【技术实现步骤摘要】
基于神经网络的生阳极体积密度的预测方法、装置、介质及设备
[0001]本专利技术涉及工业预测
，特别是涉及一种基于神经网络的生阳极体积密度的预测方法、装置、介质及设备。
技术介绍
[0002]铝工业是我国有色金属工业中社会贡献率最高的产业之一，随着铝工业的迅速发展，大型预焙槽的开发和应用越来越广泛，预焙阳极的需求量也日益增长。预焙阳极作为铝电解槽的心脏，在铝电解生产过程中起着导电和参与电化学反应的双重作用，其质量和工作状况不仅影响电解槽中电流分布电量消耗从而影响电解过程中的电流效率，还可能产生杂质混在电解质中影响生产的原铝质量。生阳极作为预焙阳极生产过程中的中间产物，其体积密度不但能反映预焙阳极的质量——体积密度越大预焙后的阳极质量越好，而且还可以将质量差的生阳极进行回收利用，降低环境污染的同时也提高了铝电解过程的经济效益，所以生阳极体积密度的预测研究对铝电解行业有很大价值。
技术实现思路
[0003]有鉴于此，本专利技术提供了一种基于神经网络的生阳极体积密度的预测方法、装置、介质及设备，其能够更加精准...
【技术保护点】
【技术特征摘要】
1.一种基于神经网络的生阳极体积密度的预测方法，其特征在于，包括以下步骤：获取待预测生阳极的控制参数，得到所述待预测生阳极的生产原始数据集；针对所述待预测生阳极的生产原始数据集，进行空缺数据补全，得到补全后的待预测生阳极的完整生产数据集；针对所述补全后的待预测生阳极的完整生产数据集，进行异常处理，得到经过异常处理后的数据；将所述经过异常处理后的数据输入至竞争进化自适应神经网络模型；所述竞争进化自适应神经网络模型经过计算后，得到所述待预测生阳极体积密度的预测结果。2.根据权利要求1所述的基于神经网络的生阳极体积密度的预测方法，其特征在于，还包括以下步骤：针对所述竞争进化自适应神经网络模型，应用典型的波士顿房价数据集，验证所述神经网络的模型结构参数的正确性和适用性。3.根据权利要求1所述的基于神经网络的生阳极体积密度的预测方法，其特征在于，所述将所述经过异常处理后的数据输入至竞争进化自适应神经网络模型的步骤过程中，所述竞争进化自适应神经网络模型的构建方法具体包括以下步骤：获取已知体积密度及与其对应的已知对应的控制参数的已知样本，其中，所述已知样本的已知体积密度及与其对应的已知对应的控制参数构成第1种群；计算所述第1种群中各已知样本的已知体积密度及与其对应的已知对应的控制参数的适应度；通过种群精英保留选取所述第1种群中适应度最高的第一设定数量个已知样本，作为第2种群中的已知样本，其中，保留所述第2种群中所述第一设定数量的已知样本的遗传信息；从所述第2种群中随机选择两两匹配已知样本；针对所述第2种群中随机选择两两匹配的已知样本，进行遗传信息交叉和变异，形成交叉和变异后的已知样本，直至所述变异后的已知样本数量达到第2设定数量，所述交叉和变异后的已知样本形成第3种群；按照所述第2种群到所述第3种群的形成方式循环往复，直至得到最大遗传代数时的种群；得到所述竞争进化自适应神经网络模型，所述竞争进化自适应神经网络模型的参数包括遗传代数、种群精英保留数、种群规模、基因编码长度、交叉概率、变异概率。4.根据权利要求3所述的基于神经网络的生阳极体积密度的预测方法，其特征在于，所述计算所述第1种群中各已知样本的已知体积密度及与其对应的已知对应的控制参数的适应度的步骤过程中，适应度函数表达式为：其中，RMSE
‑
神经网络反馈给遗传算法的均方根误差。5.根据权利要求3所述的基于神经网络的生阳极体积密度的预测方法，其特征在于，所
述针对所述第2种群中随机选择两两匹配的已知样本，进行遗传信息多点交叉和变异，形成交叉和变异后的已知样本，直至所述变异后的已知样本数量达到第2设定数量，所述交叉和变异后的已知样本形成第3种群的步骤过程中，交叉遗传表达式为：其中，C
’1和C
’2是由亲本多点交叉得到的子代，m1、m2、m3...m
k
、k由随机数产生。6.根据权利要求3所述的基于神经网络的生阳极体积密度的预测方法，其特征在于，所述针对所述第2种群中随机选择两两匹配的已知样本，进行遗传信息多点交叉和变异，形成交叉和变异后的已知样本，直至所述变异后的已知样本数量达到第2设定数量，所述交叉和变异后的已知样本形成第3种群的步骤过程中，变异概率的表达式为：其中，k
‑
常数，k＝0.1，n
‑
遗传算法中当前遗传的代数，n∈(0，N)，N
‑
最大遗传代数，f
sum
‑
变异后的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。