本发明涉及人工智能，具体涉及一种铝电解槽故障预防策略推荐方法。
背景技术：
1、近十年以来，随着科学技术水平的不断提高，流程工业产业的发展十分迅速，我国逐渐迈入了世界过程工业生产大国的行列。然而在工业故障这一方面，由于生产过程和生产设备的复杂性，使得现阶段流程工业存在的故障很难进行提前的预知。因此，越来越多的专家学者开始致力于工业设备的故障诊断及预防的研究当中。并在近几年的研究当中取得了丰富的成果。
2、铝电解生产过程是一种较为复杂的流程工业，目前逐渐发展成为我国的主要支柱产业。众所周知，铝电解槽工作在高温和强电磁的条件下，其过程存在时滞大，时变和非线性的故障多发的特点。铝电解槽内进行安全稳定的生产需要满足众多条件，其中包含槽内参数的平稳，电解质温度和成分居于合适的范围，还有电解槽的型号及结构以及技术员的操作水平。加之，对电解铝的生产状况和参数的在线监测技术还不完善。当不满足上述条件情况下，铝电解槽的故障发生率就会大幅度增加。因此，对铝电解过程中发生的故障进行预防对于保证电解铝的稳定生产，提高槽的寿命，提高生产铝的质量和产量具有十分重要的意义。
3、现阶段，国内外对于铝电解槽生产过程中产生的故障侧重于对故障的诊断，所谓的故障诊断是依赖智能算法对生产过程中的出现的故障进行自动检测。目前故障诊断的主要方法包含基于数学模型，基于经验和基于机器学习的处理方法。其中基于数学模型的方法主要包含三种，状态估计法，等价空间法和参数估计法。基于经验知识的方法主要包括故障树法，专家系统法和模糊逻辑等方法，而基于机器学习的方法，包括两类：基于浅层学习智能故障诊断方法和基于深度学习的智能故障诊断方法。
4、然而，上述基于故障诊断的解决方案只能对生产过程中出现的故障进行自动监测，而无法对铝电解槽生产过程中发生故障时给出具体的应急故障解决策略。
技术实现思路
1、本发明意在提供一种铝电解槽故障预防策略推荐方法，以解决现有技术中无法对铝电解槽生产过程中发生故障时，给出具体的应急故障解决策略的问题。
2、为达到上述目的，本发明采用如下技术方案：
3、一种铝电解槽故障预防策略推荐方法，包括如下步骤：
4、步骤101：获取铝电解槽生产过程中可能导致槽出现故障时的工艺参数，获取铝电解槽出现对应故障时具体的预防步骤；
5、步骤102-103：对可能导致槽出现故障时的工艺参数和预防故障的具体步骤与预防故障的具体步骤的位置信息进行编码依次形成故障参数特征向量、预防步骤特征向量和位置特征向量；
6、步骤104：对故障参数特征向量，位置编码特征向量和预防步骤特征向量进行特征融合；
7、步骤105：使用屏蔽语言模块，采用随机掩码的形式对输入故障预防策略推荐模型的特征向量进行掩码；
8、步骤106：使用自注意力机制，为电解铝槽故障预防方案中的每一步分配注意力权重；
9、步骤107：使用感知机对自注意力机制产生的隐层特征向量进行非线性变换；
10、步骤108：对电解铝槽可能导致槽出现故障时的参数特征向量和具体预防策略的具体预防步骤的特征向量进行优化；
11、步骤109：利用可能导致电解槽故障发生的参数特征向量和预防策略特征向量，生成具体有效的故障解决方案。
12、优选的，作为一种改进，采用特征融合策略进行编码：使用u和v符号化的表示铝电解槽故障和故障预防步骤，其中u={,,……,,}表示铝电解槽故障集合，v={,,……,}表示槽故障预防步骤集合，而，表示铝电解槽发生故障时的工艺参数集合，，表示铝电解槽故障的具体推荐步骤集合，而记录了中的每一步骤的位置信息。
13、优选的，作为一种改进，所述的特征向量的特征融合采用以下方式进行：
14、
15、
16、
17、
18、其中表示初始化的铝电解槽故障u对应的第i个工艺参数的特征向量，表示初始化特征向量的维度；
19、k是铝电解槽发生故障时的工艺参数的个数；
20、qut具体预防步骤矩阵的转置；
21、表示初始化的铝电解槽故障的具体预防步骤的特征向量矩阵；
22、表示初始化的预防策略具体步骤所处位置特征向量；
23、分别表示包含故障u工艺参数特征的特征向量和包含故障u具体预防步骤特征的特征向量；
24、表示上述三个特征向量的融合；由于，为了让和可以进行加法操作，使用函数将和扩展到同一维度。
25、优选的，作为一种改进，将中的某些行向量使用服从随机高斯分布的行向量代替。
26、优选的，作为一种改进，所述的注意力机制采用以下方式进行：
27、
28、
29、其中分别表示每头注意力机制的投影矩阵依次为查询矩阵、键矩阵和值矩阵，而，用于训练模型参数矩阵。
30、
31、其中查询矩阵，键矩阵和值矩阵与上述公式中的一致；为温度超参数，使用温度超参数，目的是为了防止梯度消失的现象发生，致使模型无特征可学。
32、优选的，作为一种改进，为了使得模型训练的时候能够感知隐层特征向量之间的相互作用使得模型能够更透彻的感知复杂的铝电解故障发生的参数信息和具体的故障预防策略信息，本发明使用前馈型神经网络进行隐层特征向量之间的相互作用的捕捉，前馈型神经网络采用以下方式进行：
33、
34、
35、
36、其中表示服从标准高斯分布的累积分布函数，而和表示用于训练的权重参数，和表示可训练的偏置参数。
37、其中通过引入可训练的权重参数和偏置参数赋予了模型可以进行隐层特征向量非线性变换和感知隐层特征向量之间的相互作用的能力，而是对融合特征向量中的每一维进行整合，目的是方便多层12头自注意力机制工作的开展。
38、优选的，作为一种改进，所述的注意力机制采用以下方式进行，以捕获电解铝槽可能导致槽出现故障时的参数特征向量和具体预防策略的具体推荐步骤的特征向量：
39、
40、
41、
42、其中函数表示隐层特征向量的层次归一化操作，目的是为了缓解模型训练时特征向量之间数值差异过大造成很难引导模型学习到高质量的特征信息；函数表示杀死神经元的操作函数，目的是为了防止模型因训练参数过于复杂造成过拟合，导致模型故障预防策略推荐效果不佳。
43、本发明进一步的丰富了模型感知能力，提高模型在遇到不同的铝电解槽故障时做出迅速准确的方案推荐，优选地，本发明的自注意力机制可以选用多层多头自注意力机制，本发明采用多层多头自注意力机制进行模型感知能力的丰富，在每一层的多头自注意力机制的堆叠过程中模型就能更深刻的感知到铝电解槽的故障解决策略的全局上下文信息，可以帮助模型更好的进行故障预防方案的决策。
44、优选的，作为一种改进，为了进一步的挖掘铝可能导致电解槽故障发生的参数信息和故障预防策略之间的更为隐蔽的特征信息，使用多层感知机对自注意力机制产生的隐层特征向量进行非线性变换，得到铝电解槽故障预防策略中每一步骤的预测概率值，具体表现形式如下：
45、
46、其中是用于训练的权重参数矩阵，是可训练的偏置参数矩阵，t表示故障预防步骤的长度；表示激活函数，将自注意力机制中得来的隐层特征向量进行非线性变换，对获得的隐层特征进行高维映射，而表示对铝电解槽故障预防策略中每一步骤进行预测的概率值。
47、优选的，作为一种改进，利用均方误差损失函数的形式进行故障预防策略推荐模型优化，具体表现形式如下。
48、
49、其中表示所有样本的集合，其中表示被的样本的真实标签，而被遮掩的样本的特征向量表示，表示对所有铝电解槽故障预防策略具体步骤的预测概率值，函数表示获取概率最大的铝电解槽故障预防步骤，而表示真实的预防步骤y与预测的预防步骤之间的差异，损失越小说明模型的学习效果越好。
50、本发明利用均方误差损失函数的形式进行模型优化以便于获得更加高质量的铝电解槽故障工艺参数特征向量和故障预防策略特征向量。
51、优选的，作为一种改进，利用铝电解槽可能导致槽出现故障时的参数信息，结合所有的故障预防策略信息进行故障预防策略推荐，故障预防策略推荐具体表现形式如下：
52、
53、其中表示故障对应的工艺参数的特征向量信息，而表示所有故障预防策略具体步骤的特征向量矩阵，表示使用矩阵乘法的方案进行铝电解槽故障u的预防策略预测。
54、本发明利用铝电解槽可能导致槽出现故障时的参数信息，结合经过模型训练好的高质量的全体的故障预防策略特征向量进行最贴切且最有效的故障预防策略推荐。
55、本发明的总体框架如下：
56、(1) 首先捕获可能导致电解槽故障发生的工艺参数和故障预防策略的信息，获得工艺参数，故障预防策略和故障预防策略具体步骤所处位置的初始化向量，并对三大特征向量进行特征向量融合方便模型进行高质量特征感知。具体实施见步骤101-104。
57、(3) 紧接着，本发明利用屏蔽语言模块进行铝电解预防策略中的随机步骤的屏蔽，目的是让模型能够拥有完形填空的能力。具体实施见步骤105。
58、(4) 然后，本发明使用多层12头自注意力机制和三层多层感知机，让模型能够捕获铝电解槽故障预防策略中的全局协作信息，并给重要预防步骤更多的注意力，并利用多层感知机让模型能够捕获更加丰富的铝可能导致电解槽故障发生的工艺参数信息和预防策略信息，进行铝电解槽故障工艺参数特征向量和故障预防策略特征向量的增强。具体实施见步骤106-107。
59、(5) 最后，本发明利用均方误差损失函数进行铝电解槽故障工艺参数特征向量和故障预防策略特征向量的优化，该架构通过缩小模型预测值与真实值之间的差异性，来进行铝电解槽故障工艺参数特征向量和故障预防策略特征向量的增强，同时对推荐故障预防结果进行预测。具体实施见步骤108-109。
60、本发明主要由四个模块组成：
61、其一为特征向量融合模块：具体来说，铝电解槽可能导致槽出现故障时的工艺参数，故障预防时的策略和故障预防策略中的具体预防步骤位置信息的初始化特征向量是不同的，目的是体现它们之间的差异性，为了让模型能够同时感知到三大特征向量的含义的同时并能区分他们之间的差异性，本发明使用特征向量加法操作进行特征融合，从而使得模型能够感知特征含义的同时加以区分它们之间的差异性。
62、其二为注意力机制模块：受到注意力机制在处理文本数据上下文关系方面的强大功效，本发明利用注意力机制进行铝电解槽故障预防策略的整体感知使得模型能够充分理解预防策略中的每一步的具体含义，孰轻孰重，为故障发生时的预防策略推荐提供依据，然而单层的多头自注意力机制很难捕捉到更加隐蔽的预防策略全局协作信号，为了解决此问题本发明使用多层多头自注意力机制堆叠的形式进行隐蔽全局协作信号的捕获。
63、其三为多层感知机模块：受到多层感知机在拟合高维非线性特征的优越性，本发明利用多层感知机的进行特征向量的非线性变换，值得注意的是使用函数进行非线性激活，目的是为了防止梯度爆炸和梯度消失的问题发生，此时可以得到高质量的可能导致电解槽故障发生的参数特征向量和预防策略特征向量。
64、其四为模型优化模块：为了能够让本发明模型预测的故障预防策略能够不断的趋近最优的策略，本发明采用屏蔽语言模块和均方误差损失函数进行联合使用从而对模型进行优化，具体来讲，屏蔽语言模块是将铝电解槽故障预防步骤中的随机步骤进行遮掩让模型并输入模型中，让模型预测遮掩步骤的真实值，并使用均方误差进行预测值和真实值之间的差距估计，随着差距越来越小，模型的性能也会越来越优秀。
65、本发明还具有的优点有：
66、1、本发明使用特征向量求和操作将铝电解槽可能导致槽出现故障时的工艺参数信息和故障预防时的策略信息进行融合，使得模型能够学习到对应故障的对应策略信息。
67、2、本发明采用的多头自注意力机制和多层感知机，进行融合特征向量的充分学习，更值得注意的是本发明采用随机掩码的形式对输入模型的特征向量进行掩码，从而在模型优化时增强工艺参数和预防策略的嵌入表示。
68、3、本发明将、和三大特征向量进行矩阵加法操作，得到融合型的特征向量，此时的特征向量能为模型提供参数、策略和位置信息。
69、4、本发明使用u和v符号化的表示铝电解槽故障和故障预防步骤，并将三大矩阵通过矩阵乘法操作计算出铝电解槽故障预防策略中每个步骤对故障预防策略整体的注意力权重信息，使得模型能够感知到故障预防策略中的每一步对解决铝电解槽故障时的贡献大小，为最终为技术人员推荐高效的故障预防方案奠定坚实的基础。
70、5、在电解铝槽生产的过程中会存在很多不确定的因素致使槽故障的发生，因此训练一个强大的模型能够拟合这些不确定因素，并给技术人员进行合理的故障预防策略推荐显得尤为重要。本发明使用多层感知机将从多头注意力机制中得来的隐层特征向量进行高维映射，并进行高位拟合，在多头自注意力机制的堆叠过程中模型就能更深刻的感知到铝电解槽的故障解决策略的全局上下文信息，进而使得模型能够在电解铝槽复杂的生产环境下可能导致槽出现故障时给出更为合理高效的解决策略。
1.一种铝电解槽故障预防策略推荐方法，其特征在于，包括如下步骤：
2. 根据权利要求1所述的一种铝电解槽故障预防策略推荐方法，其特征在于：采用特征融合策略进行编码：使用u和v符号化的表示铝电解槽故障和故障预防步骤，其中u={,,……,,}表示铝电解槽故障集合，v={,,……,}表示槽故障预防步骤集合，而 ，表示铝电解槽发生故障时的工艺参数集合，，表示铝电解槽故障的具体推荐步骤集合，而记录了中的每一步骤的位置信息。
3.根据权利要求2所述的一种铝电解槽故障预防策略推荐方法，其特征在于：所述的特征向量的特征融合采用以下方式进行：
4.根据权利要求3所述的一种铝电解槽故障预防策略推荐方法，其特征在于：将中的某些行向量使用服从随机高斯分布的行向量代替。
5.根据权利要求3所述的一种铝电解槽故障预防策略推荐方法，其特征在于：所述的注意力机制采用以下方式进行：
6.根据权利要求5所述的一种铝电解槽故障预防策略推荐方法，其特征在于：使用前馈型神经网络进行隐层特征向量之间的相互作用的捕捉，前馈型神经网络采用以下方式进行：
7.根据权利要求6所述的一种铝电解槽故障预防策略推荐方法，其特征在于：所述的注意力机制采用以下方式进行，以捕获电解铝槽可能导致槽出现故障时的参数特征向量和具体预防策略的具体推荐步骤的特征向量：
8.根据权利要求7所述的一种铝电解槽故障预防策略推荐方法，其特征在于：使用多层感知机对自注意力机制产生的隐层特征向量进行非线性变换，得到铝电解槽故障预防策略中每一步骤的预测概率值，具体表现形式如下：
9.根据权利要求8所述的一种铝电解槽故障预防策略推荐方法，其特征在于：利用均方误差损失函数的形式进行故障预防策略推荐模型优化，具体表现形式如下。
10.根据权利要求9所述的一种铝电解槽故障预防策略推荐方法，其特征在于：利用铝电解槽可能导致槽出现故障时的参数信息，结合所有的故障预防策略信息进行故障预防策略推荐，故障预防策略推荐具体表现形式如下：
