本文關鍵詞：神經(jīng)網(wǎng)絡建模方法及數(shù)據(jù)挖掘在煤造氣過程中的應用，由筆耕文化傳播整理發(fā)布。

【摘要】：以煤為原料的造氣爐,氣化層溫度和狀態(tài)是造氣爐提高制氣能力以及降低能耗的關鍵參數(shù),對這些變量的測量或預測是使其實現(xiàn)閉環(huán)控制的前提條件。由于造氣工藝中工況復雜、檢測環(huán)境惡劣,直接測溫法往往比較困難,難以實現(xiàn)。因此,針對間接反映氣化層溫度的上行溫度、下行溫度以及上下行溫度之和,本文提出了將數(shù)據(jù)挖掘與神經(jīng)網(wǎng)絡相結合的方法對其進行建模研究。主要工作如下： 1、實際工業(yè)中,造氣過程產(chǎn)生的數(shù)據(jù)具有不規(guī)律、變化小、含有噪聲以及各變量間存在耦合等復雜特點。針對這類數(shù)據(jù),本文提出了將數(shù)據(jù)挖掘與BP神經(jīng)網(wǎng)絡以及RBF神經(jīng)網(wǎng)絡相結合的動態(tài)線性建模方法。一方面使用系統(tǒng)模型的動態(tài)描述以便更準確地反映氣化層溫度的大小以及變化趨勢,另一方面有效利用系統(tǒng)中可以控制的變量。該算法基本思想是先對數(shù)據(jù)進行相關性分析,根據(jù)分析結果建立動態(tài)線性模型,而動態(tài)線性模型與真實數(shù)據(jù)之間的差值則由神經(jīng)網(wǎng)絡建模描述。 2、研究了一些常用的建模方法,包括ARMAX模型、多元線性回歸模型、BP神經(jīng)網(wǎng)絡模型、RBF神經(jīng)網(wǎng)絡模型、基于主成分分析的BP神經(jīng)網(wǎng)絡模型(PCA-BP)以及多元線性回歸與BP及RBF神經(jīng)網(wǎng)絡相結合的模型。此外,通過對層次聚類理論知識的學習和研究,針對造氣過程中丟失的數(shù)據(jù),提出了一種基于層次聚類的數(shù)據(jù)補償算法,并進行了仿真驗證。 3、利用某造氣廠的實際生產(chǎn)運行數(shù)據(jù),對造氣系統(tǒng)中的上行溫度、下行溫度以及上下行溫度之和進行了建模方法的大量仿真研究,將本文提出的算法與BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡、PCA-BP模型、ARMAX模型以及多元線性回歸模型進行仿真對比分析,驗證了本文所提算法的有效性和優(yōu)越性。結果表明,本文所提出的建模方法比其他模型的精度高,減少了BP神經(jīng)網(wǎng)絡的訓練時間,同時由于本文所提建模方法的變量為造氣系統(tǒng)可以控制的變量,所以該模型可以用于實際應用。因此,本論文的研究工作有利于煤氣化系統(tǒng)的數(shù)據(jù)預測和控制,為工廠中控制系統(tǒng)的仿真優(yōu)化建立了先決條件。
【關鍵詞】：數(shù)據(jù)挖掘 BP神經(jīng)網(wǎng)絡 RBF神經(jīng)網(wǎng)絡 層次聚類
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TQ546;TP183
【目錄】：

• 致謝5-6
• 中文摘要6-7
• ABSTRACT7-11
• 1 引言11-17
• 1.1 研究意義及背景11
• 1.2 數(shù)據(jù)挖掘在工業(yè)過程建模中的研究現(xiàn)狀11-13
• 1.3 煤造氣工藝流程簡介13-15
• 1.4 本文主要工作15-17
• 2 數(shù)據(jù)挖掘理論基礎17-27
• 2.1 數(shù)據(jù)挖掘與知識發(fā)現(xiàn)概述17-18
• 2.2 層次聚類算法18-22
• 2.2.1 聚類算法中的統(tǒng)計量20-22
• 2.2.2 層次聚類算法分類及步驟22
• 2.3 屬性相關分析22-24
• 2.4 數(shù)據(jù)預處理24-25
• 2.5 本章小結25-27
• 3 常用建模方法的基本理論27-33
• 3.1 多元線性回歸建模28-29
• 3.2 滑動平均外生自回歸建模29-30
• 3.3 基于主成分分析的BP神經(jīng)網(wǎng)絡建模30-32
• 3.3.1 主成分分析30-31
• 3.3.2 PCA-BP算法步驟31-32
• 3.4 本章小結32-33
• 4 結合神經(jīng)網(wǎng)絡的線性建模方法33-43
• 4.1 結合BP神經(jīng)網(wǎng)絡的線性建模方法33-39
• 4.1.1 BP神經(jīng)網(wǎng)絡概述33-34
• 4.1.2 結合BP神經(jīng)網(wǎng)絡的多元線性回歸建模方法34-37
• 4.1.3 結合BP神經(jīng)網(wǎng)絡的動態(tài)線性建模方法37-39
• 4.2 結合RBF神經(jīng)網(wǎng)絡的線性建模方法39-42
• 4.2.1 RBF神經(jīng)網(wǎng)絡基本原理39-40
• 4.2.2 結合RBF神經(jīng)網(wǎng)絡的多元線性回歸建模方法40-41
• 4.2.3 結合RBF神經(jīng)網(wǎng)絡的動態(tài)線性建模方法41-42
• 4.3 本章小結42-43
• 5 結合神經(jīng)網(wǎng)絡的線性建模方法在煤造氣系統(tǒng)中的應用43-79
• 5.1 造氣系統(tǒng)數(shù)據(jù)清洗與補償43-47
• 5.2 相關性分析47-49
• 5.3 多種建模算法在煤造氣系統(tǒng)中的仿真結果49-73
• 5.3.1 多元線性回歸建模仿真結果49-53
• 5.3.2 ARMAX模型仿真結果53-60
• 5.3.3 PCA-BP模型仿真結果60-63
• 5.3.4 結合BP神經(jīng)網(wǎng)絡的線性建模仿真結果63-69
• 5.3.5 結合RBF神經(jīng)網(wǎng)絡的線性建模仿真結果69-73
• 5.4 仿真結果分析73-77
• 5.5 本章小結77-79
• 6 結論與展望79-81
• 參考文獻81-85
• 附錄85-87
• 作者簡歷87-91
• 學位論文數(shù)據(jù)集91

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 馬旭;張弛;陳小凡;;基于主成分的BP神經(jīng)網(wǎng)絡煤層氣產(chǎn)能預測方法[J];科技和產(chǎn)業(yè);2013年11期

2 程兆年,湯鋒潮,羅學才,張未名,陳念貽;模式識別法在化工調優(yōu)中的應用[J];化工學報;1990年05期

3 靳曉明,陸玉昌,石純一,苑森淼;時間序列的細微距離發(fā)現(xiàn)[J];計算機研究與發(fā)展;2000年09期

4 楊善升,陸文聰,陳念貽;數(shù)據(jù)挖掘技術在化工優(yōu)化中的應用[J];江蘇化工;2004年04期

5 俞研;黃皓;;面向入侵檢測的基于多目標遺傳算法的特征選擇[J];計算機科學;2007年03期

6 陳念貽,李重河,欽佩;化學模式識別優(yōu)化方法及其應用[J];科學通報;1997年08期

7 崔萬照,朱長純,保文星,劉君華;混沌時間序列的支持向量機預測[J];物理學報;2004年10期

8 彭松濤;;流程工業(yè)中的數(shù)據(jù)挖掘建模與應用[J];自動化博覽;2007年04期

9 尹雯;胡瀝丹;袁云;;利用PCA改進BP神經(jīng)網(wǎng)絡算法[J];科技資訊;2010年21期

10 郝啟剛;間歇式造氣爐爐溫操作指導控制系統(tǒng)[J];小氮肥;1999年06期

  本文關鍵詞：神經(jīng)網(wǎng)絡建模方法及數(shù)據(jù)挖掘在煤造氣過程中的應用，，由筆耕文化傳播整理發(fā)布。

本文編號：277580