基于特征提取的多效蒸发制盐数据预测研究

发布时间：2021-06-21 19:02

　　在多效蒸发制盐过程中,制盐过程的平稳运行至关重要。随着制盐过程的持续进行,许多不稳定因素会导致制盐过程不能平稳进行,这些因素可以通过预测制盐数据的方式提前发现,因此对多效蒸发制盐数据进行预测研究具有重要的意义。在多效蒸发制盐过程中,制盐装置繁多使得参数之间的影响较为紧密,单个参数对其自身的影响有时延性,因此多效蒸发制盐数据具有高维度、高复杂程度和时序性的特点。如将历史制盐数据直接用于数据预测,会导致预测模型耗时长且预测效果不佳,因此如何对多效蒸发制盐数据进行预测为本文主要研究的问题。针对上述问题,本文根据多效蒸发制盐数据的特点,对受限玻尔兹曼机、深度置信网络和自编码器进行分析和改进,用于多效蒸发制盐数据的特征提取,从而解决制盐数据高维度和高复杂程度的问题。在此基础上,结合制盐数据中包含的时序信息,基于长短期记忆循环神经网络提出三种多效蒸发制盐数据预测模型,用于解决时序性制盐数据的预测问题。实验表明,本文提出的三种预测模型在多效蒸发制盐数据上可以得到良好的预测结果。除此以外,本文开发设计一款多效蒸发制盐关键数据预测系统,该系统通过可视化界面对多效蒸发制盐关键数据进行实时显示,通过实时绘制... 

【文章来源】：淮阴工学院江苏省

【文章页数】：54 页

【学位级别】：硕士

【部分图文】：

受限玻尔兹曼机结构图

二分网络

花勇基于特征提取的多效蒸发制盐数据预测研究13图2-3循环神经网络Fig2-3RecurrentneuralnetworkLSTM在其隐层神经元上对长期记忆有专门的设计，使得整个网络能够学习到数据之间的长期关联，其隐层神经元结构如图2-4所示。在图2-4中，LSTM的隐层神经元有三种输入，即t时刻显层神经元的输入tv、t-1时刻隐层神经元的输出t1h和t-1时刻隐层神经元的状态参数t1Cell。图2-4LSTM网络隐层神经元结构Fig2-4ThehiddenlayerneuronstructureofLSTMnetworkLSTM隐层神经元主要由四个模块组成，在模块1中，函数的功能是选择性忘记t-1时刻隐层神经元输出t1h和t时刻输入数据tv中的一些信息，模块1的输出如公式(2-8)所示。1([,])tsttssWhvb(2-8)在模块2中，该模块的作用是更新信息，选择性地对t-1时刻隐层神经元的输出t1h和t时刻输入数据tv中的信息进行更新，模块2的输出如公式(2-9)和(2-10)所示。1([,])tittiiWhvb(2-9)1([,])tCttCCWhvb(2-10)模块3的作用是根据模块1和模块2的输出，对当前时刻隐层神经元的状态进行更新，更新公式如(2-11)所示。

【参考文献】：
期刊论文
[1]时频联合长时循环神经网络[J]. 庄连生,吕扬,杨健,李厚强.  计算机研究与发展. 2019(12)
[2]基于降噪时序深度学习网络的风电功率短期预测方法[J]. 曹有为,闫双红,刘海涛,郭力.  电力系统及其自动化学报. 2020(01)
[3]基于深度自编码网络的刚性罐道故障诊断[J]. 包从望,朱广勇,江伟,刘永志.  中国矿业. 2019(08)
[4]DCS自动化控制系统在制盐生产中的应用[J]. 杨旭丽,徐焕虎,陆卫东.  中国井矿盐. 2019(03)
[5]防结垢方法的研究与应用[J]. 赵靖,张仂.  盐科学与化工. 2019(03)
[6]MVR工艺技术在盐化工领域面临的机遇与挑战[J]. 张经纬.  盐科学与化工. 2018(10)
[7]关于EV301硝蒸发罐加热室运行异常的探索[J]. 杨毅,李艳,李波.  中国井矿盐. 2018(05)
[8]蒸发制盐生产中影响盐粒度的分析[J]. 王宁军,贾晓华,张永松,李春林.  盐科学与化工. 2018(09)
[9]EV-302闪发罐结块盐的原因分析及对策[J]. 韩明道,于理想,王启龙.  盐科学与化工. 2018(07)
[10]蓬莱盐化真空制盐系统结垢及防垢探究[J]. 王勇,莫弘,谢佳俊.  中国井矿盐. 2017(06)



本文编号：3241230