基于多尺度重构的工业过程多元时间序列LSTM预测方法
发布时间：2022-02-22 13:01
随着工业化进程的推进和对产品质量要求的提升,工业生产对关键过程变量的监控提出了更高的要求。工业过程大多呈现多变量的复杂动态特性,传统的一元时间序列预测方法无法适应实际环境和应用的需求。多元时间序列预测考虑了多元时间序列的相互关系,对工业过程时间序列预测具有良好的应用前景。然而,面对复杂工业过程多元时间序列的非平稳、强相关以及噪声干扰等特性,需要开展新方法的研究,为此,本论文取得了以下主要研究成果:1.针对工业过程时间序列数据的非平稳性问题,提出了一种改进互补集合经验模态分解的时间序列多尺度重构方法,首先利用互补集成经验模态分解将原始时间序列分解为多个模态分量,之后利用模糊熵-GK聚类方法将多个模态分量合并重构,得到趋势、周期、随机三部分,降低原始时间序列的复杂度,增强了其可分析性和可预测性。2.面对工业过程多元时间序列的强相关性和噪声干扰问题,在传统长短期记忆神经网络的基础上,提出了一种融合栈式降噪自编码器的多元时间序列预测模型,可以自适应提取多元输入变量的有用信息,剔除冗余信息,从而提高多元时间序列预测性能。3.将所提方法应用于工业甲醇精馏过程,对该过程内控制回路的控制性能指标进行预...
【文章来源】：北京化工大学北京市211工程院校教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
图２－１改进ＣＥＥＭＤ多尺度重构流程图??１４??
?第二章基于改进ＣＥＥＭＤ的多尺度时间序列重构方法???实验中选取观测点为奥体中心观测点，提取１０００组样本进行ＣＥＥＭＤ时间序列分??解，分解情况如图２－２。??１＾??ｚ?〇｜ＡＡＡ＾ＶＶ／＾ＶＡ＾ｖＶ／Ｗ／＼Ａｖｖ＾＾＾ｙｉｖＡ／ＡＡ／＾ＡｌＶＹ＾／Ｖ＾ｖ＾ｖｌ＾＾Ｗｒ＞Ｖ＾ｗＶＷ＾￣ｗＶ＾ｖ＾／＜ｙ＞／Ｗ＾ｗ＾ＡＶＩＶｖ￣ＶＷ＾ｖ＼Ｍ／＾ＡＡ／ｖｖｆＶＶ｜／Ｖｖ＾??１?．１３?＾Ｎ／Ｎ－＾＾／ｓ／Ｘｙ—＾ｆ＼ｒ＼ｒ＾＾＼ｒ＼／＼＾Ｊ＾＼ｊ＼ｌ＼＾Ｊ＼ｒＪ＼／＾＾—????？一＾?、—■—一??ｉ????－?????—?——?一?＿＝｜??〇?．１００?Ｌ???１?一???塞－ｊ§＾????￣￣￣＊？?￣?Ｊ?、？＾．一?？－一￣ｕ￣＂＇＂＇?—??ｌ．＾￣－－ｑ??ｉ?．把－?—?—二＾—一?．?．?．?－＾—－―?—??＞?ａ??ｊ？Ｔ?！．．．．．．．?ｉ?＇！?：．?．．．?！?：?＾??１００?２００?３００?４０?０?５００?６００?ＴＯＯ?ＢＯＯ?９００?＜０００??Ｓａｍｐｌｅ??图２－２?ＣＥＥＭＤ模态分解结果??Ｆｉｇ?２－２?ＣＥＥＭＤ?ｍｏｄａｌ?ｄｅｃｏｍｐｏｓｉｔｉｏｎ?ｒｅｓｕｌｔｓ??可以观察到分解层数为１２层，且ＩＭＦ分量的波动频率从上到下依次降低，ＩＭＦ１２??波动频率较低，已经可以初步反应出原始时间序列的趋势变化情况。为了进一步的简??化重构的复杂度，我们先通过计算模糊熵对每个模态分量进行复杂度估计，选取嵌入??维度为３，相似度
趋近于下降，这也说明随??着ＣＥＥＭＤ的分解，各个ＩＭＦ分量更加趋近于平稳，这也验证了模糊熵可以用于定??量表述时间序列复杂程度》ＩＭＦ１－ＴＭＦ４波动频率高，更靠近随机性分量的聚类中心，??将ＩＭＦ１－ＩＭＦ４合并重构为随机性分量；ＩＭＦ５－ＩＭＦ６复杂性不高，更靠近周期性分量??聚类中心，故可以将ＩＭＦ５－ＩＭＦ６合并重构为周期性分量；ＩＭＦ７－ＩＭＦ１２变化趋势明显，??更靠近趋势性分量聚类中心，可以将其合并重构为趋势性分量。最终得到的ＰＭ２．５??随机性、周期性和趋势性分量如图２－４和表２－３所示。??表２－３?ＣＥＥＭＤ最终重构结果??Ｔａｂｌｅ?２－３?ＣＥＥＭＤ?ｆｉｎａｌ?ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ?ｒｅｓｕｌｔｓ??分解方式?趋势性分量?周期性分量?随机性分量??ＣＥＥＭＤ?分解?ＩＭＦ７－１ＭＦ１２?ＩＭＦ５－ＩＭＦ６?ＩＭＦ１－ＩＭＦ４??３００，￣重栏座机分量＿＿?３００?ｊ＾?ｑ后酬體??＾?２００?Ｉ?■?２的?ｊ?Ｉ??［：麵觸??？２００??１?＇???１??－３００??１???＾?１???０?２００?４００?６００?８００?１０００?０?２００?４００?６００?８００?１０００??Ｓａｍｐｌｅ?Ｓａｍｐｌｅ??重构后趋势分Ｍ??１：１?Ａ?Ａ?＾??ｆ?：ｌ／?Ｖ?＾??－５０?＇?＇?１?＇???０?２００?４００?６００?８００?１０００??Ｓａｍｐｌｅ??图２－４重构后分量情况??Ｆｉｇ?２－４?Ｒｅｃｏｎｓｔｒｕｃｔｅｄ?ｃｏｍｐｏｎｅｎｔ?ｓｉｔｕａｔｉｏｎ??由上图可知，趋势性分量变换
【参考文献】：
期刊论文
[1]改进型LSTM网络光伏发电功率预测研究[J]. 叶興,薛家祥. 中国测试. 2019(11)
[2]基于灰色关联度和ELM的轴承性能退化趋势预测[J]. 杨超,杨晓霞,李灵飞. 组合机床与自动化加工技术. 2019(11)
[3]浅谈甲醇的合成及下游产品[J]. 朱冬梅,张兰霞. 广州化工. 2019(20)
[4]爆破振动信号分析中模态混叠和虚假分量消除的改进方法[J]. 李清,徐文龙,张迪,李娜,冯丹丹. 振动与冲击. 2019(17)
[5]基于LSTM-Attention网络的短期风电功率预测[J]. 钱勇生,邵洁,季欣欣,李晓瑞,莫晨,程其玉. 电机与控制应用. 2019(09)
[6]基于PCA-PNN原理的岩爆烈度分级预测方法[J]. 吴顺川,张晨曦,成子桥. 煤炭学报. 2019(09)
[7]甲醇合成工艺过程及操作控制的优化问题[J]. 倪静. 中国石油和化工标准与质量. 2019(14)
[8]基于门控循环单元神经网络的金融时间序列预测[J]. 张金磊,罗玉玲,付强. 广西师范大学学报(自然科学版). 2019(02)
[9]时间序列预测技术综述[J]. 何亚磊,许乾坤. 信息通信. 2018(11)
[10]大数据：数据驱动的过程质量控制与改进新视角[J]. 任明仑,宋月丽. 计算机集成制造系统. 2019(11)
博士论文
[1]多元时间序列的分割方法及拐点识别研究[D]. 孙竹斌.大连理工大学 2017
[2]基于机器学习的时间序列预测方法研究与应用[D]. 陈艳华.兰州大学 2017
硕士论文
[1]基于混合模型的股票趋势预测方法研究[D]. 吴少聪.哈尔滨工业大学 2017
本文编号：3639495
【文章来源】：北京化工大学北京市211工程院校教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
图２－１改进ＣＥＥＭＤ多尺度重构流程图??１４??
?第二章基于改进ＣＥＥＭＤ的多尺度时间序列重构方法???实验中选取观测点为奥体中心观测点，提取１０００组样本进行ＣＥＥＭＤ时间序列分??解，分解情况如图２－２。??１＾??ｚ?〇｜ＡＡＡ＾ＶＶ／＾ＶＡ＾ｖＶ／Ｗ／＼Ａｖｖ＾＾＾ｙｉｖＡ／ＡＡ／＾ＡｌＶＹ＾／Ｖ＾ｖ＾ｖｌ＾＾Ｗｒ＞Ｖ＾ｗＶＷ＾￣ｗＶ＾ｖ＾／＜ｙ＞／Ｗ＾ｗ＾ＡＶＩＶｖ￣ＶＷ＾ｖ＼Ｍ／＾ＡＡ／ｖｖｆＶＶ｜／Ｖｖ＾??１?．１３?＾Ｎ／Ｎ－＾＾／ｓ／Ｘｙ—＾ｆ＼ｒ＼ｒ＾＾＼ｒ＼／＼＾Ｊ＾＼ｊ＼ｌ＼＾Ｊ＼ｒＪ＼／＾＾—????？一＾?、—■—一??ｉ????－?????—?——?一?＿＝｜??〇?．１００?Ｌ???１?一???塞－ｊ§＾????￣￣￣＊？?￣?Ｊ?、？＾．一?？－一￣ｕ￣＂＇＂＇?—??ｌ．＾￣－－ｑ??ｉ?．把－?—?—二＾—一?．?．?．?－＾—－―?—??＞?ａ??ｊ？Ｔ?！．．．．．．．?ｉ?＇！?：．?．．．?！?：?＾??１００?２００?３００?４０?０?５００?６００?ＴＯＯ?ＢＯＯ?９００?＜０００??Ｓａｍｐｌｅ??图２－２?ＣＥＥＭＤ模态分解结果??Ｆｉｇ?２－２?ＣＥＥＭＤ?ｍｏｄａｌ?ｄｅｃｏｍｐｏｓｉｔｉｏｎ?ｒｅｓｕｌｔｓ??可以观察到分解层数为１２层，且ＩＭＦ分量的波动频率从上到下依次降低，ＩＭＦ１２??波动频率较低，已经可以初步反应出原始时间序列的趋势变化情况。为了进一步的简??化重构的复杂度，我们先通过计算模糊熵对每个模态分量进行复杂度估计，选取嵌入??维度为３，相似度
趋近于下降，这也说明随??着ＣＥＥＭＤ的分解，各个ＩＭＦ分量更加趋近于平稳，这也验证了模糊熵可以用于定??量表述时间序列复杂程度》ＩＭＦ１－ＴＭＦ４波动频率高，更靠近随机性分量的聚类中心，??将ＩＭＦ１－ＩＭＦ４合并重构为随机性分量；ＩＭＦ５－ＩＭＦ６复杂性不高，更靠近周期性分量??聚类中心，故可以将ＩＭＦ５－ＩＭＦ６合并重构为周期性分量；ＩＭＦ７－ＩＭＦ１２变化趋势明显，??更靠近趋势性分量聚类中心，可以将其合并重构为趋势性分量。最终得到的ＰＭ２．５??随机性、周期性和趋势性分量如图２－４和表２－３所示。??表２－３?ＣＥＥＭＤ最终重构结果??Ｔａｂｌｅ?２－３?ＣＥＥＭＤ?ｆｉｎａｌ?ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ?ｒｅｓｕｌｔｓ??分解方式?趋势性分量?周期性分量?随机性分量??ＣＥＥＭＤ?分解?ＩＭＦ７－１ＭＦ１２?ＩＭＦ５－ＩＭＦ６?ＩＭＦ１－ＩＭＦ４??３００，￣重栏座机分量＿＿?３００?ｊ＾?ｑ后酬體??＾?２００?Ｉ?■?２的?ｊ?Ｉ??［：麵觸??？２００??１?＇???１??－３００??１???＾?１???０?２００?４００?６００?８００?１０００?０?２００?４００?６００?８００?１０００??Ｓａｍｐｌｅ?Ｓａｍｐｌｅ??重构后趋势分Ｍ??１：１?Ａ?Ａ?＾??ｆ?：ｌ／?Ｖ?＾??－５０?＇?＇?１?＇???０?２００?４００?６００?８００?１０００??Ｓａｍｐｌｅ??图２－４重构后分量情况??Ｆｉｇ?２－４?Ｒｅｃｏｎｓｔｒｕｃｔｅｄ?ｃｏｍｐｏｎｅｎｔ?ｓｉｔｕａｔｉｏｎ??由上图可知，趋势性分量变换
【参考文献】：
期刊论文
[1]改进型LSTM网络光伏发电功率预测研究[J]. 叶興,薛家祥. 中国测试. 2019(11)
[2]基于灰色关联度和ELM的轴承性能退化趋势预测[J]. 杨超,杨晓霞,李灵飞. 组合机床与自动化加工技术. 2019(11)
[3]浅谈甲醇的合成及下游产品[J]. 朱冬梅,张兰霞. 广州化工. 2019(20)
[4]爆破振动信号分析中模态混叠和虚假分量消除的改进方法[J]. 李清,徐文龙,张迪,李娜,冯丹丹. 振动与冲击. 2019(17)
[5]基于LSTM-Attention网络的短期风电功率预测[J]. 钱勇生,邵洁,季欣欣,李晓瑞,莫晨,程其玉. 电机与控制应用. 2019(09)
[6]基于PCA-PNN原理的岩爆烈度分级预测方法[J]. 吴顺川,张晨曦,成子桥. 煤炭学报. 2019(09)
[7]甲醇合成工艺过程及操作控制的优化问题[J]. 倪静. 中国石油和化工标准与质量. 2019(14)
[8]基于门控循环单元神经网络的金融时间序列预测[J]. 张金磊,罗玉玲,付强. 广西师范大学学报(自然科学版). 2019(02)
[9]时间序列预测技术综述[J]. 何亚磊,许乾坤. 信息通信. 2018(11)
[10]大数据：数据驱动的过程质量控制与改进新视角[J]. 任明仑,宋月丽. 计算机集成制造系统. 2019(11)
博士论文
[1]多元时间序列的分割方法及拐点识别研究[D]. 孙竹斌.大连理工大学 2017
[2]基于机器学习的时间序列预测方法研究与应用[D]. 陈艳华.兰州大学 2017
硕士论文
[1]基于混合模型的股票趋势预测方法研究[D]. 吴少聪.哈尔滨工业大学 2017
本文编号：3639495
本文链接：https://www.wllwen.com/projectlw/hxgylw/3639495.html
最近更新
教材专著
