一种氧化铝生产中分解率预测方法及相关设备

技术领域

本说明书涉及氧化铝生产领域，更具体地说，本申请涉及一种氧化铝生产中分解率预测方法及相关设备。

背景技术

拜耳法氧化铝生产具有能耗低、产品质量好的特性。随着国内铝土矿的大量开采，导致铝土矿资源匮乏、价格上涨、质量下降，同时煤炭、烧碱和石灰石等其他原辅料材料价格也均有不同程度的上涨，多方因素使得氧化铝生产的物料、能耗成本不断上升。

分解过程是拜耳法氧化铝生产的重要工序，其主要作用是从沉降过程得到的铝酸钠溶液中分解析出氢氧化铝。分解过程的目标是在保证氢氧化铝粒度合格的前提下，实现分解率尽可能接近上限，分解效率直接影响生产效率。由于分解过程工艺复杂、流程长、设备多和物料转化过程复杂，难以准确及时地获取分解的效率指标。而且该过程具有大惯性、非线性、强干扰等综合复杂性，仅凭人为经验和机理模型无法得出有效的生产调控方案，使得分解过程的生产效率偏低。

国内外关于氧化铝生产过程中的指标预测多集中于机理模型和经验模型研究，模型的准确性和实时性得不到保障，且缺少应用系统，无法在生产中进行实践应用。本领域亟需一种氧化铝生产中分解率预测技术，充分挖掘生产数据价值，实现分解率的准确及时预测，指导生产调控，最终实现提升生产效率和降低生产成本。

发明内容

在发明内容部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本申请的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。

第一方面，本申请提出一种氧化铝生产中分解率预测方法，上述方法包括：

以第一采样周期获取氧化铝生产过程中分解工序的历史设备数据；

以第二采样周期获取氧化铝生产过程中的历史物料数据，其中，上述第二采样周期为上述第一采样周期的整数倍；

对上述历史设备数据和上述历史物料数据进行数据清洗，并利用清洗后的数据构造时序数据集；

将上述时序数据集按照预设比例划分为训练数据集和验证数据集，其中，上述时序数据集是基于目标降维方法进行降维处理后的时序数据集；

基于目标回归方法构建分解率预测模型；

根据上述训练数据集对上述分解率预测模型进行训练，并基于训练后的预测模型采用上述验证数据集采用目标评价方法进行分解率预测结果评价，

基于网格搜索方法对上述目标降维方法和上述目标回归方法的参数进行调优，以使上述分解率预测模型的提升率小于预设阈值，并将调优后的分解率预测模型作为目标分解率预测模型；

基于实测设备数据、实测物料数据和上述目标分解率预测模型，确定当前分解率。

在一种可行的实施方式中，上述历史设备数据和当前设备数据包括分解槽数据和换热器数据，上述分解槽数据包括温度、搅拌电流和液位，上述换热器数据包括流量、进料压力和出料温度；

上述历史物料数据和上述实测物料数据包括分解原液数据和种分母液数据。

在一种可行的实施方式中，上述目标降维方法包括主成分分析法、偏最小二乘法和皮尔逊相关性分析法中至少一种。

在一种可行的实施方式中，上述目标回归方法包括线性回归法、支持向量机回归法、人工神经网络法和卷积神经网络法中至少一种。

在一种可行的实施方式中，上述目标评价方法是基于决定系数R

在一种可行的实施方式中，上述基于网格搜索方法对上述目标降维方法和上述目标回归方法的参数进行调优，包括

在上述目标降维方法为主成分分析法的情况下，调优参数包括主成分个数和奇异值分解方法；和/或，

在上述目标降维方法为偏最小二乘法的情况下，调优参数包括主成分个数、最大迭代次数和收敛标准；和/或，

在上述目标降维方法为皮尔逊相关性分析法的情况下，调优参数包括最优参数数量。

在一种可行的实施方式中，上述基于网格搜索方法对上述目标降维方法和上述目标回归方法的参数进行调优，包括

在上述目标回归方法为线性回归法的情况下，无调优的参数；和/或，

在上述目标回归方法为支持向量机回归法的情况下，调优参数包括核函数、正则化系数、核系数、最大迭代次数、收敛标准和容差；和/或，

在上述目标回归方法为人工神经网络法的情况下，调优参数包括学习率、迭代次数、网络结构、优化器和损失函数；和/或，

在上述目标回归方法为卷积神经网络的情况下，调优参数包括学习率、迭代次数、网络结构、优化器和损失函数。

第二方面、本申请实施例提出一种氧化铝生产中分解率预测装置，包括：

第一获取单元，用于以第一采样周期获取氧化铝生产过程中分解工序的历史设备数据；

第二获取单元，用于以第二采样周期获取氧化铝生产过程中的历史物料数据，其中，上述第二采样周期为上述第一采样周期的整数倍；

数据清洗单元，用于对上述历史设备数据和上述历史物料数据进行数据清洗，并利用清洗后的数据构造时序数据集；

划分单元，用于将上述时序数据集按照预设比例划分为训练数据集和验证数据集，其中，上述时序数据集是基于目标降维方法进行降维处理后的时序数据集；

构建单元，用于基于目标回归方法构建分解率预测模型；

训练单元，用于根据上述训练数据集对上述分解率预测模型进行训练，并基于训练后的预测模型采用上述验证数据集采用目标评价方法进行分解率预测结果评价，

调优单元，用于基于网格搜索方法对上述目标降维方法和上述目标回归方法的参数进行调优，以使上述分解率预测模型的提升率小于预设阈值，并将调优后的分解率预测模型作为目标分解率预测模型；

预测单元，用于基于实测设备数据、实测物料数据和上述目标分解率预测模型，确定当前分解率。

第三方面，一种电子设备，包括：存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器用于执行存储器中存储的计算机程序时实现如上述的第一方面任一项的氧化铝生产中分解率预测方法的步骤。

第四方面，本申请还提出一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现第一方面任一项的氧化铝生产中分解率预测方法。

综上，本申请实施例的氧化铝生产中分解率预测方法包括：以第一采样周期获取氧化铝生产过程中分解工序的历史设备数据；以第二采样周期获取氧化铝生产过程中的历史物料数据，其中，上述第二采样周期为上述第一采样周期的整数倍；对上述历史设备数据和上述历史物料数据进行数据清洗，并利用清洗后的数据构造时序数据集；将上述时序数据集按照预设比例划分为训练数据集和验证数据集，其中，上述时序数据集是基于目标降维方法进行降维处理后的时序数据集；基于目标回归方法构建分解率预测模型；根据上述训练数据集对上述分解率预测模型进行训练，并基于训练后的预测模型采用上述验证数据集采用目标评价方法进行分解率预测结果评价，基于网格搜索方法对上述目标降维方法和上述目标回归方法的参数进行调优，以使上述分解率预测模型的提升率小于预设阈值，并将调优后的分解率预测模型作为目标分解率预测模型；基于实测设备数据、实测物料数据和上述目标分解率预测模型，确定当前分解率。本申请实施例提出的氧化铝生产中分解率预测方法，能够按照时序采集得到拜耳法氧化铝生产分解工序的设备数据与物料数据，预处理数据，构造出适用于分解率预测的时序数据集，利用机器学习技术中的数据降维方法降低数据集维度并在海量的氧化铝生产数据中挖掘有价值信息，最终基于机器学习技术中的回归方法建立分解率预测模型，实现分解率的准确及时预测，指导生产调控，降低物耗与能耗，实现提升生产效率和降低生产成本。本申请提出的氧化铝生产中分解率预测方法，本申请的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本申请的研究和实践而为本领域的技术人员所理解。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本说明书的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本申请实施例提供的一种氧化铝生产中分解率预测方法流程性示意图；

图2为本申请实施例提供的一种人工神经网络结构示意图；

图3为本申请实施例提供的一种卷积神经网络结构示意图；

图4为本申请实施例提供的一种本发明氧化铝分解率真实值与模型预测值的对比示意图；

图5为本申请实施例提供的一种氧化铝生产中分解率预测装置结构性示意图；

图6为本申请实施例提供的一种氧化铝生产中分解率预测电子设备结构示意图。

具体实施方式

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。

请参阅图1，为本申请实施例提供的一种氧化铝生产中分解率预测方法流程性示意图，具体可以包括：

S110、以第一采样周期获取氧化铝生产过程中分解工序的历史设备数据；

S120、以第二采样周期获取氧化铝生产过程中的历史物料数据，其中，上述第二采样周期为上述第一采样周期的整数倍；

示例性的，以相同的时间起始点T0，按照第一采样周期t1采集拜耳法氧化铝生产过程中分解工序的设备数据，按照第二采样周期t2采集拜耳法氧化铝生产过程中分解工序的物料数据，第二采样周期t2为第一采样周期t1的整数倍。

S130、对上述历史设备数据和上述历史物料数据进行数据清洗，并利用清洗后的数据构造时序数据集；

S140、将上述时序数据集按照预设比例划分为训练数据集和验证数据集，其中，上述时序数据集是基于目标降维方法进行降维处理后的时序数据集；

示例性的，分别对设备数据和物料数据进行数据清洗和数据集成，得到预处理数据。数据清洗是指对异常数据和缺失数据的处理，数据集成是指将经过数据清洗后的设备数据和物料数据按照时间节点进行合并，例如，时间点T1的数据data_T1包含T1时所采集到的所有的设备数据和物料数据；预处理数据是指经过数据集成后的数据采集起始点T1和数据采集终点Tn之间的数据集合{data_T1，data_T2，…，data_Tn}；

利用预处理数据构造时序数据集，并按照3：1的比例划分训练集和验证集。

时序数据集的每一条数据都由data_x和data_y构成，data_y是分解率数值，data_x是预测一个分解周期分解率所需要的所有数据，data_x由数据集合{data_T1，data_T2，…，data_Ta，data_Ta+1，…，data_Tb}中的所有数据合并得到，T1到Ta的数据包含设备数据与物料数据，Ta+1到Tb的数据仅包含设备数据；

时序数据集的数据形式为：

时序数据集能够支持提前Tb-Ta时间的分解率预测模型建立；

采用目标降维方法对时序数据集进行降维，减少数据集中的冗余信息和噪声信息，保留重要指标，得到建模数据集。

S150、基于目标回归方法构建分解率预测模型；

示例性的，构建一个预测模型，该模型能够基于输入数据，即根据设备数据和物料数据预测氧化铝生产过程中的分解率。目标回归方法指的是一种或多种回归分析技术，这些技术能够根据给定的输入预测一个连续的输出值。构建模型的过程通常包括选择回归算法(如线性回归、决策树回归、随机森林回归等)，定义模型结构，以及指定如何度量模型的预测性能。

S160、根据上述训练数据集对上述分解率预测模型进行训练，并基于训练后的预测模型采用上述验证数据集采用目标评价方法进行分解率预测结果评价，

示例性的，训练过程涉及调整模型参数，以使得模型能够尽可能准确地预测分解率。训练完成后，使用独立的验证数据集来测试模型的性能。评估模型在处理未见过的数据时的表现，确保模型没有过拟合训练数据。评价模型性能通常涉及计算特定的性能指标，如均方误差(MSE)、均方根误差(RMSE)或决定系数(R

S170、基于网格搜索方法对上述目标降维方法和上述目标回归方法的参数进行调优，以使上述分解率预测模型的提升率小于预设阈值，并将调优后的分解率预测模型作为目标分解率预测模型；

示例性的，使用网格搜索或其他参数优化技术来调整模型参数，包括降维方法和回归方法的参数。目的是找到一组参数设置，使得模型的预测性能最大化，同时保持模型的泛化能力。网格搜索通过遍历给定的参数值范围来寻找最优参数组合。参数调优完成后，得到的模型应该能够在预设的性能阈值内提供准确的分解率预测。

S180、基于实测设备数据、实测物料数据和上述目标分解率预测模型，确定当前分解率。

示例性的，最后一步是将训练并调优好的模型应用于实际的生产环境中。这意味着使用实测的设备数据和物料数据作为模型的输入，以预测当前的分解率。这一步的成功实施依赖于模型的准确性和泛化能力，以及数据的质量和实时获取能力。正确的分解率预测对于优化生产过程、提高效率和降低成本都至关重要。

综上，本申请提出的方法能够按照时序采集得到拜耳法氧化铝生产分解工序的设备数据与物料数据，预处理数据，构造出适用于分解率预测的时序数据集，利用机器学习技术中的数据降维方法降低数据集维度并在海量的氧化铝生产数据中挖掘有价值信息，最终基于机器学习技术中的回归方法建立分解率预测模型，实现分解率的准确及时预测，指导生产调控，降低物耗与能耗，实现提升生产效率和降低生产成本。

在一些示例中，上述历史设备数据和当前设备数据包括分解槽数据和换热器数据，上述分解槽数据包括温度、搅拌电流和液位，上述换热器数据包括流量、进料压力和出料温度；

上述历史物料数据和上述实测物料数据包括分解原液数据和种分母液数据。

示例性的，分解槽数据包括温度、搅拌电流和液位。

分解反应的温度直接影响化学反应速率和氢氧化铝的沉降效率，搅拌电流反映了搅拌机运行的电流强度，间接反映了搅拌强度和反应均匀性。液位为分解槽中的液体高度，液位的控制对于确保充足的反应时间和防止溢出很重要。

换热器数据包括流量、进料压力和出料温度。流量为液体通过换热器的速率，影响热交换效率和反应物的温度控制。进料压力为液体进入换热器的压力，高进料压力可能表明管道阻塞或其他流动问题。出料温度是液体离开换热器的温度，是控制分解反应温度的重要参数。

分解原液数据和种分母液数据包括Rp(反应性)、浮游物含量、Al2O3含量(氧化铝含量)、NK(钠含量)、NT(钠碳比)。

Rp(反应性)表示物料反应的活性，高Rp值意味着更高的反应速率。

浮游物含量指未反应的固体颗粒物含量，过高的浮游物含量可能影响分解效率和氢氧化铝的纯度。

Al2O3含量是衡量生产效率和产品质量的关键指标，直接关系到最终产品的品质。

NK(钠含量)和NT(钠碳比)这些化学指标影响反应过程和产品质量，必须仔细控制以维持生产过程的稳定性和效率。

通过精细监测这些设备和物料参数，可以获得对分解工序的深入理解，从而允许操作人员或自动化系统调整过程参数，优化反应条件，提高分解率，减少能耗，提升产品质量，最终实现成本节约和生产效率的提升。

在一些示例中，上述目标降维方法包括主成分分析法、偏最小二乘法和皮尔逊相关性分析法中至少一种。

示例性的，在大规模数据集中，很多变量可能是冗余的或相互相关的，这不仅会增加计算成本，还可能降低模型的泛化能力。降维是通过减少变量的数量来简化数据集的过程，同时尽量保留重要的信息。

主成分分析法(PCA)：通过正交变换将数据转换为一组线性无关的变量，称为主成分。主成分分析的目的是减少数据的维度，同时保留尽可能多的原始数据的变异性。

偏最小二乘法(PLS)：适用于解决预测变量(自变量)和响应变量(因变量)之间存在多重共线性的问题。通过寻找预测变量和响应变量之间的基本关系，PLS可以提取出对预测最有用的成分。

皮尔逊相关性分析法：这是一种度量两个变量之间线性相关程度的方法。在降维的上下文中，可以使用皮尔逊相关系数来识别和排除与目标变量相关性较低的特征。

在一些示例中，上述目标回归方法包括线性回归法、支持向量机回归法、人工神经网络法和卷积神经网络法中至少一种。

示例性的，回归分析用于预测连续值的输出，是建立氧化铝生产过程中分解率预测模型的关键技术之一。

线性回归法方法简单，SVR是支持向量机(SVM)用于回归问题的版本。它不仅试图拟合数据中的中心点，还试图确保误差保持在一定的阈值之内，提高了模型对于异常值的鲁棒性。人工神经网络法够捕捉和模拟复杂的非线性关系。卷积神经网络法(CNN)可以用于时间序列数据，通过学习数据的层次特征来提高模型的预测能力。

通过将目标降维方法与目标回归方法结合使用，可以有效地处理和分析氧化铝生产过程中的大规模、高维度数据。这种组合不仅提高了数据处理的效率，还增强了模型的预测精度，从而为氧化铝生产提供了更准确、更可靠的分解率预测。

在一些示例中，上述目标评价方法是基于决定系数R

示例性的，决定系数R

在一些示例中，上述基于网格搜索方法对上述目标降维方法和上述目标回归方法的参数进行调优，包括

在上述目标降维方法为主成分分析法的情况下，调优参数包括主成分个数和奇异值分解方法；和/或，

在上述目标降维方法为偏最小二乘法的情况下，调优参数包括主成分个数、最大迭代次数和收敛标准；和/或，

在上述目标降维方法为皮尔逊相关性分析法的情况下，调优参数包括最优参数数量。

示例性的，主成分分析法(PCA)中主成分个数决定了将数据降维到多少维，这个数量需要足够多以保留数据的大部分变异性，但又不能太多以避免复杂度过高。奇异值分解方法计算可以通过不同的奇异值分解(SVD)算法实现，不同的算法在计算效率和数值稳定性上有所差异。

偏最小二乘法中的主成分个数决定了模型中潜变量的数量。最大迭代次数和收敛标准这些参数控制了算法寻找最优解的过程，直至满足停止条件。

在皮尔逊相关性分析法中，最优参数数量决定了在分析过程中考虑的变量数量，以确保只有最相关的变量被用于后续分析。

在一些示例中，上述基于网格搜索方法对上述目标降维方法和上述目标回归方法的参数进行调优，包括

在上述目标回归方法为线性回归法的情况下，无调优的参数；和/或，

在上述目标回归方法为支持向量机回归法的情况下，调优参数包括核函数、正则化系数、核系数、最大迭代次数、收敛标准和容差；和/或，

在上述目标回归方法为人工神经网络法的情况下，调优参数包括学习率、迭代次数、网络结构、优化器和损失函数；和/或，

在上述目标回归方法为卷积神经网络的情况下，调优参数包括学习率、迭代次数、网络结构、优化器和损失函数。

示例性的，通常情况下，传统的线性回归模型没有需要调优的参数，它依赖于模型的线性假设。

支持向量机回归法(SVR)中核函数决定了数据在高维空间中如何被映射，常见的有线性、多项式、径向基(RBF)等核函数。正则化系数控制模型的复杂度，避免过拟合。核系数对于某些核函数，如RBF，决定了数据映射到高维空间中的分布。最大迭代次数、收敛标准和容差这些参数控制算法的停止条件，确保算法在合理的时间内收敛。

在人工神经网络法(ANN)和卷积神经网络(CNN)中，学习率能够控制权重更新的速度，太高可能导致模型不稳定，太低则训练过程缓慢。迭代次数即训练过程中完整数据集的遍历次数。网络结构包括层数和每层的节点(神经元或卷积核)数，直接影响模型的复杂度和能力。优化器决定了权重调整的策略，损失函数定义了模型输出与实际值之间差异的计算方式。

在一些示例中，以某氧化铝厂的一条生产线为例，结合附图和具体实施方式对本发明作进一步详细的说明。

氧化铝厂生产线的分解工序包括14台分解槽、6台板式换热器、1台分级旋流器和1台平盘过滤机，该产线的1个分解周期为44小时。分解槽按F1到F14顺序排列，料浆依次流入F1到F14分解槽；板式换热器按H1到H6顺序排列，依次分布于F2到F8分解槽之间；分级旋流器位于F11分解槽，分级的底流去向平盘过滤机；平盘过滤机接收来自分级旋流器的底流以及F13和F14分解槽来的料浆，滤饼进入晶种槽继续参与分解循环，滤液进入蒸发工序，溢流返回F13和F14分解槽。

该机器学习驱动的氧化铝生产中分解率预测方法包括：

S210：以相同的时间起始点2023年9月1日0时，按照时间间隔1小时采集拜耳法氧化铝生产过程中分解工序的设备数据，按照时间间隔4小时采集拜耳法氧化铝生产过程中分解工序的物料数据。设备数据包含14台分解槽数据(温度、搅拌电流、液位)和6台换热器数据(流量、热源测进料压力、冷源测进料压力、热源测出料温度、冷源测出料温度)；物料数据包括分解原液数据(Rp、浮游物含量、Al

S220：分别对所述设备数据和物料数据进行数据清洗和数据集成，得到预处理数据。在数据清洗过程，去除整体数据缺失的数据列，对部分缺失和间隔缺失的数据列进行多项式插值，阶数为3；在数据集成过程，按照数据采集时间节点，将设备数据与物料数据进行集成，集成后的单一时间节点的设备数据包含29个数据项，单一时间节点的物料数据包含10个数据项。设备数据的数据量为(2184，29)，物料数据的数据量为(546，10)。

S230：利用预处理数据构造时序数据集，并按照3：1：1的比例划分训练集、验证集和测试集。时序数据集的每一条数据都由data_x和data_y构成，data_y是分解率数值，data_x是预测一个44小时分解周期分解率所需要的所有数据。data_x由数据集合{data_T1，data_T2，…，data_T40，data_T41，…，data_T44}中的所有数据合并得到，T1到T40的数据包含设备数据与物料数据，T41到T44的数据仅包含设备数据，data_x包含1376个数据项，其中设备数据1276个数据项，物料数据100个数据项。时序数据集的数据量为(1376，535)，按照3：1：1的比例随机划分的训练集、验证集和测试集的数据量分别为(1376，321)、(1376，107)和(1376，107)。

时序数据集的数据形式为：

S240：采用主成分分析(PCA)、偏最小二乘(PLS)和Pearson相关性分析(Pearson)3种方法分别对时序数据集进行降维，减少数据集中的冗余信息和噪声信息，保留重要指标，得到建模数据集。对3种降维方法的可调整参数进行范围限制，PCA方法的参数包括主成分个数和奇异值分解方法，主成分个数包括{2，3，…，200}，奇异值分解方法包括{‘auto’，‘full’，‘arpack’，‘randomized’}；PLS方法的参数包括主成分个数、最大迭代次数和收敛标准，主成分个数包括{2，3，…，200}，最大迭代次数包括{1e3，1e4，1e5，1e6}，收敛标准设置为1e-6；Pearson方法的最优参数个数包括{2，3，…，250}。

S250：采用线性回归(LR)、支持向量机回归(SVR)、人工神经网络(ANN)和卷积神经网络(CNN)4种方法构建分解率预测模型。对4种方法进行模型设计，LR不需要做模型设计；SVR的参数包括核函数、正则化系数、核系数、最大迭代次数、收敛标准和容差，核函数包括{‘linear’，‘poly’，‘rbf’，‘sigmoid’}，正则化系数包括{1e-8，1e-7，…，1e8}，核系数包括{1e-8，1e-7，…，1e5}，最大迭代次数包括{1e3，1e4，1e5，1e6}，收敛标准包括{1e-3，1e-4，1e-5，1e-6}，容差设置为0.0；ANN的参数包括学习率、迭代次数、网络结构、优化器和损失函数，学习率包括包括{1e-2，1e-3，1e-4，1e-5}，迭代次数设置为500次，网络结构示意图为图2，优化器采用Adam优化器，损失函数采用均方损失函数；CNN的参数包括学习率、迭代次数、网络结构、优化器和损失函数，学习率包括包括{1e-2，1e-3，1e-4，1e-5}，迭代次数设置为500次，网络结构示意图为图3，优化器采用Adam优化器，损失函数采用均方损失函数。

ANN模型依赖于Pytorch科学计算库，如图2所示，设计的ANN模型包含1个输入层、4个隐藏层和1个输出层。输入层即建模数据输入，数据规模为建模数据集的特征数。隐藏层由全连接层和激活层构成，激活层的激活函数设置为‘ReLU’，4个全连接层神经元个数分别为1024、512、256、128。输出层由1个全连接层构成，输出分解率的预测值。

CNN模型依赖于Pytorch科学计算库，如图3所示，设计的CNN模型包含1个输入层、4个卷积层、1个展平层和1个输出层。输入层即建模数据输入，数据规模为建模数据集的特征数。卷积层由一维卷积层、激活函数层、批量归一化层和一维最大池化层构成，激活层的激活函数设置为‘ReLU’；4个一维卷积层的卷积核个数分别为512、256、128、64，卷积核大小为1×3；一维最大池化层的窗口大小为1×3。展平层将最后一个卷积层输出的多维数据特征展平为一维数据，即数据由(n，m)形式转换为(n×m，1)形式。输出层由2个全连接层和1个激活层构成，第一个全连接层的神经元个数为256，激活层的激活函数设置为‘ReLU’，第二个全连接层输出分解率的预测值。

S260：利用训练集训练模型，得到验证集的分解率预测数据，决定系数R

S270：采用网格搜索方法调优数据降维和回归方法的参数，重复步骤S260，直至模型效果不再提升，并存储最优模型Model。3种数据降维方法调优后得到最优参数，PCA方法的参数包括主成分个数87和奇异值分解方法‘full’；PLS方法的参数包括主成分个数18、最大迭代次数1e

S280：读取最优模型Model，利用测试集数据进行预测，得到测试集分解率预测数据。由3种数据降维方法和4种回归方法组合得到了12个最优模型，测试集数据在12个模型中的R

表1测试集在不同模型中的R

4种回归方法的最优模型预测得到的分解率与真实分解率的对比如图4。由图4与表1可知本实施例对拜耳法氧化铝生产中分解率的预测达到了高效准确的效果，提前4小时得到分解率指标，较好地指导生产调控。

请参阅图5，本申请实施例提供的一种氧化铝生产中分解率预测装置结构性示意图，可以包括：

第一获取单元21，用于以第一采样周期获取氧化铝生产过程中分解工序的历史设备数据；

第二获取单元22，用于以第二采样周期获取氧化铝生产过程中的历史物料数据，其中，上述第二采样周期为上述第一采样周期的整数倍；

数据清洗单元23，用于对上述历史设备数据和上述历史物料数据进行数据清洗，并利用清洗后的数据构造时序数据集；

划分单元24，用于将上述时序数据集按照预设比例划分为训练数据集和验证数据集，其中，上述时序数据集是基于目标降维方法进行降维处理后的时序数据集；

构建单元25，用于基于目标回归方法构建分解率预测模型；

训练单元26，用于根据上述训练数据集对上述分解率预测模型进行训练，并基于训练后的预测模型采用上述验证数据集采用目标评价方法进行分解率预测结果评价，

调优单元27，用于基于网格搜索方法对上述目标降维方法和上述目标回归方法的参数进行调优，以使上述分解率预测模型的提升率小于预设阈值，并将调优后的分解率预测模型作为目标分解率预测模型；

预测单元28，用于基于实测设备数据、实测物料数据和上述目标分解率预测模型，确定当前分解率。

如图6所示，本申请实施例还提供一种电子设备300，包括存储器310、处理器320及存储在存储器310上并可在处理器上运行的计算机程序311，处理器320执行计算机程序311时实现上述氧化铝生产中分解率预测的任一方法的步骤。

由于本实施例所介绍的电子设备为实施本申请实施例中一种氧化铝生产中分解率预测装置所采用的设备，故而基于本申请实施例中所介绍的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍，只要本领域所属技术人员实施本申请实施例中的方法所采用的设备，都属于本申请所欲保护的范围。

在具体实施过程中，该计算机程序311被处理器执行时可以实现图1对应的实施例中任一实施方式。

需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机软件指令，当计算机软件指令在处理设备上运行时，使得处理设备执行对应实施例中的氧化铝生产中分解率预测的流程。

计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。