一种基于LSTM-CNN和ICBAM长短期特征提取的铝电解槽温预测方法

    公开(公告)号:CN116307246B

    公开(公告)日:2024-06-21

    申请号:CN202310369675.2

    申请日:2023-04-10

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于LSTM‑CNN和ICBAM长短期特征提取的铝电解槽温预测方法,采用LSTM‑CNN作为影响槽温的长期特征提取方法,首先对数据用LSTM提取长时间相关特征,然后再用CNN提取数据间的局部相关特征,从而得到基于长周期数据的长期深度特征。采用基于2D‑CNN和1D‑CNN双流卷积分别提取阳极电流和槽电压特征,然后基于ICBAM对双流特征进行注意力加权融合,得到槽温短期深度特征。为了更好的融合铝电解生产过程中的长期特征和短期特征这两种语义和尺度不一样的特征,利用AAW中的多尺度注意力模块,充分考虑了特征图中的全局信息与局部信息,从而能够提升模型预测的准确率。

    一种基于LSTM-CNN和ICBAM长短期特征提取的铝电解槽温预测方法

    公开(公告)号:CN116307246A

    公开(公告)日:2023-06-23

    申请号:CN202310369675.2

    申请日:2023-04-10

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于LSTM‑CNN和ICBAM长短期特征提取的铝电解槽温预测方法,采用LSTM‑CNN作为影响槽温的长期特征提取方法,首先对数据用LSTM提取长时间相关特征,然后再用CNN提取数据间的局部相关特征,从而得到基于长周期数据的长期深度特征。采用基于2D‑CNN和1D‑CNN双流卷积分别提取阳极电流和槽电压特征,然后基于ICBAM对双流特征进行注意力加权融合,得到槽温短期深度特征。为了更好的融合铝电解生产过程中的长期特征和短期特征这两种语义和尺度不一样的特征,利用AAW中的多尺度注意力模块,充分考虑了特征图中的全局信息与局部信息,从而能够提升模型预测的准确率。

Patent Agency Ranking