焙烧数据的相关性研究与可视化分析
发布时间：2021-08-31 21:05
在铝用阳极生产过程中,分为煅烧,组装,焙烧,成型四个工序,其中焙烧阶段对阳极质量的影响最大,因此对焙烧过程的研究具有重大意义。在焙烧生产过程中,会积累大量的与时间相关的焙烧工艺与阳极质量时序数据。对这些数据合理的利用,发掘隐藏在工艺与质量参数之间的相关性关系,对提升阳极生产的质量和成品率有重要的应用价值。本文基于改进的长短时记忆神经网络对焙烧数据的相关性进行研究与可视化分析。主要分为六个步骤:原始数据预处理、特征选取和衍生、构建模型、模型训练、预测结果可视化,相关性分析,系统实现。为了保证训练的可行性,需要先将原始格式的数据进行重组,根据时间步进行切片分段。为了消除不同参数的量纲对结果的影响,采用0-1均值化方法对原始数据进行中心化和标准化处理。特征提取是数据挖掘中的重中之重,为了提升模型鲁棒性和准确率,本文根据实际情况在原始数据特征中,增加焙烧块左右火道前后时刻温度的差值作为焙烧曲线的斜率信息,并增加同一焙烧块同一时刻左右火道的温度差作为新的特征。本文根据焙烧时间序列数据的特点对传统LSTM进行改进,不让上一时刻的输出ht-1参与当前t时刻遗忘门的计算,用一个与...
【文章来源】：北方工业大学北京市
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
GRU结构示意图
第四章LSTM算法的改进及应用25值。（11）根据优化算法反向传播优化损失函数，调整参数。（12）重复（7）~（11）。4.4实验结果对比与模型结果可视化分别建立相同参数配置的传统LSTM模型和改进的LSTM模型，在同一测试集上预测阳极质量等级，改进后的模型的预测准确率在各批次数据上整体略优与传统模型。改进前模型的平均准确率为=0.87，改进模型的平均准确率=0.91。准确率对比图如下4-2，4-3所示。图4-2传统LSTM预测准确率图4-3改进后LSTM预测准确率混淆矩阵，又称误差矩阵，多用于判断分类模型的好坏。其第i行的和表示真实标签为第i类的样本数量，第j列的和表示预测值为第j类的样本数量。第i行第j列元素表示，真实分类标签为i，预测结果为j的元素的个数。因此本文选用混淆矩阵来评估模型，两个模型的混淆矩阵分别如图4-4，4-5所示。在批次数等于128的情况下，改进的LSTM模型的混淆矩阵中，主对角线的和为114，且数值较集中于主对角线。而传统LSTM主对角线的和为85，且数值较分散。因此改进模型的性能优于传统模型。
第四章LSTM算法的改进及应用25值。（11）根据优化算法反向传播优化损失函数，调整参数。（12）重复（7）~（11）。4.4实验结果对比与模型结果可视化分别建立相同参数配置的传统LSTM模型和改进的LSTM模型，在同一测试集上预测阳极质量等级，改进后的模型的预测准确率在各批次数据上整体略优与传统模型。改进前模型的平均准确率为=0.87，改进模型的平均准确率=0.91。准确率对比图如下4-2，4-3所示。图4-2传统LSTM预测准确率图4-3改进后LSTM预测准确率混淆矩阵，又称误差矩阵，多用于判断分类模型的好坏。其第i行的和表示真实标签为第i类的样本数量，第j列的和表示预测值为第j类的样本数量。第i行第j列元素表示，真实分类标签为i，预测结果为j的元素的个数。因此本文选用混淆矩阵来评估模型，两个模型的混淆矩阵分别如图4-4，4-5所示。在批次数等于128的情况下，改进的LSTM模型的混淆矩阵中，主对角线的和为114，且数值较集中于主对角线。而传统LSTM主对角线的和为85，且数值较分散。因此改进模型的性能优于传统模型。
【参考文献】：
期刊论文
[1]基于深度学习的配电网投入产出相关性分析[J]. 冯亮,梁荣,吴奎华,孙显卓,杨扬,綦陆杰,崔灿. 智慧电力. 2019(05)
[2]基于模型Seq2Seq机器翻译的研究[J]. 赵庆东,郭中华. 电子世界. 2019(08)
[3]基于深度学习LSTM神经网络的全球股票指数预测研究[J]. 杨青,王晨蔚. 统计研究. 2019(03)
[4]粉料对预焙阳极质量的影响及控制途径[J]. 赵勇. 化工设计通讯. 2018(11)
[5]36室敞开环式焙烧炉阳极焙烧过程三维空间动态温度测试分析[J]. 杜娟,苏自伟,罗英涛,陈开斌,徐正伟. 炭素技术. 2018(01)
[6]基于改进Faster R-CNN的空中目标检测[J]. 冯小雨,梅卫,胡大帅. 光学学报. 2018(06)
[7]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[8]循环神经网络结构中激活函数的改进[J]. 叶小舟,陶飞飞,戚荣志,张云飞,周思琪,刘璇. 计算机与现代化. 2016(12)
[9]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[10]粘结剂煤沥青性能及含量对预焙阳极质量的影响[J]. 王敏. 轻金属. 2016(03)
博士论文
[1]铝用炭阳极制备关键技术研究及工程化应用[D]. 刘风琴.中南大学 2010
硕士论文
[1]煤沥青炭化机理及改性研究[D]. 王英.中南大学 2011
本文编号：3375610
【文章来源】：北方工业大学北京市
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
GRU结构示意图
第四章LSTM算法的改进及应用25值。（11）根据优化算法反向传播优化损失函数，调整参数。（12）重复（7）~（11）。4.4实验结果对比与模型结果可视化分别建立相同参数配置的传统LSTM模型和改进的LSTM模型，在同一测试集上预测阳极质量等级，改进后的模型的预测准确率在各批次数据上整体略优与传统模型。改进前模型的平均准确率为=0.87，改进模型的平均准确率=0.91。准确率对比图如下4-2，4-3所示。图4-2传统LSTM预测准确率图4-3改进后LSTM预测准确率混淆矩阵，又称误差矩阵，多用于判断分类模型的好坏。其第i行的和表示真实标签为第i类的样本数量，第j列的和表示预测值为第j类的样本数量。第i行第j列元素表示，真实分类标签为i，预测结果为j的元素的个数。因此本文选用混淆矩阵来评估模型，两个模型的混淆矩阵分别如图4-4，4-5所示。在批次数等于128的情况下，改进的LSTM模型的混淆矩阵中，主对角线的和为114，且数值较集中于主对角线。而传统LSTM主对角线的和为85，且数值较分散。因此改进模型的性能优于传统模型。
第四章LSTM算法的改进及应用25值。（11）根据优化算法反向传播优化损失函数，调整参数。（12）重复（7）~（11）。4.4实验结果对比与模型结果可视化分别建立相同参数配置的传统LSTM模型和改进的LSTM模型，在同一测试集上预测阳极质量等级，改进后的模型的预测准确率在各批次数据上整体略优与传统模型。改进前模型的平均准确率为=0.87，改进模型的平均准确率=0.91。准确率对比图如下4-2，4-3所示。图4-2传统LSTM预测准确率图4-3改进后LSTM预测准确率混淆矩阵，又称误差矩阵，多用于判断分类模型的好坏。其第i行的和表示真实标签为第i类的样本数量，第j列的和表示预测值为第j类的样本数量。第i行第j列元素表示，真实分类标签为i，预测结果为j的元素的个数。因此本文选用混淆矩阵来评估模型，两个模型的混淆矩阵分别如图4-4，4-5所示。在批次数等于128的情况下，改进的LSTM模型的混淆矩阵中，主对角线的和为114，且数值较集中于主对角线。而传统LSTM主对角线的和为85，且数值较分散。因此改进模型的性能优于传统模型。
【参考文献】：
期刊论文
[1]基于深度学习的配电网投入产出相关性分析[J]. 冯亮,梁荣,吴奎华,孙显卓,杨扬,綦陆杰,崔灿. 智慧电力. 2019(05)
[2]基于模型Seq2Seq机器翻译的研究[J]. 赵庆东,郭中华. 电子世界. 2019(08)
[3]基于深度学习LSTM神经网络的全球股票指数预测研究[J]. 杨青,王晨蔚. 统计研究. 2019(03)
[4]粉料对预焙阳极质量的影响及控制途径[J]. 赵勇. 化工设计通讯. 2018(11)
[5]36室敞开环式焙烧炉阳极焙烧过程三维空间动态温度测试分析[J]. 杜娟,苏自伟,罗英涛,陈开斌,徐正伟. 炭素技术. 2018(01)
[6]基于改进Faster R-CNN的空中目标检测[J]. 冯小雨,梅卫,胡大帅. 光学学报. 2018(06)
[7]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[8]循环神经网络结构中激活函数的改进[J]. 叶小舟,陶飞飞,戚荣志,张云飞,周思琪,刘璇. 计算机与现代化. 2016(12)
[9]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[10]粘结剂煤沥青性能及含量对预焙阳极质量的影响[J]. 王敏. 轻金属. 2016(03)
博士论文
[1]铝用炭阳极制备关键技术研究及工程化应用[D]. 刘风琴.中南大学 2010
硕士论文
[1]煤沥青炭化机理及改性研究[D]. 王英.中南大学 2011
本文编号：3375610
本文链接：https://www.wllwen.com/projectlw/yjlw/3375610.html
