[發明專利]基于LSTM的氫氧化鋁晶種粒度細化爆發預測模型及方法

有效

• 申請號: 202011106571.5
• 申請日: 2020-10-15
• 公開（公告）號: CN114368768B
• 公開（公告）日: 2023-10-24
• 發明（設計）人: 張羽飛;陳玉國;劉偉;馬震宇
• 申請（專利權）人: 中鋁國際工程股份有限公司;沈陽鋁鎂設計研究院有限公司
• 主分類號: C01F7/0666
• 分類號: C01F7/0666;G06N3/0442;G06N3/09
• 代理公司: 沈陽圣群專利事務所(普通合伙) 21221
• 代理人: 王鋼

1.基于LSTM的氫氧化鋁晶種粒度細化爆發預測模型，其特征在于包括以下步驟：

S1：收集預測晶種粒度細化爆發的所有相關變量的歷史數據；

S2：對數據采樣間隔Δt進行處理，保證所有變量的數據長度一致、時間間隔一致，即數據時間尺度統一化；

S3：對數據進行清洗和插值，刪除異常值，補充缺失值，構造多維特征的連續時間序列數據；

S4：對數據進行滑動平均處理；

S5：對數據進行最大最小值歸一化處理，提高訓練過程中的收斂速度；

S6：構建模型訓練數據的輸入和輸出矩陣；

S7：構建晶種粒度細化爆發預測模型；

S8：將步驟S5中構造的多維特征連續時間序列數據，按照7：3的比例劃分為訓練集和測試集；

S9：設置模型參數；

S10：進行模型訓練得到模型預測結果，并將預測結果進行反歸一化，恢復為正常指標值；

S11：利用模型評價指標，采用均方根誤差來評估模型，衡量預測值與真實值的偏差；

S12：反復重復步驟S9，調整模型參數，直到模型評價指標符合預期；

S13：利用歷史數據將模型訓練完成，保存為固定文件。

2.根據權利要求1所述的基于LSTM的氫氧化鋁晶種粒度細化爆發預測模型，其特征在于所述的步驟S1中收集用于模型預測的數據包括：分解初溫、分解末溫、分解首槽固含、分解末槽固含、鋁酸鈉精液α_k、種分母液α_k、鋁酸鈉精液N_k、種分母液N_k、鋁酸鈉精液流量、結晶助劑(CGM)添加量、晶種粒度數據(f1.92、f3.55、f5.34、f8.87、f10.87、-9μm、-14μm、-29μm、-45μm、-59μm、-80μm、-101μm、-125μm、-150μm、-162μm)，共25個變量。

3.根據權利要求1所述的基于LSTM的氫氧化鋁晶種粒度細化爆發預測模型，其特征在于所述的步驟S5中，歸一化選用的公式為式中，為x_i,j歸一化后的值，和是變量x_i序列中的最大值和最小值。

4.根據權利要求1所述的基于LSTM的氫氧化鋁晶種粒度細化爆發預測模型，其特征在于所述的步驟S6中輸入和輸出矩陣為：

5.根據權利要求1所述的基于LSTM的氫氧化鋁晶種粒度細化爆發預測模型，其特征在于所述的步驟S7構建的晶種粒度細化爆發預測模型，屬于有監督機器學習的循環神經網絡模型，模型包括：輸入層、隱含層、輸出層、模型訓練和模型預測；其中：

a、輸入層被配置為晶種粒度細化爆發的所有相關變量的歷史數據；

b、隱含層由多個長短期記憶模型節點h^(t)構成，加入了遺忘門f^(t)、輸入門(i^(t)ANDa^(t))、輸出門o^(t)、和記憶細胞C^(t)功能；

c、輸出層，由隱含層的最后一層經過全連接層輸出氫氧化鋁晶種粒度細化指標。

6.根據權利要求1所述的基于LSTM的氫氧化鋁晶種粒度細化爆發預測模型，其特征在于所述的步驟9中需要設置的參數包括：模型預測步數q、神經網絡層數、每層神經元個數、損失函數選擇、優化器選擇、迭代次數和訓練時間窗口大小。

7.根據權利要求1所述的基于LSTM的氫氧化鋁晶種粒度細化爆發預測模型，其特征在于所述的步驟S11中的模型評價指標公式為：其中，q是樣本數量，y_i和分別代表第i個樣本的真實值和預測值。