基于数据驱动的铝电解槽剩余寿命预测方法研究 |
| |
引用本文: | 尹刚,向冬梅,王民,向禹,何文,曹文琦.基于数据驱动的铝电解槽剩余寿命预测方法研究[J].稀有金属,2023(2):273-280. |
| |
作者姓名: | 尹刚 向冬梅 王民 向禹 何文 曹文琦 |
| |
作者单位: | 1. 重庆大学资源与安全学院煤矿灾害动力学与控制国家重点实验室;2. 重庆旗能电铝有限公司;3. 陆军工程大学通信士官学校;4. 眉山市博眉启明星铝业有限公司 |
| |
基金项目: | 国家自然科学基金面上项目(51374268)资助; |
| |
摘 要: | 铝电解槽的寿命直接影响着电解铝企业的经济效益,准确预测铝电解槽剩余寿命能够提前制定维修计划,减少经济损失。本文针对铝电解槽寿命分析过程中缺乏对历史生产数据应用的背景,从数据的角度出发,探究生产工艺参数对槽寿命的影响,将机器学习引入到铝电解槽剩余寿命预测中,提出一种SVR-RFE-XGBoost模型,结合支持向量回归(SVR)与递归特征消除(RFE)算法,直接从原始数据中挖掘出关键寿命特征。同时利用极端梯度提升算法(XGBoost)对提取后的关键特征进行槽剩余寿命预测。最后利用某铝厂历史生产数据对模型进行性能验证,实验表明,该模型槽剩余寿命的平均绝对误差(MAE)、均方根误差(RMSE)和拟合优度(r2)别为116.0950, 207.4964和0.7463。对比分析XGBoost算法、岭回归(Ridge Regression)和SVR算法,实验结果表明,本文所构建的SVR-RFE-XGBoost的模型表现最佳,能更加准确地预测铝电解槽剩余寿命,在铝电解实际生产中具有重要的指导意义。
|
关 键 词: | 铝电解槽 特征选择 剩余寿命预测 机器学习 数据驱动 |
|
|