[发明专利]一种基于LSTM-CNN和ICBAM长短期特征提取的铝电解槽温预测方法

说明书

本发明公开了一种基于LSTM‑CNN和ICBAM长短期特征提取的铝电解槽温预测方法，采用LSTM‑CNN作为影响槽温的长期特征提取方法，首先对数据用LSTM提取长时间相关特征，然后再用CNN提取数据间的局部相关特征，从而得到基于长周期数据的长期深度特征。采用基于2D‑CNN和1D‑CNN双流卷积分别提取阳极电流和槽电压特征，然后基于ICBAM对双流特征进行注意力加权融合，得到槽温短期深度特征。为了更好的融合铝电解生产过程中的长期特征和短期特征这两种语义和尺度不一样的特征，利用AAW中的多尺度注意力模块，充分考虑了特征图中的全局信息与局部信息，从而能够提升模型预测的准确率。

技术领域

本发明涉及冶炼领域，具体为一种基于LSTM-CNN和ICBAM长短期特征提取的铝电解槽温预测方法。

背景技术

铝电解技术是通过冰晶石-氧化铝熔盐电解法，以氧化铝(Al2O3)作为原料，以熔融冰晶石(NaF·AlF3)作为电解质，以碳素体作为阳极和阴极，通入强大的直流电后，温度到达950℃-970℃，在电解槽内的两极上进行电化学反应后得到铝液。槽温是指电解质温度，电解质温度是整个铝电解生产反应时的温度，其对保证生产效益，提高电解槽寿命，维持电解槽热场平衡，提高电流效率具有重要的意义。由于实际的工业生产环境是一个强磁场、高温、高湿、含腐蚀气体及粉尘的复杂环境，目前在线测量槽温十分困难，且槽壳内温度较高，传统的接触式测温设备无法长期工作，导致实际生产中的电解质温度测量成本高、精度低，且其测量的数值受环境影响以及人为读数的影响较大。对铝电解生产数据进行分析并提取槽温预测相关特征，从而高效、准确地对槽温进行预测，可提高铝电解生产过程的生产效率，对实现铝电解过程的精细化智能控制具有重要意义。

铝电解槽温预测是一个涉及到多参数多特征的复杂问题。目前文献主要通过基于数据驱动的软测量方法对槽温进行建模和预测，其涉及的输入变量主要包括铝水平、电解质水平、氧化铝浓度等采样周期为一天一次的工艺数据，利用支持向量机和BP神经网络等监督方法对槽温进行预测。但是，实际的铝电解生产过程是具有时序特点的，数据间的时序相关性也是用于槽温预测所必须考虑的特征信息。另外由于铝电解生产过程时滞大、噪声强、高耦合，因此原始的槽温数据具有较的高复杂度，如果采用单一的神经网络预测模型对原始槽温进行预测会造成精度不高。

发明内容

本发明的目的在于提供一种基于LSTM-CNN和ICBAM长短期特征提取的铝电解槽温预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于LSTM-CNN和ICBAM长短期特征提取的铝电解槽温预测方法，包括如下步骤：

步骤一、选择得到原始铝电解的预测输入数据；预测输入数据包括长周期数据、短周期数据和对应的槽温；按照时间序列收集预测输入数据并并进行归一化预处理，然后划分为训练集和测试集；

步骤二、建立LSTM-CNN和ICBAM长短期特征提取网络；LSTM-CNN和ICBAM长短期特征提取网络包括LSTM-CNN模型、ICBAM模型和AAW模型；

步骤三、将训练集输入LSTM-CNN和ICBAM长短期特征提取网络进行训练，得到训练好的LSTM-CNN和ICBAM长短期特征提取网络，其中，训练集中的长周期数据输入LSTM-CNN模型提取槽温的长期深度特征，训练集中的短周期数据输入ICBAM模型提取槽温的短期深度特征，通过AAW模型对长期深度特征和短期深度特征进行融合短期深度特征进行融合得到融合特征；

步骤四、采用测试集对训练好的LSTM-CNN和ICBAM长短期特征提取网络进行测试，若预测误差达到预设要求，则得到最终的LSTM-CNN和ICBAM长短期特征提取网络，否则收集原始铝电解的预测输入数据重新进行步骤三；

步骤五、提取现有的铝电解的预测输入数据输入最终的LSTM-CNN和ICBAM长短期特征提取网络，预测得到当前的槽温。