發(fā)布時(shí)間：2021-08-31 21:05

　　在鋁用陽(yáng)極生產(chǎn)過程中,分為煅燒,組裝,焙燒,成型四個(gè)工序,其中焙燒階段對(duì)陽(yáng)極質(zhì)量的影響最大,因此對(duì)焙燒過程的研究具有重大意義。在焙燒生產(chǎn)過程中,會(huì)積累大量的與時(shí)間相關(guān)的焙燒工藝與陽(yáng)極質(zhì)量時(shí)序數(shù)據(jù)。對(duì)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(duì)提升陽(yáng)極生產(chǎn)的質(zhì)量和成品率有重要的應(yīng)用價(jià)值。本文基于改進(jìn)的長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)對(duì)焙燒數(shù)據(jù)的相關(guān)性進(jìn)行研究與可視化分析。主要分為六個(gè)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(xùn)練、預(yù)測(cè)結(jié)果可視化,相關(guān)性分析,系統(tǒng)實(shí)現(xiàn)。為了保證訓(xùn)練的可行性,需要先將原始格式的數(shù)據(jù)進(jìn)行重組,根據(jù)時(shí)間步進(jìn)行切片分段。為了消除不同參數(shù)的量綱對(duì)結(jié)果的影響,采用0-1均值化方法對(duì)原始數(shù)據(jù)進(jìn)行中心化和標(biāo)準(zhǔn)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(zhǔn)確率,本文根據(jù)實(shí)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(shí)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(shí)刻左右火道的溫度差作為新的特征。本文根據(jù)焙燒時(shí)間序列數(shù)據(jù)的特點(diǎn)對(duì)傳統(tǒng)LSTM進(jìn)行改進(jìn),不讓上一時(shí)刻的輸出h_t-1參與當(dāng)前t時(shí)刻遺忘門的計(jì)算,用一個(gè)與... 

【文章來源】：北方工業(yè)大學(xué)北京市

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

GRU結(jié)構(gòu)示意圖

第四章LSTM算法的改進(jìn)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(fù)（7）~（11）。4.4實(shí)驗(yàn)結(jié)果對(duì)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(jìn)的LSTM模型，在同一測(cè)試集上預(yù)測(cè)陽(yáng)極質(zhì)量等級(jí)，改進(jìn)后的模型的預(yù)測(cè)準(zhǔn)確率在各批次數(shù)據(jù)上整體略優(yōu)與傳統(tǒng)模型。改進(jìn)前模型的平均準(zhǔn)確率為=0.87，改進(jìn)模型的平均準(zhǔn)確率=0.91。準(zhǔn)確率對(duì)比圖如下4-2，4-3所示。圖4-2傳統(tǒng)LSTM預(yù)測(cè)準(zhǔn)確率圖4-3改進(jìn)后LSTM預(yù)測(cè)準(zhǔn)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(shí)標(biāo)簽為第i類的樣本數(shù)量，第j列的和表示預(yù)測(cè)值為第j類的樣本數(shù)量。第i行第j列元素表示，真實(shí)分類標(biāo)簽為i，預(yù)測(cè)結(jié)果為j的元素的個(gè)數(shù)。因此本文選用混淆矩陣來評(píng)估模型，兩個(gè)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(jìn)的LSTM模型的混淆矩陣中，主對(duì)角線的和為114，且數(shù)值較集中于主對(duì)角線。而傳統(tǒng)LSTM主對(duì)角線的和為85，且數(shù)值較分散。因此改進(jìn)模型的性能優(yōu)于傳統(tǒng)模型。

第四章LSTM算法的改進(jìn)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(fù)（7）~（11）。4.4實(shí)驗(yàn)結(jié)果對(duì)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(jìn)的LSTM模型，在同一測(cè)試集上預(yù)測(cè)陽(yáng)極質(zhì)量等級(jí)，改進(jìn)后的模型的預(yù)測(cè)準(zhǔn)確率在各批次數(shù)據(jù)上整體略優(yōu)與傳統(tǒng)模型。改進(jìn)前模型的平均準(zhǔn)確率為=0.87，改進(jìn)模型的平均準(zhǔn)確率=0.91。準(zhǔn)確率對(duì)比圖如下4-2，4-3所示。圖4-2傳統(tǒng)LSTM預(yù)測(cè)準(zhǔn)確率圖4-3改進(jìn)后LSTM預(yù)測(cè)準(zhǔn)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(shí)標(biāo)簽為第i類的樣本數(shù)量，第j列的和表示預(yù)測(cè)值為第j類的樣本數(shù)量。第i行第j列元素表示，真實(shí)分類標(biāo)簽為i，預(yù)測(cè)結(jié)果為j的元素的個(gè)數(shù)。因此本文選用混淆矩陣來評(píng)估模型，兩個(gè)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(jìn)的LSTM模型的混淆矩陣中，主對(duì)角線的和為114，且數(shù)值較集中于主對(duì)角線。而傳統(tǒng)LSTM主對(duì)角線的和為85，且數(shù)值較分散。因此改進(jìn)模型的性能優(yōu)于傳統(tǒng)模型。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)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(yáng),綦陸杰,崔燦.  智慧電力. 2019(05)
[2]基于模型Seq2Seq機(jī)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(xué)習(xí)LSTM神經(jīng)網(wǎng)絡(luò)的全球股票指數(shù)預(yù)測(cè)研究[J]. 楊青,王晨蔚.  統(tǒng)計(jì)研究. 2019(03)
[4]粉料對(duì)預(yù)焙陽(yáng)極質(zhì)量的影響及控制途徑[J]. 趙勇.  化工設(shè)計(jì)通訊. 2018(11)
[5]36室敞開環(huán)式焙燒爐陽(yáng)極焙燒過程三維空間動(dòng)態(tài)溫度測(cè)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(jìn)Faster R-CNN的空中目標(biāo)檢測(cè)[J]. 馮小雨,梅衛(wèi),胡大帥.  光學(xué)學(xué)報(bào). 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(jì)算機(jī)學(xué)報(bào). 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(jìn)[J]. 葉小舟,陶飛飛,戚榮志,張?jiān)骑w,周思琪,劉璇.  計(jì)算機(jī)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(dòng)化學(xué)報(bào). 2016(09)
[10]粘結(jié)劑煤瀝青性能及含量對(duì)預(yù)焙陽(yáng)極質(zhì)量的影響[J]. 王敏.  輕金屬. 2016(03)

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

碩士論文
[1]煤瀝青炭化機(jī)理及改性研究[D]. 王英.中南大學(xué) 2011



本文編號(hào)：3375610