基于深度信念网络的机械加工车间能耗预测及支持系统研究

发布时间：2020-11-03 02:59

　　 制造业在国民经济中占有重要份额,直接体现了一个国家的生产力水平,虽然它推动了全球经济的增长,但是也消耗了大量能量和资源,并对环境造成了污染。机械加工车间是制造业的重要组成部分,其能耗问题日益严峻。通过对机械加工车间能耗的预测不仅可以把握能源消耗的趋势,控制能源的存贮量,减少能源的浪费,降低车间的生产成本,也是车间节能研究基础,可为车间各能耗源节能优化提供有效依据。为此,本文通过分析机械加工车间的能耗以及能耗的影响因素,建立了一种基于深度信念网络的机械加工车间能耗预测模型,并开发了一套基于该能耗预测模型的支持系统。论文主要研究内容如下:首先,针对机械加工车间的多能耗组成的特点,从设备层的角度对机械加工车间能耗进行分析,基于此建立机械加工车间能耗影响因素指标体系,将此作为之后能耗预测模型输入变量的类型,并对能耗影响因素指标进行分析。其次,在上述基础上,建立了一种基于深度信念网络的机械加工车间能耗预测模型。先预处理原始的样本数据,将样本数据分为训练数据和测试数据,根据样本数据以及训练目标对网络结构进行设计,然后用训练样本数据进行训练,从而得到每一层神经元的权重和偏置量,通过训练结果的误差判断模型训练是否成功,最后用训练好的模型对测试样本数据进行预测,预测完成后进行预测结果的误差分析。根据误差分析的结果,不断的训练模型来调整模型的网络结构以及训练参数,直到得到最小的预测误差,此模型就作为最终的预测模型。并将本文的能耗预测模型与基于浅层神经网络的预测模型和基于支持向量机预测模型进行对比分析。最后,开发了基于深度信念网络的机械加工车间能耗预测模型的支持系统,先设计了支持系统的体系结构和功能模块;然后通过C#语言与MATLAB算法的集成实现了此支持系统;并通过此支持系统展现了基于深度信念网络的机械加工车间能耗预测模型应用后的预测效果,证明了该系统的有效性。
【学位单位】：重庆大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TH18;TP183
【部分图文】：

图 4.3 系统登录界面Fig.4.3 The interface of logging②样本数据管理模块输入正确的用户名和密码后，即可进入系统主界面，系统主界面主要由标题栏、菜单栏、工具栏、操作区构成，点击菜单栏中的各个选项按钮，就可以进入相对应的功能模块进行操作。在系统的主界面菜单栏选择样本数据管理，即可进入样本数据管理界面，如图 4.4 所示。

图 4.4 样本数据管理界面Fig.4.4 The interface of sample data management样本数据管理模块主要针对机械加工车间能耗预测的样本数据进行导入、删除、修改、查询等操作，此功能模块为模型的训练和机械加工车间能耗预测提供了数据支撑，详细功能如下图 4.5 所示。

重庆大学硕士学位论文 4 基于深度信念网络的机械加工车间能耗预测方法支持系统的开发1）用户点击工具栏中“导入”按钮，弹出文件打开对话框，即可选择用于预测机械加工车间能耗的样本数据文件，将数据导入并显示在界面中，如图 4.4 所示。2）用户选中机械加工车间能耗预测样本数据表的某行，点击工具栏中删除按钮，弹出提示对话框，选择“确定”按钮，即可删除选中的数据；点击工具栏中清空按钮，弹出提示对话框，选择“确定”清空按钮，即可清空所有的样本数据。3）用户点击工具栏中“修改”按钮，双击机械加工车间能耗预测样本数据表的某个单元格，即可对数据进行修改。4）用户点击工具栏中日期筛选控件，选择一段时间，然后点击“查询”按钮，即可在操作区显示出这段时间的样本数据。③预测模型训练模块在样本数据管理功能模块中导入了样本数据之后，在系统菜单栏点击“预测模型训练”按钮，即可进入预测模型训练界面进行模型的训练，如图 4.6 所示。
【参考文献】

相关期刊论文 前7条

1 潘广源;柴伟;乔俊飞;;DBN网络的深度确定方法[J];控制与决策;2015年02期

2 李剑楠;乔颖;鲁宗相;李兢;;多时空尺度风电统计特性评价指标体系及其应用[J];中国电机工程学报;2013年13期

3 徐曼;乔颖;鲁宗相;;短期风电功率预测误差综合评价方法[J];电力系统自动化;2011年12期

4 陈志田;崔华;朱春雁;;能源管理体系中的能源因素分析[J];世界标准化与质量管理;2007年09期

5 刘东亮;王凤岐;郭伟;;计算机仿真技术及其在生产系统中的应用[J];组合机床与自动化加工技术;2007年04期

6 王秀;孙晧;;灰色神经网络交通事故预测比较[J];长春工业大学学报(自然科学版);2006年04期

7 高兴培;用MATLAB语言仿真设计人工神经网络[J];广东广播电视大学学报;2004年01期

本文编号：2868000