毕业论文：支持向量机在铝电解槽况分类中的应用网站首页 技术交流

毕业论文：支持向量机在铝电解槽况分类中的应用

TianYaKe-天涯客 2024-07-01 11:59:34

简介毕业论文：支持向量机在铝电解槽况分类中的应用

1、前言

机器学习在分类中已经非常成熟，受限于本人的专业能力与认知，所以本论文/课题是我在机器学习领域的初步探索，在关键的算法和代码部分其实我也一知半解，所以我重点讲述机器学习应用的过程，及探讨如何增强自己论文的叙事性，以及如何利用ChatGPT来帮助自己论文写作。

有纰漏请指出，转载请说明。

学习交流请发邮件 1280253714@qq.com

先上几个有趣的网站：

根据图像生成声音

Imaginary Soundscape

CNN EXPLAINER——形象具体地解释CNN的原理

CNN Explainer

B站up主DR_CAN

期刊审稿人手把手教你写一篇SCI论文 (1)_事实汇总【论文写作】_哔哩哔哩_bilibili

2、机器学习的步骤

这是我在ChatGPT上找到的，基本上很符合我论文的整体思路

我的论文：

这样，机器学习的应用，需要先回答以下几个问题：

1.为什么要进行数据预处理，数据预处理分为几个步骤？

2.为什么要提取关键特征，怎么提取关键特征？

3.为什么要选择支持向量机这个模型，模型该如何建立？

4.怎么对模型进行训练，怎么验证所训练模型的好坏？

所以，接下来我先对我的课题做一个简要的介绍，然后来一一回答上面提出的问题。

3、课题综述

废话少说，总结就是：

1.铝在国民经济中的应用范围广泛

2.铝电解产业发展迅速

3.快速发展的同时出现很多问题

4.学界出现了很多铝电解槽状态评估方法

5.本课题建立基于支持向量机的槽况评判模型

6.我主要做了这些工作：数据预处理、提取关键特征、建立模型并训练

7.我建立的模型有什么用，还有哪些需要改进的地方

4、为什么要进行数据预处理，数据预处理分为几个步骤？

还是ChatGPT，我根据我的论文，总结概况铝电解数据的特点：数据维度高、数据量大、噪声干扰强、非线性关系强

这是我收到导师发给我的数据：

噪声干扰强：在铝电解生产过程中，主要的工艺技术参数的数据来源于传感器、变送器等仪表仪器，然而受到仪表精度、测量环境、测量方法以及人为因素的影响，采集到的数据不可避免地出现噪点或异常值等情况。

数据维度高：关于铝电解的数据参数有14个（实际上影响铝电解的参数远不止这些，甚至多达数十上百个），如果把这些参数都输入模型中，训练难度高及训练时间长。

非线性关系强：因不同参数变量间存在不同的量纲，且使用未处理的现场数据进行故障诊断和槽况分类，会影响实验结果，而且计算复杂度会大大增加。

那么，针对铝电解数据的特点，需要做什么呢？

噪声干扰强 -> 异常值剔除

非线性关系强 -> 数据归一化

数据维度高 -> 相关性分析及特征值提取

这是我论文上的插图

5、为什么要提取关键特征，怎么提取关键特征？

为什么要提取关键特征，这个问题其实在上面以及回答了。因为影响铝电解槽况运行的参数多，不能把所有参数都作为模型的输入参数，且很多参数存在强相关性，所以要进行相关性分析及特征值提取。

可以利用spss软件分析参数的相关性。我收到的数据都是连续型数据，样本量大于30，数据可以认为符合正态分布，所以采用皮尔逊相关系数

ChatGPT：

我论文中的插图：

论文的思路就是：铝电解的数据存在强相关性，所以可以利用相关性分析，提前出主要的几个特征作为模型的输入。

但是我无法用相关性分析法提前关键特征，所以后来在曾同学的帮助下用了主元分析法，结果如下：

数据预处理部分解决了，接下来就是模型选择的问题了。

6、为什么要选择支持向量机这个模型？

“为什么要选择支持向量机”，这个问题可以转化为：因为铝电解数据有什么样的特点，而支持向量机又有什么优点，所以我选择支持向量机。

1、铝电解涉及参数较多，在处理高维数据时，SVM可更好地反映槽况
2、SVM泛化能力强，数据过小或过大时，可防止出现欠拟合和过拟合
3、SVM通过核函数进行特征转化，将数据从低维空间映射到高维空间，使分类更容易

7、模型该如何建立？

ChatGPT：

我的论文：

但是在这里有个问题还需要解决：支持向量机属于有监督学习，所以在训练之前要先根据指标对模型进行分类。

现在需要解决的问题是：怎么根据一组数据对槽况进行打标签？即根据什么指标对槽况进行分类？

8、如何确定最优槽状态评判指标？

这里我根据前人的经验，选取了三个指标进行比对，分别是综合指标d、电解温度、电流效率。

根据综合指标分类的代码如下，这里我用MATLAB：

选取的三个指标进行比对，结果如下：

其实我后面想了一下，综合指标d是根据效应占比、电流效率、平均电压来综合评判的，那么电流效率和槽温度就不能也用这几个参数来综合评判了，只不过根据最后模型的准确度来看，综合指标d确实分类效果好一些。

根据支持向量机的分类结果来看，综合指标d的分类效果最佳：

9、怎么对模型进行训练？

怎么对模型进行训练，其实这个问题可以转化为：模型建立的分为几个过程。这几个过程就是上面提到的，数据预处理->特征提取->找出最优的槽况分类指标

接下来就是不断调整支持向量机相应的参数和核函数，得出最优分类结果对应的参数和核函数，具体我不在这里进行展开。

10、怎么验证所训练模型的好坏？

在这里，我选择支持向量机和孪生支持向量机进行对比：

还可以是这样的思路：

11、我的论文所做工作有什么用？

针对铝电解行业存在的问题，电解铝行业需要不断优化生产技术，减少能源消耗，降低生产成本，以应对市场变化，实现企业及行业的可持续发展。

在“中国制造2025”背景下，铝电解槽的质量和效率对于铝行业的发展具有重要影响。铝电解槽的状态评估需要处理大量的数据信息，如电解槽内部的温度、流场分布、电流密度等参数。传统的铝电解槽状态评估方法需要停机后才能进行评估，这不仅影响生产效率，而且可能会错过一些关键信息。相较于传统的铝电解槽状态评估方法，本课题设计铝电解槽况评判模型，对数据进行分类及对模型进行优化，该模型可以帮助企业掌握铝电解槽的运行状态和性能表现，及时发现问题并进行维护和优化。随着人工智能技术的发展，铝电解槽况评判模型也可以与先进的智能化监控系统结合起来，实现实时监测和预警，进一步提高铝电解槽的生产效率和安全可靠性。