基于分布式感知的铝电解智能识别系统及应用

第 54 卷第 2 期2023 年 2 月
中南大学学报(自然科学版)
Journal of Central South University (Science and Technology)
V ol.54 No.2Feb. 2023
基于分布式感知的铝电解智能识别系统及应用
邹忠1，彭晨1，李劼1，张红亮1，罗若木1，肖胜华2，韩博1
(1. 中南大学 冶金与环境学院，湖南 长沙，410083；2. 湖南阿尔惠特科技股份有限公司，湖南 长沙，410083)
摘要：传统铝电解过程人工干预较多，决策的随意性和不可靠性直接影响着电解槽的运行稳定性，进而对技术经济指标产生重大影响。

为推进铝电解生产实现智能制造转型升级，采用新型分布式检测装置实现电解槽状态参数实时获取，并在此基础上结合两级智能识别方法，实现生产过程的精细化控制。

研究结果表明：在实际投运过程中，上述技术使国内某铝电解厂350 kA 系列阳极效应系数降低到0.006 次/(槽∙d)，平均电流效率提高1.3%，每生产1 t Al 节电338 kW·h ，取得了显著的增效节能减排效果，可为铝电解槽数字孪生体的构建提供参考。

关键词：铝电解；分布式检测；在线检测；智能识别中图分类号：TF821 文献标志码：A 文章编号：1672-7207（2023）02-0732-12
Intelligent identification system and application of aluminum
electrolysis based on distributed perception
ZOU Zhong 1, PENG Chen 1, LI Jie 1, ZHANG Hongliang 1, LUO Ruomu 1, XIAO Shenghua 2, HAN Bo 1
(1. School of Metallurgy and Environment, Central South University, Changsha 410083, China;
2. Hunan ALWIT Science and Technology Co. Ltd., Changsha 410083, China)
Abstract: Traditional aluminum electrolysis leans primarily on humans, and meanwhile the cell's stability and economic performance are also directly influenced by the unreliability of man-made decisions. In order to
收稿日期： 2022 −08 −10； 修回日期： 2022 −10 −16
基金项目(Foundation item)：国家重点研发计划项目(2022YFB3304902)；云南省重大科技专项计划项目(202202AB080017)；国
家自然科学基金联合项目(U2202253)；国家自然科学基金资助项目(62133016，51974373)；中南大学前沿交叉项目(2023QYJC007)；湖南省研究生科研创新项目(CX20220223) (Project(2022YFB3304902) supported by the National Key R&D Program of China; Project(202202AB080017) supported by the Science and Technology Planning Program of Yunnan Province; Project(U2202253) supported by the Joint Fund of National Natural Science Foundation of China; Projects (62133016, 51974373) supported by the National Natural Science Foundation of China; Project(2023QYJC007) supported by the Frontier Cross Project of Central South University; Project(CX20220223) supported by the Postgraduate Scientific Research Innovation Project of Hunan Province)
通信作者：张红亮，博士，教授，博士生导师，从事智能冶金机理与方法研究；E-mail ：**********************.cn
DOI: 10.11817/j.issn.1672-7207.2023.02.031
引用格式： 邹忠, 彭晨, 李劼, 等. 基于分布式感知的铝电解智能识别系统及应用[J]. 中南大学学报(自然科学版), 2023, 54(2): 732−743.
Citation: ZOU Zhong, PENG Chen, LI Jie, et al. Intelligent identification system and application of aluminum electrolysis based on distributed perception[J]. Journal of Central South University(Science and Technology), 2023, 54(2): 732−
743.
第 2 期邹忠，等：基于分布式感知的铝电解智能识别系统及应用
encourage intelligent manufacturing transformation, a new type of distributed detection device and gathered real-time data on electrolytic cell status parameters were implemented, a two-level intelligent identification system was combined with this data to realize effective production control. The results show that with the use of these technologies in operation, the anode effect coefficient falls to 0.006 times per cell a day, the current efficiency increases by 1.3% on average, and the energy consumption reduces by 338 kW·h per 1 t aluminum of 350 kA series, which offers a significant energy-efficient effect and also lays the foundation for the construction of the digital twin of the aluminum electrolytic cell.
Key words: aluminum electrolysis; distributed detection; online detection; intelligent identification
经过数十年的技术发展与应用，我国铝电解工业在电解槽设计、施工、控制与管理等方面取得了一系列令世界铝业界瞩目的成果，2021年创下3 850万 t的产量新纪录，超过全球产量57%。

然而，铝电解属于高耗能高排放的行业[1−2]，生产1 t Al直流电电耗约13 000 kW·h，耗电量超过全国总发电量的6.46%；生产1 t Al等效二氧化碳排放量11.6 t。

针对我国碳中和政策不断深化，而传统节能技术存在一些不足的现状，智能制造成为铝电解实现绿色发展的关键技术[3−4]，尤其是数字化铝电解槽可在保证铝电解稳定生产的前提下实现铝电解生产过程最优控制[5]，是减少铝电解企业能源浪费、提高经济效益的重要途径。

推动传统铝电解向数字化转型已迫在眉睫，但全槽状态在线感知和智能化决策辅助这两大技术难题有待解决。

现代大型铝电解槽是一种多相−多场交互作用下的大型复杂高温电化学反应器[6]，缺乏能长时间承受熔融电解质腐蚀的信号探头，一些重要状态参数(如氧化铝浓度、电解质温度等)无法实现在线检测，分布式全槽状态感知更无法实现；而其他参数(电解质高度、铝液高度等)主要依赖人工离线检测，不能对槽况进行个性化与精细化识别。

为了能获取槽状态信息的阳极电流分布信号，HVIDSTEN等[7−8]开发了直接在阳极导杆上采集信号的检测方法，但更换阳极会导致触点位移或接触不良等问题；WIESER等[9]提出了一种非接触式测量法，BARCLAY等[10]采用此方法测量铝电解槽的阳极电流分布，WIT公司[11]采用此方法在多个铝电解厂进行了试验，取得了良好效果。

但由于铝电解工段环境温度较高且磁场强度大，对测量设备内部的电子元器件稳定性均有较高的要求，非接触式测量法难以全面推广。

对于其他分布式检测信号(如槽壳温度、阴极电流等)，刘正等[12−13]开发了侧部温度检测方法，孟玲等[14−16]研制了高温光纤光栅温度传感器，均能实现铝电解槽壳温度的实时在线监测，但目前缺乏利用这些信号来处理槽内分布式状态信息的技术手段。

为了解决该问题，GUÉRARD等[17−18]利用这些实时检测的工艺参数建立铝电解槽内模型，预测了局部电流、极距、电流效率和低压阳极效应。

张红亮等[19−23]研发了一系列铝电解槽智能优化控制系统，对解析电解槽的工艺特征具有较大的工业应用价值，但这些研究还缺乏整体设计，未能有效整合多源数据。

基于实际的工业状况，本文作者首先开发了针对全槽状态的一系列分布式信号的在线检测技术与装置，将铝电解槽采集信号从常规集总式的槽电压与系列电流信号的2个在线采集点扩展为包括阳极母线位置、阳极电流分布信号、槽壳温度、烟气温度和阴极电流分布信号的7类最多297个在线采集点，从而实现分布式全槽状态信息的实时感知。

另外，基于这类动态工况信号，建立了两级智能识别系统，以便为生产过程提供决策优化指导，也为铝电解槽数字孪生体的构建奠定基础。

为了验证开发的智能识别与决策系统可适用性和高效性，将该系统在我国铝电解龙头企业予以应用。

1 分布式实时感知的实现
1.1　分布式实时感知的整体方案架构
长期以来，铝电解过程在线采集的参数少，且即使增加了集总或分布式参数在线采集，也未将采集的参数作为一个有机整体进行统一管理，为此，设计分布式实时感知系统，其整体架构如图1所示。

总体实现过程如下：1) 在线的阳极电流分布、阳极母线位置、烟气温度传感器通过高温
733
第 54 卷中南大学学报(自然科学版)电缆连接到槽上部烟道端的信号采集箱，而在线侧壁与钢棒温度、阴极电流分布传感器作为可选方案，通过高温电缆将信号连接到区域信号采集箱；2) 各区域采集箱内置信号采集板，采集的信号通过CAN 屏蔽双绞线传输到槽控机，双绞线能具有良好的抗干扰性能，保障传输的可靠性； 3) 槽控机将实时传感器信息，通过工业以太网传送到后台数据中心服务器进行统一存储与管理，同时将原始信息分发给专家分析服务器，对传感信号进行数字化处理；4) 将数据发送到中南大学远程服务公有云平台，用户可随时随访问云平台进行数据监测和处理。

1.2　分布式实时感知的具体在线检测模块1.
2.1　阳极母线位置信号在线检测
据抬母线等工艺要求，铝电解厂需要测量铝电解槽的大母线位置，但人工测量容易导致数据
偏离严重。

为此，本系统在电解槽上沿钢板处安
装电子尺底座、铝电解槽横梁母线上部固定位移传感器，当大母线上下移动时，位移传感器就会随大母线同步上下移动。

由于位移传感器的移动距离与输出电压成正比，将电压换算成大母线上下移动的距离，从而得到大母线的实时位置。

现场应用及检测结果实例如图2(a)所示，实现了在线阳极母线位置的测量。

1.2.2　阳极电流分布信号在线检测　
阳极电流变化频率快，与电解槽工作状态密切相关，是多年来铝电解生产过程中最为关注的信号。

本系统将阳极电流测点安装于阳极横梁大母线上[24]，克服了国内外将测点布置于阳极导杆而带来的缺陷，具有更好的温度抗噪性。

从图2(b)可见，将测量点安装于横梁的中部，每个测量位置分别由2
根采样线引出电压差，由专用夹具固定
(a) 阳极母线位置信号在线检测；(b) 阳极电流分布信号在线检测
图2　现场安装示意图
Fig. 2　
Schematic diagram of installation
图1　分布式实时感知的整体方案架构
Fig.1　Overall scheme of distributed real-time awareness
734
第 2 期
邹忠，等：基于分布式感知的铝电解智能识别系统及应用在横梁上，防止与横梁间的磨损以及人工在进行槽上部结构维护时造成破坏，同时也具有在横梁后部固定线束、维持导线束的位置稳定的作用；采样线可耐受150 ℃的环境温度(低于横梁上的最高温度)，将固定后的导线束集中引至采样系统，通过采样电路数字化后可传输到控制系统中，实现了阳极电流分布信号的稳定与高精度在线测量。

1.2.3　温度分布信号在线检测　
温度的监测是电解安全运行的重要环节，随着电解槽产量不断增加，人工巡检的方式已经无法满足现代大型铝电解槽生产的要求。

本系统将测温装置固定在电解槽侧、底部和靠近烟管蝶阀位置的烟管内部居中的机械装置上，通过绝缘耐200 ℃的高温电缆，连接到槽上部的接线箱；将获取的温度通过温度转换模块转换为数字量，再传送至工控机进行信息处理。

试验槽在线侧部、底部温度传感器现场布置，温度传感器上位机信息
显示情况如图3所示，能够直观反映电解槽温度变化情况。

1.2.4　阴极电流分布信号在线检测　
由于检测难度大，且无法直观反映电解槽情况，国内铝厂较少对阴极电流的分布信号进行测量。

但事实上，阴极电流监测对于维持电解槽稳定生产特别是对于预防电解槽早期破损有非常重要的作用，为此，本系统采用主流的等距压降法，将阴极电流测量点位于阴极母线小软带上，使用能快速拆卸的专用机械式夹具来固定，能够测量的阴极母线压降长度为15 cm 。

由于阴极电流分布变化缓慢，将采集的信息用无线方式传送到现场槽控机上的数传电台接收装置，移动式在线阴极电流分布检测系统框架图如图4所示。

1.3　数据中心存储与管理模块
采集的分布式信号需要进行格式处理和转换，
形成统一规范的数据格式。

本系统根据铝电解工
图 3　温度分布测量点的现场应用示意图
Fig. 3　
Schematic diagram of application of cell temperature distribution measurement points
图4　阴极电流分布信号在线检测系统框架图
Fig. 4　Online detection system frame diagram of cathode current distribution signal
735
第 54 卷中南大学学报(自然科学版)
业数据特点，对不同的数据类型采用不同的数据存储与管理方式：传感信息主要按采样点类别构建独立数据库；将数据量不大但更新周期较长的智能识别及专家决策信息存放在含有多个表的唯一数据库中；对于更新周期较短的历史数据，关系型数据库访问速度过慢，因此，设计了一套高性能的分布式文件系统；此外，铝电解生产经营管理所需的互联网数据与信息一般通过爬虫软件或专有数据接口API获取，统一以结构化数据方式存储在第三方(本系统设立在中南大学)公有云平台数据库中。

企业端机房后台与第三方(中南大学)公有云平台均后台数据运维工具，能够定期自动完成数据备份、清理与恢复等数据管理工作，确保采集数据的存储和查询效率。

2 基于分布式感知的智能识别方法
2.1　智能识别的整体方案架构
虽然实现了工业现场传感器的配置，解决了对铝电解槽多种参数实时检测的难题，但原始数据无法直观反映铝电解槽状态，还需结合数据分析方法与专家知识才能对生产过程进行指导。

针对上述问题，本文在全分布状态实时感知实现的基础上，增加动态工况2次(边缘端—云端)智能识别方法，提取以阳极电流分布区域强度和温度动态特征为主要判据的槽状态区域特征知识；将原始感知信息与2次智能识别信息集成，存储于边缘端级或云端级数据库中，可用于构建铝电解槽和
车间数字孪生体，整体方案如图5所示。

2.2　一次智能识别
一次智能识别满足的是生产管理对现场槽况快速识别的需要，由配备在生产现场的槽控机和边缘计算端动态识别在线检测设备感知到的实时信息，对槽内分布式状态参数(如氧化铝浓度、阳极效应发生趋势等)、集总型参数(如电解质表观电阻率、分子比等)、多种电解槽故障趋势、故障隐患或故障发生的特征状态变量或特征信息(包括阳极病变、槽破损等)进行分析，从而获取用于铝电解槽动态工况的知识。

2.2.1　阳极电流分布信号识别　
跟踪实时感知的在线阳极电流分布信号，能够对区域氧化铝浓度、区域阳极效应趋势、区域阳极和磁流体稳定性等进行一次智能识别。

本系统对阳极电流信号进行2 min窗口的中值递推，得到在线平滑阳极电流分布值A
Cs
，再进行60 min窗
口的中值递推，得到A
Cl
，则总阳极电流对应的斜
率k
1
计算公式(1)和累计斜率k
2
计算公式(2)可用于描述每个下料点区域氧化铝浓度的变化趋势，式(3)可用于描述区域阳极效应趋势预报[25−26]。

对在线阳极电流分布信号进行傅里叶分析，得到的
高频噪声N
h
和低频噪声N
l
可分别用于描述阳极底部电化学反应过程中气膜导致的激烈波动以及阳极附近炉膛不规整或炉底沉淀导致的铝液(磁流体)
波动；3 h内区域效应预报次数F
n
和3个连续下料
周期内欠量下料时间与过量下料时间之比F
r
，可
图5　铝电解槽动态工况智能识别总体方案及其与相关模块的关系
Fig. 5　Overall scheme of dynamic working condition intelligent identification of aluminum electrolytic cell and its
relationship with related modules
736
第 2 期
邹忠，等：基于分布式感知的铝电解智能识别系统及应用作为预报区域下料故障的特征变量。

k 1=
d ()
åA Cs
d t
(1)
k 2=å
d ()
åA Cs
d t
(2)D A C =A Cl -A Cs
(3)
阳极电流分布信号还能够对阳极故障进行一次智能识别。

在非特殊作业期间和非阳极移动期间，比对每块阳极电流30 min 内的变化值，当该值比30 min 前的原始值高10%以上且持续时间大于等于15 min 时，推断可能存在阳极故障。

采用类似区域阳极效应预报中追踪60 min 长周期A Hl 和2 min 短周期A Hs 的方法，当某块阳极的A Hs <A Hl ´10%且持续时间大于等于5 min 时，推断这块阳极
应该更换。

2.2.2　阳极母线位置信号识别　
通过跟踪实时感知的阳极母线位置分布信号，能够对区域过热度状态进行一次智能识别。

本系统计算每次自动阳极移动时单位电压变化量D V p 所对应的母线垂直位置变化量D B p ，则电阻率R f 计算式(4)可用于描述电解质的黏度的变化趋势，R f 变大说明电解质变黏，间接得到全槽过热度的变化趋势；出铝作业期间，通过计算出铝过程总的母线位移D B t 和出铝操作过程中的吸出铝量M t ，得到吸出1 t Al 对应的母线位置变化公式(5)，这个结果用于描述炉膛容积的变化，T d 变大说明炉膛容积变小，也间接反映全槽过热度的变化趋势。

叠加从槽内各区域阳极电流分布信号在下料调控、极距调控和氟化盐添加调控过程中所显现出来的波动特征，从而对整体区域过热度状态信息进行智能识别。

R f =D V p /D B p (4)T d =D B t /M t
(5)
2.2.3　其他分布信号识别　
此外，通过跟踪一定时间内在线侧壁与钢棒温度的变化和在线阴极电流分布的变化，借助热传导模型和仿真计算，也能够推导出对应位置的炉膛厚度变化量和炉底厚度变化量，以描述炉膛与炉底的工艺状态。

而换极期间，在一定时间内，在线烟气温度的变化量(扣除环境温度的影响)也可用于定量描述热损失的情况，从而对换极过程进行辅助判据。

2.3　二次智能识别
一次识别着眼于对单一信号进行分析，致使模型单调、泛化能力弱，存在信号不确定性大的问题。

二次智能识别在此基础上，结合动态仿真、机器学习和多元知识融合等智能方法，能够对槽内温度分布、区域氧化铝浓度场分布状态等电解槽动态工况进行深度识别。

大型铝电解槽具有极强的空间分布特性，在槽内会出现各种各样的分布问题，特别是温度不均匀分布和氧化铝浓度不均匀分布的问题[26−27]，因此，下面以铝电解槽热平衡和氧化铝浓度的二次识别为例说明。

考虑到铝电解数据集复杂的时间和空间关系，本文选择SHI 等[28]提出的ConvLSTM 模型(见图6)，该模型不仅具有传统CNN 模型有效捕捉空间特征的能力，而且具有传统LSTM 模型有效提取时序特征的能力，能够准确、高效地提取铝电解槽时空特征。

ConvLSTM 网络结构如图7所示，括号内数字表示输入、输出数据的形式。

Input 层将数据重塑为具有形状(批处理大小、时间步长、通道数、高度、宽度)的五维张量；ConvLSTM2D 层利用卷积操作将前一层重塑的数据进行融合，变换为(批处理大小、通道数、高度、宽度)的四维张量；添加Dropout 层使部分神经元的激活值以一定的概率停止工作以缓解过拟合，输出维度与ConvLSTM2D 层相同；Flatten 层在不影响批处理大小的前提下，将多维数据一维化，其形状为(批处理大小、通道数、高度、宽度)；最终通过2个Dense 层连接到前一层的特征，映射到形状为(批处理大小、神经元数量)
的二维张量，从而完成最终的分类任务。

图6　ConvLSTM 神经元网络结构Fig. 6　Structure of ConvLSTM neural network
737
第 54 卷
中南大学学报(自然科学版)ConvLSTM 模型中3种类型的门(遗忘门、输入门和输出门)用于控制数据内部交流，其关键方程如式(6)所示：
i t =σ(W xi *X t +W hi *H t -1+W ci C t -1+b i )
f t =σ(W xf *X t +W hf *H t -1+W cf C t -1+b f )C t =f t C t -1+i t tan h (W xc *X t +W hc *H t -1+b c )o t =σ(W xo *X t +W ho *H t -1+W co C t +b o )
H t =o t tan h (C t )
(6)
式中：i t 为输入门；f t 为遗忘门；o t 为输出门；C t 为记忆单元；H t 为隐藏状态；σ和tanh 为激活函数；X t 为输入；“*”表示卷积算子；“ ”表示哈达玛乘积；W 为对应的参数权重(如W xf 表示遗忘门中对应输入的权重，W hf 表示遗忘门中对应隐藏状态的权重，W cf 表示遗忘门中对应记忆单元的权重；W xi 表示输入门中对应输入的权重，W hi 表示输入
门中对应隐藏状态的权重，W ci 表示输入门中对应记忆单元的权重；W xc 表示记忆单元中对应输入的权重；W hc 表示记忆单元中对应隐藏状态的权重；W xo 表示输出门中对应输入的权重；W ho 表示输出
门中对应隐藏状态的权重；W co 表示输出门中对应记忆单元的权重)；b 为偏置量(如b f 表示遗忘门的偏置量，b i 表示输入门的偏置量，b c 表示记忆单元的偏置量，b o 表示输出门的偏置量)。

在热平衡识别的实际应用中，基于专家知识
来综合衡量过热度的趋势以及偏差程度，将过热度的趋势分为冷槽、正常槽和热槽3级，并将这3种状态作为网络的输出，对应的分布式感知信号作为输入；σ选取训练速度快并且能克服梯度消失问题的softmax 激活函数；利用交叉熵损失函数(cross entropy loss)评估当前训练的概率分布与真实分布的差异。

在模型训练时，损失值L 越小则代表训练效果越优异，计算式为
L =-1n ∑j =1m
[y ij
log(y ′i j )]
(7)
式中：n 为样本数；m 为分类数；y ij 和y ′i j 分别为样本i 的真实输出和预测输出。

选取Adam 优化算法实现网络的优化，该方法对内存需求量小，较梯度下降法计算效率更高，能更有效地更新网络权重，计算式为：
m t =μ×m t -1+(1-μ)g t
n t =ν×n t -1+(1-ν)g 2
t m
t =m t
1-μt n t =n t 1-νt
D θt =-
m t n t +ϵ
×η(8)
式中：μ和ν分别为一阶矩和二阶矩的指数衰减率；g t 为时间步为t 时的梯度；m t 和n t 分别为对梯度的
一阶矩估计(梯度均值)和二阶矩估计(梯度方差)；m
t 和n t 分别为对m t 和n t 的校正；D θt 为参数更新；ϵ为维持数值稳定性而添加的常数。

通过数据抽取选定训练样本后输入ConvLSTM 模型进行训练，当交叉熵损失函数收敛于一定值时停止训练；选定测试样本后输入训练好的模型进行测试，验证模型的泛化能力和精度；当输出结果误差满足要求时，便可完成训练，否则继续调整超参数重复进行，最终得到结构化信号的损失值和准确率如图8所示。

从图8可见：随着迭代次数增加，训练准确率和测试准确率都逐渐呈收敛趋势，说明模型与数据特点相匹配，同时，分类训练准确率在迭代60次时达98%左右，测试准确率收敛到92%左右，认为可以获得较高的铝电解热平衡状态分类准确率。

同样地，ConvLSTM 模型在区域氧化铝浓度
识别的实际应用中，将氧化铝浓度检测周期对应
图7　ConvLSTM 模型结构示意图Fig.7　Structure of ConvLSTM model
738
第 2 期
邹忠，等：基于分布式感知的铝电解智能识别系统及应用
的区域支路电解质电阻作为输入，连续的氧化铝浓度变化作为输出，σ选取能缓解梯度消失问题的ReLU(rectified linear units)激活函数；依旧选取Adam 优化算法实现网络的优化；利用均方误差E MS 评估预测值与目标值的差距，E MS 越小则代表训练效果越优异，计算式为
E MS =
1
N ∑i =1
N
(
y i -y 'i
)
2
(9)
式中：N 为测试集中数据的数目；y i 和y 'i 分别为第i 个训练集数据的真实值和预测值。

图9所示为模型训练和迭代100次的E MS 函数变化曲线。

从图9可见：当迭代次数接近40时，函数基本收敛；随着迭代次数增加，训练和测试的均方误差函数曲线基本重叠，说明该模型表现出了较强的泛化能力。

3 实际运行效果
以上分布式检测和2次智能识别构成的分布式感知智能识别系统能够提供铝电解工业大数据的监控和分析功能，为铝电解工艺人员和管理人员提供智能决策支持。

在该系统中，监控模块主要
进行车间、电解槽的生产数据分布式采集和监控工作，分析模块主要进行统计报表和大数据综合分析(一次智能识别、热平衡状态的识别、氧化铝浓度估计等)，从而根据槽况按需下料，使大型槽不同区域的物料平衡、能量平衡和磁流体/阳极稳定性尽可能均匀和稳定地保持在最优目标，从而实现对铝电解的精细调控。

基于混合云与大数据技术，用户能在更长时间和更广空间内获取用于智能识别的数据资源与计算资源，获得更加准确和更加全面的智能感知结果。

3.1　主要技术参数效果
本系统自2018年5月起在国内多家大型铝电解企业获得推广应用，共覆盖10个电解系列、200~600 kA 大型槽1 916台，总计197万t 产能。

实际投运过程中减少了工业参数测试作业人员，减轻了工人劳动强度，也为现场工艺技术管理人员提供了槽况分析、诊断与决策的工具与平台，有效提升了电解车间的劳动生产率。

图10(a)，(b)和(c)所示为宁夏某企业200 kA 系列投运前后主要技术经济指标对比，图10(d)，(e)和(f)所示分别为宁夏某企业350 kA
系列投运前后主要技术经济指标
(a) 损失值；(b)准确率1—训练集；2—验证集。

图8　热平衡结构化信号训练结果
Fig.8　Training results of thermal equilibrium structured
signal
1－训练集；2－验证集。

图9　区域氧化铝浓度结构化信号训练结果Fig.9　Structured signal training results of regional
alumina concentration
739。