买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明涉及氧化铝技术领域，具体为一种氧化铝溶出过程智能检测设定系统。首先，从生产线上获取实时数据，包括第一数据集合、第二数据集合和第三数据集合；然后，获取历史数据中的三个模块历史数据集并进行预处理，得到三个预处理集；根据三个所述预处理集，分别进行模型训练，得到三个参数预测模型；进一步，三个参数预测模型分别对第一数据集合、第二数据集合和第三数据集合进行分析，得到第一预测结果、第二预测结果和第三预测结果；最后，根据三个预测结果，分别对溶出过程中的第一参数组、第二参数组和第三参数组进行设定。

主权项：1.一种氧化铝溶出过程智能检测设定系统，其特征在于，包括：数据获取单元，用于从生产线获取实时数据，包括粉碎工作模块的第一数据集合、融合工作模块的第二数据集合和温控工作模块的第三数据集合；所述第一数据集合包括目标粒径、原材料硬度、原材料重量、球磨大小、球磨数量和原材料初始粒径等级；所述第二数据集合包括原材料颗粒中氧化铝含量、第一杂质含量、第二杂质含量、第三杂质含量和第四杂质含量以及原材料颗粒粒径和氧化铝目标纯度；第一杂质为铁，第二杂质为硅酸盐，第三杂质为钙，第四杂质为镁；所述第三数据集合包括原材料颗粒粒径、原材料硬度、原材料重量、溶出液中氧化铝质量浓度、溶出液中碳酸钠的质量浓度、溶出液的目标质量浓度以及溶出液碳碱比；数据存储单元，用于存储从生产线收集的所有数据，包括实时数据和历史数据；所述历史数据包括三个工作模块的多源历史数据，形成三个模块历史数据集；三个所述工作模块包括所述粉碎工作模块、所述融合工作模块和所述温控工作模块；模型获取单元，用于获取三个参数预测模型，包括第一参数预测模型、第二参数预测模型和第三参数预测模型；所述模型获取单元通过对三个所述模块历史数据集分别进行预处理，得到三个预处理集；根据三个所述预处理集，分别进行模型训练，得到三个参数预测模型；所述第一参数预测模型通过第一模块历史数据集进行训练；所述第一模块历史数据集中每条数据包括多个特征列和多个目标列；多个所述特征列包括目标粒径、原材料硬度、原材料重量、球磨大小、球磨数量和原材料初始粒径；多个所述目标列包括破碎设备破碎速度和破碎设备破碎时间；通过所述第一模块历史数据集对所述第一参数预测模型进行所述模型训练的步骤包括：数据预处理：对所有数据进行归一化处理，得到第一预处理集；数据集划分：将所述第一预处理集按照7:3的比例划分为训练集和测试集；训练模型：将所述训练集输入至所述第一参数预测模型，直到符合模型训练停止条件，得到初始第一参数预测模型；所述模型训练停止条件为所述第一参数预测模型的损失达到收敛；测试模型：将所述测试集输入至所述第一参数预测模型进行测试，根据测试结果对所述第一参数预测模型进行优化，得到最优第一参数预测模型；所述第二参数预测模型通过第二模块历史数据集进行训练；所述第二模块历史数据集中每条数据包括多个特征列和多个目标列；多个所述特征列包括原材料颗粒中氧化铝含量、第一杂质含量、第二杂质含量、第三杂质含量和第四杂质含量以及原材料颗粒粒径和氧化铝目标纯度；多个所述目标列包括碱溶液量和碱溶液浓度；通过所述第二模块历史数据集对所述第二参数预测模型进行所述模型训练的步骤包括：数据预处理：对所有数据进行归一化处理，得到第二预处理集；数据集划分：将所述第二预处理集按照7:3的比例划分为训练集和测试集；训练模型：将所述训练集输入至所述第二参数预测模型，直到符合模型训练停止条件，得到初始第二参数预测模型；所述模型训练停止条件为所述第二参数预测模型的损失达到收敛；测试模型：将所述测试集输入至所述第二参数预测模型进行测试，根据测试结果对所述第二参数预测模型进行优化，得到最优第二参数预测模型；所述第三参数预测模型通过第三模块历史数据集进行训练；所述第三模块历史数据集中每条数据包括多个特征列和多个目标列；多个所述特征列包括原材料颗粒粒径、原材料硬度、原材料重量、溶出液中氧化铝质量浓度、溶出液中碳酸钠的质量浓度、溶出液的目标质量浓度以及溶出液碳碱比；多个所述目标列包括升温速率、目标温度、保温时间和能耗；所述能耗通过电能表获取；通过所述第三模块历史数据集对所述第三参数预测模型进行所述模型训练的步骤包括：数据预处理：对所有数据进行归一化处理，得到第三预处理集；数据集划分：将所述第三预处理集按照7:3的比例划分为训练集和测试集；训练模型：将所述训练集输入至所述第三参数预测模型，直到符合模型训练停止条件，得到初始第三参数预测模型；所述模型训练停止条件为所述第三参数预测模型的损失达到收敛；所述训练模型包括奖励机制函数，用于评价当前操作状态的效益；所述奖励机制函数的公式为： ； ； ； ；其中，为在时间点t的奖励值；为权重系数；为衰减系数；表示能耗；分别表示升温速率、目标温度和保温时间对于总能耗的影响；表示氧化铝的提取效率；是溶出液中氧化铝的当前质量浓度；是目标氧化铝质量浓度；表示原材料属性的复合函数；是用于调节升温速率、目标温度和保温时间对于能耗影响的系数；是分别为目标粒径、原材料的硬度和原材料重量的系数，为目标粒径；是原材料的硬度；是原材料重量；测试模型：将所述测试集输入至所述第三参数预测模型进行测试，根据测试结果对所述第三参数预测模型进行优化，得到最优第三参数预测模型；数据处理单元，包括三个处理模块，分别为第一处理模块、第二处理模块和第三处理模块；每个所述处理模块对应一个所述参数预测模型，用于分析一个所述工作模块的数据集合，获取预测结果；所述第一参数预测模型包括第一预处理层、第一特征分析层和第一参数预测层；所述第一预处理层用于对所述第一数据集合进行预处理操作，获取第一标准数据集合；所述预处理操作包括数据清洗、标准化、归一化和缺失值处理；所述第一特征分析层包括LSTM网络结构，用于对所述第一标准数据集合进行分析，获取第一特征向量；所述第一参数预测层包括两个输出神经元，每个所述输出神经元对应一个预测目标；所述预测目标包括破碎设备破碎速度和破碎设备破碎时间；所述第一参数预测层用于根据所述第一特征向量，对所述第一参数组中的参数进行预测，获取第一预测结果；所述第二参数预测模型包括第二预处理层、第二特征分析层、第二特征融合层和第二参数预测层；所述第二预处理层用于对所述第二数据集合进行预处理操作，获取第二标准数据集合；所述预处理操作包括数据清洗、标准化、归一化和缺失值处理；所述第二特征分析层包括两个LSTM网络结构，用于分别对所述第二标准数据集合和杂质信息进行分析，获取第二特征向量和杂质特征向量；所述杂质信息包括第一杂质含量、第二杂质含量、第三杂质含量和第四杂质含量；所述第二特征融合层包括杂质注意力机制；所述第二特征融合层用于将所述第二特征向量和所述杂质特征向量进行拼接，得到综合特征向量；通过所述杂质注意力机制对所述综合特征向量中的杂质特征进行加权，得到加权综合特征向量；所述杂质注意力机制的计算公式为： ； ；其中，是在时间步的注意力得分；是注意力机制的参数；是双曲正切激活函数；是权重矩阵；是LSTM网络在时间步的输出；是对所有杂质影响得分的加权总和；为偏置项；和是网络参数；是第个杂质的含量；为第个杂质的影响得分；是激活函数，用于确保输出在0至1之间；所述第二参数预测层包括两个输出神经元，每个所述输出神经元对应一个预测目标；所述预测目标包括碱溶液量和碱溶液浓度；所述第二参数预测层用于根据所述第二特征向量，对所述第二参数组中的参数进行预测，获取第二预测结果；所述第三参数预测模型包括第三预处理层、第三特征分析层和第三参数预测层；所述第三预处理层用于对所述第三数据集合进行预处理操作，获取第三标准数据集合；所述预处理操作包括数据清洗、标准化、归一化和缺失值处理；所述第三特征分析层包括LSTM网络结构，用于对所述第三标准数据集合进行分析，获取第三特征向量；所述第三参数预测层包括三个输出神经元，每个所述输出神经元对应一个预测目标；所述预测目标包括升温速率、目标温度和保温时间；所述第三参数预测层用于根据所述第三特征向量，对所述第三参数组中的参数进行预测，获取第三预测结果；数据通信单元，包括工业以太网，用于传输数据；参数设定单元，包括PID控制算法，用于基于所述数据处理单元的所述预测结果，对溶出过程中的第一参数组、第二参数组和第三参数组进行设定；所述第一参数组包括破碎设备破碎速度和破碎设备破碎时间；所述第二参数组包括碱溶液量和碱溶液浓度；所述第三参数组包括溶出过程中的升温速率、目标温度和保温时间。

全文数据：

权利要求：

百度查询： 江苏晶晶新材料有限公司 一种氧化铝溶出过程智能检测设定系统