制造業(yè)在國民經(jīng)濟中占有重要份額,直接體現(xiàn)了一個國家的生產(chǎn)力水平,雖然它推動了全球經(jīng)濟的增長,但是也消耗了大量能量和資源,并對環(huán)境造成了污染。機械加工車間是制造業(yè)的重要組成部分,其能耗問題日益嚴峻。通過對機械加工車間能耗的預測不僅可以把握能源消耗的趨勢,控制能源的存貯量,減少能源的浪費,降低車間的生產(chǎn)成本,也是車間節(jié)能研究基礎(chǔ),可為車間各能耗源節(jié)能優(yōu)化提供有效依據(jù)。為此,本文通過分析機械加工車間的能耗以及能耗的影響因素,建立了一種基于深度信念網(wǎng)絡(luò)的機械加工車間能耗預測模型,并開發(fā)了一套基于該能耗預測模型的支持系統(tǒng)。論文主要研究內(nèi)容如下:首先,針對機械加工車間的多能耗組成的特點,從設(shè)備層的角度對機械加工車間能耗進行分析,基于此建立機械加工車間能耗影響因素指標體系,將此作為之后能耗預測模型輸入變量的類型,并對能耗影響因素指標進行分析。其次,在上述基礎(chǔ)上,建立了一種基于深度信念網(wǎng)絡(luò)的機械加工車間能耗預測模型。先預處理原始的樣本數(shù)據(jù),將樣本數(shù)據(jù)分為訓練數(shù)據(jù)和測試數(shù)據(jù),根據(jù)樣本數(shù)據(jù)以及訓練目標對網(wǎng)絡(luò)結(jié)構(gòu)進行設(shè)計,然后用訓練樣本數(shù)據(jù)進行訓練,從而得到每一層神經(jīng)元的權(quán)重和偏置量,通過訓練結(jié)果的誤差判斷模型訓練是否成功,最后用訓練好的模型對測試樣本數(shù)據(jù)進行預測,預測完成后進行預測結(jié)果的誤差分析。根據(jù)誤差分析的結(jié)果,不斷的訓練模型來調(diào)整模型的網(wǎng)絡(luò)結(jié)構(gòu)以及訓練參數(shù),直到得到最小的預測誤差,此模型就作為最終的預測模型。并將本文的能耗預測模型與基于淺層神經(jīng)網(wǎng)絡(luò)的預測模型和基于支持向量機預測模型進行對比分析。最后,開發(fā)了基于深度信念網(wǎng)絡(luò)的機械加工車間能耗預測模型的支持系統(tǒng),先設(shè)計了支持系統(tǒng)的體系結(jié)構(gòu)和功能模塊;然后通過C#語言與MATLAB算法的集成實現(xiàn)了此支持系統(tǒng);并通過此支持系統(tǒng)展現(xiàn)了基于深度信念網(wǎng)絡(luò)的機械加工車間能耗預測模型應(yīng)用后的預測效果,證明了該系統(tǒng)的有效性。
【學位單位】：重慶大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TH18;TP183
【部分圖文】：

圖 4.3 系統(tǒng)登錄界面Fig.4.3 The interface of logging②樣本數(shù)據(jù)管理模塊輸入正確的用戶名和密碼后，即可進入系統(tǒng)主界面，系統(tǒng)主界面主要由標題欄、菜單欄、工具欄、操作區(qū)構(gòu)成，點擊菜單欄中的各個選項按鈕，就可以進入相對應(yīng)的功能模塊進行操作。在系統(tǒng)的主界面菜單欄選擇樣本數(shù)據(jù)管理，即可進入樣本數(shù)據(jù)管理界面，如圖 4.4 所示。

圖 4.4 樣本數(shù)據(jù)管理界面Fig.4.4 The interface of sample data management樣本數(shù)據(jù)管理模塊主要針對機械加工車間能耗預測的樣本數(shù)據(jù)進行導入、刪除、修改、查詢等操作，此功能模塊為模型的訓練和機械加工車間能耗預測提供了數(shù)據(jù)支撐，詳細功能如下圖 4.5 所示。

重慶大學碩士學位論文 4 基于深度信念網(wǎng)絡(luò)的機械加工車間能耗預測方法支持系統(tǒng)的開發(fā)1）用戶點擊工具欄中“導入”按鈕，彈出文件打開對話框，即可選擇用于預測機械加工車間能耗的樣本數(shù)據(jù)文件，將數(shù)據(jù)導入并顯示在界面中，如圖 4.4 所示。2）用戶選中機械加工車間能耗預測樣本數(shù)據(jù)表的某行，點擊工具欄中刪除按鈕，彈出提示對話框，選擇“確定”按鈕，即可刪除選中的數(shù)據(jù)；點擊工具欄中清空按鈕，彈出提示對話框，選擇“確定”清空按鈕，即可清空所有的樣本數(shù)據(jù)。3）用戶點擊工具欄中“修改”按鈕，雙擊機械加工車間能耗預測樣本數(shù)據(jù)表的某個單元格，即可對數(shù)據(jù)進行修改。4）用戶點擊工具欄中日期篩選控件，選擇一段時間，然后點擊“查詢”按鈕，即可在操作區(qū)顯示出這段時間的樣本數(shù)據(jù)。③預測模型訓練模塊在樣本數(shù)據(jù)管理功能模塊中導入了樣本數(shù)據(jù)之后，在系統(tǒng)菜單欄點擊“預測模型訓練”按鈕，即可進入預測模型訓練界面進行模型的訓練，如圖 4.6 所示。
【參考文獻】

相關(guān)期刊論文 前7條

1 潘廣源;柴偉;喬俊飛;;DBN網(wǎng)絡(luò)的深度確定方法[J];控制與決策;2015年02期

2 李劍楠;喬穎;魯宗相;李兢;;多時空尺度風電統(tǒng)計特性評價指標體系及其應(yīng)用[J];中國電機工程學報;2013年13期

3 徐曼;喬穎;魯宗相;;短期風電功率預測誤差綜合評價方法[J];電力系統(tǒng)自動化;2011年12期

4 陳志田;崔華;朱春雁;;能源管理體系中的能源因素分析[J];世界標準化與質(zhì)量管理;2007年09期

5 劉東亮;王鳳岐;郭偉;;計算機仿真技術(shù)及其在生產(chǎn)系統(tǒng)中的應(yīng)用[J];組合機床與自動化加工技術(shù);2007年04期

6 王秀;孫晧;;灰色神經(jīng)網(wǎng)絡(luò)交通事故預測比較[J];長春工業(yè)大學學報(自然科學版);2006年04期

7 高興培;用MATLAB語言仿真設(shè)計人工神經(jīng)網(wǎng)絡(luò)[J];廣東廣播電視大學學報;2004年01期

本文編號：2868000