基于LSTM的氢氧化铝晶种粒度细化爆发预测模型及方法技术

本发明专利技术基于LSTM的氢氧化铝晶种粒度细化爆发预测模型及方法。包括以下步骤：S1：收集历史数据；S2：对数据采样间隔

【技术实现步骤摘要】
基于LSTM的氢氧化铝晶种粒度细化爆发预测模型及方法


[0001]本专利技术涉及一种氢氧化铝晶种粒度细化爆发预测模型及方法，尤其涉及氧化铝生产
的一种基于LSTM的氢氧化铝晶种粒度细化爆发预测模型及方法。

技术介绍

[0002]种子分解是拜耳法生产氧化铝的关键工序之一，种子分解工序的生产情况决定着冶金级砂状氧化铝的质量。砂状氧化铝主要是供给电解铝生产的原料，要求其具有粒度粗、流动性好、对氟化氢吸附能力强等优点。因此，改善冶金级砂状氧化铝的质量、提高氧化铝生产效率，越来越受到氧化铝生产企业的重视。但是，提高分解率和改善氧化铝产品质量之间有着绝对的冲突，因此要在满足氧化铝产品质量的前提下，尽可能的提高氧化铝产品产量，这一问题是氧化铝生产企业亟待解决的难题之一。
[0003]种子分解工序粒度变化实际上是过饱和铝酸钠溶液结晶析出氢氧化铝的过程，过饱和铝酸钠溶液晶种分解过程与常规无机盐饱和溶液结晶不同，是一种复杂的物理化学过程。在对铝酸钠溶液晶种分解理论方面，全球研究者也进行了大量的研究工作，但是目前尚无统一定论。/>[0004]近些本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于LSTM的氢氧化铝晶种粒度细化爆发预测模型，其特征在于包括以下步骤：S1：收集预测晶种粒度细化爆发的所有相关变量的历史数据；S2：对数据采样间隔Δt进行处理，保证所有变量的数据长度一致、时间间隔一致，即数据时间尺度统一化；S3：对数据进行清洗和插值，删除异常值，补充缺失值，构造多维特征的连续时间序列数据；S4：对数据进行滑动平均处理；S5：对数据进行最大最小值归一化处理，提高训练过程中的收敛速度；S6：构建模型训练数据的输入和输出矩阵；S7：构建晶种粒度细化爆发预测模型；S8：将步骤S5中构造的多维特征连续时间序列数据，按照7：3的比例划分为训练集和测试集；S9：设置模型参数；S10：进行模型训练得到模型预测结果，并将预测结果进行反归一化，恢复为正常指标值；S11：利用模型评价指标，采用均方根误差来评估模型，衡量预测值与真实值的偏差；S12：反复重复步骤S9，调整模型参数，直到模型评价指标符合预期；S13：利用历史数据将模型训练完成，保存为固定文件。2.根据权利要求1所述的基于LSTM的氢氧化铝晶种粒度细化爆发预测模型，其特征在于所述的步骤S1中收集用于模型预测的数据包括：分解初温、分解末温、分解首槽固含、分解末槽固含、铝酸钠精液α
k
、种分母液α
k
、铝酸钠精液N
k
、种分母液N
k
、铝酸钠精液流量、结晶助剂(CGM)添加量、晶种粒度数据(f1.92、f3.55、f5.34、f8.87、f10.87、-9μm、-14μm、-29μm、-45μm、-59μm、-80μm、-101μm、-125μm、-150μm、-162μm)，共25个变量。3.根据权利要求1所述的基于LSTM的氢氧化铝晶种粒度细化爆发预测模型，其特征在于所述的步骤S5中，归一化选用的公式为式中，为x
i,j
归一化后的值，和是变量x
i
序列中的最大值和最小值。4.根据权利要求1所述的基于LSTM的氢氧化铝晶种粒度细化爆发预测模型，其特征在于所述的步骤S6中输入和输出矩阵为：于所述的步骤S6中输入和输出矩阵为：5.根据权利要求1所述的基于LSTM的氢氧化铝晶种粒度细化爆...

【专利技术属性】
技术研发人员：张羽飞，陈玉国，刘伟，马震宇，
申请(专利权)人：沈阳铝镁设计研究院有限公司，
类型：发明
国别省市：