在鋁用陽極生產(chǎn)過程中,分為煅燒,組裝,焙燒,成型四個工序,其中焙燒階段對陽極質(zhì)量的影響最大,因此對焙燒過程的研究具有重大意義。在焙燒生產(chǎn)過程中,會積累大量的與時間相關(guān)的焙燒工藝與陽極質(zhì)量時序數(shù)據(jù)。對這些數(shù)據(jù)合理的利用,發(fā)掘隱藏在工藝與質(zhì)量參數(shù)之間的相關(guān)性關(guān)系,對提升陽極生產(chǎn)的質(zhì)量和成品率有重要的應(yīng)用價值。本文基于改進的長短時記憶神經(jīng)網(wǎng)絡(luò)對焙燒數(shù)據(jù)的相關(guān)性進行研究與可視化分析。主要分為六個步驟:原始數(shù)據(jù)預(yù)處理、特征選取和衍生、構(gòu)建模型、模型訓練、預(yù)測結(jié)果可視化,相關(guān)性分析,系統(tǒng)實現(xiàn)。為了保證訓練的可行性,需要先將原始格式的數(shù)據(jù)進行重組,根據(jù)時間步進行切片分段。為了消除不同參數(shù)的量綱對結(jié)果的影響,采用0-1均值化方法對原始數(shù)據(jù)進行中心化和標準化處理。特征提取是數(shù)據(jù)挖掘中的重中之重,為了提升模型魯棒性和準確率,本文根據(jù)實際情況在原始數(shù)據(jù)特征中,增加焙燒塊左右火道前后時刻溫度的差值作為焙燒曲線的斜率信息,并增加同一焙燒塊同一時刻左右火道的溫度差作為新的特征。本文根據(jù)焙燒時間序列數(shù)據(jù)的特點對傳統(tǒng)LSTM進行改進,不讓上一時刻的輸出h_t-1參與當前t時刻遺忘門的計算,用一個與... 

【文章來源】：北方工業(yè)大學北京市

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

GRU結(jié)構(gòu)示意圖

第四章LSTM算法的改進及應(yīng)用25值。（11）根據(jù)優(yōu)化算法反向傳播優(yōu)化損失函數(shù)，調(diào)整參數(shù)。（12）重復（7）~（11）。4.4實驗結(jié)果對比與模型結(jié)果可視化分別建立相同參數(shù)配置的傳統(tǒng)LSTM模型和改進的LSTM模型，在同一測試集上預(yù)測陽極質(zhì)量等級，改進后的模型的預(yù)測準確率在各批次數(shù)據(jù)上整體略優(yōu)與傳統(tǒng)模型。改進前模型的平均準確率為=0.87，改進模型的平均準確率=0.91。準確率對比圖如下4-2，4-3所示。圖4-2傳統(tǒng)LSTM預(yù)測準確率圖4-3改進后LSTM預(yù)測準確率混淆矩陣，又稱誤差矩陣，多用于判斷分類模型的好壞。其第i行的和表示真實標簽為第i類的樣本數(shù)量，第j列的和表示預(yù)測值為第j類的樣本數(shù)量。第i行第j列元素表示，真實分類標簽為i，預(yù)測結(jié)果為j的元素的個數(shù)。因此本文選用混淆矩陣來評估模型，兩個模型的混淆矩陣分別如圖4-4，4-5所示。在批次數(shù)等于128的情況下，改進的LSTM模型的混淆矩陣中，主對角線的和為114，且數(shù)值較集中于主對角線。而傳統(tǒng)LSTM主對角線的和為85，且數(shù)值較分散。因此改進模型的性能優(yōu)于傳統(tǒng)模型。

第四章LSTM算法的改進及應(yīng)用25值。（11）根據(jù)優(yōu)化算法反向傳播優(yōu)化損失函數(shù)，調(diào)整參數(shù)。（12）重復（7）~（11）。4.4實驗結(jié)果對比與模型結(jié)果可視化分別建立相同參數(shù)配置的傳統(tǒng)LSTM模型和改進的LSTM模型，在同一測試集上預(yù)測陽極質(zhì)量等級，改進后的模型的預(yù)測準確率在各批次數(shù)據(jù)上整體略優(yōu)與傳統(tǒng)模型。改進前模型的平均準確率為=0.87，改進模型的平均準確率=0.91。準確率對比圖如下4-2，4-3所示。圖4-2傳統(tǒng)LSTM預(yù)測準確率圖4-3改進后LSTM預(yù)測準確率混淆矩陣，又稱誤差矩陣，多用于判斷分類模型的好壞。其第i行的和表示真實標簽為第i類的樣本數(shù)量，第j列的和表示預(yù)測值為第j類的樣本數(shù)量。第i行第j列元素表示，真實分類標簽為i，預(yù)測結(jié)果為j的元素的個數(shù)。因此本文選用混淆矩陣來評估模型，兩個模型的混淆矩陣分別如圖4-4，4-5所示。在批次數(shù)等于128的情況下，改進的LSTM模型的混淆矩陣中，主對角線的和為114，且數(shù)值較集中于主對角線。而傳統(tǒng)LSTM主對角線的和為85，且數(shù)值較分散。因此改進模型的性能優(yōu)于傳統(tǒng)模型。

【參考文獻】：
期刊論文
[1]基于深度學習的配電網(wǎng)投入產(chǎn)出相關(guān)性分析[J]. 馮亮,梁榮,吳奎華,孫顯卓,楊揚,綦陸杰,崔燦.  智慧電力. 2019(05)
[2]基于模型Seq2Seq機器翻譯的研究[J]. 趙慶東,郭中華.  電子世界. 2019(08)
[3]基于深度學習LSTM神經(jīng)網(wǎng)絡(luò)的全球股票指數(shù)預(yù)測研究[J]. 楊青,王晨蔚.  統(tǒng)計研究. 2019(03)
[4]粉料對預(yù)焙陽極質(zhì)量的影響及控制途徑[J]. 趙勇.  化工設(shè)計通訊. 2018(11)
[5]36室敞開環(huán)式焙燒爐陽極焙燒過程三維空間動態(tài)溫度測試分析[J]. 杜娟,蘇自偉,羅英濤,陳開斌,徐正偉.  炭素技術(shù). 2018(01)
[6]基于改進Faster R-CNN的空中目標檢測[J]. 馮小雨,梅衛(wèi),胡大帥.  光學學報. 2018(06)
[7]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[8]循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中激活函數(shù)的改進[J]. 葉小舟,陶飛飛,戚榮志,張云飛,周思琪,劉璇.  計算機與現(xiàn)代化. 2016(12)
[9]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動化學報. 2016(09)
[10]粘結(jié)劑煤瀝青性能及含量對預(yù)焙陽極質(zhì)量的影響[J]. 王敏.  輕金屬. 2016(03)

博士論文
[1]鋁用炭陽極制備關(guān)鍵技術(shù)研究及工程化應(yīng)用[D]. 劉風琴.中南大學 2010

碩士論文
[1]煤瀝青炭化機理及改性研究[D]. 王英.中南大學 2011



本文編號：3375610