預焙陽極配方焙燒塊質量預測模型研究*

蘇志同 吳佳龍

（北方工業大學 北京 100144）

1 引言

預焙陽極是以石油焦、瀝青焦為骨料，煤瀝青為黏結劑制造而成，用作預焙鋁電解槽陽極材料。這種炭塊已經過煅燒、焙燒、成型等工序，具有穩定的幾何形狀，所以也稱預焙炭陽極塊［1］。

焙燒是預焙陽極炭塊制備過程中非常重要的工藝［2］。在焙燒過程中，不同粒度的炭質材料按照一定比例配料，加入煤瀝青經震動混捏振動成型等工序，使生陽極中煤瀝青的部分揮發份揮發燃燒，部分焦化，形成致密的高強度的炭陽極塊［3］。配料配方作為焙燒關鍵的一環，其優劣很大程度上決定了焙燒后生成的焙燒塊的理化指標和成品率［4］。

2 相關工作

對于焙燒塊各項理化指標的合格標準，因為各種工廠的陽極配方粒度大小和種類不同，以及采用不同的生產工藝，導致各工廠理化數值有很大差異，表1是我國目前鋁電解用碳陽極的真實情況和平均水平以及某企業的焙燒塊理化指標合格標準。

表1 我國鋁電解用炭陽極焙燒塊平均水平

在以上焙燒塊理化指標中，體積密度主要受配方粒度大小的影響［5～6］，當使用小粒度配方時，體積密度越高，而使用大粒度配方時，體積密度越低［7］。另外，殘極使用情況也影響體積密度、陽極強度與骨料性質和配方組成有很大的關系、陽極CO2反應性是反應陽極抗氧化性的一項重要指標；電阻率主要受到陽極生產的主要原料石油焦好壞的影響；反應陽極的熱特性指標熱膨脹系數是衡量陽極抗熱震性的重要指標［8］。

表2 某企業鋁電解用炭陽極焙燒塊評價標準

焙燒后所生成的焙燒塊必須具有良好的導電性，以求降低陽極壓降實現節電，同時必須具有較高的機械強度和抗熱震性能［9］。作為預焙陽極的主要材料，焙燒塊的質量對陽極的質量和陽極在電解槽中的特性有直接影響［10］。焙燒工藝主要控制指標就是焙燒塊的電阻率和真密度，這些參數對預焙陽極抗二氧化碳和空氣反應性等性能均有較重大影響［11］。

BP神經網絡主要由一個輸入層，一個或多個隱含層，一個輸出層組成，包含信息正向傳播和誤差反向傳播兩種傳播過程［12］。在正向傳播過程中，輸入信息從輸入層經隱含層傳到輸出層，經過作用函數的輸出值與期望值比較，如有誤差，則反向傳播，逐層修改各層神經元權值以減小誤差［13］。如此循環傳播，直到輸出結果符合精度要求為止［14］。在本模型中，以陽極配方中6種粒度比例為輸入，焙燒塊理化指標為輸出。

此前，姜朝陽、文克等將BP神經網絡應用于預焙陽極生產中，通過輸入配方信息到神經網絡模型中，仿真模擬焙燒塊理化指標，這對配方的控制具有一定的指導意義［15］。但是，他們并未提出一個合理的焙燒塊質量評判準則，以致在評判預測焙燒塊優劣時具有很大的主觀性。

3 模型設計

模型設計目的：對于一個新給定的預焙陽極配方，輸入到本預測模型之中，能預測以此配方所燒出的焙燒塊的理化指標，并對該焙燒塊給出一個合理客觀的評價，以分數來體現，從而體現配方的優劣。

模型設計思想：首先，以焙燒之后所產生的焙燒塊的理化指標為維度，使用KMEANS算法對焙燒塊進行類別標識。其次，根據采用的標準值，權值和類別標識對焙燒塊進行評分。采用雙重標識可以使得評分過程更加合理，在評分過程中避免因單指標過高而過分拉高評分的情況。然后，訓練BP神經網絡并預測焙燒塊理化指標值。最后，使用KNN算法對預測的焙燒塊進行分類標識，利用與之前相同的評分標準對預測的焙燒塊理化指標進行評分。

4 模型算法

4.1 焙燒塊評分標準介紹

焙燒塊共有七項理化指標，每項理化指標都有相應的企業標準，如表2所示，焙燒塊分數計算步驟如下：

1）若焙燒塊所有理化指標都在企業標準范圍內，則其可獲得合格基礎分（QBP），否則合格基礎分為0分；

2）根據焙燒塊所屬類別標簽的優劣，獲得與之對應的類別基礎分（CBP）；

3）分別歸一化焙燒塊理化指標，并將理化指標標準值映射到規范區域內；

4）根據企業標準，焙燒塊各理化指標的權值計算質量分數（QP）；

5）將焙燒塊所得分數加在一起，即為焙燒塊總評分（BBP）。

焙燒塊理化指標歸一化公式：

焙燒塊質量參數分計算公式：

焙燒塊總評分公式：

其中ai為歸一化之前，焙燒塊第i個理化指標值；Xi為歸一化后，焙燒塊第i個理化指標值；Si為映射到規范化區間的焙燒塊第i個理化指標企業合格標準值；Wi為焙燒塊第i個理化指標的權值；±選取規則：焙燒塊第i個理化指標屬性為不小于時取“+”，否則取“-”。

4.2 焙燒塊質量的預測模型構建步驟

焙燒塊質量的預測模型構建步驟如圖1所示。

圖1 模型計算流程圖

5 實驗測試

5.1 定義誤差

絕對誤差計算公式：

平均絕對誤差計算公式：

相對誤差計算公式：

相對平均誤差計算公式：

準確度計算公式：

其中Pi為預測分數值；Ri為實際分數值；n為預測數據總數。

5.2 實驗過程與參數選擇

1）選取合格基礎分QBP（30分）；

2）首先依據被燒塊理化指標（灰分、體積密度、電阻率、真密度、耐壓強度、CO2反應性、熱膨脹系數）利用KMEANS算法將訓練數據聚為4類，并選取類別基礎分（如表3所示），其中KMEANS最大迭代次數為1000次，中心點隨機生成次數為100次；

3）選取標準值，歸一化理化指標和標準值數據，標準值選取如表2所示，選取權值，本次實驗各理化指標權值均為1/7；

4）利用式（1）、式（2）和式（3）對所有真實焙燒塊理化指標進行評分；

5）對于被燒塊各理化指標分別訓練BP神經網絡模型，其中學習率為0.05，采用Sigmoid函數作為激勵函數，隱含層層數為3層，隱含層節點數分別為12，18，9，迭代訓練次數為100次；

6）利用KNN算法（K=4）將神經網絡預測的被燒塊理化指標進行分類，在KNN中選取投票方式進行最終決策；

7）結果分析

表3 類別基礎分

5.3 實驗結果

本次試驗預測數據為300條，預測結果誤差及準確度如表4、表5所示。

表4 預測結果

表5 模型評價

部分數據預測值與真實值對比圖如圖2、圖3所示。

圖2 真實與預測數據對比圖（1～30）

圖3 真實與預測數據對比圖（31～60）

6 結語

本文給出了一種客觀合理的焙燒塊理化指標評分方法，提出的預焙陽極焙燒塊質量的預測模型是一種應用在預焙陽極焙燒生產過程中的簡單分析模型。模型中融合了KMEANS，BP神經網絡和KNN算法，從預測結果來看，預測數據與真實數據的均值，標準差波動基本一致，算法的準確度達到94.14%，預測效果良好。