基于XGBoost和LSTM模型的化工产品质量预测研究
发布时间：2022-07-22 16:21
随着全球制造业数字化、网络化、智能化的步伐不断加快,我国工业面临转型升级的问题。信息技术与传统工业的深度融合是第四次工业革命的主要发展方向。当代工业制造过程日趋复杂,主要呈现出如下特点:规模扩大,加工步骤关系复杂化,工业制造过程形成了复杂的系统;在制造过程中发生的异常往往会造成巨大的损失。不幸的是,工业制造过程中即使是高端设备也无法避免运行过程中产生异常问题。与此同时,一些人工干预手段也有可能导致制造过程的异常。由此可见,若能对产品的品质或是制造过程中出现的异常及时预测并采取预防措施,这将提高整个生产流程的效率,从而更好的保证产品的质量和服务。当前,绝大多数工业企业进行质量控制的方法主要还是投入大量的维护费用以保证生产制造过程正常运行。但是,一些工业企业已经开始探索如何利用机器学习和人工智能的方法,从生产线积累的大量数据中进行模式学习,从而能够提前对工业制造过程进行质量预测,及时发现工业制造过程中的问题所在,以保证工业制造过程可以快速有效地进行。本文将研究焦点放在化工产品的质量预测上,具体解决的是工业大数据的时间序列预测问题。本文利用了两份来源相同（都来自真实化工企业生产环境）,但预处...
【文章页数】：55 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 论文研究背景与研究意义
1.1.1 研究背景
1.1.2 研究意义
1.2 研究问题及解决方案
1.3 创新点
1.4 本文架构
第二章 文献综述
2.1 工业质量传统预测研究综述
2.2 工业质量智能化预测研究综述
2.3 多变量时间序列预测研究综述
2.4 XGBoost和LSTM模型应用研究综述
2.5 文献述评
第三章 理论基础
3.1 集成学习
3.2 XGBoost模型介绍
3.3 深度学习理论基础
3.3.1 深度学习基本概念
3.3.2 深度学习基本模型
3.3.3 深度神经网络的缺陷
3.4 LSTM模型介绍
3.4.1 RNN循环神经网络
3.4.2 LSTM长短期记忆网络
3.4.3 长时间序列转化方案
3.4.4 LSTM的关键参数及Keras实现
第四章 数据介绍、预处理及探索分析
4.1 化工产品生产过程
4.2 数据介绍
4.3 数据可视化探索分析
第五章 预测模型设计与实验评估
5.1 预测模型实现方案设计
5.2 预测模型评估方案设计
5.3 实验仿真及评估
5.3.1 非固定时间间隔数据集建模
5.3.2 固定时间间隔数据集建模
5.3.3 预测模型整合
第六章 总结和展望
6.1 总结
6.2 未来研究展望
参考文献
攻读硕士学位期间科研成果
致谢
【参考文献】：
期刊论文
[1]基于长短期记忆神经网络的火电厂NOx排放预测模型[J]. 杨国田,张涛,王英男,李新利,刘禾. 热力发电. 2018(10)
[2]基于异常序列剔除的多变量时间序列结构化预测[J]. 毛文涛,蒋梦雪,李源,张仕光. 自动化学报. 2018(04)
[3]基于AdaBoost的链路质量预测机制研究[J]. 舒坚,刘满兰,郑巍. 通信学报. 2017(S1)
[4]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生. 北京航空航天大学学报. 2018(04)
[5]企业内部控制质量对上市公司经营绩效影响研究——基于制造业上市公司的实证研究[J]. 白默,李海英. 管理世界. 2017(09)
[6]基于隐马尔科夫模型的滚动轴承性能退化评估[J]. 周建民,郭慧娟,张龙. 华东交通大学学报. 2017(04)
[7]基于关联变量时滞分析卷积神经网络的生产过程时间序列预测方法[J]. 张浩,刘振娟,李宏光,杨博,路洁. 化工学报. 2017(09)
[8]深度学习框架下LSTM网络在短期电力负荷预测中的应用[J]. 陈亮,王震,王刚. 电力信息与通信技术. 2017(05)
[9]基于集成深度学习的时间序列预测模型[J]. 何正义,曾宪华,曲省卫,吴治龙. 山东大学学报(工学版). 2016(06)
[10]基于ARMA与BP神经网络模型的产品质量安全风险预测[J]. 周荣喜,蔡小龙,崔清德,徐步祥. 北京化工大学学报(自然科学版). 2015(06)
博士论文
[1]多工序制造质量智能预测建模机理研究及应用[D]. 杨杰.华南理工大学 2011
硕士论文
[1]基于SMT大数据的产品质量预测方法研究与实现[D]. 冯尔磊.西安电子科技大学 2018
[2]基于集成学习的工业产品质量控制方法研究[D]. 张莉婷.华南理工大学 2018
[3]基于大数据分析的螺栓拧紧工艺质量评价方法研究[D]. 王磊.山东大学 2018
[4]复杂产品制造过程关键质量特性识别与最终质量水平预测方法研究[D]. 朱才松.合肥工业大学 2018
[5]阀体产品装配质量状态评估与诊断预测方法研究[D]. 薛晓波.温州大学 2018
[6]中药生产工艺的智能优化研究[D]. 李金昌.浙江大学 2018
[7]基于深度学习的数据特征的提取与预测研究[D]. 钟楠祎.浙江工业大学 2017
[8]RBF网络的改进及其在焊膏印刷厚度预测中的应用[D]. 肖长冬.西安电子科技大学 2010
本文编号：3664940
【文章页数】：55 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 论文研究背景与研究意义
1.1.1 研究背景
1.1.2 研究意义
1.2 研究问题及解决方案
1.3 创新点
1.4 本文架构
第二章 文献综述
2.1 工业质量传统预测研究综述
2.2 工业质量智能化预测研究综述
2.3 多变量时间序列预测研究综述
2.4 XGBoost和LSTM模型应用研究综述
2.5 文献述评
第三章 理论基础
3.1 集成学习
3.2 XGBoost模型介绍
3.3 深度学习理论基础
3.3.1 深度学习基本概念
3.3.2 深度学习基本模型
3.3.3 深度神经网络的缺陷
3.4 LSTM模型介绍
3.4.1 RNN循环神经网络
3.4.2 LSTM长短期记忆网络
3.4.3 长时间序列转化方案
3.4.4 LSTM的关键参数及Keras实现
第四章 数据介绍、预处理及探索分析
4.1 化工产品生产过程
4.2 数据介绍
4.3 数据可视化探索分析
第五章 预测模型设计与实验评估
5.1 预测模型实现方案设计
5.2 预测模型评估方案设计
5.3 实验仿真及评估
5.3.1 非固定时间间隔数据集建模
5.3.2 固定时间间隔数据集建模
5.3.3 预测模型整合
第六章 总结和展望
6.1 总结
6.2 未来研究展望
参考文献
攻读硕士学位期间科研成果
致谢
【参考文献】：
期刊论文
[1]基于长短期记忆神经网络的火电厂NOx排放预测模型[J]. 杨国田,张涛,王英男,李新利,刘禾. 热力发电. 2018(10)
[2]基于异常序列剔除的多变量时间序列结构化预测[J]. 毛文涛,蒋梦雪,李源,张仕光. 自动化学报. 2018(04)
[3]基于AdaBoost的链路质量预测机制研究[J]. 舒坚,刘满兰,郑巍. 通信学报. 2017(S1)
[4]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生. 北京航空航天大学学报. 2018(04)
[5]企业内部控制质量对上市公司经营绩效影响研究——基于制造业上市公司的实证研究[J]. 白默,李海英. 管理世界. 2017(09)
[6]基于隐马尔科夫模型的滚动轴承性能退化评估[J]. 周建民,郭慧娟,张龙. 华东交通大学学报. 2017(04)
[7]基于关联变量时滞分析卷积神经网络的生产过程时间序列预测方法[J]. 张浩,刘振娟,李宏光,杨博,路洁. 化工学报. 2017(09)
[8]深度学习框架下LSTM网络在短期电力负荷预测中的应用[J]. 陈亮,王震,王刚. 电力信息与通信技术. 2017(05)
[9]基于集成深度学习的时间序列预测模型[J]. 何正义,曾宪华,曲省卫,吴治龙. 山东大学学报(工学版). 2016(06)
[10]基于ARMA与BP神经网络模型的产品质量安全风险预测[J]. 周荣喜,蔡小龙,崔清德,徐步祥. 北京化工大学学报(自然科学版). 2015(06)
博士论文
[1]多工序制造质量智能预测建模机理研究及应用[D]. 杨杰.华南理工大学 2011
硕士论文
[1]基于SMT大数据的产品质量预测方法研究与实现[D]. 冯尔磊.西安电子科技大学 2018
[2]基于集成学习的工业产品质量控制方法研究[D]. 张莉婷.华南理工大学 2018
[3]基于大数据分析的螺栓拧紧工艺质量评价方法研究[D]. 王磊.山东大学 2018
[4]复杂产品制造过程关键质量特性识别与最终质量水平预测方法研究[D]. 朱才松.合肥工业大学 2018
[5]阀体产品装配质量状态评估与诊断预测方法研究[D]. 薛晓波.温州大学 2018
[6]中药生产工艺的智能优化研究[D]. 李金昌.浙江大学 2018
[7]基于深度学习的数据特征的提取与预测研究[D]. 钟楠祎.浙江工业大学 2017
[8]RBF网络的改进及其在焊膏印刷厚度预测中的应用[D]. 肖长冬.西安电子科技大学 2010
本文编号：3664940
本文链接：https://www.wllwen.com/kejilunwen/huaxuehuagong/3664940.html
教材专著
