引用本文

陈祖国, 刘辉, 黄毅, 陈超洋. 基于多通道时空卷积注意力网络的铝电解槽阳极效应趋势预测. 自动化学报, 2026, 52(7): 1413−1425 doi: 10.16383/j.aas.c250635

Chen Zu-Guo, Liu Hui, Huang Yi, Chen Chao-Yang. Anode effect trend prediction of aluminum electrolysis cells based on multi-channel spatiotemporal convolutional attention network. Acta Automatica Sinica, 2026, 52(7): 1413−1425 doi: 10.16383/j.aas.c250635

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c250635

关键词

电阻趋势预测，多通道ConvLSTM，多头注意力机制，阳极效应

摘要

在铝电解过程中, 阳极效应是影响电能利用效率的典型异常工况, 其发生往往伴随阳极电阻的剧烈波动. 若能实现阳极电阻变化的实时预测, 即可对阳极效应进行前瞻性识别. 为此, 提出一种融合机理约束与数据驱动思想的多通道时空预测模型(卷积长短期记忆–二维卷积–多头注意力, ConvLSTM-Conv2D-MHA), 以联合刻画多槽系统的共性与差异特征. 模型利用堆叠ConvLSTM提取时序动态, 通过Conv2D分支强化空间特征表达, 并引入MHA机制捕捉长时依赖关系, 从而提升对趋势变化及早期波动的敏感度. 实验结果表明, 该模型在阳极电阻趋势预测中表现出更高的精度与稳定性, 较传统时序模型更能利用多槽间潜在的耦合关联.

文章导读

铝电解是全球最广泛采用的铝冶炼工艺, 基于霍尔–埃鲁(Hall-Héroult)电解法, 在高温熔融氟盐中将氧化铝还原为金属铝[1]. 该过程能耗巨大, 电解槽电能消耗占总能耗90% 以上. 阳极效应是典型异常状态, 会导致电压突升、能耗增加及设备损伤, 其演化通常伴随阳极电阻波动. 因此, 通过预测阳极电阻趋势, 可实现阳极效应的早期识别, 对提升电流效率与能耗管理具有重要意义[2−3].

阳极电阻受电流波动、电磁扰动以及多槽交互效应影响, 因此具有明显的非线性与时变特征, 使趋势预测困难. 传统机理建模依赖假设和参数, 工况变化时精度易下降, 数据驱动方法通过变量映射预测状态或趋势, 已在工业预测中广泛应用[4−6]. 如Zhang等[7]采用核极限学习机估计氧化铝浓度, Xu等[8]利用LSSVM预测电解槽电压, 但这些方法在刻画非线性动态和长时依赖方面仍存在限制, 对阳极效应早期趋势识别能力不足.

深度学习在复杂工业过程建模中表现良好. LSTM (long short-term memory)、GRU (gated recurrent unit)和CNN (convolutional neural network)等能够有效刻画非线性动态过程[9−14], 并已用于电压、电流和功率预测. ConvLSTM (convolutional long short-term memory)结合卷积和时序记忆机制, 可同时处理时间和空间特征, 在空间分布明显的工业系统和复杂非线性过程建模中表现出色[15−16].

在单槽电解建模中, LSTM、ConvLSTM等深度学习方法已取得一定的成果, 但在多槽联合建模方面的研究仍较少. 部分学者为克服单槽建模的限制, 开始尝试构建多槽协同预测模型. Zhang等[17]利用多通道CNN挖掘时空相关性以提升多传感器预测精度. Chen等[18]提出基于信息–协同–熵的多特征融合来实现多源数据的集成. Ilyushin等[19]从磁流体动力学角度展示共电源系统的非线性不稳定性, 为多槽间隐式耦合提供理论支持. 然而, 这些研究大部分侧重局部空间特征, 从而导致未能充分刻画共电源驱动的多槽系统的全局依赖性与动态弱相关性.

实际上, 多槽系统具有“共电源、共工艺”的弱耦合特性: 各槽虽然受同一电源驱动, 理论上呈现一定同步性, 但受极距、温度及局部扰动差异影响, 其信号相关性较弱[20−23], 形成“整体一致–局部差异”　的复杂空间依赖[24−27]. 因此, 需要一种能够同时表征多槽弱相关性与全局时空依赖的建模方法, 使其更准确地反映多槽系统的动态演化特征.

针对以上问题, 本文提出基于多通道输入的CLCM (ConvLSTM-Conv2D-MHA)模型用于阳极效应趋势预测. 该方法以多槽共电源为物理先验, 将三槽特征作为通道维度输入, 通过堆叠ConvLSTM提取多槽时空依赖特征, 并结合二维卷积(two-dimensional convolution, Conv2D)分支增强局部空间模式表达, 从而有效捕捉多槽系统的弱相关性及隐式耦合特征. 在此基础上, 为强化对全局长程依赖与早期微小波动的感知能力, 引入多头注意力(multi-head attention, MHA)机制[28], 对序列中不同时间步的关联性进行加权建模. 模型以阳极电阻一阶差分作为预测目标, 并结合归一化及滑动窗口策略, 实现对电解槽由稳定向异常演化的前瞻识别. 实验结果表明, 该方法在真实工业数据上表现优异, 为多槽异常监测及智能优化提供可行方案.

图1  ConvLSTM内部结构

图2  多头注意力(MHA)机制结构

图3  CLCM结构

本文提出了一种基于多通道输入的CLCM预测模型, 用于铝电解槽阳极效应发展趋势的建模与预测. 该方法通过多槽通道堆叠与ConvLSTM结构对时序与空间依赖关系进行联合建模, 并引入二维卷积分支与多头注意力机制, 分别强化槽间局部空间特征提取能力与关键时间信息的动态建模能力, 从而实现对阳极电阻微小波动与短期扰动的敏感捕捉.

基于真实工业生产数据的实验结果表明, 所提模型在全局预测精度与局部预测稳定性方面均优于多种对比方法. 在多槽弱相关、非平稳波动及局部峰谷变化等复杂运行条件下, 该模型仍能够保持较低预测误差和良好的趋势拟合能力, 验证了该模型在刻画铝电解过程非线性时空特征方面的有效性与鲁棒性.

上述研究结果表明, 该模型可为多槽运行状态评估与异常演化趋势识别提供可靠的前端预测支持, 具有与现有运行监测与预警系统相结合的应用潜力. 未来工作将进一步研究阳极电阻变化与阳极效应发生之间的直接关联建模机制, 并引入多源工艺参数与多尺度特征融合方法, 以提升模型对复杂工况的适应能力与工业应用价值.

作者简介

陈祖国

湖南科技大学信息与电气工程学院副教授. 2018年获得中南大学博士学位. 主要研究方向为人工智能, 机器人控制技术和复杂工业过程智能决策. E-mail: zg.chen@hnust.edu.cn

刘辉

湖南科技大学计算机科学与工程学院硕士研究生. 2023年获得广州城市理工学院学士学位. 主要研究方向为工业数据处理. 本文通信作者. E-mail: 24020502022@mail.hnust.edu.cn

黄毅

湖南科技大学信息与电气工程学院副教授. 2021年获得中南大学博士学位. 主要研究方向为复杂无人系统建模与协同控制, 海洋装备智能化技术, 有色金属冶炼过程优化策略研究. E-mail: yi.huang@hnust.edu.cn

陈超洋

湖南科技大学信息与电气工程学院教授. 2021年获得华中科技大学博士学位. 主要研究方向为智能电网可靠性分析, 复杂网络理论及应用, 群机器人系统协同控制, 网络化系统性能分析, 非线性系统分析与控制. E-mail: ouzk@163.com

支持单位：