[發明專利]一種鋁電解過熱度不平衡數據的自適應過采樣方法

有效

• 申請號: 201810120319.6
• 申請日: 2018-02-07
• 公開（公告）號: CN108277506B
• 公開（公告）日: 2019-11-22
• 發明（設計）人: 陳曉方;朱琛豪;黃兆可;陽春華;謝永芳
• 申請（專利權）人: 中南大學
• 主分類號: C25C3/20
• 分類號: C25C3/20;C25C3/18
• 代理公司: 43235 長沙軒榮專利代理有限公司
• 代理人: 葉碧蓮<國際申請>=<國際公布>=<進入

本發明公開了一種鋁電解過熱度不平衡數據的自適應過采樣方法，通過自適應過采樣方法增加過熱度少數類樣本，以提升過熱度分類性能。本方法包括步驟：①將待處理的鋁電解過熱度不平衡數據分成多數類樣本和少數類樣本；②設定過采樣方法中參數的上下界，隨機選取參數值；③使過采樣方法作用于少數類樣本，得到新的合成少數類樣本；④將合成少數類樣本和原始數據樣本合并，評價其分類性能；⑤使用狀態轉移算法重新選取過采樣方法中的參數值，重復③④操作，得到并保存分類性能較好的那一組參數值；⑥重復⑤步驟，直到達到條件結束，得到過采樣方法的最優參數值（最近領域面積k，過采樣率N）和鋁電解過熱度不平衡數據的最佳分類。

技術領域

本發明涉及一種鋁電解過熱度不平衡數據的自適應過采樣方法

背景技術

鋁電解槽電解質的過熱度是指電解質溫度與初晶溫度的差值。過熱度直接影響鋁電解的電流效率，同時影響電解槽的爐膛形狀及穩定性，進而影響電解槽的壽命。因此，有效的檢測過熱度的大小對于鋁電解的生產過程具有很重要的指導作用。由于正常過熱度數與非正常過熱度數差距很大，正常過熱度樣本數顯著超過非正常樣本數，用傳統方法訓練的分類器傾向于使決策偏向于大多數類而對少數類不利，因此過熱度數據分類比較困難。

發明內容

本發明目的在于提供一種鋁電解過熱度不平衡數據的自適應過采樣方法，以提升過熱度分類性能。

為實現上述目的，本發明提供一種鋁電解過熱度不平衡數據的自適應過采樣方法，包括以下步驟：

①將待處理的鋁電解過熱度不平衡原始數據分成多數類樣本和少數類樣本；

②設定過采樣方法中參數的上下界，隨機選取參數值；

③使用過采樣方法作用于少數類樣本，得到新的合成少數類樣本；

④將合成少數類樣本和原始數據樣本合并，評價其分類性能；

⑤使用狀態轉移算法重新選取過采樣方法中的參數值，重復步驟③④，得到并保存分類性能較好的那一組參數值；

⑥重復步驟⑤，直到達到條件結束，得到過采樣方法的最優參數值和鋁電解過熱度不平衡數據的最佳分類性能。

所述原始數據包括1000-2000個、優選1200-1800個、最優選1500個數據。

所述步驟①還包括對數據進行初始化，輸入和輸出相關變量。

其中，輸入的相關變量包括系列電流，針振，擺動，出鋁量，下料間隔，分子比，槽溫。兩水平八種變量，輸出的相關變量為過熱度。

其中，所述兩水平包括鋁水平、電解質水平。

所述步驟②具體為：對SMOTE的參數進行設定，SMOTE算法為一種常用的解決類不平衡問題中的過采樣方法，其參數包括x＝(k，N)，其中k表示最近鄰域面積，N表示過采樣率。

步驟④樣本合并后，生成初始解決方案，隨機生成一個生成對應的解y＝(KappaBest，AccuracyBest)，Kappa反映了分類準確度，Kappa值越高，準確度就越可信。

而重復步驟③④具體包括：通過使用子程序SMOTE(T，k，N)來重新平衡原始數據集，其中T代表少數實例，新的數據集是通過組合原數據集和合成數據集創建的，然后傳統分類器通過使用新的數據集進行訓練和評估。

所述狀態轉移算法包括引入狀態轉移算法中的旋轉變換，平移變換，擴展變換，坐標變換得到SE個候選集X。

步驟⑥具體為由子程序SMOTE用于生成解集Y，算法會比較解集Y每個解y的kappa值和精確度，得到最優的解x，然后繼續迭代，將此次得到的最優解x重新代入，如此反復進行迭代，設定的最大迭代次數為5-50次，優選10-30次，更優選20-25次，此時通過SMOTE得到最優解。