[发明专利]一种铝电解槽温度场动态监测的方法和系统

权利要求书

1.一种铝电解槽温度场动态监测方法，其特征在于，包括以下步骤：

实时在线采集铝电解槽壳外部所有热场数据；

将采集到的铝电解槽壳外部所有热场数据进行数据清洗；

获取铝电解槽的结构参数、工艺参数，构建铝电解槽热场仿真模型；

加载数据清洗后的热场数据、电解厂定期策略的槽内熔体的温度值，基于数值模拟技术对所建立的铝电解槽热场仿真模型进行动态计算，对铝电解槽内部的温度场进行反推计算，获取铝电解槽内各部温度场、槽帮状态；

根据获取的铝电解槽内各部温度场、槽帮状态判断电解槽的热平衡状态。

2.根据权利要求1所述的铝电解槽温度场动态监测方法，其特征在于，所述铝电解槽壳外部所有热场的温度数据是通过5G智能感知系统在槽壳底部、槽壳大面侧部及小面侧部的出铝段和烟道端设置传感器进行采集，其中5G智能感知系统的数据传输采用无线传输。

3.根据权利要求1所述的铝电解槽温度场动态监测方法，其特征在于，所述的铝电解槽热场仿真模型是通过获取的铝电解槽的结构参数和工艺参数，同时考虑铝电解槽结构参数随工况变化而建立的。

4.根据权利要求3所述的铝电解槽温度场动态监测方法，其特征在于，所述电解槽的结构参数包括电解槽各部位的尺寸数据及相关的材料物理特性，其中，各部位的尺寸数据包括阳极钢爪、阳极炭块、阴极炭块、侧部炭块、内衬材料、防渗料、保温砖及硅酸盖板的长度、宽度与厚度；电解槽各部位的物理特性数据是指各部位材料的导电率及其在不同温度条件下导热系数；所述电解槽的工艺参数包括电解槽在运行过程中的电压、电流大小以及极距、铝水平、电解质水平及电解质组成成分和含量。

5.根据权利要求1所述的铝电解槽温度场动态监测方法，其特征在于，所述的反推计算是基于铝电解槽热场仿真模型并对其进行网格划分，利用有限元法，加载数据清洗后的热场数据和电解厂所策略的熔体温度为边界条件，对所建立的铝电解槽热场仿真模型进行动态数值计算，得到电解槽内部实时的温度场分布、槽帮状态及各部能量收入、散失数据。

6.根据权利要求5所述的铝电解槽温度场动态监测方法，其特征在于，还包括将得到的各部能量收入与散失数据与历史统计数据作对比，对热平衡状态作辅助验证；其中，各部能量收入与散失数据包括铝电解槽上部覆盖料、阳极钢爪、熔体、铝液、阴极炭块、阳极炭块及保温区的热量产生和散失数据。

7.根据权利要求1所述的铝电解槽温度场动态监测方法，其特征在于，所述热平衡状态的判定依据包括槽内各部温度场、槽帮状态；若槽帮表面温度高于熔体的初晶温度，槽帮变短变薄甚至消失，则判定槽内处于过热状态；若槽帮表面温度低于熔体的初晶温度，槽帮增大，则判定槽内处于过冷状态；若槽帮表面温度与熔体初晶温度的温度差的绝对值小于预设阈值时，则判定槽内处于热平衡状态。

8.根据权利要求7所述的铝电解槽温度场动态监测方法，其特征在于，所述熔体的初晶温度采用Sintef公式来计算，其公式如下：

式中，T_Bath表示熔体的初晶温度，w表示各组组成成分在熔体中的比例。

9.一种铝电解槽温度场动态监测方法，其特征在于，包括：

实时在线采集铝电解槽壳外部所有热场数据；

将采集到的铝电解槽壳外部所有热场数据进行数据清洗；

将清洗后的所有热场数据输入到基于深度学习的预测模型中，输出铝电解槽内的热平衡判定结果，其中，基于深度学习的预测模型的构建是基于权利要求1-8任一项所述方法得到的铝电解槽壳外部所有热场数据和热平衡判定结果数据作为训练集，对基于深度学习的预测模型进行训练得到。

10.一种铝电解槽温度场动态监测系统，其特征在于，包括：

数据采集模块，用于实时在线采集铝电解槽壳外部所有热场数据；

数据清洗模块，用于将采集到的铝电解槽壳外部所有热场数据进行数据清洗；

监测模块，用于将清洗后的铝电解槽壳外部所有热场数据输入到基于深度学习的预测模型中，输出电解槽内的热平衡判定结果，其中，基于深度学习的预测模型的构建是基于权利要求1-8任一项所述方法得到的铝电解槽壳外部所有热场数据和热平衡判定结果数据作为训练集，对基于深度学习的预测模型进行训练得到。