基于深度学习的300 kA铝电解槽阳极效应预测

摘要

本文对铝电解槽阳极效应机理和故障参数进行研究,提出了一种基于深度学习的阳极效应预测方法,能适应不同维度、不同数据特征的槽况参数,直接从海量原始数据中挖掘故障特征信息,大幅缩减效应响应时间,具有很好的鲁棒性和抗干扰能力,同时在模型调试优化上,采用Batch normalization算法和梯度检验,提高了模型收敛速度和稳定性.结果表明:该模型效应预测准确率和F1分数分别达到94.65％和0.9317,提前预报时间可达16 min,并通过现场实验验证,达到实际生产要求.