申请/专利权人：中南大学

申请日：2023-04-10

公开（公告）日：2024-06-21

公开（公告）号：CN116307246B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/04;G06F18/214;G06F18/2431;G06F18/25;G06N3/0442;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2023.07.11#实质审查的生效;2023.06.23#公开

摘要：本发明公开了一种基于LSTM‑CNN和ICBAM长短期特征提取的铝电解槽温预测方法，采用LSTM‑CNN作为影响槽温的长期特征提取方法，首先对数据用LSTM提取长时间相关特征，然后再用CNN提取数据间的局部相关特征，从而得到基于长周期数据的长期深度特征。采用基于2D‑CNN和1D‑CNN双流卷积分别提取阳极电流和槽电压特征，然后基于ICBAM对双流特征进行注意力加权融合，得到槽温短期深度特征。为了更好的融合铝电解生产过程中的长期特征和短期特征这两种语义和尺度不一样的特征，利用AAW中的多尺度注意力模块，充分考虑了特征图中的全局信息与局部信息，从而能够提升模型预测的准确率。

主权项：1.一种基于LSTM-CNN和ICBAM长短期特征提取的铝电解槽温预测方法，其特征在于，包括如下步骤：步骤一、选择得到原始铝电解的预测输入数据；预测输入数据包括长周期数据、短周期数据和对应的槽温；按照时间序列收集预测输入数据并进行归一化预处理，然后划分为训练集和测试集；步骤二、建立LSTM-CNN和ICBAM长短期特征提取网络；LSTM-CNN和ICBAM长短期特征提取网络包括LSTM-CNN模型、ICBAM模型和AAW模型；步骤三、将训练集输入LSTM-CNN和ICBAM长短期特征提取网络进行训练，得到训练好的LSTM-CNN和ICBAM长短期特征提取网络，其中，训练集中的长周期数据输入LSTM-CNN模型提取槽温的长期深度特征，训练集中的短周期数据输入ICBAM模型提取槽温的短期深度特征，通过AAW模型对长期深度特征和短期深度特征进行融合得到融合特征；步骤四、采用测试集对训练好的LSTM-CNN和ICBAM长短期特征提取网络进行测试，若预测误差达到预设要求，则得到最终的LSTM-CNN和ICBAM长短期特征提取网络，否则收集原始铝电解的预测输入数据重新进行步骤三；步骤五、提取现有的铝电解的预测输入数据输入最终的LSTM-CNN和ICBAM长短期特征提取网络，预测得到当前的槽温。

全文数据：

权利要求：

百度查询： 中南大学 一种基于LSTM-CNN和ICBAM长短期特征提取的铝电解槽温预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD