近些年來,石化行業(yè)處在設備更新和企業(yè)改革的重要時期。設備數量大、更新快和業(yè)務流程復雜且多變的特性也給企業(yè)帶來了沉重的設備管理系統(tǒng)維護成本。同時,企業(yè)在設備故障分類上缺少智能化的解決方案,大多還依靠著人工預測,這就導致了分類準確性的降低。工作流引擎已被證實能在一定程度上提高信息平臺的管理能力。本文基于有限狀態(tài)機建立工作流模型,并通過AOP面向切面的思想增強了模型的業(yè)務拓展能力,提高了模型的可擴展性。然后在工作流模型基礎上提出狀態(tài)轉移算法,該算法實現了對模型的AOP增強處理和工作流的跳轉功能。工作流引擎作為石化設備管理信息平臺的“中間件”,為基于Web的石化設備管理系統(tǒng)提供流程調度和數據調度服務,一定程度上降低了系統(tǒng)的使用門檻和維護成本。在設備管理系統(tǒng)的故障分類模塊,本文采集了某石化原始運行數據,針對樣本中少數據量類別進行基于SMOTE算法的不同強度的數據增強實驗,得出課題合適的數據增強策略。實驗結果表明,增強后對少數據量類別的分類精度有較為明顯的提高。然后本文驗證在不同核函數下OVO、OVR、DAG-SVM三種多分類算法數據增強前后的分類狀況,得出本文應用背景下更為適用的故障分類解決方案... 

【文章來源】：武漢科技大學湖北省

【文章頁數】：82 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國內外研究現狀
        1.2.1 國內現狀研究
        1.2.2 國外現狀研究
    1.3 研究內容與組織結構
        1.3.1 研究內容
        1.3.2 論文組織結構
    1.4 本章小結
第2章 有限狀態(tài)機與工作流模型的理論研究
    2.1 工作流與有限狀態(tài)機的映射
        2.1.1 工作流
        2.1.2 有限狀態(tài)機
        2.1.3 模型映射
    2.2 工作流模型增強
        2.2.1 面向切面的編程思想
        2.2.2 AOP增強型工作流模型
    2.3 工作流模型設計
        2.3.1 模型總體架構
        2.3.2 狀態(tài)轉移算法
    2.4 本章小結
第3章 支持向量機的理論研究
    3.1 形式化表示
        3.1.1 線性分類
        3.1.2 分類標準
        3.1.3 SVM分類形式化表示
    3.2 支持向量機算法原理
        3.2.1 超平面求解
        3.2.2 拉格朗日對偶
        3.2.3 核函數
    3.3 SVM多分類方法
        3.3.1 OVR算法
        3.3.2 OVO算法
        3.3.3 DAG-SVM算法
        3.3.4 多分類算法比較
    3.4 支持向量機類間不平衡
        3.4.1 數據增強
        3.4.2 常用數據增強方法
        3.4.3 增強前后實驗對比
    3.5 本章小結
第4章 基于工作流引擎的設備管理系統(tǒng)設計
    4.1 工作流引擎設計
        4.1.1 子模塊設計
        4.1.2 工作流模型描述
        4.1.3 可視化定制工具
    4.2 工作流引擎的調度服務
        4.2.1 流程調度
        4.2.2 數據調度
    4.3 石化設備管理系統(tǒng)設計
        4.3.1 系統(tǒng)總體框架
        4.3.2 分層設計
        4.3.3 故障分類模塊的設計
    4.4 本章小結
第5章 基于多分類SVM的故障分類系統(tǒng)設計
    5.1 實驗準備
        5.1.1 性能指標
        5.1.2 實驗數據
    5.2 數據增強預處理
        5.2.1 實驗過程
        5.2.2 結果分析
    5.3 多分類算法比較
        5.3.1 實驗過程
        5.3.2 實驗結果分析
    5.4 設備管理系統(tǒng)下的故障分類模塊實現
        5.4.1 故障分類策略
        5.4.2 故障分類報表
        5.4.3 故障處理決策
    5.5 本章小結
第6章 結論與展望
    6.1 本文總結
    6.2 展望
參考文獻
致謝
附錄1 攻讀碩士學位期間發(fā)表的論文
附錄2 攻讀碩士學位期間參加的科研項目
詳細摘要



本文編號：3509607