论文部分内容阅读
在铝用阳极生产过程中,分为煅烧,组装,焙烧,成型四个工序,其中焙烧阶段对阳极质量的影响最大,因此对焙烧过程的研究具有重大意义。在焙烧生产过程中,会积累大量的与时间相关的焙烧工艺与阳极质量时序数据。对这些数据合理的利用,发掘隐藏在工艺与质量参数之间的相关性关系,对提升阳极生产的质量和成品率有重要的应用价值。本文基于改进的长短时记忆神经网络对焙烧数据的相关性进行研究与可视化分析。主要分为六个步骤:原始数据预处理、特征选取和衍生、构建模型、模型训练、预测结果可视化,相关性分析,系统实现。为了保证训练的可行性,需要先将原始格式的数据进行重组,根据时间步进行切片分段。为了消除不同参数的量纲对结果的影响,采用0-1均值化方法对原始数据进行中心化和标准化处理。特征提取是数据挖掘中的重中之重,为了提升模型鲁棒性和准确率,本文根据实际情况在原始数据特征中,增加焙烧块左右火道前后时刻温度的差值作为焙烧曲线的斜率信息,并增加同一焙烧块同一时刻左右火道的温度差作为新的特征。本文根据焙烧时间序列数据的特点对传统LSTM进行改进,不让上一时刻的输出ht-1参与当前t时刻遗忘门的计算,用一个与ht-1的维度尺寸相同的全1的矩阵与只包含当前时刻输入xt的遗忘门计算后的矩阵串接,来进行细胞记忆Ct-1的更新。改进后的结果使得细胞状态C的左半部分始终不遗忘,可以减少遗忘的规模,减少细胞状态的更新量。本文使用某铝厂提供的2012—2018年的阳极生产数据,构建预测模型,并将预测过程和结果可视化。测试结果表明,模型分类预测准确率略高于传统LSTM。而后本文采用基本相关性分析、基于改进LSTM算法和灵敏度分析的方法及复相关系数等方式对质量因素和温度工艺因素进行深入相关性研究和可视化分析。对于提升阳极生产质量和提升铝厂经济效益,节约能源具有重大意义。最后,本文在分类模型基础上开发了基于Web的焙烧数据相关性研究与可视化分析系统,该系统主要具有系统管理,数据采集,数据预处理,历史数据可视化分析,模型训练,质量预测,焙烧数据相关性分析以及能实时监控当前时刻炉室内火道的温度变化并进行异常报警提示的焙烧炉画像,模型对比评估等功能。经过测试,该系统性能良好、运行状态稳定。