[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

说明书

本发明基于LSTM的氢氧化铝晶种粒度细化爆发预测模型及方法。包括以下步骤：S1：收集历史数据；S2：对数据采样间隔∆t进行处理；S3：对数据进行清洗和插值；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；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：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：进行反归一化，恢复为正常指标值；S11：采用均方根误差来评估模型；S12：调整模型参数，直到模型评价指标处于一个较优的值；S13：利用历史数据将模型训练完成，保存为固定文件。实现种子分解工序稳定生产，提高系统产量、优化产品指标。

技术领域

本发明涉及一种氢氧化铝晶种粒度细化爆发预测模型及方法，尤其涉及氧化铝生产技术领域的一种基于LSTM的氢氧化铝晶种粒度细化爆发预测模型及方法。

背景技术

种子分解是拜耳法生产氧化铝的关键工序之一，种子分解工序的生产情况决定着冶金级砂状氧化铝的质量。砂状氧化铝主要是供给电解铝生产的原料，要求其具有粒度粗、流动性好、对氟化氢吸附能力强等优点。因此，改善冶金级砂状氧化铝的质量、提高氧化铝生产效率，越来越受到氧化铝生产企业的重视。但是，提高分解率和改善氧化铝产品质量之间有着绝对的冲突，因此要在满足氧化铝产品质量的前提下，尽可能的提高氧化铝产品产量，这一问题是氧化铝生产企业亟待解决的难题之一。

种子分解工序粒度变化实际上是过饱和铝酸钠溶液结晶析出氢氧化铝的过程，过饱和铝酸钠溶液晶种分解过程与常规无机盐饱和溶液结晶不同，是一种复杂的物理化学过程。在对铝酸钠溶液晶种分解理论方面，全球研究者也进行了大量的研究工作，但是目前尚无统一定论。

近些年，我国拜耳法生产的氧化铝的粒度和强度都有了很大改善，但是仍然没有摆脱周期性细化的影响，即在某一生产阶段，种子分解系统中爆发出大量的氢氧化铝细粒子(小于45μm)。在细化期间，种子过滤立盘级氢氧化铝过滤平盘，过滤效果变差，产能下降，下游焙烧工序会产生更多的粉尘，对能源、收尘有较大影响。

不同的氧化铝生产企业生产设备及生产工况不尽相同，在生产过程中，各种因素对种子分解粒度影响权重也存在较大差异，很难针对分解粒度变化建立准确的数学机理模型。而在实验室中得到的实验数据较少，而且只在特定的实验条件下有效，缺乏系统性和针对性。这就导致了各氧化铝生产企业在控制分解粒度过程中很难找到有效的解决办法，即使某一企业在长期生产中摸索出了一定的控制规律，也很难推广到其他氧化铝生产企业中去。

因此，我们需要转换粒度控制思路，从破坏生产的晶种粒度细化入手。晶种分解工序的周期性细化虽然包含周期二字，但是细化的时机和程度并不能够准确预知。

在种子分解生产过程中，如果能够根据分解工序生产条件及历史数据，建立晶种粒度细化预报模型，就能够提早掌握晶种粒度变化趋势，并知晓晶种粒度的细化程度，尽早采取调控手段，减弱周期性细化的振幅乃至消除晶种粒度细化，最终实现种子分解工序的稳定生产，提高系统产量、优化产品指标。

发明内容

为了解决上述问题，本发明提供基于LSTM的氢氧化铝晶种粒度细化爆发预测模型及方法，目的是提早掌握晶种粒度变化趋势，并知晓晶种粒度的细化程度，尽早采取调控手段，减弱周期性细化的振幅乃至消除晶种粒度细化，最终实现种子分解工序的稳定生产，提高系统产量、优化产品指标

本发明所采取的技术方案如下：

基于LSTM的氢氧化铝晶种粒度细化爆发预测模型，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；