现代铝工业普遍采用电解氧化铝的方式制备铝单质,氧化铝浓度的高低直接影响铝电解槽的物料与能量平衡。氧化铝浓度过低,将导致电解槽阳极效应频发,能耗急剧增加,槽况波动严重;氧化铝浓度过高,会导致槽底沉淀与槽帮结壳,并影响电解槽使用寿命。研究表明,在氧化铝浓度处于1.5%~3.5%时,电解槽内状态稳定,槽况波动较少;氧化铝浓度处于2.0%~3.0%时,具有较高的电流效率,能耗最低。所以对铝电解槽内氧化铝浓度的准确控制,是电解铝过程中维持平稳槽况与节能降耗的关键。铝电解槽是一个高温、强腐蚀、强电流、强磁场环境,槽内氧化铝浓度无法使用传感器直接进行测量。传统氧化铝浓度测量方法是人工采样电解质溶液,然后使用化学方法对其成分进行化验,以获得准确的氧化铝浓度。这种方式获得的电解质浓度具有2~4小时的滞后性,且耗费人力物力,所以单个电解槽的氧化铝浓度数据很少。得益于计算机技术的发展,现代工业中常使用建立模型的方式对难以获取的工业参数进行预测。现有的氧化铝浓度预测模型大都采用以槽电阻等易于检测的参数为特征的模型,采用神经网络或其改进模型进行预测。这些模型的准确性均建立在有较多氧化铝浓度数据的基础上。当氧化铝浓度数据较少时,上述现有模型对氧化铝浓度的预测效果较差,无法达到氧化铝浓度控制要求。通过对比分析现有的氧化铝浓度预测模型,本研究针对单个铝电解槽氧化铝浓度数据较少的情况,以贝叶斯理论为核心,建立氧化铝浓度预测模型,具体研究内容如下:1.通过与现场专家沟通以及查阅对铝电解槽中与氧化铝浓度相关的文献,在综合了现有数据后,选取了槽电压、槽电阻、下料间隔等9个影响电解槽内氧化铝浓度的因素,为后续模型的建立奠定了基础。2.现场获取到的数据除氧化铝浓度外均为图像数据,对图像数据进行提取、插值拟合后,根据氧化铝浓度采样时间,将氧化铝浓度数据与当时的其他参数进行对应。使用K-Means算法对槽电流、槽电压、槽电阻及氧化铝浓度进行聚类分析,获取数据的分布特征。以氧化铝浓度为主要对象,分析聚类结果中的三类电解槽状态。3.根据电解槽状态分析结果,选取槽状态最稳定、氧化铝浓度最好的一组数据进行回归实验。对比分析线性回归、贝叶斯和脊回归理论,针对氧化铝浓度预测数据中存在误差及噪声的情况,对贝叶斯线性回归进行改进,选取贝叶斯脊回归模型进行实验。建立贝叶斯脊回归模型与线性回归模型,并在大数据集和小数据集下分别对比两种模型预测的准确性。使用相对误差低于2.5%作为单个预测值准确性的评价标准,贝叶斯脊回归在298组大数据集下模型预测准确率为87.3%,与线性回归87%的准确率基本持平;而贝叶斯脊回归在24组的小数据集中的预测准确率达到83.5%的准确率,高于线性回归小数据集下75%的准确率。在小数据集下贝叶斯回归具有明显优势。4.通过分析氧化铝浓度预测模型,结合下料间隔和阳极极距调整对电解槽内氧化铝浓度的影响,提出不同氧化铝浓度时针对下料间隔和阳极极距的调整方案。