氧化铝电解时的阳极电流的处理方法、装置和电子设备与流程

1.本技术涉及氧化铝电解技术领域，具体而言，涉及一种氧化铝电解时的阳极电流的处理方法、装置和电子设备。


背景技术：

2.人工智能技术应用于电解铝控制系统尚存在的问题有硬件资源有限、数据样本小、机理不明确(黑盒计算)、可靠性低等。当前，构建酸法氧化铝电解智能控制系统亟待突破的重大技术瓶颈集中体现在以下方面：
3.1、缺乏针对复杂动态环境的信息获取方法，作为智能策略的输入和训练基础；
4.2、缺乏针对动态少样本任务条件的机器人操作高效率强化学习策略；
5.3、缺乏有效解决机器人操作学习任务的对象模拟、策略生成、任务泛化、经验迁移的全流程的方法。
6.综上，现有方案对氧化铝的阳极在电解过程中的阳极电流预测的准确度较低，而导致对氧化铝的下料量和下料频次控制的准确度较低。


技术实现要素：

7.本技术的主要目的在于提供一种氧化铝电解时的阳极电流的处理方法、装置和电子设备，以至少解决因现有方案对氧化铝的阳极在电解过程中的阳极电流预测的准确度较低，而导致对氧化铝的下料量和下料频次控制的准确度较低的问题。
8.为了实现上述目的，根据本技术的一个方面，提供了一种氧化铝电解时的阳极电流的处理方法，该方法包括：获取各子阳极的多个历史子阳极电流，其中，氧化铝的阳极由多个所述子阳极组成；将所有的所述历史子阳极电流输入至神经网络模型中，以利用所述神经网络模型对所述历史子阳极电流进行处理，所述神经网络模型是使用多组训练数据训练得到的，所述多组训练数据中的每一组训练数据均包括历史时间段内获取的：第一历史子阳极电流以及对应的第二历史子阳极电流，所述第一历史子阳极电流为所述子阳极在第一历史时刻的电流，所述第二历史子阳极电流为所述子阳极在第二历史时刻的电流，所述第一历史时刻处于所述第二历史时刻的前面；获取所述子阳极的实际子阳极电流和所述神经网络模型输出的预测阳极电流，并根据所述实际子阳极电流和所述预测阳极电流，对所述神经网络模型进行回归处理，得到优化后的所述神经网络模型，以优化所述神经网络模型的输出，所述实际子阳极电流为所述子阳极在当前时刻的电流的实际值；将所述实际子阳极电流输入至所述优化后的所述神经网络模型中，并根据所述优化后的所述神经网络模型的输出，来对应调节所述氧化铝的下料量和下料频次。
9.可选地，根据所述实际子阳极电流和所述预测阳极电流，对所述神经网络模型进行回归处理，得到优化后的所述神经网络模型，包括：根据所述实际子阳极电流和对应的所述预测阳极电流，确定是否对所述神经网络模型进行回归处理；在确定对所述神经网络模型进行回归处理的情况下，对所述神经网络模型进行回归处理，得到所述优化后的所述神
经网络模型。
10.可选地，根据所述实际子阳极电流和对应的所述预测阳极电流，确定是否对所述神经网络模型进行回归处理，包括：获取阳极电流差值，所述阳极电流差值为所述实际子阳极电流和对应的所述预测阳极电流的差值；在所述阳极电流差值的绝对值大于或者等于第一差值阈值，且所述阳极电流差值的绝对值小于或者等于第二差值阈值的情况下，确定对所述神经网络模型进行回归处理；在所述阳极电流差值的绝对值小于所述第一差值阈值，或者所述阳极电流差值的绝对值大于所述第二差值阈值的情况下，确定不对所述神经网络模型进行回归处理。
11.可选地，在根据所述实际子阳极电流和所述预测阳极电流，对所述神经网络模型进行回归处理，得到优化后的神经网络模型之后，所述方法还包括：根据所述预测阳极电流对应的实际子阳极电流，得到所述实际子阳极电流对应的所述子阳极的阳极电阻；根据所述阳极电阻，确定对应的所述子阳极的工作状态，所述工作状态为以下之一：过热状态、过冷状态、正常状态。
12.可选地，根据所述阳极电阻，确定对应的所述子阳极的工作状态，包括：获取第一电阻阈值和第二电阻阈值；在所述阳极电阻大于或者等于所述第一电阻阈值，且所述阳极电阻小于或者等于第二电阻阈值的情况下，确定对应的所述子阳极的所述工作状态为所述正常状态；在所述阳极电阻小于所述第一电阻阈值的情况下，确定对应的所述子阳极的所述工作状态为所述过冷状态；在所述阳极电阻大于所述第二电阻阈值的情况下，确定对应的所述子阳极的所述工作状态为所述过热状态。
13.可选地，在将所有的所述历史子阳极电流输入至神经网络模型中之前，所述方法还包括：获取第一数据和第二数据，所述第一数据为所述实际子阳极电流，所述第二数据为预估阳极电流，所述预估阳极电流为所述子阳极的在未来时刻的电流的估计值；确定所述第一数据的第一精度和所述第二数据的第二精度，所述第一精度和所述第二精度均为预设的精度；将所述第一精度和所述第二精度输入所述神经网络模型，以限制所述神经网络模型的输出。
14.可选地，在将所有的所述历史子阳极电流输入至神经网络模型中之前，所述方法还包括：采用方向梯度直方图技术从数据库中提取多个目标特征，所述目标特征用于表征除了所述子阳极的阳极电流以外的其它与所述子阳极相关的特征，所述数据库存储有多个所述目标特征和所述子阳极的所述阳极电流；采用支持向量机算法对所述目标特征进行分类，得到多个分类特征；将所有的分类特征输入至所述神经网络模型中，以限制所述神经网络模型的输出。
15.可选地，根据所述优化后的所述神经网络模型的输出，来对应调节所述氧化铝的下料量和下料频次，包括：获取所述优化后的所述神经网络模型输出的电流映射关系，所述电流映射关系为在未来预定时间段内所述预测阳极电流和时间的关系；根据所述电流映射关系，对应调节所述氧化铝的所述下料量和所述下料频次。
16.根据本技术的另一方面，提供了一种氧化铝电解时的阳极电流的处理装置，该装置包括第一获取单元、第一处理单元、第二获取单元和第二处理单元；第一获取单元用于获取各子阳极的多个历史子阳极电流，其中，氧化铝的阳极由多个所述子阳极组成；第一处理单元用于将所有的所述历史子阳极电流输入至神经网络模型中，以利用所述神经网络模型
对所述历史子阳极电流进行处理，所述神经网络模型是使用多组训练数据训练得到的，所述多组训练数据中的每一组训练数据均包括历史时间段内获取的：第一历史子阳极电流以及对应的第二历史子阳极电流，所述第一历史子阳极电流为所述子阳极在第一历史时刻的电流，所述第二历史子阳极电流为所述子阳极在第二历史时刻的电流，所述第一历史时刻处于所述第二历史时刻的前面；第二获取单元用于获取所述子阳极的实际子阳极电流和所述神经网络模型输出的预测阳极电流，并根据所述实际子阳极电流和所述预测阳极电流，对所述神经网络模型进行回归处理，得到优化后的所述神经网络模型，以优化所述神经网络模型的输出，所述实际子阳极电流为所述子阳极在当前时刻的电流的实际值；第二处理单元用于将所述实际子阳极电流输入至所述优化后的所述神经网络模型中，并根据所述优化后的所述神经网络模型的输出，来对应调节所述氧化铝的下料量和下料频次。
17.根据本技术的另一方面，提供了一种电子设备，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的氧化铝电解时的阳极电流的处理方法。
18.应用本技术的技术方案，根据氧化铝的阳极的各个子阳极的子阳极电流作为输入，并不断迭代，从而提高神经网络模型的准确度，进而提高后续对阳极电流预测的准确度，从而达到优化模型的目的，从而根据优化模型的输出，来对应调节氧化铝的下料量和下料频次，进而解决了因现有方案对氧化铝的阳极在电解过程中的阳极电流预测的准确度较低，而导致对氧化铝的下料量和下料频次控制的准确度较低的问题。
附图说明
19.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
20.图1示出了根据本技术的实施例中提供的一种执行氧化铝电解时的阳极电流的处理方法的移动终端的硬件结构框图；
21.图2示出了根据本技术的实施例提供的一种氧化铝电解时的阳极电流的处理方法的流程示意图；
22.图3示出了根据本技术的实施例提供的一种氧化铝电解时的阳极电流的处理装置的结构框图。
具体实施方式
23.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
24.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
25.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第
二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
26.正如背景技术中所介绍的，当前，构建酸法氧化铝电解智能控制系统亟待突破的重大技术瓶颈集中体现在以下方面：缺乏针对复杂动态环境的信息获取方法，作为智能策略的输入和训练基础；缺乏针对动态少样本任务条件的机器人操作高效率强化学习策略；缺乏有效解决机器人操作学习任务的对象模拟、策略生成、任务泛化、经验迁移的全流程的方法；综上，现有方案对氧化铝的阳极在电解过程中的阳极电流预测的准确度较低，而导致对氧化铝的下料量和下料频次控制的准确度较低，为解决因现有方案对氧化铝的阳极在电解过程中的阳极电流预测的准确度较低，而导致对氧化铝的下料量和下料频次控制的准确度较低的问题，本技术的实施例提供了一种氧化铝电解时的阳极电流的处理方法、装置和电子设备。
27.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
28.本技术实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种氧化铝电解时的阳极电流的处理方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
29.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的氧化铝电解时的阳极电流的处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
30.在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的氧化铝电解时的阳极电流的处理方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但
是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
31.图2是根据本技术的实施例提供的一种氧化铝电解时的阳极电流的处理方法的流程示意图。如图2所示，该方法包括以下步骤：
32.步骤s201，获取各子阳极的多个历史子阳极电流，其中，氧化铝的阳极由多个上述子阳极组成；
33.步骤s202，将所有的上述历史子阳极电流输入至神经网络模型中，以利用上述神经网络模型对上述历史子阳极电流进行处理，上述神经网络模型是使用多组训练数据训练得到的，上述多组训练数据中的每一组训练数据均包括历史时间段内获取的：第一历史子阳极电流以及对应的第二历史子阳极电流，上述第一历史子阳极电流为上述子阳极在第一历史时刻的电流，上述第二历史子阳极电流为上述子阳极在第二历史时刻的电流，上述第一历史时刻处于上述第二历史时刻的前面；
34.步骤s203，获取上述子阳极的实际子阳极电流和上述神经网络模型输出的预测阳极电流，并根据上述实际子阳极电流和上述预测阳极电流，对上述神经网络模型进行回归处理，得到优化后的上述神经网络模型，以优化上述神经网络模型的输出，上述实际子阳极电流为上述子阳极在当前时刻的电流的实际值；
35.步骤s203中，根据上述实际子阳极电流和上述预测阳极电流，对上述神经网络模型进行回归处理，得到优化后的上述神经网络模型，包括：根据上述实际子阳极电流和对应的上述预测阳极电流，确定是否对上述神经网络模型进行回归处理；在确定对上述神经网络模型进行回归处理的情况下，对上述神经网络模型进行回归处理，得到上述优化后的上述神经网络模型。
36.具体地，回归处理即是一种不断迭代的步骤，根据上述实际子阳极电流和对应的上述预测阳极电流，确定是否化预测模型的输入特征、调整模型参数，以提高预测的准确性和可靠性，在确定不需要进行回归处理的情况下，执行步骤s204，在每次子阳极电流的迭代更新后，将实时电流数据与预测的电流数据进行对比；对比的方式可以采用各种指标，例如均方根误差(rmse)、平均绝对误差(mae)或相关系数；这些指标可以量化预测结果与实际结果之间的差异程度；通过对比和量化，可以评估预测模型的性能，并根据评估结果进行调整和改进；如果预测结果与实际结果之间存在较大的误差，可以考虑优化预测模型的输入特征、调整模型参数，以提高预测的准确性和可靠性；这种对比和量化的方法可以保证验证预测模型的有效性，并在动态仿真过程中提供实时的反馈信息；通过不断迭代和改进，可以逐步提高预测模型的性能，使其更好地适应电解槽氧化铝混合过程的实际情况。
37.在本技术的一种实施例中，根据上述实际子阳极电流和对应的上述预测阳极电流，确定是否对上述神经网络模型进行回归处理，包括：获取阳极电流差值，上述阳极电流差值为上述实际子阳极电流和对应的上述预测阳极电流的差值；在上述阳极电流差值的绝对值大于或者等于第一差值阈值，且上述阳极电流差值的绝对值小于或者等于第二差值阈值的情况下，确定对上述神经网络模型进行回归处理；在上述阳极电流差值的绝对值小于上述第一差值阈值，或者上述阳极电流差值的绝对值大于上述第二差值阈值的情况下，确定不对上述神经网络模型进行回归处理。
38.具体地，根据预测值与真实值的差值去和多个差值阈值进行比较，从而不断优化模型预测的准确度。
39.在本技术的一种实施例中，在根据上述实际子阳极电流和上述预测阳极电流，对上述神经网络模型进行回归处理，得到优化后的神经网络模型之后，上述方法还包括：根据上述预测阳极电流对应的实际子阳极电流，得到上述实际子阳极电流对应的上述子阳极的阳极电阻；根据上述阳极电阻，确定对应的上述子阳极的工作状态，上述工作状态为以下之一：过热状态、过冷状态、正常状态。
40.具体地，确认工作状态可以及时调整电解参数，使得电解槽更加稳定和节能。
41.在本技术的一种实施例中，根据上述阳极电阻，确定对应的上述子阳极的工作状态，包括：获取第一电阻阈值和第二电阻阈值；在上述阳极电阻大于或者等于上述第一电阻阈值，且上述阳极电阻小于或者等于第二电阻阈值的情况下，确定对应的上述子阳极的上述工作状态为上述正常状态；在上述阳极电阻小于上述第一电阻阈值的情况下，确定对应的上述子阳极的上述工作状态为上述过冷状态；在上述阳极电阻大于上述第二电阻阈值的情况下，确定对应的上述子阳极的上述工作状态为上述过热状态。
42.具体地，将阳极电阻分别与第一电阻阈值和第二电阻阈值进行比较，从而知悉子阳极的工作状态，保证子阳极的工作状态能够保持在正常状态，在过冷或者过热状态的情况下，需要做电解槽输入功率调整或氧化铝下料量的控制改变的处理。
43.在本技术的一种实施例中，在将所有的上述历史子阳极电流输入至神经网络模型中之前，上述方法还包括：获取第一数据和第二数据，上述第一数据为上述实际子阳极电流，上述第二数据为预估阳极电流，上述预估阳极电流为上述子阳极的在未来时刻的电流的估计值；确定上述第一数据的第一精度和上述第二数据的第二精度，上述第一精度和上述第二精度均为预设的精度；将上述第一精度和上述第二精度输入上述神经网络模型，以限制上述神经网络模型的输出，以使得输出和实际值更为接近。
44.具体地，根据两种预设精度值，控制神经网络模型对不同来源数据的学习率，从而控制阳极电流、温度、铝电解质组分、氧化铝浓度的重要度，使得神经网络模型的精度更高，数据取样范围更广。
45.在本技术的一种实施例中，在将所有的上述历史子阳极电流输入至神经网络模型中之前，上述方法还包括：采用方向梯度直方图技术从数据库中提取多个目标特征，上述目标特征用于表征除了上述子阳极的阳极电流以外的其它与上述子阳极相关的特征，上述数据库存储有多个上述目标特征和上述子阳极的上述阳极电流；采用支持向量机算法对上述目标特征进行分类，得到多个分类特征；将所有的分类特征输入至上述神经网络模型中，以限制上述神经网络模型的输出。
46.步骤s204，将上述实际子阳极电流输入至上述优化后的上述神经网络模型中，并根据上述优化后的上述神经网络模型的输出，来对应调节上述氧化铝的下料量和下料频次。
47.在本技术的一种实施例中，根据上述优化后的上述神经网络模型的输出，来对应调节上述氧化铝的下料量和下料频次，包括：获取上述优化后的上述神经网络模型输出的电流映射关系，上述电流映射关系为在未来预定时间段内上述预测阳极电流和时间的关系；根据上述电流映射关系，对应调节上述氧化铝的上述下料量和上述下料频次。
48.具体地，根据电流映射关系，来调节氧化铝的上述下料量和上述下料频次，能够使得氧化铝的电解效率提高，电流直接反应电解质电阻，而电解质组成与电阻息息相关，从而
控制氧化铝下料量和下料频率，可有效控制电解质组分，使得电流稳定在合理的区间。
49.通过上述实施例，根据氧化铝的阳极的各个子阳极的子阳极电流作为输入，并不断迭代，从而提高神经网络模型的准确度，进而提高后续对阳极电流预测的准确度，从而达到优化模型的目的，从而根据优化模型的输出，来对应调节氧化铝的下料量和下料频次，进而解决了因现有方案对氧化铝的阳极在电解过程中的阳极电流预测的准确度较低，而导致对氧化铝的下料量和下料频次控制的准确度较低的问题。
50.为了使得本领域技术人员能够更加清楚地了解本技术的技术方案，以下将结合具体的实施例对本技术的氧化铝电解时的阳极电流的处理方法的实现过程进行详细说明。
51.本实施例涉及一种阳极电流动态仿真方法，阳极电流动态仿真方法包括：将用于阳极电流动态仿真的第一数据的数据精度和用于阳极电流动态仿真的第二数据的数据精度分别设置为第一精度和第二精度，其中，第一数据包括历史测量阳极电流、历史电解槽温度，第二数据包括实时氧化铝浓度分布、实时火眼识别数据、实时全局槽电压和实时工况参数中的至少一个，第二精度高于第一精度；基于第一精度的第一数据和第二精度的第二数据，执行阳极电流动态仿真。
52.在本技术的一种具体实施例中，上述酸法氧化铝电解阳极电流动态仿真方法还包括：接收用于酸法氧化铝电解阳极电流动态仿真的输入数据，其中，输入数据包括不同阳极的实时电流和工作时长；将与酸法氧化铝电解槽对应的总阳极电流划分为由多个进程在分布式环境上分别处理的多个子阳极电流，其中，执行酸法氧化铝电解阳极电流动态仿真的步骤包括：基于输入数据，通过上述多个进程分别对每个子域中的每个阳极的实时电流、温度和工作时长进行预测、对比及调整。
53.在本技术的一种具体实施例中，上述的酸法氧化铝电解阳极电流动态仿真方法，其中，上述多个子阳极电流执行迭代更新的步骤包括：在子阳极电流每次迭代更新后，将预测的电流数据和实时电流数据进行对比并量化；将差值介于0.02mv-30mv之间的数据点进行标记；将该数据点的温度和阳极工作时长等数据进行处理归入学习数据集。
54.在每次子阳极电流的迭代更新后，将预测的电流数据与实时电流数据进行对比，并进行量化评估；这个对比过程可以用来验证预测模型的准确性，并提供反馈信息以进一步改进模型的预测性能；首先，需要获取实时电流数据，这可以通过传感器或监控系统来实现；实时电流数据表示当前电解槽中的实际电流情况；同时，也需要使用预测模型来生成对应的电流预测数据；预测模型可以基于历史数据、机器学习算法进行构建；这个模型可以使用过去的电流数据和其他相关变量作为输入，预测未来一段时间内的电流情况；在每次子阳极电流的迭代更新后，将实时电流数据与预测的电流数据进行对比；对比的方式可以采用各种指标，例如均方根误差(rmse)、平均绝对误差(mae)或相关系数；这些指标可以量化预测结果与实际结果之间的差异程度；通过对比和量化，可以评估预测模型的性能，并根据评估结果进行调整和改进；如果预测结果与实际结果之间存在较大的误差，可以考虑优化预测模型的输入特征、调整模型参数，以提高预测的准确性和可靠性；这种对比和量化的方法可以保证验证预测模型的有效性，并在动态仿真过程中提供实时的反馈信息；通过不断迭代和改进，可以逐步提高预测模型的性能，使其更好地适应电解槽氧化铝混合过程的实际情况；
55.在本技术的一种具体实施例中，上述的酸法氧化铝电解阳极电流动态仿真方法，
其中，执行迭代更新的步骤包括：针对每个子域，在每次迭代更新中执行以下步骤：基于前一次迭代更新中的子阳极电流实时数据和前一次迭代更新中的新增数据集来计算当前迭代更新中的子阳极电流；基于当前迭代更新中的阳极电流来计算当前迭代更新中的阳极电阻和工作状态。
56.在本技术的一种具体实施例中，上述酸法氧化铝电解阳极电流动态仿真系统包括：配置精度模块，被配置为：将用于酸法氧化铝电解阳极电流动态仿真的第一数据的数据精度和用于酸法氧化铝电解阳极电流动态仿真的第二数据的数据精度分别设置为第一精度和第二精度，基于hog(方向梯度直方图)特征和svm分类，通过学习阶段与检测阶段，实现对目标的识别，完成独立子域与全槽的信息获取；混合精度仿真模块，被配置为：基于第一精度的第一数据和第二精度的第二数据，执行酸法氧化铝电解阳极电流动态仿真迭代。
57.在本技术的一种具体实施例中，上述的酸法氧化铝电解阳极电流动态仿真系统，学习阶段包括如下步骤：一是采集电流、阳极导杆温度、火眼数据等样本数据；二是提取样本的特征信息到特征向量空间中，用向量模型表示图像的特征信息，得到特征向量；三是将特征向量输入到分类器中训练学习，生成目标分类器；检测阶段包括如下步骤：一是在目标检测的基础上，对火眼图像进行特征提取；二是得到目标特征向量后输入到训练好的目标分类器上，通过检测窗口扫描对目标进行分类，并用矩形框标识；三是对输出结果进行矩形框合并，将重叠在一起的小矩形合并成一个大矩形框，实现对目标的识别；其中，hog(即方向梯度直方图技术)特征是检测到的局部对象轮廓能够被光强梯度或边缘方向的分布所表征。
58.火眼图像是一种基于热红外技术的图像获取方式，可以提供目标的热辐射信息。在火眼图像中，每个像素代表了目标表面的温度分布，通过对图像进行处理和分析，可以提取出目标的特征信息。
59.特征提取是指从图像中提取出具有代表性的信息，用于描述目标的形状、纹理、颜色等特征；在火眼图像中进行特征提取有助于对目标进行分类、识别和检测；下面介绍几种常用的火眼图像特征提取方法：灰度直方图：通过统计图像中像素灰度级的分布情况，可以提取出图像的整体亮度特征；灰度直方图可以用于描述图像的亮度分布情况，从而对目标进行表征；纹理特征：火眼图像中的纹理信息可以通过不同的纹理描述子进行提取；其中常用的方法包括灰度共生矩阵(glcm)、局部二值模式(lbp)和gabor滤波器等；这些方法可以捕捉目标表面的纹理细节，用于纹理分析和识别。
60.阳极电流分布信号测量通过酸法氧化铝电解槽的电流一般由连接上一台槽阴极母线的各个立柱母线引入，通过横梁母线与阳极导杆的接触连接进入到各个导杆中，横梁在立柱母线或过桥母线引入电流后，分别通过横梁流向各个阳极碳块，其各个阳极和总的电平衡可由以下公式来进行表示：
61.公式分别为第一公式：it＝i3+i4＝ia+ib+ic+id+i1+i6；
62.第二公式：ia＝i2－i1；
63.第三公式：ib＝i3－i2；
64.第四公式：ic＝i4－i5；
65.第五公式：id＝i5－i6；
66.其中it为立柱或过桥母线进入该段横梁的总电流；i1、i2、i3、i4、i5、i6分别为各
段横梁的局部截面电流；ia、ib、ic、id分别为各个阳极导杆的流入电流。
67.对于流经导杆的电流而言，除了可以直接通过测量导杆的等距压降从而利用欧姆定律计算外，还可以通过获得与导杆进行接触导电的两侧横梁的流经电流进行加和求解。因此，基于横梁上电流可以进行测量的前提，对于每一根阳极导杆来说，可以把问题化简为电流流入流出节点的问题，导杆与横梁的接触即为节点。
68.假设可以把流经横梁和导杆的电流看成理想状态下的线电流，那么流经某段横梁的电流就可通过沿着横梁方向特定长度上的电势差进行计算，所示流经导杆的电流i可以通过第六公式进行计算：
69.第六公式为：
70.其中，i为i1与i2的和，r1为v
1-v2段电势差的电阻值，r2为v
4-v3段电势差的电阻值，因此，若能够测量出导杆两侧横梁上的某段电势差v
1-v2以及v
4-v3，则可获得与等距压降同等意义的物理量。
71.根据上述测得的阳极分布电流，结合生产数据，酸法氧化铝电解阳极电流动态仿真方法工作流包含一系列连续迭代；每次迭代由三个步骤组成：探索、标记和训练；在整个训练迭代过程中，一个重要的点是，我们有一个根据数据结合深度学习预先训练好的模型集合；从同一组数据训练，但在模型参数的初始化方面有所不同；在训练过程中迭代，旨在最小化损失函数，损失函数是阳极电流、压降、过热度或氧化铝浓度的测量和预测结果之间误差的度量；在有足够的训练数据的配置参数情况下，不同的生产条件下的预测模型都应该非常准确，因此产生彼此接近的预测；否则，来自不同模型的预测会以相当大的方差分散开来；因此，特定配置的模型集合的预测集合的方差可用作误差指示器和是否应选择配置进行标记的标准；
72.由于从调度程序传递的任务数量巨大，因此手动管理脚本提交和结果收集将既繁琐又耗时；使用智能任务调度器；通常，调度程序会自动上传输入文件、提交用于计算的脚本、继续维护作业队列，并在作业完成时收集结果；调度程序不仅在处理各种类型的计算任务方面显示出其优势，而且还在适应不同类型的可用计算资源方面表现出色。
73.调度程序的典型工作流程由以下功能组成：
74.检查提交；首先，调度员将检查任务是否已提交；如果没有，调度程序将上传文件并从头开始构建提交脚本；这将形成一个由要执行的任务组成的队列；否则，调度程序将恢复现有队列并从已完成的任务中收集结果，而不是再次提交脚本；
75.文件上传和下载：当预测程序主进程在hpc的登录节点上运行时，它通过网络文件系统与计算节点共享文件系统；文件上传和下载可以通过python模块的操作系统和shutil(即常规的python模块中的shutil)简单实现；为了提高i/o效率，调度程序不是复制或删除文件，而是对符号链接进行操作或直接移动文件；当预测程序主进程在执行实际计算的计算机以外的机器上运行时，文件通过ssh(安全外壳协议)传输；预测程序为这两种情况提供了统一的接口，因此文件传输适应连接类型，并且可以轻松调用；此外，容易实现文件传输的新协议；作业提交；将前向文件和通用文件上传到计算机后，预测程序生成用于执行所需计算任务的脚本；作业脚本适用于不同类型的计算机，包括工作站、具有作业调度系统的高性能集群和云计算机：工作站；这允许用户在单个计算机(例如个人笔记本电脑)上运行预
测程序；在这种情况下，预测程序准备可以直接执行的shell脚本；具有作业调度系统的hpc(高性能计算机群)，例如slurm、pbs和lsf(分布式集群管理系统软件)；执行作业的资源需要在提交脚本中进行设置，例如cpu/gpu的数量和最大执行挂机时间等；预测程序为用户提供端到端接口，并将machine(机械装置)文件中的设置转换为提交脚本，作业调度系统可以接受；云机；云计算机的脚本类似于工作站的脚本；唯一的区别是预测程序调度程序分别在作业执行之前或之后运行其他命令来启动或终止计算机；这些命令与云计算机服务提供的应用程序编程接口(api)兼容；
76.作业监控：监控提交的每个作业的状态至关重要；预测程序调度员能够通过与上面介绍的各种机器进行通信来识别作业状态并做出相应的反应；如果作业正在运行，调度程序将不执行任何操作；如果作业终止，调度程序将尝试重新提交作业最多三次；如果作业仍然无法成功执行，则很可能是作业设置有问题，例如，参数可能不正确；在这种情况下，需要用户干预；任务完成后，调度程序将下载向后文件并将其传递给调度程序；任务调度程序在所有任务完成后完成其任务，然后计划程序将向前迈进；
77.最后，应该强调的是，预测程序是相当自动的和行业通用的；一旦准备好输入文件并成功运行预测程序，就不需要额外的人工；本发明的一种酸法氧化铝电解阳极电流动态仿真方法，正是基于以上描述和假设进行横梁压降测量、间接计算阳极电流的方法结合行业数据、专家经验和深度学习，基于测出来的数据不断学习迭代后，对氧化铝下料频次和下料量进行控制，有效减少阳极效应40至60％，提高电流效率3至5％。
78.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
79.本技术实施例还提供了一种氧化铝电解时的阳极电流的处理装置，需要说明的是，本技术实施例的氧化铝电解时的阳极电流的处理装置可以用于执行本技术实施例所提供的用于氧化铝电解时的阳极电流的处理方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
80.以下对本技术实施例提供的氧化铝电解时的阳极电流的处理装置进行介绍。
81.图3是根据本技术的实施例提供的一种氧化铝电解时的阳极电流的处理装置的结构框图。如图3所示，该装置包括第一获取单元31、第一处理单元32、第二获取单元33和第二处理单元34；第一获取单元31用于获取各子阳极的多个历史子阳极电流，其中，氧化铝的阳极由多个上述子阳极组成；第一处理单元32用于将所有的上述历史子阳极电流输入至神经网络模型中，以利用上述神经网络模型对上述历史子阳极电流进行处理，上述神经网络模型是使用多组训练数据训练得到的，上述多组训练数据中的每一组训练数据均包括历史时间段内获取的：第一历史子阳极电流以及对应的第二历史子阳极电流，上述第一历史子阳极电流为上述子阳极在第一历史时刻的电流，上述第二历史子阳极电流为上述子阳极在第二历史时刻的电流，上述第一历史时刻处于上述第二历史时刻的前面；第二获取单元33用于获取上述子阳极的实际子阳极电流和上述神经网络模型输出的预测阳极电流，并根据上述实际子阳极电流和上述预测阳极电流，对上述神经网络模型进行回归处理，得到优化后
的上述神经网络模型，以优化上述神经网络模型的输出，上述实际子阳极电流为上述子阳极在当前时刻的电流的实际值；第二处理单元34用于将上述实际子阳极电流输入至上述优化后的上述神经网络模型中，并根据上述优化后的上述神经网络模型的输出，来对应调节上述氧化铝的下料量和下料频次。
82.上述装置中，根据氧化铝的阳极的各个子阳极的子阳极电流作为输入，并不断迭代，从而提高神经网络模型的准确度，进而提高后续对阳极电流预测的准确度，从而达到优化模型的目的，从而根据优化模型的输出，来对应调节氧化铝的下料量和下料频次，进而解决了因现有方案对氧化铝的阳极在电解过程中的阳极电流预测的准确度较低，而导致对氧化铝的下料量和下料频次控制的准确度较低的问题。
83.在本技术的一种实施例中，第二获取单元包括第一确定模块和第一处理模块，第一确定模块用于根据上述实际子阳极电流和对应的上述预测阳极电流，确定是否对上述神经网络模型进行回归处理；第一处理模块用于在确定对上述神经网络模型进行回归处理的情况下，对上述神经网络模型进行回归处理，得到上述优化后的上述神经网络模型。
84.在本技术的一种实施例中，第一确定模块包括获取子模块、第一确定子模块和第二确定子模块，获取子模块用于获取阳极电流差值，上述阳极电流差值为上述实际子阳极电流和对应的上述预测阳极电流的差值；第一确定子模块用于在上述阳极电流差值的绝对值大于或者等于第一差值阈值，且上述阳极电流差值的绝对值小于或者等于第二差值阈值的情况下，确定对上述神经网络模型进行回归处理；第二确定子模块用于在上述阳极电流差值的绝对值小于上述第一差值阈值，或者上述阳极电流差值的绝对值大于上述第二差值阈值的情况下，确定不对上述神经网络模型进行回归处理。
85.在本技术的一种实施例中，该装置还包括第三处理单元和第一确定单元，在根据上述实际子阳极电流和上述预测阳极电流，对上述神经网络模型进行回归处理，得到优化后的神经网络模型之后，第三处理单元用于根据上述预测阳极电流对应的实际子阳极电流，得到上述实际子阳极电流对应的上述子阳极的阳极电阻；第一确定单元用于根据上述阳极电阻，确定对应的上述子阳极的工作状态，上述工作状态为以下之一：过热状态、过冷状态、正常状态。
86.在本技术的一种实施例中，第三确定单元包括第一获取模块、第二确定模块、第三确定模块和第四确定模块，第一获取模块用于获取第一电阻阈值和第二电阻阈值；第二确定模块用于在上述阳极电阻大于或者等于上述第一电阻阈值，且上述阳极电阻小于或者等于第二电阻阈值的情况下，确定对应的上述子阳极的上述工作状态为上述正常状态；第三确定模块用于在上述阳极电阻小于上述第一电阻阈值的情况下，确定对应的上述子阳极的上述工作状态为上述过冷状态；第四确定模块用于在上述阳极电阻大于上述第二电阻阈值的情况下，确定对应的上述子阳极的上述工作状态为上述过热状态。
87.在本技术的一种实施例中，该装置还包括第三获取单元、第二确定单元和第四处理单元，在将所有的上述历史子阳极电流输入至神经网络模型中之前第三获取单元用于获取第一数据和第二数据，上述第一数据为上述实际子阳极电流，上述第二数据为预估阳极电流，上述预估阳极电流为上述子阳极的在未来时刻的电流的估计值；第二确定单元用于确定上述第一数据的第一精度和上述第二数据的第二精度，上述第一精度和上述第二精度均为预设的精度；第四处理单元用于将上述第一精度和上述第二精度输入上述神经网络模
型，以限制上述神经网络模型的输出。
88.在本技术的一种实施例中，该装置还包括第五处理单元、第六处理单元和第七处理单元，在将所有的上述历史子阳极电流输入至神经网络模型中之前，第五处理单元用于采用方向梯度直方图技术从数据库中提取多个目标特征，上述目标特征用于表征除了上述子阳极的阳极电流以外的其它与上述子阳极相关的特征，上述数据库存储有多个上述目标特征和上述子阳极的上述阳极电流；第六处理单元用于采用支持向量机算法对上述目标特征进行分类，得到多个分类特征；第七处理单元用于将所有的分类特征输入至上述神经网络模型中，以限制上述神经网络模型的输出。
89.在本技术的一种实施例中，第二处理单元包括第二获取模块和第五处理模块，第二获取模块用于获取上述优化后的上述神经网络模型输出的电流映射关系，上述电流映射关系为在未来预定时间段内上述预测阳极电流和时间的关系；第五处理模块用于根据上述电流映射关系，对应调节上述氧化铝的上述下料量和上述下料频次。
90.上述氧化铝电解时的阳极电流的处理装置包括处理器和存储器，上述第一获取单元、第一处理单元、第二获取单元和第二处理单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
91.处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决因现有方案对氧化铝的阳极在电解过程中的阳极电流预测的准确度较低，而导致对氧化铝的下料量和下料频次控制的准确度较低的问题。
92.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
93.本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述氧化铝电解时的阳极电流的处理方法。
94.本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述氧化铝电解时的阳极电流的处理方法。
95.本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：获取各子阳极的多个历史子阳极电流，其中，氧化铝的阳极由多个上述子阳极组成；将所有的上述历史子阳极电流输入至神经网络模型中，以利用上述神经网络模型对上述历史子阳极电流进行处理，上述神经网络模型是使用多组训练数据训练得到的，上述多组训练数据中的每一组训练数据均包括历史时间段内获取的：第一历史子阳极电流以及对应的第二历史子阳极电流，上述第一历史子阳极电流为上述子阳极在第一历史时刻的电流，上述第二历史子阳极电流为上述子阳极在第二历史时刻的电流，上述第一历史时刻处于上述第二历史时刻的前面；获取上述子阳极的实际子阳极电流和上述神经网络模型输出的预测阳极电流，并根据上述实际子阳极电流和上述预测阳极电流，对上述神经网络模型进行回归处理，得到优化后的上述神经网络模型，以优化上述神经网络模型的输出，上述实际子阳极电流为上述子阳极在当前时刻的电流的实际值；将上述实际子阳极电流输入至上述优化后的上述神经网络模型中，并
根据上述优化后的上述神经网络模型的输出，来对应调节上述氧化铝的下料量和下料频次。本文中的设备可以是服务器、pc、pad、手机等。
96.本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：获取各子阳极的多个历史子阳极电流，其中，氧化铝的阳极由多个上述子阳极组成；将所有的上述历史子阳极电流输入至神经网络模型中，以利用上述神经网络模型对上述历史子阳极电流进行处理，上述神经网络模型是使用多组训练数据训练得到的，上述多组训练数据中的每一组训练数据均包括历史时间段内获取的：第一历史子阳极电流以及对应的第二历史子阳极电流，上述第一历史子阳极电流为上述子阳极在第一历史时刻的电流，上述第二历史子阳极电流为上述子阳极在第二历史时刻的电流，上述第一历史时刻处于上述第二历史时刻的前面；获取上述子阳极的实际子阳极电流和上述神经网络模型输出的预测阳极电流，并根据上述实际子阳极电流和上述预测阳极电流，对上述神经网络模型进行回归处理，得到优化后的上述神经网络模型，以优化上述神经网络模型的输出，上述实际子阳极电流为上述子阳极在当前时刻的电流的实际值；将上述实际子阳极电流输入至上述优化后的上述神经网络模型中，并根据上述优化后的上述神经网络模型的输出，来对应调节上述氧化铝的下料量和下料频次。
97.本技术还提供了一种电子设备，其特征在于，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置为由上述一个或多个处理器执行，上述一个或多个程序包括用于执行任意一种上述的氧化铝电解时的阳极电流的处理方法。根据氧化铝的阳极的各个子阳极的子阳极电流作为输入，并不断迭代，从而提高神经网络模型的准确度，进而提高后续对阳极电流预测的准确度，从而达到优化模型的目的，从而根据优化模型的输出，来对应调节氧化铝的下料量和下料频次，进而解决了因现有方案对氧化铝的阳极在电解过程中的阳极电流预测的准确度较低，而导致对氧化铝的下料量和下料频次控制的准确度较低的问题。
98.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
99.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
100.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
101.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
102.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
103.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
104.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
105.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
106.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
107.从以上的描述中，可以看出，本技术上述的实施例实现了如下技术效果：
108.1)、本技术的氧化铝电解时的阳极电流的处理方法，根据氧化铝的阳极的各个子阳极的子阳极电流作为输入，并不断迭代，从而提高神经网络模型的准确度，进而提高后续对阳极电流预测的准确度，从而达到优化模型的目的，从而根据优化模型的输出，来对应调节氧化铝的下料量和下料频次，进而解决了因现有方案对氧化铝的阳极在电解过程中的阳极电流预测的准确度较低，而导致对氧化铝的下料量和下料频次控制的准确度较低的问题。
109.2)、本技术的氧化铝电解时的阳极电流的处理装置，根据氧化铝的阳极的各个子阳极的子阳极电流作为输入，并不断迭代，从而提高神经网络模型的准确度，进而提高后续对阳极电流预测的准确度，从而达到优化模型的目的，从而根据优化模型的输出，来对应调节氧化铝的下料量和下料频次，进而解决了因现有方案对氧化铝的阳极在电解过程中的阳极电流预测的准确度较低，而导致对氧化铝的下料量和下料频次控制的准确度较低的问
题。
110.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种氧化铝电解时的阳极电流的处理方法，其特征在于，包括：获取各子阳极的多个历史子阳极电流，其中，氧化铝的阳极由多个所述子阳极组成；将所有的所述历史子阳极电流输入至神经网络模型中，以利用所述神经网络模型对所述历史子阳极电流进行处理，所述神经网络模型是使用多组训练数据训练得到的，所述多组训练数据中的每一组训练数据均包括历史时间段内获取的：第一历史子阳极电流以及对应的第二历史子阳极电流，所述第一历史子阳极电流为所述子阳极在第一历史时刻的电流，所述第二历史子阳极电流为所述子阳极在第二历史时刻的电流，所述第一历史时刻处于所述第二历史时刻的前面；获取所述子阳极的实际子阳极电流和所述神经网络模型输出的预测阳极电流，并根据所述实际子阳极电流和所述预测阳极电流，对所述神经网络模型进行回归处理，得到优化后的所述神经网络模型，以优化所述神经网络模型的输出，所述实际子阳极电流为所述子阳极在当前时刻的电流的实际值；将所述实际子阳极电流输入至所述优化后的所述神经网络模型中，并根据所述优化后的所述神经网络模型的输出，来对应调节所述氧化铝的下料量和下料频次。2.根据权利要求1所述的方法，其特征在于，根据所述实际子阳极电流和所述预测阳极电流，对所述神经网络模型进行回归处理，得到优化后的所述神经网络模型，包括：根据所述实际子阳极电流和对应的所述预测阳极电流，确定是否对所述神经网络模型进行回归处理；在确定对所述神经网络模型进行回归处理的情况下，对所述神经网络模型进行回归处理，得到所述优化后的所述神经网络模型。3.根据权利要求2所述的方法，其特征在于，根据所述实际子阳极电流和对应的所述预测阳极电流，确定是否对所述神经网络模型进行回归处理，包括：获取阳极电流差值，所述阳极电流差值为所述实际子阳极电流和对应的所述预测阳极电流的差值；在所述阳极电流差值的绝对值大于或者等于第一差值阈值，且所述阳极电流差值的绝对值小于或者等于第二差值阈值的情况下，确定对所述神经网络模型进行回归处理；在所述阳极电流差值的绝对值小于所述第一差值阈值，或者所述阳极电流差值的绝对值大于所述第二差值阈值的情况下，确定不对所述神经网络模型进行回归处理。4.根据权利要求2所述的方法，其特征在于，在根据所述实际子阳极电流和所述预测阳极电流，对所述神经网络模型进行回归处理，得到优化后的神经网络模型之后，所述方法还包括：根据所述预测阳极电流对应的实际子阳极电流，得到所述实际子阳极电流对应的所述子阳极的阳极电阻；根据所述阳极电阻，确定对应的所述子阳极的工作状态，所述工作状态为以下之一：过热状态、过冷状态、正常状态。5.根据权利要求4所述的方法，其特征在于，根据所述阳极电阻，确定对应的所述子阳极的工作状态，包括：获取第一电阻阈值和第二电阻阈值；在所述阳极电阻大于或者等于所述第一电阻阈值，且所述阳极电阻小于或者等于第二
电阻阈值的情况下，确定对应的所述子阳极的所述工作状态为所述正常状态；在所述阳极电阻小于所述第一电阻阈值的情况下，确定对应的所述子阳极的所述工作状态为所述过冷状态；在所述阳极电阻大于所述第二电阻阈值的情况下，确定对应的所述子阳极的所述工作状态为所述过热状态。6.根据权利要求1所述的方法，其特征在于，在将所有的所述历史子阳极电流输入至神经网络模型中之前，所述方法还包括：获取第一数据和第二数据，所述第一数据为所述实际子阳极电流，所述第二数据为预估阳极电流，所述预估阳极电流为所述子阳极的在未来时刻的电流的估计值；确定所述第一数据的第一精度和所述第二数据的第二精度，所述第一精度和所述第二精度均为预设的精度；将所述第一精度和所述第二精度输入所述神经网络模型，以限制所述神经网络模型的输出。7.根据权利要求1所述的方法，其特征在于，在将所有的所述历史子阳极电流输入至神经网络模型中之前，所述方法还包括：采用方向梯度直方图技术从数据库中提取多个目标特征，所述目标特征用于表征除了所述子阳极的阳极电流以外的其它与所述子阳极相关的特征，所述数据库存储有多个所述目标特征和所述子阳极的所述阳极电流；采用支持向量机算法对所述目标特征进行分类，得到多个分类特征；将所有的分类特征输入至所述神经网络模型中，以限制所述神经网络模型的输出。8.根据权利要求1至7中任一项所述的方法，其特征在于，根据所述优化后的所述神经网络模型的输出，来对应调节所述氧化铝的下料量和下料频次，包括：获取所述优化后的所述神经网络模型输出的电流映射关系，所述电流映射关系为在未来预定时间段内所述预测阳极电流和时间的关系；根据所述电流映射关系，对应调节所述氧化铝的所述下料量和所述下料频次。9.一种氧化铝电解时的阳极电流的处理装置，其特征在于，包括：第一获取单元，用于获取各子阳极的多个历史子阳极电流，其中，氧化铝的阳极由多个所述子阳极组成；第一处理单元，用于将所有的所述历史子阳极电流输入至神经网络模型中，以利用所述神经网络模型对所述历史子阳极电流进行处理，所述神经网络模型是使用多组训练数据训练得到的，所述多组训练数据中的每一组训练数据均包括历史时间段内获取的：第一历史子阳极电流以及对应的第二历史子阳极电流，所述第一历史子阳极电流为所述子阳极在第一历史时刻的电流，所述第二历史子阳极电流为所述子阳极在第二历史时刻的电流，所述第一历史时刻处于所述第二历史时刻的前面；第二获取单元，用于获取所述子阳极的实际子阳极电流和所述神经网络模型输出的预测阳极电流，并根据所述实际子阳极电流和所述预测阳极电流，对所述神经网络模型进行回归处理，得到优化后的所述神经网络模型，以优化所述神经网络模型的输出，所述实际子阳极电流为所述子阳极在当前时刻的电流的实际值；第二处理单元，用于将所述实际子阳极电流输入至所述优化后的所述神经网络模型
中，并根据所述优化后的所述神经网络模型的输出，来对应调节所述氧化铝的下料量和下料频次。10.一种电子设备，其特征在于，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至8中任意一项所述的氧化铝电解时的阳极电流的处理方法。

技术总结
本申请提供了一种氧化铝电解时的阳极电流的处理方法、装置和电子设备，该方法包括：获取各子阳极的多个历史子阳极电流；将所有的历史子阳极电流输入至神经网络模型中，以利用神经网络模型对历史子阳极电流进行处理；获取子阳极的实际子阳极电流和神经网络模型输出的预测阳极电流，并根据实际子阳极电流和预测阳极电流，对神经网络模型进行回归处理，得到优化后的神经网络模型；将实际子阳极电流输入至优化后的神经网络模型中，并根据优化后的神经网络模型的输出，来对应调节氧化铝的下料量和下料频次。进而解决了因现有方案对氧化铝的阳极在电解过程中的阳极电流预测的准确度较低，而导致对氧化铝的下料量和下料频次控制的准确度较低的问题。确度较低的问题。确度较低的问题。


技术研发人员：李伦 马小波 白晓伟 黄涌波 高桂梅 吴永峰 李文清 刘瑞平 乔磊 郝俊伟 郭玉龙 赵光 刘慧茹 樊敏 安龙 冷秋实
受保护的技术使用者：神华准能资源综合开发有限公司
技术研发日：2023.05.30
技术公布日：2023/9/9