[发明专利]基于LSTM的氢氧化铝晶种粒度细化爆发预测模型及方法

权利要求书

1.基于LSTM的氢氧化铝晶种粒度细化爆发预测模型，其特征在于包括以下步骤：

S1：收集预测晶种粒度细化爆发的所有相关变量的历史数据；

S2：对数据采样间隔Δt进行处理，保证所有变量的数据长度一致、时间间隔一致，即数据时间尺度统一化；

S3：对数据进行清洗和插值，删除异常值，补充缺失值，构造多维特征的连续时间序列数据；

S4：对数据进行滑动平均处理；

S5：对数据进行最大最小值归一化处理，提高训练过程中的收敛速度；

S6：构建模型训练数据的输入和输出矩阵；

S7：构建晶种粒度细化爆发预测模型；

S8：将步骤S5中构造的多维特征连续时间序列数据，按照7：3的比例划分为训练集和测试集；

S9：设置模型参数；

S10：进行模型训练得到模型预测结果，并将预测结果进行反归一化，恢复为正常指标值；

S11：利用模型评价指标，采用均方根误差来评估模型，衡量预测值与真实值的偏差；

S12：反复重复步骤S9，调整模型参数，直到模型评价指标符合预期；

S13：利用历史数据将模型训练完成，保存为固定文件。

2.根据权利要求1所述的基于LSTM的氢氧化铝晶种粒度细化爆发预测模型，其特征在于所述的步骤S1中收集用于模型预测的数据包括：分解初温、分解末温、分解首槽固含、分解末槽固含、铝酸钠精液α_k、种分母液α_k、铝酸钠精液N_k、种分母液N_k、铝酸钠精液流量、结晶助剂(CGM)添加量、晶种粒度数据(f1.92、f3.55、f5.34、f8.87、f10.87、-9μm、-14μm、-29μm、-45μm、-59μm、-80μm、-101μm、-125μm、-150μm、-162μm)，共25个变量。

3.根据权利要求1所述的基于LSTM的氢氧化铝晶种粒度细化爆发预测模型，其特征在于所述的步骤S5中，归一化选用的公式为式中，为x_i,j归一化后的值，和是变量x_i序列中的最大值和最小值。

4.根据权利要求1所述的基于LSTM的氢氧化铝晶种粒度细化爆发预测模型，其特征在于所述的步骤S6中输入和输出矩阵为：

5.根据权利要求1所述的基于LSTM的氢氧化铝晶种粒度细化爆发预测模型，其特征在于所述的步骤S7构建的晶种粒度细化爆发预测模型，属于有监督机器学习的循环神经网络模型，模型包括：输入层、隐含层、输出层、模型训练和模型预测；其中：

a、输入层被配置为晶种粒度细化爆发的所有相关变量的历史数据；

b、隐含层由多个长短期记忆模型节点h^(t)构成，加入了遗忘门f^(t)、输入门(i^(t)ANDa^(t))、输出门o^(t)、和记忆细胞C^(t)功能；

c、输出层，由隐含层的最后一层经过全连接层输出氢氧化铝晶种粒度细化指标。

6.根据权利要求1所述的基于LSTM的氢氧化铝晶种粒度细化爆发预测模型，其特征在于所述的步骤9中需要设置的参数包括：模型预测步数q、神经网络层数、每层神经元个数、损失函数选择、优化器选择、迭代次数和训练时间窗口大小。

7.根据权利要求1所述的基于LSTM的氢氧化铝晶种粒度细化爆发预测模型，其特征在于所述的步骤S11中的模型评价指标公式为：其中，q是样本数量，y_i和分别代表第i个样本的真实值和预测值。