流程工业生产过程变量相关性分析及预测方法研究
发布时间：2021-11-21 07:59
流程工业生产过程中的一些关键变量或指标是生产稳定、安全运行的重要体现。现场人员需要对某些特别关注的变量进行监察,从而实时控制整个生产过程,最终达到稳定运行的目的。但是,在真实的工业生产环境下,一些重要指标变量无法实时监测或全面监测,使得对生产过程整体的实时调控难以实现,因此建立有效的、稳定的生产过程变量预测模型对生产过程变量进行实时预测显得尤为关键。基于数据驱动的方法只需要通过建立工业过程系统中输入-输出变量的关系模型来达到预测的目的,无须关注生产过程的机理信息,因此本文针对基于数据驱动的生产过程变量预测建模中的特征选择方法和建模方法进行了深入的研究,具体研究工作如下:（1）传统的基于相关性分析的特征选择方法在分析变量相关性时,未考虑变量间的时滞影响,使得分析结果的准确度严重降低,导致不能对输入变量进行有效的选择,这不利于后续的预测建模。因此,本文提出了基于交叉相关性分析的灰色关联分析法,通过基于交叉相关性的时滞计算法确定变量间的时滞,再将此作为输入参数引入至灰色关联分析法中,计算变量间的相关联度并选出与目标变量最为相关的变量,有效的消除了时滞对于变量相关性分析的干扰。通过对具体案例和...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图2.1分层网络
?杭州电子科技大学硕士学位论文性自回归）神经网络便应运而生。??２．３．１?ＮＡＲＸ神经网络??ＮＡＲＸ神经网络称为带外部输入的非线性自回归的神经网络，是一种具有“记忆”特的神经网络。ＮＡＲＸ神经网络通过输入变量的延时输入以及输出变量的延时反馈接入使得出的当前量与历史值有效的连结起来，这也正是ＮＡＲＸ神经网络“记忆”特性的缘由所在而ＮＡＲＸ神经网络的模型结构图如图２．２所示。??
的神经网络。ＮＡＲＸ神经网络通过输入变量的延时输入以及输出变量的延时反馈接入使得输??出的当前量与历史值有效的连结起来，这也正是ＮＡＲＸ神经网络“记忆”特性的缘由所在。??而ＮＡＲＸ神经网络的模型结构图如图２．２所示。??图２．２?ＮＡＲＸ神经网络模型结构图??ＮＡＲＸ神经网络模型一般由输入层、隐藏层、输出层三个部分组成。输入层的延时环节??是ＮＡＲＸ神经网络区别于其他神经网络的特别之处。其中，输入延迟比值用１：？表示，而??则表示输出反馈的延时比值。ｗ是权值，６为偏移量。其数学模型则可用式（２．１）表示：??：Ｋ０?＝?／?Ｗ?－１），外－２），…，外－Ｗ），－１），?－?２），…冰－？））?（２．１）??其中，／表示时间点，《、ｗ分别表示输入延时比值和输出反馈延时比值。??由式（２．１）可知，／时刻输出值冰）取决于＇－１至时刻的输入值以及ｆ－１至Ｚ－７７７时刻??的输出值，涉及到网络的过往状态和实时状态。其本质上是加入输入延迟和输出反馈延迟的??ＢＰ神经网络。??２．３．２?ＬＳＴＭ－ＲＮＮ?模型??在实际的训练过程中，浅层神经网络存在很大的局限，一方面是模型学习能力的局限，??另一方面是模型的效果十分依赖于所提供的特征。而深度学习是在原有的浅层神经网络的基??础上发展和集成而来［５５］。通过对特征的多层变换和非线性映射
【参考文献】：
期刊论文
[1]煤矿综采工作面瓦斯浓度预测模型[J]. 李欢,贾佳,杨秀宇,宋春儒. 工矿自动化. 2018(12)
[2]关于深度学习的综述与讨论[J]. 胡越,罗东阳,花奎,路海明,张学工. 智能系统学报. 2019(01)
[3]高斯过程回归模型在河流水温模拟中的应用[J]. 朱森林,吴时强. 华中科技大学学报(自然科学版). 2018(10)
[4]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)
[5]基于主成分分析和BP神经网络的钢丝绳断丝定量检测方法[J]. 刘志怀,秦芳,刘娜,黄祖坤,刘学斌. 振动与冲击. 2018(18)
[6]智能工厂综述[J]. 张泉灵,洪艳萍. 自动化仪表. 2018(08)
[7]流程工业智能优化制造[J]. 柴天佑,丁进良. 中国工程科学. 2018(04)
[8]基于多维变量筛选-非参数组合回归的长期负荷概率预测模型[J]. 彭虹桥,顾洁,宋柄兵,马睿,时亚军. 电网技术. 2018(06)
[9]基于LSTM-RNN模型的铁水硅含量预测[J]. 李泽龙,杨春节,刘文辉,周恒,李宇轩. 化工学报. 2018(03)
[10]基于NARX神经网络的高炉冶炼过程Si元素的预测与智能控制[J]. 吴涛,吴崇,曹加旺,王一煜,张少杰,朱媛. 当代化工. 2017(09)
博士论文
[1]数据驱动技术及其在聚丙烯生产过程中的应用研究[D]. 夏陆岳.浙江工业大学 2012
[2]炼焦过程综合生产目标的智能预测与协调优化研究[D]. 王伟.中南大学 2011
[3]锌冶炼除钴过程建模与智能优化方法研究及应用[D]. 朱红求.中南大学 2010
硕士论文
[1]工业过程非线性因果分析研究[D]. 杨雨曦.浙江大学 2018
[2]基于深度学习的热轧产品性能预报研究[D]. 李贝贝.武汉科技大学 2018
[3]基于BP神经网络的IC反应器废水处理系统预测研究[D]. 唐静.西南交通大学 2018
[4]基于主成分分析的Laplace变换降维及其应用[D]. 赵亚亚.兰州大学 2018
[5]基于LSTM深度神经网络的股市时间序列预测精度的影响因素研究[D]. 毛景慧.暨南大学 2017
[6]基于时序分析与支持向量机的水泥熟料f-CaO含量软测量模型研究[D]. 徐学奎.湖南大学 2017
[7]基于核独立成分分析的复杂系统故障检测与分类研究[D]. 杨泽宇.杭州电子科技大学 2017
[8]互信息多元时间序列相关分析与变量选择[D]. 刘晓欣.大连理工大学 2013
[9]选矿生产指标预测软件人机交互界面的研发[D]. 姜波.东北大学 2013
[10]基于操作模式匹配的铜闪速熔炼过程关键工艺指标预测[D]. 夏巨龙.中南大学 2013
本文编号：3509096
【文章来源】：杭州电子科技大学浙江省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图2.1分层网络
?杭州电子科技大学硕士学位论文性自回归）神经网络便应运而生。??２．３．１?ＮＡＲＸ神经网络??ＮＡＲＸ神经网络称为带外部输入的非线性自回归的神经网络，是一种具有“记忆”特的神经网络。ＮＡＲＸ神经网络通过输入变量的延时输入以及输出变量的延时反馈接入使得出的当前量与历史值有效的连结起来，这也正是ＮＡＲＸ神经网络“记忆”特性的缘由所在而ＮＡＲＸ神经网络的模型结构图如图２．２所示。??
的神经网络。ＮＡＲＸ神经网络通过输入变量的延时输入以及输出变量的延时反馈接入使得输??出的当前量与历史值有效的连结起来，这也正是ＮＡＲＸ神经网络“记忆”特性的缘由所在。??而ＮＡＲＸ神经网络的模型结构图如图２．２所示。??图２．２?ＮＡＲＸ神经网络模型结构图??ＮＡＲＸ神经网络模型一般由输入层、隐藏层、输出层三个部分组成。输入层的延时环节??是ＮＡＲＸ神经网络区别于其他神经网络的特别之处。其中，输入延迟比值用１：？表示，而??则表示输出反馈的延时比值。ｗ是权值，６为偏移量。其数学模型则可用式（２．１）表示：??：Ｋ０?＝?／?Ｗ?－１），外－２），…，外－Ｗ），－１），?－?２），…冰－？））?（２．１）??其中，／表示时间点，《、ｗ分别表示输入延时比值和输出反馈延时比值。??由式（２．１）可知，／时刻输出值冰）取决于＇－１至时刻的输入值以及ｆ－１至Ｚ－７７７时刻??的输出值，涉及到网络的过往状态和实时状态。其本质上是加入输入延迟和输出反馈延迟的??ＢＰ神经网络。??２．３．２?ＬＳＴＭ－ＲＮＮ?模型??在实际的训练过程中，浅层神经网络存在很大的局限，一方面是模型学习能力的局限，??另一方面是模型的效果十分依赖于所提供的特征。而深度学习是在原有的浅层神经网络的基??础上发展和集成而来［５５］。通过对特征的多层变换和非线性映射
【参考文献】：
期刊论文
[1]煤矿综采工作面瓦斯浓度预测模型[J]. 李欢,贾佳,杨秀宇,宋春儒. 工矿自动化. 2018(12)
[2]关于深度学习的综述与讨论[J]. 胡越,罗东阳,花奎,路海明,张学工. 智能系统学报. 2019(01)
[3]高斯过程回归模型在河流水温模拟中的应用[J]. 朱森林,吴时强. 华中科技大学学报(自然科学版). 2018(10)
[4]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)
[5]基于主成分分析和BP神经网络的钢丝绳断丝定量检测方法[J]. 刘志怀,秦芳,刘娜,黄祖坤,刘学斌. 振动与冲击. 2018(18)
[6]智能工厂综述[J]. 张泉灵,洪艳萍. 自动化仪表. 2018(08)
[7]流程工业智能优化制造[J]. 柴天佑,丁进良. 中国工程科学. 2018(04)
[8]基于多维变量筛选-非参数组合回归的长期负荷概率预测模型[J]. 彭虹桥,顾洁,宋柄兵,马睿,时亚军. 电网技术. 2018(06)
[9]基于LSTM-RNN模型的铁水硅含量预测[J]. 李泽龙,杨春节,刘文辉,周恒,李宇轩. 化工学报. 2018(03)
[10]基于NARX神经网络的高炉冶炼过程Si元素的预测与智能控制[J]. 吴涛,吴崇,曹加旺,王一煜,张少杰,朱媛. 当代化工. 2017(09)
博士论文
[1]数据驱动技术及其在聚丙烯生产过程中的应用研究[D]. 夏陆岳.浙江工业大学 2012
[2]炼焦过程综合生产目标的智能预测与协调优化研究[D]. 王伟.中南大学 2011
[3]锌冶炼除钴过程建模与智能优化方法研究及应用[D]. 朱红求.中南大学 2010
硕士论文
[1]工业过程非线性因果分析研究[D]. 杨雨曦.浙江大学 2018
[2]基于深度学习的热轧产品性能预报研究[D]. 李贝贝.武汉科技大学 2018
[3]基于BP神经网络的IC反应器废水处理系统预测研究[D]. 唐静.西南交通大学 2018
[4]基于主成分分析的Laplace变换降维及其应用[D]. 赵亚亚.兰州大学 2018
[5]基于LSTM深度神经网络的股市时间序列预测精度的影响因素研究[D]. 毛景慧.暨南大学 2017
[6]基于时序分析与支持向量机的水泥熟料f-CaO含量软测量模型研究[D]. 徐学奎.湖南大学 2017
[7]基于核独立成分分析的复杂系统故障检测与分类研究[D]. 杨泽宇.杭州电子科技大学 2017
[8]互信息多元时间序列相关分析与变量选择[D]. 刘晓欣.大连理工大学 2013
[9]选矿生产指标预测软件人机交互界面的研发[D]. 姜波.东北大学 2013
[10]基于操作模式匹配的铜闪速熔炼过程关键工艺指标预测[D]. 夏巨龙.中南大学 2013
本文编号：3509096
本文链接：https://www.wllwen.com/projectlw/xtxlw/3509096.html
