[发明专利]一种铝电解过热度不平衡数据的自适应过采样方法

说明书

本发明公开了一种铝电解过热度不平衡数据的自适应过采样方法，通过自适应过采样方法增加过热度少数类样本，以提升过热度分类性能。本方法包括步骤：①将待处理的铝电解过热度不平衡数据分成多数类样本和少数类样本；②设定过采样方法中参数的上下界，随机选取参数值；③使过采样方法作用于少数类样本，得到新的合成少数类样本；④将合成少数类样本和原始数据样本合并，评价其分类性能；⑤使用状态转移算法重新选取过采样方法中的参数值，重复③④操作，得到并保存分类性能较好的那一组参数值；⑥重复⑤步骤，直到达到条件结束，得到过采样方法的最优参数值（最近领域面积k，过采样率N）和铝电解过热度不平衡数据的最佳分类。

技术领域

本发明涉及一种铝电解过热度不平衡数据的自适应过采样方法

背景技术

铝电解槽电解质的过热度是指电解质温度与初晶温度的差值。过热度直接影响铝电解的电流效率，同时影响电解槽的炉膛形状及稳定性，进而影响电解槽的寿命。因此，有效的检测过热度的大小对于铝电解的生产过程具有很重要的指导作用。由于正常过热度数与非正常过热度数差距很大，正常过热度样本数显著超过非正常样本数，用传统方法训练的分类器倾向于使决策偏向于大多数类而对少数类不利，因此过热度数据分类比较困难。

发明内容

本发明目的在于提供一种铝电解过热度不平衡数据的自适应过采样方法，以提升过热度分类性能。

为实现上述目的，本发明提供一种铝电解过热度不平衡数据的自适应过采样方法，包括以下步骤：

①将待处理的铝电解过热度不平衡原始数据分成多数类样本和少数类样本；

②设定过采样方法中参数的上下界，随机选取参数值；

③使用过采样方法作用于少数类样本，得到新的合成少数类样本；

④将合成少数类样本和原始数据样本合并，评价其分类性能；

⑤使用状态转移算法重新选取过采样方法中的参数值，重复步骤③④，得到并保存分类性能较好的那一组参数值；

⑥重复步骤⑤，直到达到条件结束，得到过采样方法的最优参数值和铝电解过热度不平衡数据的最佳分类性能。

所述原始数据包括1000-2000个、优选1200-1800个、最优选1500个数据。

所述步骤①还包括对数据进行初始化，输入和输出相关变量。

其中，输入的相关变量包括系列电流，针振，摆动，出铝量，下料间隔，分子比，槽温。两水平八种变量，输出的相关变量为过热度。

其中，所述两水平包括铝水平、电解质水平。

所述步骤②具体为：对SMOTE的参数进行设定，SMOTE算法为一种常用的解决类不平衡问题中的过采样方法，其参数包括x＝(k，N)，其中k表示最近邻域面积，N表示过采样率。

步骤④样本合并后，生成初始解决方案，随机生成一个生成对应的解y＝(KappaBest，AccuracyBest)，Kappa反映了分类准确度，Kappa值越高，准确度就越可信。

而重复步骤③④具体包括：通过使用子程序SMOTE(T，k，N)来重新平衡原始数据集，其中T代表少数实例，新的数据集是通过组合原数据集和合成数据集创建的，然后传统分类器通过使用新的数据集进行训练和评估。

所述状态转移算法包括引入状态转移算法中的旋转变换，平移变换，扩展变换，坐标变换得到SE个候选集X。

步骤⑥具体为由子程序SMOTE用于生成解集Y，算法会比较解集Y每个解y的kappa值和精确度，得到最优的解x，然后继续迭代，将此次得到的最优解x重新代入，如此反复进行迭代，设定的最大迭代次数为5-50次，优选10-30次，更优选20-25次，此时通过SMOTE得到最优解。