神经网络建模方法及数据挖掘在煤造气过程中的应用

发布时间：2017-03-30 16:21

  本文关键词：神经网络建模方法及数据挖掘在煤造气过程中的应用，由笔耕文化传播整理发布。

【摘要】：以煤为原料的造气炉,气化层温度和状态是造气炉提高制气能力以及降低能耗的关键参数,对这些变量的测量或预测是使其实现闭环控制的前提条件。由于造气工艺中工况复杂、检测环境恶劣,直接测温法往往比较困难,难以实现。因此,针对间接反映气化层温度的上行温度、下行温度以及上下行温度之和,本文提出了将数据挖掘与神经网络相结合的方法对其进行建模研究。主要工作如下： 1、实际工业中,造气过程产生的数据具有不规律、变化小、含有噪声以及各变量间存在耦合等复杂特点。针对这类数据,本文提出了将数据挖掘与BP神经网络以及RBF神经网络相结合的动态线性建模方法。一方面使用系统模型的动态描述以便更准确地反映气化层温度的大小以及变化趋势,另一方面有效利用系统中可以控制的变量。该算法基本思想是先对数据进行相关性分析,根据分析结果建立动态线性模型,而动态线性模型与真实数据之间的差值则由神经网络建模描述。 2、研究了一些常用的建模方法,包括ARMAX模型、多元线性回归模型、BP神经网络模型、RBF神经网络模型、基于主成分分析的BP神经网络模型(PCA-BP)以及多元线性回归与BP及RBF神经网络相结合的模型。此外,通过对层次聚类理论知识的学习和研究,针对造气过程中丢失的数据,提出了一种基于层次聚类的数据补偿算法,并进行了仿真验证。 3、利用某造气厂的实际生产运行数据,对造气系统中的上行温度、下行温度以及上下行温度之和进行了建模方法的大量仿真研究,将本文提出的算法与BP神经网络、RBF神经网络、PCA-BP模型、ARMAX模型以及多元线性回归模型进行仿真对比分析,验证了本文所提算法的有效性和优越性。结果表明,本文所提出的建模方法比其他模型的精度高,减少了BP神经网络的训练时间,同时由于本文所提建模方法的变量为造气系统可以控制的变量,所以该模型可以用于实际应用。因此,本论文的研究工作有利于煤气化系统的数据预测和控制,为工厂中控制系统的仿真优化建立了先决条件。
【关键词】：数据挖掘 BP神经网络 RBF神经网络 层次聚类
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TQ546;TP183
【目录】：

• 致谢5-6
• 中文摘要6-7
• ABSTRACT7-11
• 1 引言11-17
• 1.1 研究意义及背景11
• 1.2 数据挖掘在工业过程建模中的研究现状11-13
• 1.3 煤造气工艺流程简介13-15
• 1.4 本文主要工作15-17
• 2 数据挖掘理论基础17-27
• 2.1 数据挖掘与知识发现概述17-18
• 2.2 层次聚类算法18-22
• 2.2.1 聚类算法中的统计量20-22
• 2.2.2 层次聚类算法分类及步骤22
• 2.3 属性相关分析22-24
• 2.4 数据预处理24-25
• 2.5 本章小结25-27
• 3 常用建模方法的基本理论27-33
• 3.1 多元线性回归建模28-29
• 3.2 滑动平均外生自回归建模29-30
• 3.3 基于主成分分析的BP神经网络建模30-32
• 3.3.1 主成分分析30-31
• 3.3.2 PCA-BP算法步骤31-32
• 3.4 本章小结32-33
• 4 结合神经网络的线性建模方法33-43
• 4.1 结合BP神经网络的线性建模方法33-39
• 4.1.1 BP神经网络概述33-34
• 4.1.2 结合BP神经网络的多元线性回归建模方法34-37
• 4.1.3 结合BP神经网络的动态线性建模方法37-39
• 4.2 结合RBF神经网络的线性建模方法39-42
• 4.2.1 RBF神经网络基本原理39-40
• 4.2.2 结合RBF神经网络的多元线性回归建模方法40-41
• 4.2.3 结合RBF神经网络的动态线性建模方法41-42
• 4.3 本章小结42-43
• 5 结合神经网络的线性建模方法在煤造气系统中的应用43-79
• 5.1 造气系统数据清洗与补偿43-47
• 5.2 相关性分析47-49
• 5.3 多种建模算法在煤造气系统中的仿真结果49-73
• 5.3.1 多元线性回归建模仿真结果49-53
• 5.3.2 ARMAX模型仿真结果53-60
• 5.3.3 PCA-BP模型仿真结果60-63
• 5.3.4 结合BP神经网络的线性建模仿真结果63-69
• 5.3.5 结合RBF神经网络的线性建模仿真结果69-73
• 5.4 仿真结果分析73-77
• 5.5 本章小结77-79
• 6 结论与展望79-81
• 参考文献81-85
• 附录85-87
• 作者简历87-91
• 学位论文数据集91

【参考文献】

中国期刊全文数据库 前10条

1 马旭;张弛;陈小凡;;基于主成分的BP神经网络煤层气产能预测方法[J];科技和产业;2013年11期

2 程兆年,汤锋潮,罗学才,张未名,陈念贻;模式识别法在化工调优中的应用[J];化工学报;1990年05期

3 靳晓明,陆玉昌,石纯一,苑森淼;时间序列的细微距离发现[J];计算机研究与发展;2000年09期

4 杨善升,陆文聪,陈念贻;数据挖掘技术在化工优化中的应用[J];江苏化工;2004年04期

5 俞研;黄皓;;面向入侵检测的基于多目标遗传算法的特征选择[J];计算机科学;2007年03期

6 陈念贻,李重河,钦佩;化学模式识别优化方法及其应用[J];科学通报;1997年08期

7 崔万照,朱长纯,保文星,刘君华;混沌时间序列的支持向量机预测[J];物理学报;2004年10期

8 彭松涛;;流程工业中的数据挖掘建模与应用[J];自动化博览;2007年04期

9 尹雯;胡沥丹;袁云;;利用PCA改进BP神经网络算法[J];科技资讯;2010年21期

10 郝启刚;间歇式造气炉炉温操作指导控制系统[J];小氮肥;1999年06期

  本文关键词：神经网络建模方法及数据挖掘在煤造气过程中的应用，，由笔耕文化传播整理发布。

本文编号：277580