铝电解槽状态预测算法研究

发布时间：2023-04-05 10:50

　　铝电解是一个非常复杂的工业过程,并且会有大量的数据在这个生产过程中产生,通过对这些数据的深入分析和挖掘,找到潜在的信息,分析其与槽状态变化的联系,对槽状态进行了聚类分析。然后在聚类的基础上,对槽状态进行了预测,预测结果方便专业人员及时发现槽状态的改变,为后续的决策提供参考依据,能够提前作出决策减少损失,同时也提高了智能控制在铝电解行业的发展应用。主要有以下几项工作:1、介绍了铝电解槽生产数据的采集和归一化处理的过程,然后利用pearson相关系数对所用到的九个特征进行了相关性分析。最后通过聚类方法对铝电解槽状态聚类,本文介绍了一种DPCA-GMM算法,针对GMM(Gaussian Mixture Model)算法无法自适应聚类个数K的问题,提出了先通过DPCA(Clustering by fast search and find of density peaks)算法确定其最优聚类数目K,并将该算法判断的K值应用于GMM算法。实验证明这一改进减少了当应用GMM算法时随机选取聚类个数K带来的不确定性。通过对铝电解槽状态的聚类,可以用来区分铝电解槽的正常状态和异常状态。2、针对铝电解槽状态...

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景
    1.2 研究目的及意义
    1.3 国内外研究现状
    1.4 论文研究工作
    1.5 本文技术路线图
    1.6 论文组织结构
    1.7 本章小结
第二章 相关知识与技术介绍
    2.1 铝电解槽相关知识
    2.2 聚类算法相关知识
        2.2.1 密度峰值算法
        2.2.2 高斯混合模型聚类
    2.3 LSTM算法
    2.4 数据可视化
    2.5 本章小结
第三章 铝电解槽数据分析研究
    3.1 数据采集及预处理
        3.1.1 数据采集
        3.1.2 数据预处理
    3.2 槽状态数据相关性分析
    3.3 槽状态聚类分析
        3.3.1 聚类分析方法
        3.3.2 聚类方法研究
        3.3.3 聚类算法流程
        3.3.4 聚类分析实验及结果
    3.4 本章小结
第四章 基于K-LSTM的槽状态预测算法
    4.1 数据采集
    4.2 K-LSTM算法描述
        4.2.1 算法设计
        4.2.2 算法实现
    4.3 实验及结果分析
        4.3.1 实验数据
        4.3.2 实验方法
        4.3.3 实验结果及分析
    4.4 本章小结
第五章 铝电解槽状态智能分析系统
    5.1 系统业务流程分析及说明
    5.2 系统设计
        5.2.1 MySQL数据库设计
        5.2.2 数据项定义
        5.2.3 数据立方体
        5.2.4 数据库表说明
        5.2.5 系统功能设计
    5.3 系统运行环境
    5.4 多维分析模块实现
        5.4.1 基本图表分析
        5.4.2 对比分析
    5.5 聚类分析模块实现
        5.5.1 聚类个数K可视化
        5.5.2 聚类结果可视化
    5.6 预测模块实现
    5.7 本章小结
第六章 结论与展望
    6.1 主要结论
    6.2 研究展望
参考文献
在学期间的研究成果
致谢



本文编号：3783277