基于数据的铝电解槽况分类

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (11): 233-237.

基于数据的铝电解槽况分类

张旖芮，阳春华，朱红求

中南大学信息科学与工程学院，长沙 410083

出版日期:2015-06-01 发布日期:2015-06-12

Classification of cell states for aluminum electrolysis based on data

ZHANG Yirui, YANG Chunhua, ZHU Hongqiu

School of Information Science and Engineering, Central South University, Changsha 410083, China

Online:2015-06-01 Published:2015-06-12

摘要/Abstract

摘要： 铝电解生产数据中所存在的隐藏信息，是判断槽况状态的重要依据。根据铝电解的工艺原理，分析了工艺参数对铝电解槽况的影响;根据铝电解的数据特点，提出了利用模糊聚类的方法分析槽况。针对铝电解生产数据的存在噪声的问题，提出了具有除噪功能的FCM算法（NCFCM算法），以解决因传统FCM算法对孤立点敏感而陷入局部最优的问题;利用NCFCM算法对某铝厂的实际生产数据进行聚类分析。研究结果表明，利用NCFCM算法对槽况聚类的正确率达到90%以上，聚类结果可以为铝电解生产提供参考。

关键词: 铝电解, 聚类分析, 具有除噪功能的模糊C均值（NCFCM）算法, 槽况分类

Abstract: A lot of useful information, which hide in the production data of aluminum electrolysis, are the important criterions to assess the situation of the cell. The influence of process parameters for cell states is analyzed in line with the principle of aluminum electrolysis process. According to the features of data of aluminum electrolysis, fuzzy clustering is used to analyze cell states. According to the problem of the noise in the aluminum electrolysis data, the Noise-Canceling FCM algorithm （NCFCM algorithm） is proposed so as to solve the problem which the traditional FCM algorithm is sensitive to outliers into a local optimum. NCFCM algorithm is used to cluster the actual production data of an aluminum factory. The results show that the accuracy rate of reduction cell clustering by NCFCM algorithm is more than 85% and clustering results can provide a reference for the production of aluminum electrolysis.

Key words: aluminum electrolysis, clustering analysis, Noise-Canceling Fuzzy C-Means（NCFCM） algorithm, classification of cell states

张旖芮，阳春华，朱红求. 基于数据的铝电解槽况分类[J]. 计算机工程与应用, 2015, 51(11): 233-237.

ZHANG Yirui, YANG Chunhua, ZHU Hongqiu. Classification of cell states for aluminum electrolysis based on data[J]. Computer Engineering and Applications, 2015, 51(11): 233-237.

[1]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[2]	安宁，江思源，唐晨，杨矫云. 融合单纯形映射与熵加权的聚类方法[J]. 计算机工程与应用, 2020, 56(9): 148-155.
[3]	衣俊艳，杜小鹏. 具有中心移动特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(24): 50-58.
[4]	衣俊艳，吴博雅，雍巧玲. 具有加权特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(22): 55-65.
[5]	罗计根，杜建强，聂斌，李欢，聂建华，陈裕凤. 一种聚类欠采样策略的随机森林优化方法[J]. 计算机工程与应用, 2020, 56(22): 166-172.
[6]	马京晖，潘巍，王茹. 基于K-means聚类的三维点云分类[J]. 计算机工程与应用, 2020, 56(17): 181-186.
[7]	蒋世豪，江洪. 基于GDAL的遥感图像变化检测技术[J]. 计算机工程与应用, 2020, 56(16): 169-175.
[8]	贾露，张德生，吕端端. 物理学优化的密度峰值聚类算法[J]. 计算机工程与应用, 2020, 56(13): 47-53.
[9]	陈胜发，贾瑞玉. 基于残差和密度网格的簇心自确认聚类算法[J]. 计算机工程与应用, 2020, 56(12): 149-155.
[10]	黄建新，袁杰. 三维空间机器人主动嗅觉烟羽源自主定位策略[J]. 计算机工程与应用, 2020, 56(12): 223-230.
[11]	雍巧玲，衣俊艳. 具有动态特性的聚类弹性网络算法研究[J]. 计算机工程与应用, 2019, 55(8): 102-109.
[12]	余炳光，刘冬梅. 特征逐减的可能性模糊聚类算法[J]. 计算机工程与应用, 2019, 55(19): 58-65.
[13]	王阳，唐朝晖，王紫勋，牛亚辉. 选用改进高斯过程回归模型的碳排放短期预测[J]. 计算机工程与应用, 2018, 54(23): 246-251.
[14]	宋飞豹，贾瑞玉. 精英遗传K-medoids聚类算法[J]. 计算机工程与应用, 2018, 54(22): 144-149.
[15]	黄小红，赵逢禹. 利用分支路径差异分析的故障定位研究[J]. 计算机工程与应用, 2018, 54(13): 246-251.