【技術實現步驟摘要】
本專利技術屬于鋁電解，特別是涉及一種基于多模態數據的鋁電解工藝實訓平臺、評估方法及設備。
技術介紹
1、鋁電解工藝作為鋁工業生產的核心環節，其效率和安全性直接影響到鋁產品的質量和生產成本。傳統的鋁電解工藝高度依賴于人工操作和經驗判斷，這不僅限制了生產效率，也增加了安全風險。盡管自動化技術在近年來有所發展，但大多數現有系統仍面臨操作依賴性強、數據利用不足、安全隱患多、效率瓶頸明顯及維護成本高等挑戰。
2、盡管目前開始嘗試引入智能化技術，如利用傳感器監測電解槽狀態、采用簡單的自動化控制系統，但這些技術大多處于初級階段。推動鋁電解智能生產決策的發展離不開廣泛可靠的數據來源，雖然鋁電解工業現有參數檢測技術進步較大，生產過程中也可以采集大量數據，但數據利用不足、多源數據整合能力不夠。
3、專利cn111651890b公開了一種基于數據驅動的鋁電解數字孿生工廠控制方法，利用cnn神經網絡、t-sne融合工具等構建融合決策模型，基于融合決策模型和多源數據得到工業操作決策，并根據工業操作決策對鋁電解車間進行控制。該方法采用cnn神經網絡處理序列數據和視頻數據，數據處理針對性較差，多源數據整合能力不夠，可靠性較低。
技術實現思路
1、本專利技術的目的是針對現有技術不足，提供了一種基于多模態數據的鋁電解工藝實訓平臺、評估方法及設備，提高鋁電解工藝評估的可靠性和準確性。
2、為了實現上述目的，本專利技術所采用的技術方案是：
3、一種基于多模態數據的鋁電解工
4、s1：獲取鋁電解工藝實訓過程中的日志記錄數據、視頻數據，獲取鋁電解車間的工業設備的傳感器數據；
5、s2：對所述日志記錄數據、視頻數據、傳感器數據進行預處理；
6、s3：將經過預處理后的日志記錄數據、視頻數據、傳感器數據作為深度學習網絡模型的輸入，訓練所述深度學習網絡模型，所述深度學習網絡模型包括cnn網絡、lstm網絡、第一全連接層、第二全連接層，所述cnn網絡、所述lstm網絡、所述第一全連接層分別與所述第二全連接層連接；
7、所述深度學習網絡模型的訓練過程包括：
8、采用所述lstm網絡處理經過預處理后的日志記錄數據，得到第一特征；
9、采用所述cnn網絡處理經過預處理后的視頻數據，得到第二特征；
10、采用所述第一全連接層處理經過預處理后的傳感器數據，得到第三特征；
11、通過所述第二全連接層融合所述第一特征、所述第二特征、所述第三特征，得到評估結果；
12、通過自動調參優化超參數組合，迭代優化訓練所述深度學習網絡模型，得到鋁電解工藝評估模型。
13、本專利技術使用長短期記憶網絡(lstm)來處理序列數據，該網絡能夠捕捉日志記錄數據中的長期依賴關系，理解鋁電解工藝操作的順序和邏輯；采用卷積神經網絡(cnn)處理視頻數據，能夠提取視頻中的關鍵特征；使用全連接層(ann)來處理傳感器數據；用全連接層作為融合層，將上述網絡的輸出進行融合。本專利技術針對不同數據的特征，分別采用不同深度學習網絡處理不同數據，能夠處理復雜的多模態數據，實現更強的特征學習能力，提取的特征更具代表性，鋁電解工藝評估的可靠性和準確性更高。lstm、cnn和ann的結合使得模型能夠應對多種不同類型的數據(如視頻、時間序列數據、分類數據等)，提升模型在不同任務中的泛化能力。
14、進一步地，所述日志記錄數據包括操作員、技術員和管理員在鋁電解工藝實訓過程中的操作日志和決策記錄；所述視頻數據包括操作員、技術員和管理員在鋁電解工藝實訓過程中的操作視頻；所述傳感器數據包括鋁電解槽的電流、電壓、溫度、下料次數、下料量、出鋁時刻、換極時刻。
15、通過不同層級人員的操作數據，可以更加準確的反映和評估鋁電解工藝實際操作的效果，提供更有價值的反饋，提高模型的準確度和精度。
16、進一步地，所述s2的具體過程包括：
17、對所述日志記錄數據進行清洗和格式化；
18、對所述視頻數據進行尺寸標準化、歸一化處理；
19、對所述傳感器數據進行平滑、歸一化處理。
20、通過對日志記錄數據進行預處理，去除無效和冗余信息，然后格式化為適合輸入到lstm網絡的序列格式；通過對視頻數據進行預處理，提高后續特征提取的效率和準確性；通過對傳感器數據進行預處理，以減少噪聲并突出重要特征，便于后續特征提取。
21、進一步地，所述lstm網絡包括輸入門、遺忘門、輸出門、候選細胞狀態，輸入門、遺忘門、輸出門、候選細胞狀態的表達式分別如下：
22、ft＝σ(wf·[ht-1,xt]+bf)；
23、it＝σ(wi·[ht-1,xt]+bi)；
24、
25、ot＝σ(wo·[ht-1,xt]+bo)；
26、ht＝ot*tanh(ct)；
27、其中，σ為sigmoid激活函數，tanh為雙曲正切函數，ft為t時刻的遺忘門，it為t時刻的輸入門，ct為t時刻的細胞狀態，為t時刻的候選細胞狀態，ot為t時刻的輸出門，ht為t時刻的隱藏狀態，xt為在t時刻的日志記錄數據，ht-1為t-1時刻的隱藏狀態，ct-1為t-1時刻的細胞狀態，wf、wi、wo、wc分別是遺忘門、輸入門、輸出門和候選細胞狀態的權重，bf、bi、bo、bc分別是遺忘門、輸入門、輸出門和候選細胞狀態的偏置，*表示逐元素乘法。
28、進一步地，所述cnn網絡包括多個級聯的卷積網絡，所述卷積網絡包括卷積層、池化層和全連接層，卷積層、池化層和全連接層的表達式如下：
29、
30、xl＝σ(wl*y2+bl),l＝1,2,…,l-1,
31、其中，x0為視頻數據，x為cnn網絡中第l層卷積層的輸入，為cnn網絡中第l層卷積層的輸出，k為卷積核，kh為卷積核的高度，kw為卷積核的寬度，c為卷積核的通道數，i和j為輸出特征圖的位置，為cnn網絡中第l層池化層的輸出，xl為cnn網絡中第l層全連接層的輸出，σ是sigmoid激活函數，bl為cnn網絡中第l層全連接層的偏置，wl為cnn網絡中第l層全連接層的權重，為視頻數據第k維的大小，k＝1，2，…，d；d為視頻數據的維數，l為cnn網絡的層數。
32、進一步地，所述第一全連接層或第二全連接層的表達式如下：
33、y(g)＝f(w(g)x(g-1)+b(g))
34、其中，y(g)為第g層的輸出，w(g)為第g層的權重，b(g)為第g層的權重偏置，x(g-1)為第g層的輸入，f為激活函數。
35、進一步地，將日志記錄數據、視頻數據、傳感器數據輸入鋁電解工藝評估模型，得到評估結果，根據評估結果對鋁電解工藝進行控制和優化。
36、基于同一專利技術構思，本專利技術還提供了一種基于上述方法的鋁電解工藝實訓平臺，包括實時監控單本文檔來自技高網...
【技術保護點】
1.一種基于多模態數據的鋁電解工藝評估方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于多模態數據的鋁電解工藝評估方法，其特征在于，所述日志記錄數據包括操作員、技術員和管理員在鋁電解工藝實訓過程中的操作日志和決策記錄；所述視頻數據包括操作員、技術員和管理員在鋁電解工藝實訓過程中的操作視頻；所述傳感器數據包括鋁電解槽的電流、電壓、溫度、下料次數、下料量、出鋁時刻、換極時刻。
3.根據權利要求1所述的基于多模態數據的鋁電解工藝評估方法，其特征在于，所述S2的具體過程包括：
4.根據權利要求1所述的基于多模態數據的鋁電解工藝評估方法，其特征在于，所述LSTM網絡包括輸入門、遺忘門、輸出門、候選細胞狀態，輸入門、遺忘門、輸出門、候選細胞狀態的表達式分別如下：
5.根據權利要求1所述的基于多模態數據的鋁電解工藝評估方法，其特征在于，所述CNN網絡包括多個級聯的卷積網絡，所述卷積網絡包括卷積層、池化層和全連接層，卷積層、池化層和全連接層的表達式如下：
6.根據權利要求1所述的基于多模態數據的鋁電解工藝評估方法，其特征在于
7.根據權利要求1所述的基于多模態數據的鋁電解工藝評估方法，其特征在于，將日志記錄數據、視頻數據、傳感器數據輸入鋁電解工藝評估模型，得到評估結果，根據評估結果對鋁電解工藝進行控制和優化。
8.一種基于權利要求1-7任一項所述方法的鋁電解工藝實訓平臺，其特征在于，包括實時監控單元、鋁電解工藝實訓單元、數據存儲單元、模型訓練優化單元、評估反饋單元；
9.一種電子設備，其特征在于，包括：
10.一種計算機可讀存儲介質，其特征在于，其存儲有計算機程序，所述計算機程序被處理器執行時實現權利要求1-7任一項所述方法的步驟。
...【技術特征摘要】
1.一種基于多模態數據的鋁電解工藝評估方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于多模態數據的鋁電解工藝評估方法，其特征在于，所述日志記錄數據包括操作員、技術員和管理員在鋁電解工藝實訓過程中的操作日志和決策記錄；所述視頻數據包括操作員、技術員和管理員在鋁電解工藝實訓過程中的操作視頻；所述傳感器數據包括鋁電解槽的電流、電壓、溫度、下料次數、下料量、出鋁時刻、換極時刻。
3.根據權利要求1所述的基于多模態數據的鋁電解工藝評估方法，其特征在于，所述s2的具體過程包括：
4.根據權利要求1所述的基于多模態數據的鋁電解工藝評估方法，其特征在于，所述lstm網絡包括輸入門、遺忘門、輸出門、候選細胞狀態，輸入門、遺忘門、輸出門、候選細胞狀態的表達式分別如下：
5.根據權利要求1所述的基于多模態數據的鋁電解工藝評估方法，其特征在于，所述cnn網...
【專利技術屬性】
技術研發人員：張紅亮，王金晶，李劼，陳燦，曾子望，施輝洪，
申請(專利權)人：中南大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。