中需要设定频繁情节的最大持续时间窗口，以防止“组合爆炸”。

该方法已成功地应用于网络报警关联规则的发现。

(II) 利用用槽电压的时间序列预测特定的事件发生（如效应状态的转变、炉的异常等）。所谓异常事件往往指观测变量的剧烈变化，如突然上升或突然下降，可能对应设备的异常。

确定一分析尺度（如秒，分钟，小时，天等），进行分段常量表示，将原始观测序列转化为降维的时间序列;之后利用某一种预测方法（如最近邻加权，神经网络，支持向量机等）预测可能出现的异常。学习样本的选取：首先确定嵌入维M，其前面的M-1数据点作为输入，后一个点作为输出。这样得到若干样本后，通过训练得到一个预测器，可进行实时预测。

(III) 对于(2).中的同一个问题，也可以采用经典规则发现的方法。

离散化后，首先要抽取挖掘数据库。将每一个异常之前的若干个符号组成一条记录，总共可得到多条记录。对此二维表用常规的关联规则挖掘算法得到频繁项集，以频繁项集做前件，异常事件为后件，可以得到很多预测规则。这些规则及其前件的支持度计数应在原始的符号序列中进行再计算，最后得到对异常事件的预测规则，并按可信度排序。

此方法中之所以采用部分包含异常事件的数据集进行挖掘，是为了只得到对特定异常事件的规则，这样做可以减少处理的数据量。Mannila 提出的算法具体过程此不赘述。

在电解槽生产管理中，病槽及电压摆等的产生是一个漫长的过程，在这之前，一定有些异常的操作对此事件负责，同时会有一些（组）数据揭示未来此槽会发展成为病槽，及时捕获并分析这些数据，及时调整生产及槽况，将有助于避免病槽的发生。

4.1.3经济效益

本项目技术能使我国各类型预焙槽的主要技术经济指标达到国际上同类型电解槽的先进水平（根据22家用户的应用统计，电流效率为93～96%，直流电耗为13000～13400 kWh/t-Al），这从另一侧面证明了本项目技术的先进性。此外，本项目技术作为我国现代化预焙槽炼铝成套技术的重要组成部分，已在两个国外工程项目的国际性招标中中标，标志着本项目技术已走出国门，具有参与国际市场竞争的实力。

1998～1999年背景项目的研究成果在中国铝业公司所属企业（原青海铝厂、原贵州铝厂、原广西平果铝业公司）中应用，其后边推广边改进和完善，到2003年7月已成功推广应用到全国88家铝电解企业（总产能431.7万吨）共11823台各类型电解槽上(应用企业的清单列于表9-1)，并且已经签约正在推广应用的还有26家铝电解企业（总产能274.3万吨）共4196台各类型电解槽。

背景项目的研究成果使88家铝电解企业年增直接经济效益（利税）达到6.8亿元以上，每年减少炭氟化合物气体排放量约1470吨（从温室效应考虑，相当于减少CO2排放量1000万吨以上）；每年节电10.5亿kWh；减少优质炭（阳极）的消耗7万吨（折合标准煤约20万吨）。

背景项目的研究成果已成为我国现代化预焙槽炼铝的核心技术，自2000年以来在全部新建和改扩建预焙铝电解生产系列中得到了全面应用。若88家企业（总产能431.7万吨）及正在推广应用的企业（总产能274.3万吨），全部形成产量（共计706万吨），年增直接经济效益至少达到13.7亿元。

作为本项目的研究成果------新的数据挖掘(知识发现)技术的融入;根据初步测算,其经济效益将大大超过这个效益值(见附件)。

本项目的经济效益与社会效益分析：

1) 本项目为我国铝电解工业实现从落后的自焙槽炼铝技术向先进的预焙槽炼铝技术的跨越提供了不可或缺的技术，推动了铝电解工业的结构调整与优化升级，推动了我国预焙槽炼铝整体技术水平进入世界先进行列，实现了我国铝电解工业整体技术跨越。

2) 在模糊控制与模糊专家系统基础上引入数据挖掘技术，对青铜峡铝业集团公司电解350系列的生产数据进行分析，发现了潜在的人所未知的电解工艺规律通过调整工艺参数，提高了电流效率，降低了能耗。以青铜峡铝业集团有限公司350kA预焙铝电解槽（共290台）一年28万产能计算，提高电流效率0.8%，降低直流电耗120kWh/t-Al,每年带来的直接经济效益达1050万元。2005年中国电解铝的产能为800万吨，若全面推广应用此项技术，其直接年经济效益为800/28*1050=30000万元（3个亿）。

3) 本项目应用对生态环境保护具有重大作用，每年可减少炭氟化合物气体排放量        约1470吨（从温室效应考虑，相当于减少CO2排放量1000万吨以上）。

4) 显著的节电、节炭（阳极）效果可节约国家大量化石能源，按2002年88家用户350万吨年产量计算，年节电10.5亿kWh；减少优质炭（阳极）的消耗7万吨（折合标准煤约20万吨）。

5) 本项目技术具有完整的自主知识产权，作为我国现代化预焙槽炼铝成套技术的重要组成部分，已在两个国外工程项目（印度、伊朗）的国际性招标中中标，标志着本项目技术已走出国门，具有参与国际高技术竞争的实力。

上一页  [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23]  下一页