林景棟，王　豐，廖孝勇
重慶大學自動化學院，重慶

摘　　　要：針對目前國內對鋁電解槽運行狀況診斷存在的難度大、效率低等問題，著眼于與實時工況相區別而反應電解槽電解能力和穩定運行的電解槽狀態的研究，設計了一種以小波包算法提取槽狀態信息和建立了用非線性Ｍｏｒｌｅｔ小波基取代傳統神經元非線性激勵函數的緊致型小波神經網絡的槽狀態預測模型。利用小波變換的時域局部化性質和神經網絡的自學習能力，對鋁電解槽的槽狀態進行分析預測，克服了傳統神經網絡收斂速度慢，容易陷入局部較優等缺點。通過Ｍａｔｌａｂ對狀態預測算法進行編程。結果顯示，相比傳統的神經網絡預測模型，鋁電解槽的槽狀態預測更加準確。

關　鍵　詞：小波包；小波神經網絡；槽狀態預測

１　引　言
鋁電解是一個非線性、多變量耦合、時變和大時滯的工業過程體系，其過程伴隨著復雜的物理化學反映，難以對其建立準確的數學模型。針對此種工業過程，對其所處運行狀況的準確判斷與預測是對其進行有效控制并保證其可靠運行的重要依據。目前， 國內外通過利用快速傅立葉變化（ＦＦＴ）、參數譜估計方法、小波包分解算法提取電解槽工況特征信息［１］，并結合模糊專家系統、神經網絡［２］、聚類分析技術［３］、特征故障分類［４］等方法，能夠發現鋁電解槽的早期不良癥狀。但這些研究只是著眼于對電解槽實時運行工況的分析，而真正反映電解槽長期電解能力的槽狀態卻研究得較少。本文利用小波分析與神經網絡相結合的方式，通過小波包算法提取電解槽瞬時電壓中蘊含的槽狀態信息作為神經網絡的診斷輸入樣本，并利用小波神經網絡較傳統神經網絡更強逼近和容錯能力優點，對電解槽狀態進行更加準確的診斷和預測。

登錄網站后可下載文件