Интеллектуальная модель прогнозирования технологических нарушений электролиза алюминия типа «конус» на основе методов ансамблевого обучения : научное издание

Описание

Тип публикации: статья из журнала

Год издания: 2026

Идентификатор DOI: 10.23947/2687-1653-2026-26-3-2619

Ключевые слова: process disturbances in aluminum production, prediction of spike defects, LightGBM model, anode bottom deformation, monitoring of anodes and electrolyzers, технологические нарушения при производстве алюминия, прогнозирование нарушений типа «конус», модель LightGBM, деформация подошвы анода, контроль анодов и электролизеров

Аннотация: Introduction. Maintaining high technical and economic performance in aluminum production is a pressing operational challenge. The use of artificial intelligence makes it possible to mitigate the impact of process irregularities such as the deformation of the anode bottom resulting in spike formation. The causes and consequences of Показать полностьюspike formation have been thoroughly studied. Dozens of parameters signaling this disturbance are identified. However, existing solutions typically detect deviations only after they have occurred or predict related states. Industrial realities demand adequate, advance warning of the problem. The objective of this study is to develop and validate an intelligent model for the early prediction of spike type disturbances under aluminum production. <br> Materials and Methods. The study has analyzed over 70 process parameters based on average daily monitoring data from eight electrolyzers at a pilot site (2020-2025). The positive class was defined based on the pre-failure interval spanning 72 to 24 hours prior to the recorded disturbance. Ensemble methods were used for prediction: <br>- gradient boosting (XGBoost, CatBoost, LightGBM); <br>- FEDOT automated pipeline; <br>- neural network ensembles (RTDL-RM, RTDL-NE, TabM). <br> Quality metrics: Accuracy, Precision, Recall, F1. <br> Results. The LightGBM model was identified as optimal, with the following metrics: Accuracy - 0.88; Recall - 0.79; F1 - 0.79. For events without disturbances, it correctly classified the “normal” state in 95% of cases (900 observations), while incorrectly identifying “disturbance” in 5% of cases (46 observations). For events involving disturbances, 62.5% of states were correctly identified (10 observations), whereas disturbances were missed in 37.5% of cases (6 observations). Validation using data from an actual technological process showed the model ability to detect spikes 24-72 hours prior to their actual registration. During the validation, six spike formation events were recorded, and the model detected signs of the developing disturbance in five of them (83.3%). <br> Discussion. The research results are consistent with the physical and technological characteristics of spike formation. The proposed solution complements existing methods for the local monitoring of anodes and electrolyzers through analyzing parameters derived from daily monitoring data. Validation confirms known challenges for predictive models in industrial electrolysis: difficulty in event detection, class imbalance, and changing process characteristics. The monitoring data from eight electrolyzers at the pilot site are insufficient. Further testing is required to confirm the model generalizability - over longer periods and at other sites. <br> Conclusion. The ability of the model to predict a disturbance 24-72 hours prior to the detection of a spike formation was confirmed, as was its sufficient effectiveness given the constraints imposed by sample size and the variability of process conditions. Future research will involve data augmentation, model validation at other production sites, and a comprehensive analysis of average daily and instantaneous monitoring parameters to localize the disturbance. Введение. Обеспечение высоких технико-экономических показателей выпуска алюминия - актуальная производственная задача. Использование искусственного интеллекта позволяет ограничить влияние таких технологических нарушений, как деформация подошвы анода с формированием конусов. Достаточно хорошо изучены причины и последствия образования конусов. Названы десятки параметров, которые сигнализируют о нарушении. Однако известные решения фиксируют уже возникшие отклонения или предсказывают смежные состояния. Производственные реалии требуют адекватного заблаговременного уведомления о проблеме. Цель представленной работы - создание и апробация интеллектуальной модели для раннего прогнозирования нарушений типа «конус» при производстве алюминия. <br> Материалы и методы. Исследовались более 70 технологических параметров, данные среднесуточного мониторинга восьми электролизеров опытного участка (2020-2025 гг.). Положительный класс сформирован по предаварийному интервалу 72-24 ч до регистрации нарушения. Для прогнозирования применялись ансамблевые методы: <br>- градиентный бустинг (XGBoost, CatBoost, LightGBM); <br>- автоматизированный конвейер FEDOT; <br>- нейросетевые ансамбли (RTDL-RM, RTDL-NE, TabM). <br> Метрики качества: Accuracy, Precision, Recall, F1. <br> Результаты исследования. Оптимальной признана модель LightGBM: Accuracy - 0,88; Recall - 0,79; F1 - 0,79. В категории событий без нарушений она корректно классифицировала состояние «норма» в 95 % случаев (900 наблюдений). В 5 % случаев (46 наблюдений) ошибочно распознано «нарушение». В категории событий с нарушениями верно распознаны 62,5 % состояний (10 наблюдений), в 37,5 % случаев (6 наблюдений) нарушения пропущены. Апробация на данных реального технологического процесса доказала способность модели выявлять конусы за 24-72 ч до фактической регистрации. При апробации зарегистрировано шесть событий обнаружения конуса, модель выявила признаки развития нарушения для пяти (83,3 %). <br> Обсуждение. Результаты согласуются с физико-технологическими особенностями возникновения конуса. Предложенное решение дополняет методы локального контроля анодов и электролизеров благодаря анализу параметров среднесуточного мониторинга. Апробация подтвердила известные проблемы прогностических моделей в условиях промышленного электролиза: сложность регистрации событий, дисбаланс классов, изменение характеристик. Данных мониторинга восьми электролизеров опытного участка недостаточно, и для подтверждения универсальности модели нужна дополнительная проверка - с другой продолжительностью, на других участках. <br> Заключение. Подтвердились способность модели прогнозировать нарушение за 24-72 часа до регистрации конуса и ее достаточная эффективность при ограничениях, обусловленных объемом выборки и изменчивостью технологических условий. Дальнейшие исследования предполагают аугментацию данных, проверку модели на других участках производства, комплексный анализ параметров среднесуточного и мгновенного мониторинга для локализации нарушения.

Ссылки на полный текст

Издание

Журнал: Advanced Engineering Research (Rostov-on-Don)

Выпуск журнала: Т. 26, № 3

Номера страниц: 2619

ISSN журнала: 26871653

Место издания: Ростов-на-Дону

Издатель: Донской государственный технический университет

Вхождение в базы данных