基于深度學(xué)習(xí)的氟化鋁添加量和出鋁量預(yù)測

常家瑋，曾水平

（北方工業(yè)大學(xué) 電氣與控制工程學(xué)院，北京 100144）

鋁電解作為一個(gè)復(fù)雜的工業(yè)生產(chǎn)過程，維持電解過程的兩大平衡（能量和物料平衡）是保障其生產(chǎn)高效穩(wěn)定運(yùn)行的關(guān)鍵因素，然而鋁電解的兩大平衡受多種因素、指標(biāo)的共同影響，耦合關(guān)系復(fù)雜，對氟化鋁添加量和出鋁量的正確決策是維持兩大平衡，保證經(jīng)濟(jì)效益最直接、有效的途徑。添加氟化鋁，可以降低分子比，降低電解溫度，提高電流效率；氟化鋁添加過多，則會(huì)造成氧化鋁溶解降低，未溶解的氧化鋁堆積在槽底容易產(chǎn)生病槽。出鋁量偏少，鋁水平偏高，電解槽熱損增加，電解溫度偏低，會(huì)造成冷槽甚至病槽；出鋁量過多，電解溫度升高，電流效率降低，又容易引發(fā)陽極效應(yīng)。因此，獲取合適的氟化鋁添加量和出鋁量決策值，對于穩(wěn)定生產(chǎn)和提升效益至關(guān)重要。

在目前的實(shí)際工業(yè)生產(chǎn)中氟化鋁的添加量主要是通過計(jì)算機(jī)專家系統(tǒng)進(jìn)行決策，但由于鋁電解過程是個(gè)時(shí)變、非線性、強(qiáng)耦合的大時(shí)滯復(fù)雜系統(tǒng)，專家系統(tǒng)無法根據(jù)槽況的變化情況，較好地對其進(jìn)行決策[1]；出鋁量的決策主要是根據(jù)“鋁水有效值法”進(jìn)行計(jì)算和管理，其測量和計(jì)算過程比較繁瑣，操作精度要求高，在非正常槽況下仍然需要車間管理人員依據(jù)經(jīng)驗(yàn)進(jìn)行設(shè)置[2]。近年來，各專家學(xué)者也提出了一些氟化鋁添加量或出鋁量的控制策略，如：文獻(xiàn)[1]根據(jù)生產(chǎn)數(shù)據(jù)求解回歸相關(guān)系數(shù)，研究了一種氟化鋁添加量決策模型；文獻(xiàn)[3]提出了基于回歸分析、遺傳算法、支持向量機(jī)的氟化鋁添加量控制策略；文獻(xiàn)[4]提出了一種在線采集和離線測量相結(jié)合的氟化鋁添加方法；文獻(xiàn)[5]通過模糊控制實(shí)現(xiàn)對氟化鋁添加量和出鋁量的控制。關(guān)于神經(jīng)網(wǎng)絡(luò)的運(yùn)用方面，劉冰[6]和魏玉倩[7]分別使用了RBF 和BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行了預(yù)測研究，取得了較好的效果。

本文充分考慮鋁電解過程非線性、大時(shí)滯、強(qiáng)耦合的特點(diǎn)，利用歷史生產(chǎn)數(shù)據(jù)，將特征選擇得到的強(qiáng)特征數(shù)據(jù)作為LSTM 神經(jīng)網(wǎng)絡(luò)的輸入，氟化鋁添加量和出鋁量作為輸出對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過訓(xùn)練、測試和驗(yàn)證，能夠滿足工業(yè)生產(chǎn)要求。

1 特征處理

特征處理作為特征工程的核心內(nèi)容，包括了數(shù)據(jù)清洗、規(guī)一化處理、特征選擇等內(nèi)容。對于鋁電解工業(yè)，影響其生產(chǎn)過程的參數(shù)眾多，同時(shí)各參數(shù)之間又相互耦合，如電解溫度、氧化鋁濃度、氟化鋁添加量、出鋁量、工作電壓等多達(dá)二十幾項(xiàng)指標(biāo)，其中一個(gè)指標(biāo)的調(diào)整會(huì)引起其他參數(shù)均產(chǎn)生相應(yīng)的變化。因此為了避免出現(xiàn)過擬合，使得試驗(yàn)結(jié)果準(zhǔn)確可靠，數(shù)據(jù)清洗和特征選擇必不可少。

1.1 數(shù)據(jù)分析與清洗

本文數(shù)據(jù)來源于國內(nèi)某鋁廠402 號(hào)槽的實(shí)際生產(chǎn)日報(bào)，包括電流、電壓、下料量、鋁水平、出鋁量、氟化鹽下料量（即氟化鋁添加量）等總計(jì)20 維2477 組數(shù)據(jù)，經(jīng)過對該批數(shù)據(jù)的檢索和統(tǒng)計(jì)，存在數(shù)據(jù)缺失和異常的情況，因此為了降低壞數(shù)據(jù)的不良影響，首先對其進(jìn)行數(shù)據(jù)清洗。

刪除缺失值較多的三個(gè)特征“爐底壓降”、“爐幫”、“伸腿”。同時(shí)，本文主要研究的是正常生產(chǎn)階段對氟化鋁添加量和出鋁量的預(yù)測，因此選取了啟停槽中間正常生產(chǎn)階段的數(shù)據(jù)，對于存在的缺失值使用KNN 算法進(jìn)行填補(bǔ)，最后使用箱型圖篩選出異常值，并將低于下限和高于上限的異常值分別使用下限值和上限值進(jìn)行替代，最終得到所需要的數(shù)據(jù)集。

1.2 數(shù)據(jù)規(guī)一化處理

本數(shù)據(jù)集具有多達(dá)17 個(gè)參數(shù)指標(biāo)，同時(shí)各個(gè)指標(biāo)的數(shù)量級(jí)差異較大，如氟化鋁添加量平均值為26.38，但出鋁量平均值達(dá)2184.28，因此必須進(jìn)行數(shù)據(jù)歸一化處理。本文采用離差標(biāo)準(zhǔn)化算法，該算法將數(shù)據(jù)映射到[0,1]之間。

式中：xmin——原數(shù)據(jù)所在列最小值；xmax——原數(shù)據(jù)所在列最大值。

1.3 隨機(jī)森林做特征選擇

隨機(jī)森林屬于Embedding（嵌入法）特征選擇算法的一種，是基于集成思想對決策樹算法的進(jìn)一步優(yōu)化改進(jìn)，它通過Bootstraping（自助）采樣法和Bagging（裝袋）算法生成一片由m 個(gè)不同的決策樹組成的“森林”，其隨機(jī)的特點(diǎn)體現(xiàn)于：①隨機(jī)地為每顆決策樹選取數(shù)據(jù)樣本（隨機(jī)有放回地從K 個(gè)原始數(shù)據(jù)樣本中重復(fù)抽取k 個(gè)數(shù)據(jù)樣本，k＜＜K）；②隨機(jī)地為每顆決策樹分配不同的特征（隨機(jī)地從原始數(shù)據(jù)樣本的N 個(gè)特征中選取n 個(gè)特征，n＜＜N）。正是這兩個(gè)特點(diǎn)使隨機(jī)森林算法顯著有效地降低壞數(shù)據(jù)對算法結(jié)果的影響，避免出現(xiàn)過擬合等問題。它既能解決回歸問題，又能進(jìn)行分類預(yù)測，同時(shí)可以對各個(gè)特征的重要性進(jìn)行評(píng)價(jià)，方便了處理特征選擇方面的問題，目前該算法已經(jīng)在特征工程和分類預(yù)測領(lǐng)域得到了廣泛使用[8，9]。

1.4 特征選擇算法設(shè)計(jì)及結(jié)果分析

本文使用隨機(jī)森林回歸函數(shù)，算法輸入為17 個(gè)特征當(dāng)日的數(shù)據(jù)，輸出為氟化鋁添加量和出鋁量第二天數(shù)據(jù)，共計(jì)2345 組，訓(xùn)練集和測試集分別占80%和20%，建立由150個(gè)樹組成的森林對隨機(jī)森林進(jìn)行訓(xùn)練和預(yù)測。

圖1 特征重要性排序

得到特征重要性排序如圖3 所示，從圖中可以看出當(dāng)天的氟化鋁下料量和出鋁量對次日的影響最大，與實(shí)際相符從而驗(yàn)證了特征選擇結(jié)果的正確性，經(jīng)多次試驗(yàn)最終選取排名前10 的特征作為選取結(jié)果。

2 LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測

2.1 LSTM 神經(jīng)網(wǎng)絡(luò)算法介紹

LSTM 神經(jīng)網(wǎng)絡(luò)是德國計(jì)算機(jī)科學(xué)家Jürgen Schmidhuber 和Sepp Hochreiter 于1997 年 提 出 的 一 種為解決深度學(xué)習(xí)容易出現(xiàn)梯度消失和梯度爆炸問題的優(yōu)化版RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）[10]。其遺忘門決定了刪除先前時(shí)刻的信息，輸入門決定了保存當(dāng)前時(shí)刻的信息，輸出門決定了輸出到下一時(shí)刻的信息，正是這三種門結(jié)構(gòu)對信息的篩選，解決了梯度消失和梯度爆炸問題，同時(shí)保證了對重要信息的長期記憶。

2.2 LSTM 神經(jīng)網(wǎng)絡(luò)建模

本文用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試的數(shù)據(jù)共計(jì)2335 組，其中訓(xùn)練集占80%，測試集占20%，10 組數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)，使用Python 經(jīng)訓(xùn)練和測試數(shù)據(jù)多次試驗(yàn)后，搭建如下LSTM 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：

輸入層：氟化鋁下料量、出鋁量、電流、LiF、鐵含量、設(shè)定電壓、下料量、鋁水平、MgF、分子比10 個(gè)特征當(dāng)天的數(shù)據(jù)

隱含層：2 層，每層50 個(gè)LSTM 神經(jīng)元

輸出層：氟化鋁添加量、出鋁量2 個(gè)特征次日的數(shù)據(jù)

表1 其他參數(shù)設(shè)置

2.3 LSTM 神經(jīng)網(wǎng)絡(luò)訓(xùn)練、預(yù)測及驗(yàn)證步驟

第一步，對輸入和輸出數(shù)據(jù)使用離差標(biāo)準(zhǔn)化算法進(jìn)行歸一化處理；

第二步，對數(shù)據(jù)集進(jìn)行劃分，將80%數(shù)據(jù)作為訓(xùn)練集，20%作為測試集，最后再選取10 天的數(shù)據(jù)對網(wǎng)絡(luò)預(yù)測效果再次進(jìn)行驗(yàn)證；

第三步，使用搭建好的神經(jīng)網(wǎng)絡(luò)對訓(xùn)練集的輸入、輸出數(shù)據(jù)進(jìn)行訓(xùn)練；

第四步，使用訓(xùn)練好的模型對測試集的輸入數(shù)據(jù)進(jìn)行預(yù)測；

第五步，將輸出的預(yù)測值與真實(shí)值進(jìn)行反歸一化處理并計(jì)算MAE（平均絕對誤差），同時(shí)畫出預(yù)測值與真實(shí)值的曲線對比圖；式中：n——測試集數(shù)據(jù)行數(shù)；

yi——第i 行真實(shí)值；

y?i——第i 行預(yù)測值。

第六步，選取訓(xùn)練集和測試集以外連續(xù)10 天數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行驗(yàn)證。

3 訓(xùn)練和預(yù)測結(jié)果分析

訓(xùn)練集數(shù)據(jù)在迭代48 次之后測試集的損失函數(shù)穩(wěn)定在0.0122～0.127 之間。

圖2 損失函數(shù)衰減圖

使用測試集數(shù)據(jù)進(jìn)行預(yù)測，得到預(yù)測值與真實(shí)值的曲線擬合效果較好，其中氟化鋁添加量的MAE1=2.341，出鋁量的MAE2=32.566，均在鋁電解工業(yè)誤差允許范圍內(nèi)，曲線擬合情況如圖3、圖4 所示。

圖3 氟化鋁添加量預(yù)測值與真實(shí)值曲線擬合

圖4 出鋁量預(yù)測值與真實(shí)值曲線擬合

最后選取連續(xù)10 天數(shù)據(jù)進(jìn)行驗(yàn)證得到預(yù)測結(jié)果如表2、表3 所示。

表2 氟化鋁添加量預(yù)測驗(yàn)證

?

表3 出鋁量預(yù)測驗(yàn)證

從驗(yàn)證結(jié)果可以得出：氟化鋁添加量預(yù)測值與真實(shí)值相比平均絕對誤差為1.32，最大誤差2.78，最小誤差0.09，該誤差不影響實(shí)際生產(chǎn)中參數(shù)的穩(wěn)定[7]；出鋁量預(yù)測值與真實(shí)值相比平均絕對誤差為25.21，最大誤差51.82，最小誤差6.13，同時(shí)相鄰兩天出鋁量的相差未超過50kg，使得生產(chǎn)穩(wěn)定性得以保障[2]，因此本算法預(yù)測的氟化鋁添加量和出鋁量符合實(shí)際生產(chǎn)要求。

4 結(jié)語

經(jīng)數(shù)據(jù)訓(xùn)練、測試和驗(yàn)證證明了本文的預(yù)測算法能夠較準(zhǔn)確地預(yù)測氟化鋁添加量和出鋁量，能夠滿足實(shí)際生產(chǎn)需要，該算法還需要在實(shí)際生產(chǎn)實(shí)踐中進(jìn)行進(jìn)一步的驗(yàn)證。