[发明专利]基于多尺度深度卷积网络的氧化铝综合生产指标决策方法

摘要

本发明提供一种基于多尺度深度卷积网络的氧化铝综合生产指标决策方法，涉及氧化铝综合生产决策技术领域。该方法主要由几个子模型组成：反映底层生产过程指标对氧化铝综合生产指标影响的多尺度深度拼接卷积网络预报子模型；反映氧化铝上层调度指标对氧化铝综合生产指标影响的全连接神经网络预报子模型；反映过去时刻氧化铝综合生产指标对当前氧化铝综合生产指标影响的全连接神经网络预报子模型；及协同优化子模型参数的多尺度信息神经网络集成模型；该方法通过这种集成的预报模型结构同时利用浅层网络的记忆能力与深层网络的特征提取能力，实现对氧化铝生产指标的精确决策。

主权项

1.一种基于多尺度深度卷积网络的氧化铝综合生产指标决策方法，其特征在于：包括以下步骤：步骤1、采氧化铝生产过程中产生的生产指标数据，利用样本划分算法将采集到的生产指标数据划分为训练集、验证集和测试集，通过数据预处理算法将数据进行预处理，得到能够进行建模的数据；步骤2、构建反映底层生产过程指标对氧化铝综合生产指标影响的多尺度深度拼接卷积网络预报子模型；将一段时间内与最终氧化铝综合生产指标密切相关的氧化铝生产过程指标的采样值组成信息矩阵，表示如下：Y_d＝[v(k_v)，v(k_v‑1)，v(k_v‑2)，…，v(k_v‑n_k)]其中，Y_d为反映底层生产过程指标影响的多尺度深度拼接卷积网络预报子模型的输入，其中隐含了底层过程生产指标对最终氧化铝综合生产指标的影响的特征信息，其大小为l_p×n_k，l_p为底层过程生产指标个数，n_k为一段时间内底层过程生产指标的采样次数，v(k_v)为任一底层过程生产指标，k_v，代表某一采样时刻；所述反映底层生产过程指标对氧化铝综合生产指标影响的多尺度深度拼接卷积网络预报子模型包括3个多尺度卷积层、3个池化层、1个普通卷积层、1个全连接层和输出变换层；步骤3、构建反映氧化铝上层调度指标对氧化铝综合生产指标影响的全连接神经网络预报子模型；将一段时间内上层调度指标的采样值组成信息矩阵，表示如下：X_d＝[q(k_q)，v(k_q‑1)，v(k_q‑2)，…，v(k_q‑n_k)]其中，X_d作为反映上层调度指标对氧化铝综合生产指标影响的预报子模型的输入，其大小为l_h×n_h，l_h为上层调度指标个数，n_h为一段时间内上层调度指标的采样次数，q(k_q)为任一上层调度指标，k_q代表某一采样时刻；所述全连接神经网络预报子模型采用单层全连接神经网络，全连接网络节点数与上层调度指标数一致，激活函数选择Sigmoid激活函数；步骤4、构建反映过去时刻氧化铝综合生产指标对当前氧化铝综合生产指标影响的全连接神经网络预报子模型；步骤4.1、定义历史工况样本集：采用初始生产条件与上层调度指标的X_d简化表示生产工况{X_d，Y_d}，同时将其对应的氧化铝综合生产指标组成历史工况样本集其中，d＝1，2，…，n_d；步骤4.2、历史工况分组：首先，采用基于高斯混合模型的自动聚类方法，得到历史工况的分类；将上述聚类结果表示为其中l_c为得到的历史工况分类的个数；步骤4.3、对与当前工况相关的过去时刻氧化铝综合生产指标进行搜索，得到即包含过去时刻的氧化铝综合生产指标，且包含氧化铝综合生产指标历史生产工况与当前工况的相关性信息的氧化铝综合生产指标信息；该子模型采用单层全连接神经网络，全连接网络节点数与输入变量大小一致，激活函数选择Sigmoid激活函数；步骤5、构建协同优化子模型参数的多尺度信息神经网络集成模型；所述集成模型由单层神经网组成，其中，输入源变量个数为3，对应上述步骤2‑步骤4建立的3个预报子模型的输出，输出变量个数为1，表示氧化铝综合生产指标预报值；输出节点的非线性激活函数选择Sigmoid；所述集成模型根据氧化铝综合生产指标预报误差损失函数的梯度信息，同时训练上述三个预报子模型网络参数，即模型的训练误差会同时反向传播到反映各类信息对氧化铝综合生产指标影响作用的预报子模型的输入层，每类输入信息的权重同时受到其它输入信息对模型训练误差的共同影响，从而实现了不同时间尺度信息对氧化铝综合生产指标影响作用权重的协同优化，同时降低了预报模型的复杂度；步骤6、利用建立好的模型进行氧化铝综合生产指标优化决策；根据针对氧化铝综合生产指标建立的一个或多个模型进行单目标或多目标的优化决策；给出决策变量的边界条件，利用单目标或多目标优化算法进行优化决策，得到氧化铝氧化铝综合生产指标优化决策结果。