一种基于动态邻域模糊熵的铝电解铝液波动识别方法及系统

本发明涉及工业过程监测与人工智能，具体涉及一种基于动态邻域模糊熵的铝电解铝液波动识别方法及系统。

背景技术：

1、铝电解是工业原铝生产的核心工艺，其电解槽运行的稳定性直接关系到电流效率、能耗与生产安全。铝液波动是磁流体系统稳定性的关键表征，异常的铝液界面扰动会显著降低电流效率、增加能耗，并加剧对电解槽内衬的侵蚀，缩短槽寿命。由于电解槽处于封闭、高温、强腐蚀的恶劣环境，传统的探杆式或改进型测量装置难以实现长期可靠在线监测。因此，利用易于获取的电信号（如槽电压）进行铝液波动异常的智能识别，对提升铝电解过程的测量与预警能力具有重要的工业应用价值。

2、研究表明，槽电压信号在不同频段蕴含不同的工艺过程信息。具体而言，0.001–0.01 hz频段的子带瞬时能量谱（siep）被证实与铝液波动特征高度相关。通过对该频段信号的采集与分析，结合各类过程电压变量，可构成用于铝液波动识别的基础时序数据。然而，这些时序数据展现出独特的复杂性：阳极效应等异常工况会引起信号的局部突变，而出铝、换极等周期性操作则形成明显的长周期趋势变化。这种局部突变与长周期趋势并存的特点，对时间序列分类模型提出了更高的特征提取要求。

3、近年来，基于transformer架构的深度学习方法在时间序列分类任务上取得了显著进展。该类方法通过多头自注意力机制能够有效建模序列中的长距离依赖关系，但其特征表达天然偏向全局，对前述工业场景中关键的局部突变与长周期趋势的协同刻画能力不足。为解决此问题，研究者们提出了多种局部—全局特征融合框架，例如da-net、convtimenet、ctnet和shapeformer等。这些方法的共性思路是将局部特征的提取作为全局特征建模的中间步骤或先验约束，形成一种从局部到全局的级联式或渐进式建模范式。这种架构虽然在计算效率上具备优势，但局部特征与全局特征在提取过程中已深度耦合，固化了二者在融合时的贡献比例，导致模型丧失了对两类判别性特征进行独立提取和动态加权融合的灵活性，最终限制了模型在复杂工业场景下的判别性能。

4、此外，在铝电解工业中，正常工况样本占据绝大多数，而表征铝液波动的异常样本极为稀缺，数据呈现严重的类别不平衡分布。由于异常事件一旦发生将带来显著的经济损失与安全隐患，识别模型必须对少数的异常类保持高度敏感。现有的focal loss等损失函数通过调制因子能在一定程度上缓解类别不平衡，但其在类级别的重加权策略默认同类样本的权重相同，未能考虑同一类别内部因信号模式差异而产生的样本难度差异，导致模型对类别内的困难样本学习不充分。

5、因此，亟需一种新的技术方案，以在统一的深度学习框架下，实现对时序数据局部动态和长程趋势的并行独立建模与灵活融合，同时兼顾工业场景下的类别不平衡和类内难度差异问题，从而显著提升铝液波动识别的准确率与鲁棒性。

技术实现思路

1、为了解决现有技术中存在的上述技术问题，本发明提供了一种基于动态邻域模糊熵的铝电解铝液波动识别方法及系统。

2、在一方面，本发明提供了一种基于动态邻域模糊熵的铝电解铝液波动识别方法，包括：通过多头自注意力机制提取用于表征铝电解铝液波动信息的输入时间序列的全局特征，生成全局注意力得分矩阵；基于所述输入时间序列中各时间步之间的局部邻域关系，构建局部模糊熵矩阵，并将所述局部模糊熵矩阵经反向变换生成局部特征矩阵；在归一化所述全局注意力得分矩阵之前，将所述局部特征矩阵与所述全局注意力得分矩阵进行结构对齐与自适应加权融合，得到融合注意力权重矩阵；基于所述融合注意力权重矩阵，对值矩阵进行加权求和，得到融合后的时序表示，以用于时间序列分类，实现铝电解铝液波动识别。

3、该方法从架构层面改变了现有技术中局部到全局的级联建模范式，构建了局部特征提取分支与全局特征提取分支并行独立工作的双分支结构。一方面，transformer的多头自注意力模块负责捕获序列的全局上下文与长程依赖关系，为分类提供宏观判别依据。另一方面，基于动态邻域模糊熵的局部特征提取分支不再是全局建模的附属部分，而是通过时间步间的局部邻域约束，挖掘数据在短时范围内的动态变化模式，尤其是对局部突变具备天然的敏感性。所生成的局部特征矩阵与全局注意力得分矩阵并非直接拼接或简单相加，而是在softmax归一化操作之前进行结构对齐与自适应加权融合。优势在于，归一化本质上是一个对注意力得分进行竞争性重新分配的过程，若在此前即注入已被增强或抑制的局部判别信息，则能从根本上改变注意力聚焦的位置与强度，使得模型能够根据输入的动态特性，灵活自主地决定是偏向局部细节还是全局趋势，实现了真正的动态加权融合。由此生成的融合时序表示同时承载了全局语境与局部结构的协同信息，能够全面刻画铝电解时序数据中局部突变与长周期趋势并存的复杂特征，显著提升了异常识别的准确性和稳定性。

4、优选地，所述基于所述输入时间序列中各时间步之间的局部邻域关系，构建局部模糊熵矩阵，包括：对于所述输入时间序列的每个时间步，计算其与位于预设邻域范围内各时间步之间的欧氏距离；基于所述欧氏距离，利用隶属度函数计算各时间步对之间的隶属度，以构建隶属度矩阵；将所述隶属度矩阵中的各隶属度通过幂律函数计算，得到局部模糊熵矩阵。

5、传统的模糊熵方法通过对全部时间步对的隶属度进行统计平均，最终输出一个单一的标量值，以衡量整段序列的复杂度。虽然该标量能反映数据的整体规律性，但在此过程中完全丢失了时间维度上的局部结构信息。本实施方式所提出的方法通过邻域约束将隶属度的计算限定在特定时间窗口内，并保留所有满足条件的隶属度，直接构造出一个矩阵而非标量。进一步地，引入幂律函数将隶属度转化为模糊熵，这一变换并非线性的，它在高相似度区间（隶属度趋近于1）变化平缓，有助于维持稳定工况下特征表示的平滑性；而在低相似度区间（隶属度趋近于0），其函数响应则更为剧烈，能够有效放大局部突变或边界状态在熵值上的表征差异。这种非线性映射机制，使得本方法在保持对正常工况描述稳定性的同时，对异常类局部波动具有更强的感知和区分能力，从而成功实现了从全局统计到局部结构表示的范式转换。

6、优选地，所述隶属度函数为：隶属度函数为：；其中，表示向量对之间的隶属度，为相似性阈值参数，为模糊指数，m是嵌入向量的维数，任意两个嵌入向量之间的距离记为，a 和b分别表示第a个和第b个嵌入向量的索引，取值范围为 1 到 n-m+1。使用指数函数作为隶属度函数，相较于其他隶属度形式，能提供更平滑、连续且数值稳定的衰减曲线，避免了硬阈值判别带来的信息损失。

7、优选地，所述将所述隶属度矩阵中的各隶属度通过幂律函数计算，得到局部模糊熵矩阵，包括：计算局部模糊熵为：；其中，为隶属度， 为幂指数参数，用于调节模糊熵对隶属度变化的敏感程度；构建局部模糊熵矩阵h，其中，对于满足预设邻域范围的时间步对(i, j)，矩阵元素 = ；对于对角线元素，等于时间步i在其邻域内所有有效的平均值；其余元素为零。对矩阵对角线的特殊处理，即用其邻域模糊熵的均值填充，为该时间步提供了一种自稳定的局部信息。该操作使得即使在某一时刻信号出现异常跳变，其自身上下文信息仍能通过邻域统计量得到约束和表征，增强了局部特征的鲁棒性。

8、优选地，所述将所述局部特征矩阵与所述全局注意力得分矩阵进行结构对齐与自适应加权融合，得到融合注意力权重矩阵，包括：引入可学习参数，将所述局部特征矩阵进行扩展，得到扩展局部特征矩阵，其中，扩展的维度与所述全局注意力得分矩阵的多头注意力维度保持一致，将扩展后的局部特征矩阵与所述全局注意力得分矩阵进行加权求和，得到融合注意力权重矩阵，其中，加权系数为可学习参数。多头注意力机制的本质是将输入映射到多个不同的表示子空间进行独立计算。通过将局部特征矩阵复制并分别加权扩展至每个注意力头，允许模型在不同的表示子空间中，为局部特征和全局特征学习到最优的融合比例，从而充分利用了多头机制的并行建模能力。

9、优选地，所述扩展局部特征矩阵为： ，所述融合注意力权重矩阵为：；其中，w和s均为可学习参数，⊙表示逐元素相乘。该设计赋予模型端到端学习融合权重的自由度。例如，对于背景平稳、异常表现于局部尖峰的数据，模型可自动学习到较大的w值和较小的s值，使融合特征更侧重于局部细节；反之，对于异常由趋势性漂移表征的数据，模型则倾向于增强全局得分s的贡献。

10、优选地，在训练过程中，所述方法还包括：采用基于奖励引导的参数优化策略，对构建所述局部模糊熵矩阵所涉及的参数进行动态调整，所述参数包括邻域大小、相似性阈值和反向变换中的偏移量。通过在训练过程中动态调整关键参数，实现了局部特征提取模块的自适应优化，使其能更好地匹配不同数据。

11、优选地，所述基于奖励引导的参数优化策略，包括：以模型上一轮的测试准确率作为奖励值；根据所述奖励值，采用带反射边界的步进更新策略，在预设范围内对各参数进行往复搜索和更新。此策略将参数调整从人工经验转化为数据驱动的自动搜索过程。以模型性能（准确率）为导向进行参数搜索，确保了优化方向的正确性；而带反射边界的步进更新机制则保证了参数始终在合理物理范围内进行探索，避免了因步长过大或方向错误导致的参数发散。

12、优选地，所述方法还包括：在对模型进行训练时，采用类内难易感知的损失函数计算损失值，所述损失函数在类别级权重的基础上，根据样本在其所属类别内部的相对预测难度，为每个样本生成独立的难度权重。与仅在类别间进行平衡的常规损失函数不同，本实施方式的损失函数进一步下沉到类别内部，精确定位并加权那些同类中更难被正确分类的困难样本。

13、优选地，所述损失函数为；其中，第 个样本真实类别对应的预测概率为，为类别权重，为聚焦参数。样本难度通过()来度量，即模型对其真实类别的预测置信度越低，认为其难度越大。为了消除不同类别难度基准差异带来的干扰，对每个类别内样本的难度进行独立的归一化处理，确保了难度权重在跨类别时的可比性。

14、在另一方面，本发明还提供了一种基于动态邻域模糊熵的铝电解铝液波动识别系统，所述系统包括：全局特征提取模块，其用于通过多头自注意力机制提取用于表征铝电解铝液波动信息的输入时间序列的全局特征，生成全局注意力得分矩阵；局部特征构建模块，其用于基于所述输入时间序列中各时间步之间的局部邻域关系，构建局部模糊熵矩阵，并将所述局部模糊熵矩阵经反向变换生成局部特征矩阵；结构对齐融合模块，其用于在归一化所述全局注意力得分矩阵之前，将所述局部特征矩阵与所述全局注意力得分矩阵进行结构对齐与自适应加权融合，得到融合注意力权重矩阵；时序表示生成模块，其用于基于所述融合注意力权重矩阵，对值矩阵进行加权求和，得到融合后的时序表示，以用于时间序列分类，实现铝电解铝液波动识别。该系统的各个模块与方法步骤一一对应，共同作用，实现了所述方法的全部有益效果。

15、在又一方面，本发明还提供了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

16、在又一方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。

17、本发明提出了一种局部与全局并行协同的双分支模型架构，通过将动态邻域模糊熵构建的局部特征分支与transformer的全局特征分支设为独立、对等的组成部分，打破了现有技术中将局部特征仅作为全局特征中间产出或先验约束的级联式范式，为两者在特征层面的动态加权融合提供了结构基础和自由度。本发明通过在softmax归一化之前，将局部特征矩阵与全局注意力得分矩阵进行结构对齐与直接加权融合，从而生成对局部突变和长程趋势兼具判别力的融合表征。本发明将传统模糊熵从仅输出单一标量的全局统计工具，改造为能够精细化刻画时间序列局部结构的局部特征矩阵生成器。该方法保留了模糊熵对数据噪声和波形微变计算稳定的优点，同时具有提取时间维度动态信息的能力，尤其通过幂律函数的非线性特性，放大了对局部突变信号的敏感性。此外，本发明提出的类内难易感知损失函数，解决了现有focal loss类损失函数在类别不平衡问题的处理上止步于类间均衡的局限性。通过在批次内对同类样本进行归一化难度度量并引入难度增益，模型能够精细区分并重点关注各类别内部的硬样本，有效提升了在铝液波动等复杂工业场景中，对极少数但高风险的异常类的识别能力和鲁棒性。