铝电解是一个非常复杂的工业过程,并且会有大量的数据在这个生产过程中产生,通过对这些数据的深入分析和挖掘,找到潜在的信息,分析其与槽状态变化的联系,对槽状态进行了聚类分析。然后在聚类的基础上,对槽状态进行了预测,预测结果方便专业人员及时发现槽状态的改变,为后续的决策提供参考依据,能够提前作出决策减少损失,同时也提高了智能控制在铝电解行业的发展应用。主要有以下几项工作:1、介绍了铝电解槽生产数据的采集和归一化处理的过程,然后利用pearson相关系数对所用到的九个特征进行了相关性分析。最后通过聚类方法对铝电解槽状态聚类,本文介绍了一种DPCA-GMM算法,针对GMM(Gaussian Mixture Model)算法无法自适应聚类个数K的问题,提出了先通过DPCA(Clustering by fast search and find of density peaks)算法确定其最优聚类数目K,并将该算法判断的K值应用于GMM算法。实验证明这一改进减少了当应用GMM算法时随机选取聚类个数K带来的不确定性。通过对铝电解槽状态的聚类,可以用来区分铝电解槽的正常状态和异常状态。2、针对铝电解槽状态的预测问题,提出了一种K-LSTM算法,该算法是在传统的LSTM算法的基础上,针对铝电解槽状态变化不频繁所带来的样本不平衡问题,在存在该问题的遗忘门中,采取设置权重的途径来消除样本不平衡。实验证明该算法能够有效地对铝电解槽状态作出预测。与传统的LSTM算法和基于注意力机制的EA-LSTM算法相比准确性有了很大的提高。3、应用文中提出的DPCA-GMM算法和K-LSTM算法,设计并实现了铝电解槽状态智能分析系统,该系统可以可视化展示铝电解槽的生产数据,包括多维分析、相关性分析,以及对槽状态聚类分析的结果展示和槽状态预测的结果展示,使铝电解槽管理更加方便直观。