基于神经网络的石墨化位移及无组织排放预测研究.pdfVIP

摘要

摘要

本文针对炭素生产企业石墨化工艺的生产过程和无组织排放进行研究。在内

串石墨化过程中，随着温度的不断升高，整个石墨电极的膨胀量位移是影响产品()

质量的关键工艺指标。同时随着对生产企业环境监管力度的加强，对企业的环保

要求也更加严格，石墨化工艺正常生产需满足特定的排放标准。针对上述需求，

本文依托某炭素企业DCS真实生产数据和环保监测数据，建立混合神经网络预测

模型，对石墨电极位移和无组织排放物进行预测，本文主要贡献如下：

(1)建立石墨电极位移和无组织排放物预测模型。首先，本文采用双向GRU

模型对历史和未来数据进行学习，获取短期依赖关系。其次，将预测目标输入到

TCN网络中，有效解决循环神经网络在长序列中的梯度爆炸或梯度消失问题。同

时，为提高模型对数据重要特征的提取，引入多头自注意力机制和SE注意力机制。

最后，为防止模型因为网络层过深发生性能下降问题，在模型中加入了跳跃连接

层。实验结果表明，本文提出的ATCN-SE-BiGRU跳跃连接模型在石墨电极位移

预测、无组织排放物预测任务表现最优，验证了本文提出的预测模型的合理性。

(2)SE

融入门控单元和双重注意力机制的改进混合模型。为进一步提升

ATCN-SE-BiGRU跳跃连接模型性能。本文结合石墨化工艺参数和无组织排放物数

据的时序性和周期性，在模型ATCN层中加入了门控单元，从而帮助TCN层对重

SESE

要信息的突出和对不重要信息的抑制。在注意力机制层中加入双重并行模

块，加入最大池化操作来提取整张特征图的空间像素信息，使模型更全面学习到

数据中重要信息的表达。实验结果表明，改进模型在重要信息的表达上得到有效

提升，预测结果更优。

(3)搭建基于混合神经网络模型的石墨电极位移和无组织排放物预测物联网

云平台。对系统的架构进行物联网体系设计，包括决策展示层、应用层、服务层、

数据层、感知层。设计并实现了权限管理模块、数据感知模块、数据预测引擎模

块、数据展示与预测结果分析模块，实现了对石墨化工艺参数和无组织排放物数

据的实时分析与管理功能。原型系统验证了预测模型在实际场景下应用的可行性。

关键词：石墨化工艺；双向循环神经网络；时间卷积；注意力机制；物联网云平

台

I

Abstract

Abstract

Thisthesisfocusesontheproductionprocessofcarbonproductionenterprisesin

graphitechemicaltechnologyandtheunorganizeddustemissions.Intheinternalseries

graphitizationprocess,asthetemperaturecontinuestorise,theexpansionamount

(displacement)oftheentiregraphiteelectrodeisakeyprocessindicatorthataffects

productquality.Simultaneously,withthestrengtheningofenvironmentalregulationson

productionenterprises,theenvironmentalrequirementsforcompanieshavebecome

morestringent.Normalproductioninthegraphitizationprocessneedstomeetspecific

emissionstandards.Inresponsetotheaforementi