基于自适应时空图卷积神经网络的铝电解阳极效应监测方法技术

本发明专利技术公开了一种基于自适应时空图卷积神经网络的铝电解阳极效应监测方法，包括：对记阳极电流数据进行预处理；将多通道的阳极电流信号建模成以阳极通道为节点、节点间连接权重为边的图结构数据，得到阳极电流信号的初始邻接矩阵；构建时空图卷积神经网络，获取阳极电流数据的空间特征和时间特征；构建图结构损失函数和交叉熵损失函数以更新网络参数；利用Softmax分类器得到最终的分类结果。本发明专利技术的方法可以根据已有的阳极电流数据，在提前10分钟的情况下，充分考虑到阳极电流信号的时空分布特点，建立起阳极效应的预测模型，实现对阳极效应的提前预判，降低人力成本，为操作人员处理阳极效应提供依据，有助于提高铝电解过程的智能化水平。的智能化水平。的智能化水平。

【技术实现步骤摘要】
基于自适应时空图卷积神经网络的铝电解阳极效应监测方法


[0001]本专利技术涉及冶炼领域，具体为一种基于自适应时空图卷积神经网络的铝电解阳极效应监测方法。

技术介绍

[0002]铝电解的整个生产过程在铝电解槽中进行，其目的是获得高纯度的铝。在现代铝电解工业中，Hall
‑
Heroult法由于其适用性广、操作简便，仍是主要方法，此法是由美国的Hall和法国的Heroult于1886年率先提出的。生产原料为氧化铝(Al2O3)粉末，其熔点为2054℃，沸点为2980℃；辅助原料氟化盐例如氟化铝和氟化钙等，氟盐的主要作用是在电解过程中降低冰晶石溶点，提高铝电解生产过程的经济效益。常用的电解质为熔融冰晶石，其主要成分为Na3AlF6。阳极材料为碳，在950℃至970℃的高温和直流电的作用下，槽内发生反应，在阴极产生铝液。阳极效应预测是现代铝电解工业生产中的研究热点之一，是铝电解生产过程中的一种特殊现象，如果一个或几个阳极发生阳极效应，这些阳极上的电压和阳极电流密度会在短时间内急剧上升，导致电流效率下降，铝电解槽寿命缩短。此外，阳极效应会产生两种全氟化碳气体CF4和C2F6，具有强烈的温室效应，其使全球变暖的潜在值是CO2的6630倍和11100倍。因此，及早检测阳极效应对减少其数量具有重要的理论价值和实际意义。
[0003]近年来，依据测试数据建模后进行系统辨识的阳极效应预测方法成果较多。测试数据，既包含反应铝电解过程长期累积槽况的特征参数，主要有出铝量、铝水平、电解质水平、电解温度、分子比、铁含量以及硅含量；也包含了能够反应短时生产操作影响以及效应发生前短时特征的统计参数，主要有槽电压均值、加料间隔指示量均值、以及系列电流均值；基于机器学习的方法模型输入特征参数较少，一定程度上造成了关键特征信息的损失；基于深度学习的方法均取得了良好的预测效果，但是基于数据驱动的方法往往只考虑了阳极电流信号的时序相关性而忽略了多维信号之间的空间依赖，并且现有的图卷积神经网络预测方法很大程度上依赖于预先设计好的的图结构来进行时间序列预测。因此本专利技术提出了一种基于自适应时空图卷积神经网络的铝电解阳极效应监测方法，通过对阳极电流数据的预处理提取相应特征值，将多通道的阳极电流信号建模成以阳极通道为节点、节点间连接权重为边的图结构数据；利用自适应学习模块得到阳极电流信号的初始邻接矩阵，并在训练过程中更新；利用时空图卷积模块获取信号的时间和空间特征，特征参数迭代构建图结构损失函数和交叉熵损失函数以更新网络参数。总之，铝电解阳极效应是铝电解过程中不可避免的问题，对生产效率和环境造成了不良影响。通过对铝电解过程中阳极效应的深入研究，可以提出有效的控制方法，从而改善铝电解生产过程的效率和提高环境效益。本专利技术可以较好地弥补传统效应预测方法忽略数据间的时空相关性问题，并且从时间特征和空间特征两个角度提取阳极电流特征信息，具有较高的应用价值。

技术实现思路

[0004]本专利技术的目的在于提供一种基于自适应时空图卷积神经网络的铝电解阳极效应监测方法，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：
[0006]一种基于自适应时空图卷积神经网络的铝电解阳极效应监测方法，包括如下步骤：
[0007]S1：对铝电解槽的原始阳极电流数据序列进行预处理，得到预处理后的阳极电流数据序列形成数据集，以8:2的比例将数据集分为训练集和测试集；
[0008]S2：将训练集中的阳极电流数据序列经过1
×
1标准卷积得到初始特征矩阵X，利用多头加权余弦相似度构建阳极电流信号的初始邻接矩阵A，初始邻接矩阵A和初始特征矩阵X作为时空图卷积神经网络的输入；
[0009]S3：时空图卷积神经网络的训练：将训练集的初始邻接矩阵A和初始特征矩阵X输入时空图卷积神经网络，时空图卷积神经网络提取初始特征矩阵的时间特征和空间特征，经过第一层图卷积提取空间特征得到Z，经过一维卷积提取时间特征得到Z
1D
‑
CNN
，经过第二层图卷积得到最后的特征H；时空图卷积神经网络的第二层图卷积层的输出输入到两个全连接层，将铝电解阳极效应的预测问题定义为一个二分类问题，利用Softmax分类器得到最终的分类结果；然后利用基于图结构和交叉熵的损失函数更新网络特征参数迭代训练，直至基于图结构和交叉熵的损失函数收敛为最小值得到训练好的时空图卷积神经网络，保存网络参数；
[0010]S4：将实时得到的阳极电流数据序列进行步骤S1的预处理，再经过步骤S2得到实时的阳极电流数据序列的初始邻接矩阵A和初始特征矩阵X，将实时的阳极电流数据序列的初始邻接矩阵A和初始特征矩阵X输入训练好的时空图卷积神经网络得到阳极效应预测结果。
[0011]进一步的改进，所述步骤S1中，预处理步骤如下：
[0012]S11、采用指数平滑法对原始阳极电流数据序列的缺失值进行填补得到填补后的原始阳极电流数据序列；
[0013][0014]式中：是某一时刻段的t时刻缺失的数据；x
t
‑1是t时刻之前时间段真实的测量值；α(0＜α＜1)是系数，α值般根据数据的波动性确定大小或者取不同的值进行试算得到；
[0015]S12、使用Z
‑
score的方式对填补后的原始阳极电流数据序列进行归一化，具体实施步骤如下：
[0016][0017][0018][0019]对于一组原始阳极电流数据序列X＝(x1,x2,...,x
i
,...,x
n
)，式中：σ是标准差；则是这组数的平均数；z是标准差为单位的离均差，N是序列里的采样点总数，x
i
是序列中的采样的数值；数据经过标准化处理后，变量分布被缩放到均值为0，方差为1。
[0020]进一步的改进，所述初始邻接矩阵的获得方法如下：
[0021]首先将阳极电流拓扑网络表示为无向图G＝(V,E,A)，其中V表示节点集，E表示节点之间的连接关系，网络中的每个节点表示铝电解槽上的一个阳极；阳极电流通道网络的节点数为N；A表示阳极电流通道网络G的邻接矩阵；使用多头加权余弦相似度得到一个自适应邻接矩阵，计算方式如下：
[0022][0023][0024]式中表示哈达玛积，具体来说使用m个权重向量，独立计算m个余弦相似度矩阵，并将m个余弦相似度矩阵的平均值作为最终的相似度S
final
；为两个输入向量E
i
和E
j
之间的余弦相似度，k是超参数，表示第k个视角，其中每个视角考虑向量中捕获的语义的一部分；E
i
为每个样本的初始特征矩阵第i列向量，E
j
为每个样本的初始特征矩阵第j列向量，A
ij
表示邻接矩阵A的第i行第j列的元素，A的大小为n
×
n，ε是超参数，用于控制邻接矩阵的稀疏性，w
k
是权重向量，在训练时更新，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应时空图卷积神经网络的铝电解阳极效应监测方法，其特征在于，包括如下步骤：S1：对铝电解槽的原始阳极电流数据序列进行预处理，得到预处理后的阳极电流数据序列形成数据集，以8:2的比例将数据集分为训练集和测试集；S2：将训练集中的阳极电流数据序列经过1
×
1标准卷积得到初始特征矩阵X，利用多头加权余弦相似度构建阳极电流信号的初始邻接矩阵A，初始邻接矩阵A和初始特征矩阵X作为时空图卷积神经网络的输入；S3：时空图卷积神经网络的训练：将训练集的初始邻接矩阵A和初始特征矩阵X输入时空图卷积神经网络，时空图卷积神经网络提取初始特征矩阵的时间特征和空间特征，经过第一层图卷积提取空间特征得到Z，经过一维卷积提取时间特征得到Z
1D
‑
CNN
，经过第二层图卷积得到最后的特征H；时空图卷积神经网络的第二层图卷积层的输出输入到两个全连接层，将铝电解阳极效应的预测问题定义为一个二分类问题，利用Softmax分类器得到最终的分类结果；然后利用基于图结构和交叉熵的损失函数更新网络特征参数迭代训练，直至基于图结构和交叉熵的损失函数收敛为最小值得到训练好的时空图卷积神经网络，保存网络参数；S4：将实时得到的阳极电流数据序列进行步骤S1的预处理，再经过步骤S2得到实时的阳极电流数据序列的初始邻接矩阵A和初始特征矩阵X，将实时的阳极电流数据序列的初始邻接矩阵A和初始特征矩阵X输入训练好的时空图卷积神经网络得到阳极效应预测结果。2.如权利要求1所述的基于自适应时空图卷积神经网络的铝电解阳极效应监测方法，其特征在于，所述步骤S1中，预处理步骤如下：S11、采用指数平滑法对原始阳极电流数据序列的缺失值进行填补得到填补后的原始阳极电流数据序列；式中：是某一时刻段的t时刻缺失的数据；x
t
‑1是t时刻之前时间段真实的测量值；α(0＜α＜1)是系数，α值般根据数据的波动性确定大小或者取不同的值进行试算得到；S12、使用Z
‑
score的方式对填补后的原始阳极电流数据序列进行归一化，具体实施步骤如下：骤如下：骤如下：对于一组原始阳极电流数据序列X＝(x1,x2,...,x
i
,...,x
n
)，式中：σ是标准差；则是这组数的平均数；z是标准差为单位的离均差，N是序列里的采样点总数，x
i
是序列中的采样的数值；数据经过标准化处理后，变量分布被缩放到均值为0，方差为1。3.如权利要求1所述的基于自适应时空图卷积神经网络的铝电解阳极效应监测方法，
其特征在于，所述初始邻接矩阵的获得方法如下：首先将阳极电流拓扑网络表示为无向图G＝(V,E,A)，其中V表示节点集，E表示节点之间的连接关系，网络中的每个节点表示铝电解槽上的一个阳极；阳极电流通道网络的节点数为N；A表示阳极电流通道网络G的邻接矩阵；使用多头加权余弦相似度得到一个自适应邻接矩阵，计算方式如下：接矩阵，计算方式如下：式中
⊙
表示哈达玛积，具体来说使用m个权重向量，独立计算m个余弦相似度矩阵，并将m个余弦相似度矩阵的平均值作为最终的相似度S
final
；为两个输入向量E
i
和E
j
之间的余弦相似度，k是超参数，表示第k个视角，其中每个视角考虑向量中捕获的语义的一部分；E
i
为每个样本的初始特征矩阵第i列向量，E
j
为每个样本的初始特征矩阵第j列向量，A
ij
表示邻接矩阵A的第i行第j列的元素...

【专利技术属性】
技术研发人员：谢永芳，谢世文，陈曦，陈晓方，
申请(专利权)人：中南大学，
类型：发明
国别省市：