近些年來,石化行業(yè)處在設(shè)備更新和企業(yè)改革的重要時期。設(shè)備數(shù)量大、更新快和業(yè)務(wù)流程復(fù)雜且多變的特性也給企業(yè)帶來了沉重的設(shè)備管理系統(tǒng)維護(hù)成本。同時,企業(yè)在設(shè)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(yù)測,這就導(dǎo)致了分類準(zhǔn)確性的降低。工作流引擎已被證實(shí)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(jī)建立工作流模型,并通過AOP面向切面的思想增強(qiáng)了模型的業(yè)務(wù)拓展能力,提高了模型的可擴(kuò)展性。然后在工作流模型基礎(chǔ)上提出狀態(tài)轉(zhuǎn)移算法,該算法實(shí)現(xiàn)了對模型的AOP增強(qiáng)處理和工作流的跳轉(zhuǎn)功能。工作流引擎作為石化設(shè)備管理信息平臺的“中間件”,為基于Web的石化設(shè)備管理系統(tǒng)提供流程調(diào)度和數(shù)據(jù)調(diào)度服務(wù),一定程度上降低了系統(tǒng)的使用門檻和維護(hù)成本。在設(shè)備管理系統(tǒng)的故障分類模塊,本文采集了某石化原始運(yùn)行數(shù)據(jù),針對樣本中少數(shù)據(jù)量類別進(jìn)行基于SMOTE算法的不同強(qiáng)度的數(shù)據(jù)增強(qiáng)實(shí)驗(yàn),得出課題合適的數(shù)據(jù)增強(qiáng)策略。實(shí)驗(yàn)結(jié)果表明,增強(qiáng)后對少數(shù)據(jù)量類別的分類精度有較為明顯的提高。然后本文驗(yàn)證在不同核函數(shù)下OVO、OVR、DAG-SVM三種多分類算法數(shù)據(jù)增強(qiáng)前后的分類狀況,得出本文應(yīng)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(xué)湖北省

【文章頁數(shù)】：82 頁

【學(xué)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(nèi)外研究現(xiàn)狀
        1.2.1 國內(nèi)現(xiàn)狀研究
        1.2.2 國外現(xiàn)狀研究
    1.3 研究內(nèi)容與組織結(jié)構(gòu)
        1.3.1 研究內(nèi)容
        1.3.2 論文組織結(jié)構(gòu)
    1.4 本章小結(jié)
第2章 有限狀態(tài)機(jī)與工作流模型的理論研究
    2.1 工作流與有限狀態(tài)機(jī)的映射
        2.1.1 工作流
        2.1.2 有限狀態(tài)機(jī)
        2.1.3 模型映射
    2.2 工作流模型增強(qiáng)
        2.2.1 面向切面的編程思想
        2.2.2 AOP增強(qiáng)型工作流模型
    2.3 工作流模型設(shè)計
        2.3.1 模型總體架構(gòu)
        2.3.2 狀態(tài)轉(zhuǎn)移算法
    2.4 本章小結(jié)
第3章 支持向量機(jī)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(biāo)準(zhǔn)
        3.1.3 SVM分類形式化表示
    3.2 支持向量機(jī)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(shù)
    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(jī)類間不平衡
        3.4.1 數(shù)據(jù)增強(qiáng)
        3.4.2 常用數(shù)據(jù)增強(qiáng)方法
        3.4.3 增強(qiáng)前后實(shí)驗(yàn)對比
    3.5 本章小結(jié)
第4章 基于工作流引擎的設(shè)備管理系統(tǒng)設(shè)計
    4.1 工作流引擎設(shè)計
        4.1.1 子模塊設(shè)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(diào)度服務(wù)
        4.2.1 流程調(diào)度
        4.2.2 數(shù)據(jù)調(diào)度
    4.3 石化設(shè)備管理系統(tǒng)設(shè)計
        4.3.1 系統(tǒng)總體框架
        4.3.2 分層設(shè)計
        4.3.3 故障分類模塊的設(shè)計
    4.4 本章小結(jié)
第5章 基于多分類SVM的故障分類系統(tǒng)設(shè)計
    5.1 實(shí)驗(yàn)準(zhǔn)備
        5.1.1 性能指標(biāo)
        5.1.2 實(shí)驗(yàn)數(shù)據(jù)
    5.2 數(shù)據(jù)增強(qiáng)預(yù)處理
        5.2.1 實(shí)驗(yàn)過程
        5.2.2 結(jié)果分析
    5.3 多分類算法比較
        5.3.1 實(shí)驗(yàn)過程
        5.3.2 實(shí)驗(yàn)結(jié)果分析
    5.4 設(shè)備管理系統(tǒng)下的故障分類模塊實(shí)現(xiàn)
        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(jié)
第6章 結(jié)論與展望
    6.1 本文總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
附錄1 攻讀碩士學(xué)位期間發(fā)表的論文
附錄2 攻讀碩士學(xué)位期間參加的科研項(xiàng)目
詳細(xì)摘要



本文編號：3509607