对铝电解生产决策进行优化可以产生巨大经济效益,但由于铝电解生产过程具有非线性、大滞后、多变量耦合等特点,仅靠工艺人员通过人工分析很难做出最优决策。各大铝电解厂在多年的铝电解槽生产控制和管理过程中,收集了大量的生产控制、测量、化验、决策数据,使用这些历史数据训练机器学习系统是解决铝电解决策优化的重要途径。深度学习是一种最近取得了突破性进展的机器学习方法,其以在海量样本中学习到高质量特征为特点,广泛应用于机器视觉、自然语言处理、机器人控制等领域。本文采用基于内部节点装袋算法的深度学习模型来预测电解槽在不同状态下的最优出铝量决策,使得电解槽的累计产量最大化。论文主要研究内容如下:1.对某铝厂电解生产原始数据进行了预处理及可视化分析。首先分析了原始数据的缺失、异常情况,然后通过序列提取、异常值处理、缺失值处理对数据进行了清洗,且通过各类图表展示了数据清洗效果。最后分析了数据各特征的分布,以及它们之间的关联,并使用XGBoost对各特征进行了评分。2.使用马尔科夫决策过程(Markov Decision Process,MDP)对铝电解槽生产过程进行了数学描述,使得研究工作从复杂的铝电解工艺中脱离出来。提出了一个基于KNN(K最近邻,k-Nearest Neighbor)的电解槽仿真算法,为本文后续的深度模型训练和评估奠定了基础。3.提出了一个基于内部节点装袋算法的深度决策模型,并使用监督学习和强化学习对其进行了训练,为此分别提出了铝电解槽槽况标记算法和基于仿真器的DDPG强化学习算法。且通过基于KNN的电解槽仿真算法分析了基准模型、监督模型以及强化模型的性能。4.设计并实现了一个铝电解决策系统。